PENENTUAN RUTE OPTIMUM DALAM SUPPLY CHAIN NETWORK DENGAN ALGORITMA ANT COLONY UNTUK KOTA DAN KABUPATEN BOGOR INDRI WIDYASTUTI

1

PENENTUAN RUTE OPTIMUM DALAM SUPPLY CHAIN NETWORK DENGAN ALGORITMA ANT COLONY UNTUK KOTA DAN KABUPATEN BOGOR

INDRI WIDYASTUTI

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012

2

PENENTUAN RUTE OPTIMUM DALAM SUPPLY CHAIN NETWORK DENGAN ALGORITMA ANT COLONY UNTUK KOTA DAN KABUPATEN BOGOR

INDRI WIDYASTUTI

Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012

ABSTRACT INDRI WIDYASTUTI. Penentuan Rute Optimum dalam Supply Chain Network dengan Algoritma Ant Colony Untuk Kota dan Kabupaten Bogor. Dibimbing oleh SONY HARTONO WIJAYA. Persaingan antarperusahaan semakin marak terjadi seiring berkembangnya teknologi dan permintaan pasar. Agar produk suatu perusahaan dapat bertahan dipasaran, diperlukan suatu manajemen yang dapat mengatur informasi dari produsen ke konsumen dengan efektif dan efisien. Pada penelitian ini, menitikberatkan cara pendistribusian produk melalui jalur dengan jarak terpendek, yaitu memanfaatkan Algoritma Ant Colony untuk memperoleh rute pendistribusian dengan jarak terpendek. Algortima ini bekerja pada sebuah graf berbobot jarak dan berarah sesuai lajur lalu lintas. Data yang digunakan pada penelitian ini adalah data sistem jalan Kota dan Kabupaten Bogor wilayah Barat. Sistem ini menggunakan Google Maps untuk merepresentasikan rute hasil dari Algoritma Ant Colony. Penelitian ini berhasil mengimplementasikan Algoritma Ant Colony pada sebuah sistem untuk mencari rute optimum pendistribusian. Hasil dari sistem ini berupa rute optimum dengan akurasi sebesar 92%.

Keywords : Algoritma Ant Colony, graf terboboti, rute pendistribusian, rute terpendek

ABSTRACT INDRI WIDYASTUTI. Determining Optimal Route in Supply Chain Network with Ant Colony Algorithm for Bogor City and Regency. Supervised by SONY HARTONO WIJAYA. Competition among companies rises along with the development of technology and market demand. In order to keep a product resist in the market, a management which is able to manage information from manufacturer to consumer effectively and efficiently is needed. This research is emphasizing the manner of distributing the product through the shortest route, that is the use of Ant Colony Algorithm to obtain the shortest route of distribution. This algorithm operates on a weighted graph distance and directional appropriate traffic lane. Data which were used in this research were the data of system of Bogor City and Regency. This system uses Google Maps to represent the route as the result of Ant Colony Algorithm. This research successfully implement a system using Ant Colony Algorithm to find the optimum route distribution. The result from this system is a optimum route with an accuracy of 92%. Keywords: Ant Colony Algorithm, distribution route, the shortest route, weighted graph

Judul Skripsi Nama NIM

: Penentuan Rute Optimum dalam Supply Chain Network dengan Algoritma Ant Colony Untuk Kota dan Kabupaten Bogor : Indri Widyastuti : G64080044

Menyetujui: Pembimbing,

Sony Hartono Wijaya, S.Kom, M.Kom NIP. 19810809 200812 1 002

Mengetahui: Ketua Departemen,

Dr. Ir. Agus Buono, M.Si, M.Kom NIP. 19660702 199302 1 001

Tanggal Lulus:

Penguji : 1. Toto Haryanto, S.Kom, M.Si 2. Dr. Wisnu Ananta Kusuma, S.T, M.T

KATA PENGANTAR Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa yang telah memberikan rahmat dan karunia-Nya sehingga skripsi ini dapat diselesaikan. Skripsi ini merupakan hasil penelitian yang dilakukan dari bulan Februari sampai bulan Juli 2012 dengan bidang kajian Penentuan Rute Optimum dalam Supply Chain Network dengan Algoritma Ant Colony Untuk Kota dan Kabupaten Bogor. Penulis mengucapkan terima kasih kepada semua pihak yang telah memberikan bantuan, bimbingan, dan dorongan kepada penulis selama menyelesaikan tugas akhir ini, antara lain: 1 2

3 4 5 6 7

Kedua orang tua tercinta, Bapak Sunardi, S.Pd dan Ibunda Anis Maryati, S.Pd yang selalu memberikan kasih sayang, doa, dan dukungan moral. Adik-adik tercinta, Taufik Rahmad Ramadhan, R. Bakhrun Adi Nugroho, dan Amin Probowati Mustikasari yang selalu menjadi motivasi penulis untuk segera menyelesaikan tugas akhir. Bapak Sony Hartono Wijaya, S.Kom, M.Kom selaku pembimbing atas ilmu, waktu, bimbingan, arahan, dan nasihat yang selalu diberikan selama pengerjaan tugas akhir ini. Bapak Hendra Rahmawan selaku pembimbing akademik yang telah meluangkan waktunya untuk mendengarkan keluh kesah penulis. Bapak Toto Haryanto, S.Kom, M.Si dan Bapak Dr. Wisnu Ananta Kusuma, S.T, M.T selaku dosen penguji yang telah memberikan ide dan saran kepada penulis. Muhammad Ulul Albab dan rekan-rekan Ilkom 45 yang telah banyak membantu penulis selama menjalani waktu kuliah di departemen Ilmu Komputer IPB. Departemen Ilmu Komputer, staf, dan dosen yang telah banyak membantu baik selama penelitian maupun pada masa perkuliahan.

Penulis menyadari bahwa karya tulis ini masih jauh dari sempurna karena keterbatasan pengalaman dan pengetahuan yang dimiliki penulis. Segala kesempurnaan hanya milik Tuhan Yang Maha Esa, semoga hasil penelitian ini dapat bermanfaat, Amin.

Bogor, September 2012

Indri Widyastuti

RIWAYAT HIDUP Penulis dilahirkan di Sukoharjo pada tanggal 15 Januari 1990 sebagai putri pertama dari empat bersaudara, dari pasangan Sunardi, S.Pd dan Anis Maryati, S.Pd. Pada tahun 2008, penulis menyelesaikan pendidikan Sekolah Menengah Atas (SMA) di SMA Negeri 1 Sragen. Pada tahun yang sama, penulis diterima menjadi mahasiswa S1 Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI) dan diterima sebagai mahasiswa Departemen Ilmu Komputer. Pada tahun 2010-2011, penulis menjabat sebagai sekertaris divisi Marketing and Relationship di Himpunan Mahasiwa Ilmu Komputer (HIMALKOM). Pada tahun 2011, penulis melaksanakan Praktik Kerja Lapangan di Divisi Pengembangan dan Pemeliharaan Aplikasi (PPA) Bank Indonesia dan berhasil menyelesaikan interface dari website kerjasama antara Bank Indonesia dan Kementerian Keuangan.

DAFTAR ISI Halaman DAFTAR TABEL ........................................................................................................................ vi DAFTAR GAMBAR .................................................................................................................... vi DAFTAR LAMPIRAN ................................................................................................................ vi PENDAHULUAN Latar Belakang ................................................................................................................... 1 Tujuan ................................................................................................................................ 1 Ruang Lingkup ................................................................................................................... 1 TINJAUAN PUSTAKA ................................................................................................................ 1 Supply Chain Management ................................................................................................. 1 Graf .................................................................................................................................... 2 Algoritma Ant Colony ......................................................................................................... 2 METODE PENELITIAN Pendefinisian Masalah ........................................................................................................ 4 Studi Pustaka ...................................................................................................................... 4 Pembentukan Data .............................................................................................................. 4 Pengembangan Sistem ........................................................................................................ 4 Pengujian dan Analisis Sistem ............................................................................................ 5 HASIL DAN PEMBAHASAN Pendefinisian Masalah ........................................................................................................ 5 Pembentukan Data .............................................................................................................. 5 Pengembangan Sistem ........................................................................................................ 6 Pengujian dan Analisis Sistem ............................................................................................ 9 SIMPULAN DAN SARAN Simpulan .......................................................................................................................... 10 Saran ................................................................................................................................ 10 DAFTAR PUSTAKA .................................................................................................................. 10 LAMPIRAN ................................................................................................................................ 11

v

DAFTAR TABEL Halaman 1 Representasi tingkah laku semut dalam Algoritma Ant Colony.................................................... 2 2 Nilai parameter dengan rata-rata solusi jarak ........................................................................... 7 3 Nilai parameter dengan rata-rata solusi jarak ........................................................................... 7 4 Nilai parameter dengan rata-rata solusi jarak........................................................................... 8 5 Nilai parameter dengan rata-rata solusi jarak............................................................................ 8 6 Nilai parameter m dengan rata-rata solusi jarak ........................................................................... 8 7 Nilai parameter dengan rata-rata solusi jarak .................................................................... 9 8 Akurasi hasil pengujian rute optimum ....................................................................................... 10

DAFTAR GAMBAR Halaman 1 Graf berarah. .............................................................................................................................. 2 2 Koloni semut. ............................................................................................................................ 2 3 Metode penelitian. ..................................................................................................................... 4 4 Pembentukan node dan edge. ..................................................................................................... 5 5 Tampilan awal sistem pencarian rute ......................................................................................... 6 6 Hubungan parameter dengan rata-rata solusi jarak. ................................................................. 7 7 Hubungan parameter dengan rata-rata solusi jarak. ............................................................... 7 8 Hubungan parameter dengan rata-rata solusi jarak. ................................................................ 8 9 Hubungan parameter dengan rata-rata solusi jarak. ................................................................. 8 10 Hubungan parameter m dengan rata-rata solusi jarak. .............................................................. 8 11 Hubungan parameter m = 10, m = 25, m = 50, dan m = 100 dengan waktu eksekusi. ............... 9 12 Hubungan parameter dengan rata-rata solusi jarak. ........................................................ 9 13 Hubungan antara waktu eksekusi program dengan nilai parameter . ................................ 9

DAFTAR LAMPIRAN Halaman 1 Diagram Alur Algoritma Ant Colony ....................................................................................... 12 2 Data node ................................................................................................................................ 13 3 Data edge................................................................................................................................. 14 4 Alur pemanggilan fungsi .......................................................................................................... 18 5 Hasil pengujian Nilai ............................................................................................................ 20 6 Hasil pengujian Nilai ............................................................................................................ 22 7 Hasil pengujian Nilai ........................................................................................................... 24 8 Hasil pengujian nilai ............................................................................................................. 25 9 Hasil pengujian nilai ............................................................................................................ 26 10 Hasil pengujian nilai ..................................................................................................... 29 11 Pengujian rute optimum .......................................................................................................... 31 12 Tampilan representasi rute optimum pada Google Maps ......................................................... 33

vi

1

PENDAHULUAN Latar Belakang Persaingan antarperusahaan semakin marak terjadi seiring berkembangnya teknologi dan permintaan pasar. Suatu perusahaan harus bisa bersaing agar produknya tetap bertahan dipasaran. Salah satu cara agar produk suatu perusahaan bisa bertahan di pasaran adalah dengan melakukan manajemen pemasaran dan pendistribusian dengan baik. Sehingga dibutuhkan manajemen perusahaan yang dapat menjalankan proses bisnis dari hulu hingga hilir secara efektif dan efisien. Perusahaan tersebut harus mengintegrasikan antara arus informasi barang dan jasa mulai dari pemasok sampai ke konsumen sehingga dapat menambah keuntungan dari perusahaan. Proses integrasi ini sering disebut dengan manajemen rantai pasok (supply chain management). Salah satu faktor yang dalam supply chain management yang merupakan faktor utama dalam pemasaran produk adalah supply chain network. Supply chain network dibagi menjadi dua bagian, yaitu lokasi dan jalur produksi. Penentuan lokasi produksi berpengaruh dalam pelayanan terhadap konsumen dan pemasaran produk. Untuk penentuan jalur produksi yang tepat dapat meminimalkan waktu distribusi dan jarak tempuh. Pada penelitian sebelumnya telah dilakukan pencarian rute optimum daerah Bogor menggunakan Algoritma Genetika (Marwantoni 2009). Penelitian ini mengoptimumkan waktu tempuh dari titik asal ke titik tujuan. Ada pula penelitian sebelumnya tentang penentuan lokasi dan jalur distribusi daerah Bogor menggunakan Algoritma Djikstra (Priasa 2008). Penelitian ini menentukan lokasi, dimana lokasi tersebut paling optimum untuk mejangkau setiap tujuan pada Kota Bogor. Perbedaan dari kedua Algoritma Genetika dan Algoritma Djikstra adalah Algoritma Genetika merupakan salah satu metode heuristik. Sedangkan Algoritma Dijkstra adalah salah satu metode konvensional. Metode konvensional dihitung dengan perhitungan matematis biasa, sedangkan metode heuristik dihitung dengan menggunakan sistem pendekatan. Algoritma Ant Colony salah satu dari metode heuristik, dengan perhitungan pendekatan untuk mendapatkan nilai yang mendekati optimum. Kelebihan dari Algoritma Ant Colony antara lain: dapat memberikan alternatif jawaban, memberikan positive feedback dalam

menentukan solusi dengan cepat, yaitu meninggalkan feromon pada jalur yang dilalui, yang disebut dengan feromon adalah zat kimia yang berasal dari kelenjar endokrin dan digunakan oleh makhluk hidup untuk mengenali sesama jenis. Kekurangan dari Algoritma Ant Colony, yaitu analisis secara teoritik lebih sulit daripada eksperimen, waktu konvergensi tidak pasti, namun pasti konvergen, probabilitas dalam memilih suatu titik berubah-ubah sesuai siklus. Penelitian ini merancang supply chain network yang berfokus pada penentuan jalur distribusi untuk mendapatkan rute optimum dengan jarak tempuh terpendek dan waktu tempuh tercepat. Penelitian ini menggunakan Algoritma Ant Colony. Hasil dari perancangan ini diimplementasikan dalam bentuk website yang dapat memudahkan perusahaan dalam pengaksesannya. Tujuan Tujuan dari penelitian ini adalah merancang supply chain network untuk menentukan rute pendistribusian yang optimum dengan menggunakan Algoritma Ant Colony. Ruang Lingkup Ruang lingkup penelitian ini adalah:  Data yang digunakan adalah data dari penelitian sebelumnya oleh Marwantoni, yaitu daerah Kota Bogor dan beberapa tambahan daerah Kabupaten Bogor wilayah Barat.  Sistem dibuat untuk untuk memberikan rute distribusi dari tempat produksi ke satu tempat tujuan.

TINJAUAN PUSTAKA Supply Chain Management Supply Chain adalah jaringan perusahaanperusahaan yang secara bersama-sama bekerja untuk menciptakan dan menghantarkan suatu produk ke tangan pemakai akhir. Perusahaanperusahaan tersebut termasuk supplier, pabrik, distributor, toko atau ritel, serta perusahaan pendukung seperti jasa logistik. Ada 3 macam hal yang harus dikelola dalam supply chain yaitu: 1 Aliran barang dari hulu ke hilir contohnya bahan baku yang dikirim dari supplier ke pabrik, setelah produksi selesai dikirim ke

2

distributor, pengecer, kemudian ke pemakai akhir. 2 Aliran uang dan sejenisnya yang mengalir dari hilir ke hulu. 3 Aliran informasi yang bisa terjadi dari hulu ke hilir atau sebaliknya. Sedangkan supply chain management atau manajemen rantai pasok adalah metode, alat atau pendekatan pengelolaan dari pasokan bahan baku, produksi barang, maupun pengiriman barang sampai ke konsumen untuk menciptakan pelayanan yang lebih baik dan efisien sehingga dapat memuaskan permintaan pasar (Ayers 2001). Supply chain management tidak hanya berorientasi pada urusan internal melainkan juga eksternal perusahaan yang menyangkut hubungan dengan perusahaan-perusahaan partner. Jadi, dengan kata lain supply chain management (SCM) merupakan integrasi proses-proses bisnis kunci dari pengguna akhir sampai ke pemasok awal yang menyediakan produk, jasa, dan informasi yang memberikan nilai tambah untuk pelanggan dan pihak-pihak terkait lainnya.

Gambar 1 Graf berarah. Algoritma Ant Colony Algoritma Ant Colony adalah algoritma yang diadopsi dari perilaku koloni semut. Secara alamiah koloni semut mampu menemukan rute terpendek dalam perjalanan dari sarang ke tempat-tempat sumber makanan (Dorigo & Stutzle 2004). Sebagai ilustrasi koloni semut dalam pencarian rute terpendek dapat dilihat pada Gambar 2.

Graf Graf digunakan untuk merepresentasikan objek-objek diskrit dan hubungan antara objek-objek tersebut. Graf G merupakan pasangan himpunan tidak kosong dari V(G) yang disebut dengan verteks atau node dan himpunan E(G) yang menghubungkan antara dua node yang disebut dengan himpunan edge (Chartrand & Ollerman 1993). Graf G = (V, E), yang dalam hal ini: V = himpunan tidak-kosong dari simpulsimpul (vertices) = { v1 , v2 , ... , vn } E = himpunan sisi (edges) yang menghubungkan sepasang simpul = {e1 , e2 , ... , en } Berdasarkan orientasi arah pada sisi, maka secara umum graf dibedakan atas 2 jenis:  Graf tak-berarah (undirected graph) Graf yang sisinya tidak mempunyai orientasi arah disebut graf tak-berarah.  Graf berarah (directed graph atau digraph) Graf yang setiap sisinya diberikan orientasi arah disebut sebagai graf berarah. Graf berarah dalat dilihat pada Gambar 1.

Gambar 2 Koloni semut. Tabel 1 merupakan representasi koloni semut dalam dunia nyata dan saat diimplemntasikan pada Algoritma Ant Colony. Tabel 1 Representasi tingkah laku semut dalam Algoritma Ant Colony Algoritma Ant Kenyataan Colony Habitat alami

Graf

Sarang dan makanan

Node pada graf; asal dan tujuan

Koloni semut

Agents

Visibilitas Feromon

Feromon buatan;

Perilaku mencari makanan

Perjalanan secara acak melaui graf

3

Beberapa langkah untuk menentukan jalur terpendek, yaitu: Langkah 1: a Inisialisasi parameter-parameter algoritma. Parameter – parameter tersebut adalah:

Langkah 4:

 Intensitas jejak semut antarnode dan perub h nny ( ij).  Banyaknya node (n) dan jarak antarnode (dij).  Tetapan pengendali intensitas jejak semut (α).  Tetapan pengendali visibilitas (β).  Visibilitas antarnode = atau ( ).

1 Perhitungan panjang rute setiap semut. Perhitungan panjang rute tertutup (length closed tour) atau setiap semut dilakukan setelah satu siklus diselesaikan oleh semua semut. Perhitungan dilakukan berdasarkan masing-masing dengan Persamaan 2 berikut:

 Banyaknya semut (m).  Tetapan penguapan jejak semut () .  Jumlah siklus maksimum (Nmax).

dengan dij adalah jarak antara node i ke node j.

b Inisialisasi node pertama pada setiap semut. Langkah 2: Inisialisasi kota pertama setiap semut dalam Langkah 1 harus diisikan sebagai elemen pertama tabulis. Hasil dari langkah ini adalah terisinya elemen pertama tabulis semut dengan indeks node tertentu, yang berarti bahwa setiap tabuk (1) bisa berisi indeks kota awal sebagaimana hasil inisialisasi pada Langkah 1. Langkah 3 Penyusunan rute kunjungan setiap semut ke setiap node. Koloni semut yang sudah berada di sebuah kota, akan mulai melakukan perjalanan dari kota pertama sebagai node asal dan salah satu node-node lainnya sebagai node tujuan. Kemudian dari node kedua masing-masing, koloni semut akan melanjutkan perjalanan dengan memilih salah satu dari node-node yang tidak terdapat pada tabuk sebagai node tujuan selanjutnya. Perjalanan koloni semut berlangsung terus menerus sampai menemukan kota tujuan atau bila sudah terjadi kekonvergenan. Jika s menyatakan indeks urutan kunjungan, node asal dinyatakan sebagai tabuk (s) dan nodenode lainnya dinyatakan sebagai { N- tabuk }, maka Persamaan 1 digunakan untuk menentukan node tujuan digunakan persamaan probabilitas node untuk dikunjungi sebagai berikut: α

p

untuk j { N- tabuk } dan p = 0 untuk j lainnya. Dengan i sebagai indeks node asal dan j sebagai indeks node yang akan dituju. Indeks k adalah nomor dari semut.

∑

β α

-

β

(1)

∑n

bu

(2)

bu

2 Pencarian rute terpendek. Setelah setiap semut dihitung, maka didapat harga minimal panjang rute setiap siklus atau n . Langkah 5 1 Perhitungan perubahan harga intensitas feromon semut antarkota. Koloni semut akan meninggalkan jejakjejak kaki pada lintasan antarkota yang dilaluinya. Adanya penguapan dan perbedaan jumlah semut yang lewat, menyebabkan kemungkinan terjadinya perubahan harga intensitas jejak kaki semut antar-node. Persamaan 3 untuk penguapan feromon adalah: ij =

(1- )

(3)

ij

Persamaan 4 digunakan untuk menghitung perubahan feromon karena banyaknya semut yang melewati suatu edge adalah: {

e e

bu nny

(4)

dengan adalah perubahan harga intensitas feromon semut antar-node setiap semut yang dihitung. adalah panjang rute tertutup dari semut k. 2 Perhitungan harga intensitas jejak kaki semut antar-node untuk siklus selanjutnya. Harga intensitas jejak kaki semut antar kota pada semua lintasan antar kota ada kemungkinan berubah karena adanya penguapan dan perbedaan jumlah semut yang melewati. Untuk siklus selanjutnya, semut yang melewati lintasan tersebut harga intensitasnya telah berubah. Harga intensitas

4

jejak kaki semut antar kota untuk siklus selanjutnya dihitung dengan Persamaan 5: ij

ij(lama)

+

(5)

ij

adalah penentuan rute optimum dalam supply chain network menggunakan Algoritma Ant Colony. Studi Pustaka

Langkah 6 Pengosongan tabulis, dan ulangi langkah 2 jika diperlukan. Tabulis perlu dikosongkan untuk diisi lagi dengan urutan kota yang baru pada siklus selanjutnya, jika jumlah siklus maksimum belum tercapai atau belum terjadi konvergensi. Algoritma diulang lagi dari langkah 2 dengan harga parameter intensitas jejak kaki semut antar node yang sudah diperbaharui. Alur dari Algoritma Ant Colony diatas dapat dilihat pada Lampiran 1.

METODE PENELITIAN Penelitian ini akan dilakukan dalam beberapa tahapan. Gambar 3 menunjukan metode yang digunakan dalam penelitian ini. Mulai

Pendefinisian Masalah

Studi Pustaka

Pembentukan Data

Pengembangan Sistem

Data

Sistem Ant Colony Pengujian dan Analisis Sistem

Dokumentasi

Selesai

Gambar 3 Metode penelitian. Pendefinisian Masalah Tahap ini menentukan permasalahan yang dapat dipecahkan melalui penelitian ini. Masalah yang diambil untuk penelitian ini

Tahap studi pustaka, merupakan tahapan dimana pengumpulan informasi dan literatur yang berkaitan dengan penelitian terkait. Literatur yang didapat berupa jurnal, buku, dan artikel yang berkaitan dengan Algoritma Ant Colony dalam pencarian rute optimum. Pembentukan Data Penelitian kali ini menggunakan data peta jalan Kota dan beberapa persimpangan di Kabupaten Bogor Barat. Penggunaan data tersebut dalam penelitian ini dengan mengubahnya dalam bentuk graf. Komponen dalam graf berupa node, yang merepresentasikan persimpangan jalan atau tempat, dan edge yang merepresentasikan ruas jalan yang menghubungkan dua atau lebih persimpangan. Setelah graf terbentuk, data yang dibutuhkan selanjutnya adalah data jarak dan waktu antar-node. Semua data yang digunakan dalam penelitian ini didapatkan dari penelitian Marwantoni (2009), dengan beberapa tambahan data node, yaitu tempat jual beli (pasar dan supermarket). Sistem ini akan merepresentasikan graf yang telah dibentuk menggunakan Google Maps, sehingga membutuhkan data tambahan lainnya berupa latitude dan longitude dari setiap node, dan menambahkan encoded line dan level. Data latitude dan longitude diperoleh secara manual dengan bantuan website http://itouchmap.com/latlong.html, sedangkan data encode line dan level didapatkan dengan bantuan website https://developers.google.com/maps/document ation/utilities/polylineutility. Pengembangan Sistem Tahap pengembangan sistem mengikuti alur dari Algoritma Ant Colony, yaitu initialisasi parameter, menentukan node selanjutnya yang akan dituju dengan menggunakan probabilitas, menghitung jarak tempuh, dan memperbarui feromon. 1 Initialisasi parameter. Parameter yang diinisialisasi adalah αβ dan . Nilai awal untuk masing-masing parameter yang digunakan adalah 0 = 0.5, α 1, β 0.99, m = 100, dan Nmax. = 500 (Khan 2004).

5

2 Menentukan node selanjutnya yang akan dituju. Pemilihan node selanjutnya yang dilakukan oleh semut berdasarkan bilangan random (0,1) kemudian dibandingkan dengan nilai probabilitas dari edge yang menghubungkan current node dengan node yang akan dituju. Semut akan memilih edge dengan nilai probabilitas yang lebih besar dibandingkan dengan bilangan random. Semut akan berhenti melakukan perjalanan jika telah sampai pada node tujuan. 3 Menghitung jarak tempuh. Algoritma Ant Colony menggunakan agents semut buatan yang memiliki memori untuk menyimpan node-node yang pernah dilaluinya, yang disebut dengan tabulis. Jarak akan dihitung jika semut telah menyelesaikan tur dari asal sampai ke tujuan. Jarak ini disebut dengan , untuk menghitung menggunakan Persamaan 2. Jika satu siklus telah diselesaikan oleh setiap semut, maka didapatkan n , merupakan rute minimum dari setiap siklus. Rute yang paling pendek dari setiap siklus merupakan solusi yang akan diberikan kepada user. 4 Memperbarui feromon. Proses ini dilakukan setiap satu siklus selesai dilakukan oleh semua semut. Memperbarui feromon dibagi menjadi dua proses, evaporasi dan deposit. Evaporasi merupakan penguapan feromon yang disebabkan oleh jarak yang ditempuh untuk melalui satu rute terlalu jauh sehingga feromon yang ditinggalkan intensitasnya berkurang. Sedangkan deposit adalah penambahan intensitas feromon pada suatu rute. Semakin pendek jarak tempuh suatu rute, maka semut akan semakin sering melewati rute tersebut, sehingga penambahan feromon pada rute tersebut akan lebih besar.

 Perangkat keras: Processor Intel Core 2 Duo P7350, DDRAM 2GB, Harddisk 320 GB.  Perangkat lunak: Windows 7 Ultimate, XAMPP 1.7.7, PHP 5.3.8, Notepad++ Pengujian dan Analisis Sistem Proses pengujian sistem terhadap rute distribuasi optimum yang dihasilkan oleh sistem. Input yang digunakan menggambil 5 buah sampel secara acak, yaitu 5 buah node asal dan 5 buah node tujuan. Setiap input diulang sebanyak 10 kali. Perhitungan akurasi untuk setiap sampel dengan cara: ur

∑

bern y n

∑

ben r u

HASIL DAN PEMBAHASAN Pendefinisian Masalah Penentuan rute optimum dalam Supply Chain Network dapat didapat dari penggunaan Algoritma Ant Colony, yang terintegrasi dalam Sistem Informasi Rute Optimum Kota Bogor dan Kabupaten Bogor wilayah Barat. Pembentukan Data Pembentukan node dan edge dapat dilihat pada Gambar 4. Dari Gambar 4, node 1 merupakan titik persimpangan dua jalan, yaitu Jalan Mawar dan Jalan Doktor Semeru, sedangkan node 2 merupakan titik persimpangan Jalan Doktor Semeru dan Jalan Mawar. Edge merupakan penghubung antarnode, dalam Gambar 4 edge yang menghubungkan node 1 dan node 2 adalah Jalan Doktor Semeru.

Penentuan Nilai Parameter Penentuan nilai parameter dalam dilakukan dengan mengubah nilai parameter pada Algoritma Ant Colony yang digunakan, yaitu α β dan . Node yang digunakan untuk pengujian adalah Node 21 sebagai node awal dan node 24 sebagai node tujuan. Lingkungan Pengambangan Sistem Implementasi dari sistem ini menggunakan bahasa pemrograman PHP dan DBMS MySQL. Spesifikasi perangkat keras dan perangkat lunak komputer yang digunakan dalam penelitian ini sebagai berikut:

1

2

Gambar 4 Pembentukan node dan edge. (http://maps.google.com)

6

Untuk node pasar atau supermarket dibentuk dengan meletakkan titik pasar atau supermarket pada titik persimpangan terdekat. Setelah mendapatkan data node dan edge, data tambahan lainnya adalah latitude dan longitude untuk setiap node, dan encoded line dan levelnya untuk setiap edge. Contoh data lengkap yang digunakan untuk sistem ini adalah:

Tujuan dari pembuatan fungsi cariRute() adalah menyimpan node yang dihasilkan dari subfungsi cariNextNode() ke dalam tabulis. Node-node yang berada dalam tabulis inilah yang menjadi rute dari perjalanan semut, dan sekaligus menyimpan jarak tempuh dari rute yang dihasilkan. Selanjutnya fungsi cariRute()mengecek apakah rute yang dihasilkan sampai ke tujuan atau tidak.

 Node Id node Nama node Keterangan node

 Fungsi Perubahan Feromon Fungsi UpdatePheromon() ini dibuat untuk melakukan update feromon yang terdiri dari evaporasi dan deposit. Perhitungan dari fungsi ini mengimplementasikan Persamaan 3 untuk evaporasi dan Persamaan 4 dan 5 untuk deposit feromon. Update feromon dilakukan jika setiap satu siklus selesai dilakukan.

Latitude Longitude  Edge Nama edge Keterangan edge Node awal Node akhir Jarak (meter) Waktu (detik) Encoded line Level

=1 = Node 1 = Jalan Padjajaran – Jalan Otto Iskandardinata = -6.601411 = 106.805222 = E8 = Jalan Pangrango =3 = 34 = 79 =5 = ppfg@eh{jSUv@Nv @ = BBBBBB

Data node selengkapnya dapat dilihat pada Lampiran 2. Sedangkan data edge dapat dilihat pada Lampiran 3.

Setelah semua fungsi terbentuk, dilakukan pemanggilan fungsi berdasarkan pada alur algoritma, sehingga menghasilkan sebuah rute dengan jarak tempuh yang optimum. Alur dari pemanggilan fungsi dapat dilihat pada Lampiran 4. Rute optimum dari hasil sistem Algeritma Ant Colony ini disimpan dalam sebuah array bernama ruteMin. Array inilah yang diimplementasikan pada Google Maps untuk divisualisasikan. Tampilan untuk halaman awal dari sistem ini dapat dilihat pada Gambar 5.

Pengembangan Sistem Pengembangan sistem dilakukan sesuai dengan alur dari algoritma Ant Colony, kemudian dilanjutkan dengan pengintegrasian hasil sistem Algoritma Ant Colony pada Google Maps. Berdasarkan pada alur algoritma Ant Colony, pengembangan sistem dibagi menjadi 3 fungsi, yaitu:  Fungsi Mencari Probabilitas Fungsi cariProbability() ini dibuat untuk mencari peluang setiap node yang dipilih oleh semut. Fungsi ini mengimplementasikan Persamaan 1 dalam menghitung peluangnya. Hasil dari perhitungan peluang di simpan sebagai informasi tambahan pada edge yang menghubungkan antar-node.  Fungsi Mencari Rute Fungsi cariRute() ini memiliki subfungsi yang bertujuan untuk mencari nodenode selanjutnya yang dipilih oleh semut dalam menentukan rute terpendek, yaitu fungsi cariNextNode(), hasil dari subfungsi ini digunakan pada fungsi cariRute().

Gambar 5 Tampilan awal sistem pencarian rute optimum. Penentuan Nilai Parameter Proses penentuan nilai parameter dilakukan membandingkan rata-rata solusi jarak yang dihasilkan oleh sistem. Pengolahan dilakukan pada komputer dengan spesifikasi:  Processor AMD Phemon II X2 550  DDRAM 4GB  Harddisk 250 GB  Sistem Operasi Windows 7 Professional Proses ini bertujuan menentukan nilai parameter-parameter yang paling optimal,

7

yang terdiri atas pengujian parameter α dengan variasi nilai 0, 0.5, 1, 2, dan 5. Parameter dengan variasi nilai 0, 0.5, 1, 2, dan 5. Parameter dengan variasi nilai 0.000005, 0.5, 5. Parameter dengan variasi nilai 0.1, 0.5, 0.9. Parameter dengan variasi nilai 1, 2, 5, 10, 25, 50, 100, dan parameter dengan nilai variasi 5, 10, 100, 500 (Doringo dan Stutzle 2004). Setiap nilai parameter diuji sebanyak 10 kali perulangan.

Nilai parameter yang diuji adalah 0. 0.5, 1, 2, dan 5. Sedangkan untuk nilai parameter dan yang lainnya seperti α dianggap tetap, secara berurutan yaitu 0.5, 0.5, 0.1, 5, dan 10. Sama seperti halnya pengujian , setiap nilai dalam parameter diulang sebanyak 10 kali. Hasil pengujian dapat dilihat pada Lampiran 6. Nilai parameter dan rata-rata hasil uji masing-masing nilai dapat dilihat pada Tabel 3.

Dalam menentukan parameter optimal , nilai parameter Algoritma Ant Colony yang terdiri atas β dan nilainya tetap, secara berurut yaitu 0.5, 0.5, 0.1, 5, dan 10. Hasil Pengujian dapat dilihat pada Lampiran 5. Parameter yang optimal didapatkan dengan memilih nilai yang menghasilkan rata-rata solusi jarak yang paling kecil, karena semakin kecil rata-rata solusi jarak, menujukkan nilai tersebut sering menghasilkan solusi jarak yang minimum. Rata-rata solusi jarak yang dihasilkan oleh setiap parameter dapat dilihat pada Tabel 2.

Tabel 3 Nilai parameter dengan rata-rata solusi jarak Rata-rata solusi jarak Nilai (meter) 0 3916.5 0.5 3939 1 4306.6 2 4579.5 5 5346

Tabel 2 Nilai parameter dengan rata-rata solusi jarak Rata-rata solusi jarak Nilai (meter) 0 4025.1 0.5 4003.8 1 3873 2 3988.4 5 4029 Pada Gambar 6 dapat dilihat grafik hubungan nilai parameter dengan rata-rata solusi jarak. Gambar 6

Hubungan parameter

Pada Gambar 7 menunjukkan hubungan parameter dengan nilai rata-rata solusi jarak. Dari Gambar 7 dapat dilihat semakin besar nilai , menghasilkan solusi jarak yang jauh dari minimum, bahkan mendekati solusi jarak yang maksimum. Nilai = 0 memiliki ratarata yang kecil dibandingkan = 0.5, sehingga untuk nilai optimal parameter memilih nilai yang memiliki rata-rata jarak yang minimum, yaitu saat = 0. Karena pada saat 10 kali percobaan = 0 hanya melakukan kesalahan 1 kali dalam menghasilkan jarak minimum, sedangkan = 0.5 melakukan kesalahan sebanyak 4 kali dalam menghasilkan jarak minimum.

dengan

Gambar 7 Hubungan parameter β dengan rata-rata solusi jarak. rata-rata solusi jarak. Dari Gambar 6 dapat dilihat nilai parameter = 1 memiliki rata-rata solusi jarak paling kecil. Dengan demikian, saat = 1 cenderung menghasilkan solusi yang mendekati optimum.

Nilai parameter yang diuji adalah 0.000005, 0.5, dan 5. Sedangkan nilai parameter yang lain seperti α β dan dianggap tetap, secara berurutan nilainya adalah 0.5, 0.5, 0.1, 5, 10. Hasil pengujian ini dapat dilihat pada Lampiran 7. Nilai parameter dan rata-rata hasil uji dapat dilihat pada Tabel 4.

8

Tabel 4 Nilai parameter dengan rata-rata solusi jarak Rata-rata solusi jarak Nilai (meter) 0.000005 3962.9 0.5 3946.5 5 3961.5

parameter yang lain dianggap tetap, yaitu 0.5, = 0.5, = 0.5, = 0.1, dan 10.

= =

Pada Gambar 8 dapat dilihat hubungan antara nilai dengan rata-rata solusi jarak. Dari Gambar 8 dapat dilihat bahwa dari ketiga nilai yang diujikan, = 0.5 memiliki ratarata solusi jarak yang paling kecil dibandingkan nilai yang lainnya. Gambar 9

Hubungan parameter rata-rata solusi jarak.

dengan

Hasil pengujian dapat dilihat pada Lampiran 9. Pada Tabel 6 menunjukkan nilai parameter m dan rata-rata solusi jarak.

Gambar 8

Hubungan parameter rata-rata solusi jarak.

dengan

Nilai parameter yang diuji adalah 0.1, 0.5, dan 0.9. sedangkan nilai parameter yang α β dan dianggap tetap, secara terurut nilainya adalah 0.5, 0.5, 0.5, 5, dan 10. Hasil pengujian parameter dapat dilihat pada Lampiran 8. Nilai parameter dan rata-rata hasil uji dalat dilihat pada Tabel 5. Tabel 5 Nilai parameter dengan rata-rata solusi jarak Rata-rata solusi jarak Nilai (meter) 0.1 4058.8 0.5 4037.1 0.9 3947.2

Tabel 6 Nilai parameter m dengan rata-rata solusi jarak Rata-rata solusi jarak Nilai m (meter) 1 5872.9 2 4725.3 5 4307.1 10 4061.1 25 3992.2 50 3924 100 3909 Pada Gambar 10 menunjukkan hubungan parameter m dengan rata-rata solusi jarak. Semakin besar jumlah semut, makan semakin sering mendapatkan nilai solusi yang optimum. Pada Gambar 10 juga menunjukkan hanya nilai m = 10, m = 25, m = 100, dan m = 500 yang memiliki selisih yang kecil antarrata-rata solusi jarak. Sehingga perlu melihat waktu eksekusi dari keempat nilai parameter m tersebut untuk menentukan nilai parameter mana yang paling optimal.

Pada Gambar 9 menunjukkan hubungan parameter dengan rata-rata solusi jarak. Pada nilai = 0.9 memiliki rata-rata paling rendah, sebesar 3947.2 meter, karena pada saat pengujian nilai = 0.9 sering menghasilkan solusi jarak yang optimum dan mendekati optimum. Sehingga nilai untuk parameter yang optimal adalah saat = 0.9. Selanjutnya pengujian terhadap parameter m dan Nmax. Parameter ini berpengaruh terhadap lamanya waktu pemrosesan dan kekonsistenan dalam mendapatkan solusi optimal. Nilai parameter m yang diujikan adalah 1, 2, 5, 10, 25, 50, 100, dengan nilai

Gambar 10 Hubungan parameter m dengan rata-rata solusi jarak.

9

Waktu eksekusi dari keempat nilai parameter m terdapat pada Gambar 11. Dari Gambar 11 didapatkan nilai parameter m yang paling optimal untuk sistem ini adalah saat m = 10.

Gambar 11 Hubungan parameter m = 10, m = 25, m = 50, dan m = 100 dengan waktu eksekusi. Parameter terakhir yang diuji adalah Nmax. Nilai parameter yang diujikan adalah 5, 10, 100, 500. Dan nilai parameter lainnya dianggap tetap, yaitu = 0.5, = 0.5, = 0.5, = 0.1, dan m = 5. Kriteria berhenti dari Algoritma Ant Colony apabila jumlah siklus dilakukan oleh koloni semut sama dengan . Hasil pengujian dapt dilihat pada Lampiran 10. Tabel 7 menunjukkan nilai parameter dan hasil rata-rata solusi jarak. Tabel 7 Nilai parameter dengan ratarata solusi jarak Rata-rata solusi jarak Nilai (meter) 5 3909 10 3909 50 3909 100 3909 Hubungan parameter dengan nilai rata-rata solusi jumlah dapat dilihat pada Gambar 12.

Dari Gambar 12 dapat dilihat bahwa semua nilai menghasilkan solusi jarak yang seragam. Oleh sebab itu, hubungan ini belum bisa digunakan untuk menentukan parameter optimum dan . Penentuan parameter optimum menggunakan waktu eksekusi program. Gambar 13 menunjukkan hubungan antara waktu eksekusi program dengan nilai parameter . Semakin besar nilai parameter maka membutuhkan waktu eksekusi yang lebih lama. Hasil pengujian menujukkan bahwa parameter yang optimal adalah 5, karena hanya membutuhkan waktu 436 milidetik sistem ini dapat menghasilkan rute optimum.

Gambar 13 Hubungan antara waktu eksekusi program dengan nilai parameter . Hasil pengujian parameter α β didapat nilai optimum sebagai berikut: 1, , 5, dan 0.9. Sedangkan untuk parameter didapat nilai 10 semut, karena dengan 10 semut menghasilkan nilai optimum yang konsisten. Parameter didapat nilai 5 siklus, Karena dengan 5 siklus sudah menghasilkan nilai optimum yang konsisten dan waktu eksekusi program yang cukup cepat. Pengujian dan Analisis Sistem

Gambar 12

Hubungan parameter dengan rata-rata solusi jarak.

Pengujian rute optimum dilakukan dengan mengambil asal dan tujuan sebanyak 5 sampel secara acak, kemudian setiap sampel dilakukan perulangan sebanyak 10 kali. Hasil dari pengujian dapat dilihat pada Lampiran 11. Tampilan hasil dari representasi rute optimum ke dalam Google Maps dapat dilihat pada Lampiran 12. Rata-rata akurasi pengujian rute optimum dapat dilihat pada Tabel 8.

10

Tabel 8 Akurasi hasil pengujian rute optimum Sampel Sampel 1 Sampel 2 Sampel 3 Sampel 4 Sampel 5

Akurasi 100% 100% 100% 60% 100%

Pada Tabel 8 dapat dilihat ada satu sampel yang berakurasi rendah, yaitu Sampel 4 dengan akurasi 60%. Hal ini disebabkan oleh saat penentuan parameter m lebih menitikberatkan pada aspek kecepatan pemrosesan algoritma daripada aspek kekonsistenan dalam menghasilkan solusi, yaitu dengan memilih nilai parameter m yang memiliki waktu pemrosesan paling kecil, namun mendekati stabil dalam menghasilkan solusi rute optimum. Sehingga sistem masih menghasilkan dua solusi jarak, yaitu 2982 meter dan 3001 meter, dengan selisih jarak sebesar 19 meter. Jarak 19 meter ini bila dilihat dalam dunia nyata tidak begitu signifikan. Namun, secara keseluruhan sistem ini dapat menentukan rute dengan jarak terpendek dengan akurasi 92%.

SIMPULAN DAN SARAN Simpulan Berdasarkan hasil penelitian didapatkan beberapa kesimpulan, yaitu:  Perancangan supply chain network dalam menentukan rute optimum dapat dilakukan menggunakan Algoritma Ant Colony dan dapat direpresentasikan dalam Google Maps.  Nilai parameter yang digunakan pada penelitian ini untuk mendapatkan jarak yang minimum adalah 1, , 5, dan 0.9, m = 10, dan Nmax = 5.  Pencarian rute optimum menggunakan Algoritma Ant Colony pada sistem ini memiliki akurasi sebesar 92% Saran Beberapa saran yang dapat dilakukan untuk penelitian selanjutnya antara lain: 

Mengembangkan sistem ini dengan mengakomodasikan masalah kepadatan lalu lintas dengan membedakan antara waktu sibuk dan waktu tidak sibuk.



Mengembangkan sistem ini agar memiliki waktu komputasi yang lebih cepat dan akurasi solusi yang lebih baik menggunakan algoritma Multi Agents Ant Colony Optimization.

DAFTAR PUSTAKA Ayers B. 2001. Handbook of Supply Chain Management. USA: St. Lucie Press. Chartrand G, Oellermann OR. 1993. Applied and Algoritmic Graph Theory. New Jersey: McGraw-Hill. Dorigo M, Stutzle T. 2004. Ant Colony Optimization. Massachusetts Institute of Technology: USA. Khan Md M R. 2004. Ant System to Find the Shortest Path. Di dalam : 3rd International Conference on Electrical & Computer Engineering ICECE; Dhaka, 28-30 Desember 2004. Bangladesh. Marwantoni D. 2009. Penentuan Rute Optimum Jalur Distribusi dalam Supply Chain Network Menggunakan Algoritme Genetika [skripsi]. Bogor: Institut Pertanian Bogor. Priasa A. 2008. Perancangan supply chain network untuk penentuan lokasi produksi dan jalur distribusi [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

11

LAMPIRAN

12

Lampiran 1 Diagram Alur Algoritma Ant Colony mulai

Inisialisasi parameter

i=0

i < jumlahSemut

Tidak

Menghitung jarak tempuh terbaik

Ya Menetukan titik selanjutnya dengan persamaan 1

Menghitung jarak tempuh dengan persamaan 2

Mencatat jarak tempuh terbaik

Mengubah pheromon dengan persamaan 3, 4, dan 5

selesai

13

Lampiran 2 Data node Id Node 1 2

Node 1 Node 2

3

Node 3

4 5 6 7 8 9 10 11 12 13 14 15 16

Node 4 Node 5 Node 6 Node 7 Node 8 Node 9 Node 10 Node 11 Node 12 Node 13 Node 14 Node 15 Node 16

17

Node 17

18 19 20 21 22 23 24 25 26

Node 18 Node 19 Node 20 Node 21 Node 22 Node 23 Node 24 Node 25 Node 26

27

Node 27

28

Node 28

29

Node 29

30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48

Node 30 Node 31 Node 32 Node 33 Node 34 Node 35 Node 36 Node 37 Node 38 Node 39 Node 40 Node 41 Node 42 Node 43 Node 44 Node 45 Node 46 Node 47 Node 48

Nama Node

Keterangan Node

Latitude

Longitude

Tipe

Jalan Padjajaran - Jalan Otto Iskandardinata Jalan Padjajaran - Jalan Jalak Harupat Jalan Padjajaran - Jalan Pangrango - Jalan Lodaya I Jalan Padjajaran - Jalan Salak - Jalan Lodaya II Jalan Salak - Jalan Jalak Harupat Jalan Padjajdran - Tol Jagorawi Jalan Otto Iskandardinata - Jalan Bangka Jalan Otto Iskandardinata - Jalan Roda Jalan Padjajaran - Jalan Sambu Jalan Bangka - Jalan Sambu Pasar Bogor Jalan Roda - Jalan Surya Kencana Jalan Ir. H. Juanda - Jalan Paledang Jalan Ir. H. Juanda - Jalan Kapten Muslihat Jalan Ir. H. Juanda - Jalan Gedong Sawah I Jalan Paledang - Jalan Kapten Muslihat Jalan Veteran - Jalan Merdeka - Jalan Kapten Muslihat Plaza Jembatan Merah Jalan Perintis Kemerdekaan - Jalan Dr. Semeru Jalan Merdeka - Jalan Dr. Semeru Jalan Kapten Muslihat - Jalan Raja Permas Pasar Anyar Jalan M.A. Salamun - Jalan Merdeka Jalan Ahmad Yani - Jalan Padjajaran Jalan Mandalawangi - Jalan Pangrango Jalan Pangrango I - Jalan Jarak Harupat Jalan Ir. H. Juanda - Jalan Jalak Harupat - Jalan Sudirman Jalan Pengadilan - Jalan Sudirman Jalan Ahmad Yani - Jalan Sudirman - Jalan RE Martadinata Jalan RE Martadinata - Jalan Merdeka Jalan Raja Permas - Jalan Dewi Sartika Jalan Dewi Sartika - Jalan M.A. Salamun Jalan Pangrango - Jalan Salak Jalan Pangrango - Jalan Pangrango I Jalan Kapten Muslihat - Jalan Dewi Sartika Jalan Pengadilan - Jalan Dewi Sartika Jalan Raja Permas Jalan Perintis Kemerdekaan Jalan Perintis Kemerdekaan - Jalan Merdeka Jalan Mandalawangi - Jalan Padjajaran Jalan Gedong Sawah I - Jalan Dewi Sartika Jalan Sawo Jajar - Jalan Sudirman Jalan Merdeka - Jalan Mawar Jalan Ahmad Yani - Jalan Dadali Pasar Gunung Batu Bogor Trade Mall Pasar Ciampea Pasar Cibereum

-6.601411 -6.595422

106.805222 106.804192

1 1

-6.592246

106.804665

1

-6.588643 -6.592693 -6.604523 -6.601689 -6.602776 -6.606719 -6.60527 -6.603181 -6.609938 -6.601369 -6.596765 -6.594548 -6.595891

106.804962 106.801849 106.806961 106.804359 106.799835 106.808479 106.805244 106.798759 106.804443 106.795006 106.79361 106.79464 106.789665

1 1 1 1 1 1 1 2 1 1 1 1 1

-6.595635

106.788437

1

-6.59555 -6.590967 -6.59231 -6.596104 -6.590796 -6.59044 -6.568718 -6.590967 -6.59361

106.787605 106.786446 106.787735 106.79084 106.79174 106.787827 106.809113 106.802963 106.802856

3 1 1 1 2 1 1 1 1

-6.593141

106.797112

1

-6.591969

106.797112

1

-6.581146

106.79673

1

-6.582958 -6.593802 -6.590754 -6.589374 -6.592224 -6.596296 -6.592011 -6.593658 -6.593317 -6.593317 -6.591073 -6.5941 -6.588665 -6.589496 -6.569017 -6.584527 -6.604342 -6550228 -6575341

106.787743 106.792023 106.79258 106.801865 106.804108 106.791512 106.792496 106.791222 106.786652 106.787849 106.804466 106.792023 106.796875 106.787605 106.805534 106.778053 106.796700 106.694016 106. 740105

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 3 2 2

14

Lampiran 3 Data edge

15

Lanjutan

16

Lanjutan

17

Lanjutan

18 Lampiran 4 Alur pemanggilan fungsi

Pencarian dengan Algoritma Ant Colony

Mulai

j=0

Tidak

Inisialisasi parameter

j < jumlahSemut Ya

Menempatkan semua semut pada node awal

Pencarian rute semut

Memasukkan node awal pada tabulist masingmasing semut

Tidak Rute!=0 Ya

jarakMin = 10000000000 Rute=0

Tidak Rute[jarak]<JarakMin

i=0

Ya jarakMin=semut[j].jarak rute=semut[j].tabulist Ya

Tidak UpdatePheromon

Menghitung probabilitas

Selesai

i < Nmax

19

a. Fungsi cariRute()

Pencarian Rute Semut

Pencarian Node Selanjutnya

Mulai

Inisialisasi parameter (asal, tujuan, graf) nextNode==0 Ya Tabulist = 0 totalJarak = 0

tidak Tabulist= nextNode[node] totalJarak+=nextNode[jarak] asal=nextNode

Stop = 0

Tidak

end(tabulist)== tujuan

tujuan != end(tabulist) && stop==0

tidak

ya Rute=(tabulist,totalJarak)

Return

Rute=0

Ya

Stop = 1

20

Lampiran 5 Hasil pengujian Nilai 1 Uji nilai

=0

Ulangan 1 2 3 4 5 6 7 8 9 10 Rata-rata

0 0 0 0 0 0 0 0 0 0

2 Uji nilai

= 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10

Ulangan 1 2 3 4 5 6 7 8 9 10 Rata-rata 3 Uji nilai

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10

Runtime (milidetik) 841 873 888 858 870 872 863 882 868 840 865.5

Solusi (meter) 3948 3948 3909 3909 3909 3948 4141 4141 4276 3909 4003.8


Solusi (meter) 3948 3948 3909 3948 3948 3948 3909 3948 3948 4276 3973


=1


Solusi (meter) 3909 3948 4276 3948 4276 3948 3948 3909 3948 4141 4025.1

1 1 1 1 1 1 1 1 1 1

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10

21

Lanjutan 4 Uji nilai

=2


2 2 2 2 2 2 2 2 2 2

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10

Runtime (milidetik) 852 865 843 835 838 877 881 870 865 844 857

=5


Solusi (meter) 3948 3948 3909 3909 3909 4276 4141 3948 3948 3948 3988.4

5 5 5 5 5 5 5 5 5 5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10

Solusi (meter) 3909 3948 3948 4276 4141 4276 3948 3948 3948 3948 4029


22

Lampiran 6 Hasil pengujian Nilai Uji nilai

=0


0 0 0 0 0 0 0 0 0 0

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10

3 Uji nilai

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10

Solusi (meter) 3909 3909 3984 3909 3909 3984 3909 3984 3909 3984 3939


=1



= 0.5


Solusi (meter) 3909 3909 3909 3909 3909 3909 3909 3984 3909 3909 3916.5

1 1 1 1 1 1 1 1 1 1

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10

Solusi (meter) 4493 3984 4276 4493 4141 4276 4276 4493 4141 4493 4306.6


23

Lanjutan 4 Uji nilai

=2


2 2 2 2 2 2 2 2 2 2

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10


=5


Solusi (meter) 4628 4628 4628 4493 4628 4628 4628 4628 4628 4278 4579.5

5 5 5 5 5 5 5 5 5 5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10

Solusi (meter) 5088 4628 5088 4628 5963 5963 5088 5963 5963 5088 5346


24

Lampiran 7 Hasil pengujian Nilai 1 Uji nilai

= 0.000005 Solusi (meter) 3984 3909 3909 4141 3909 4141 3909 3909 3909 3909 3962.9


0.000005 0.000005 0.000005 0.000005 0.000005 0.000005 0.000005 0.000005 0.000005 0.000005

2 Uji nilai

= 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10

Solusi (meter) 3909 3909 3984 3909 3984 3909 3909 3984 3984 3984 3946.5


0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10

Runtime (milidetik) 846 846 866 877 838 830 870 888 865 864 859

=5


Runtime (milidetik) 1.11 1.18 1.2 1.17 1.19 1.16 1.11 1.16 1.22 1.2 1.17

5 5 5 5 5 5 5 5 5 5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10

Solusi (meter) 3984 3909 3984 3909 3984 3984 3909 3984 3984 3984 3961.5


25

Lampiran 8 Hasil pengujian nilai 1 Uji nilai

= 0.1


0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10

3 Uji nilai

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10

Solusi (meter) 3984 3984 4141 3984 4141 4276 3984 3984 3909 3984 4037.1


= 0.9



= 0.5


Solusi (meter) 4141 3984 3909 4141 3984 3984 4276 3909 3984 4276 4058.8

0.9 0.9 0.9 0.9 0.9 0.9 0.9 0.9 0.9 0.9

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5

5 5 5 5 5 5 5 5 5 5

10 10 10 10 10 10 10 10 10 10

Solusi (meter) 3909 3984 3909 3909 3909 3909 3909 3909 3984 4141 3947.2


26

Lampiran 9 Hasil pengujian nilai 1 Uji nilai m = 1 Runtime Jarak Ulangan (milidetik) (meter) 1 103 4493 2 96 5194 3

108

10297

4

106

5217

5

121

4815

6 7

110 103

5013 4636

8

124

5074

9

114

7358

10

111

6632

109.6

5872.9

Rata-rata

Rute Optimum Node 24 - 4 - 33 - 5 - 27 - 15 - 41 - 31 - 35 - 21 Node 24 - 4 - 3 - 40 - 25 - 33 - 5 - 27 - 15 - 41 - 31 - 35 - 21 Node 24 - 4 - 33 - 25 - 40 - 3 - 2 - 26 - 5 - 27 - 28 - 42 - 29 30 - 43 - 19 - 38 - 39 - 20 - 23 - 22 - 37 - 31 - 41 - 15 - 14 35 - 21 Node 24 - 4 - 3 - 2 - 26 - 5 - 27 - 15 - 14 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 41 - 15 - 14 - 35 21 Node 24 - 44 - 29 - 30 - 43 - 23 - 22 - 37 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 15 - 14 - 35 - 21 Node 24 - 4 - 33 - 25 - 40 - 3 - 34 - 26 - 5 - 27 - 15 - 41 - 31 35 - 21 Node 24 - 4 - 40 - 3 - 2 - 1 - 6 - 9 - 10 - 7 - 8 - 11 - 13 - 14 15 - 41 - 31 - 35 - 21 Node 24 - 4 - 3 - 34 - 25 - 33 - 5 - 27 - 28 - 42 - 32 - 36 - 411 - 15 - 14 - 35 - 21

2 Uji nilai m = 2 Runtime (milidetik)

Jarak (meter)

1 2

132 103

3984 4493

3 4 5 6

123 131 116 139

4815 4763 4763 4763

134 113 136 134 126.1

5968 4781 5014 3909 4725.3

Ulangan

Runtime (milidetik)

Jarak (meter)

1 2 3 4 5 6 7 8 9 10 Rata-rata

186 178 165 185 173 189 171 191 177 172 178.7

4763 4276 4763 3984 3909 3909 3909 4636 4141 4781 4307.1

Ulangan

7 8 9 10 Rata-rata

Rute Optimum Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21 Node 24 - 4 - 33 - 5 - 27 - 17 - 41 - 31 - 35 - 21 Node 24 - 44 -29 - 42 - 32 - 22 - 37 - 31 - 41 - 15 - 14 - 35 21 Node 24 - 29 - 30 - 43 - 19 - 38 - 39 - 17 - 16 - 21 Node 24 - 29 - 30 - 43 - 19 - 38 - 39 - 17 - 16 - 21 Node 24 - 29 - 30 - 43 - 19 - 38 - 39 - 17 - 16 - 21 Node 24 - 4 - 33 - 5 - 27 - 28 - 42 - 32 - 36 - 41 - 15 - 14 - 35 - 21 Node 24 - 44 - 29 - 30 - 43 - 23 - 20 - 39 - 17 - 16 - 21 Node 24 - 4 - 33 - 25 - 34 - 26 - 5 - 27 - 15 - 14 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21

3 Uji m = 5 Rute Optimum Node 24 - 44 - 29 - 30 - 43 - 19 - 38 - 39 - 17 - 16 - 21 Node 24 - 44 - 29 - 42 - 28 - 27 - 15 - 14 - 35 - 21 Node 24 - 44 - 29 - 30 - 43 - 19 - 38 - 39 - 17 - 16 - 21 Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 15 - 14 - 35 - 21 Node 24 - 44 - 29 - 42 - 28 - 27 - 15 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 30 - 43 - 23 - 20 - 39 - 17 - 16 - 21

27

Lanjutan 4 Uji m = 10 Runtime Ulangan (milidetik) 1 276 2 246 3 242 4 240 5 248 6 267 7 242 8 261 9 249 10 242 Rata-rata 251.3

Jarak (meter) 4276 3909 4763 3984 3984 3909 3909 3984 3909 3984 4061.1

5 Uji m = 25 Runtime Ulangan (milidetik) 1 507 2 496 3 548 4 527 5 500 6 496 7 489 8 509 9 520 10 495 Rata-rata 508.7

Jarak (meter) 3984 3984 3984 3984 3984 3909 4141 3984 3984 3984 3992.2

6 Uji m = 50 Runtime Ulangan (milidetik) 1 910 2 914 3 949 4 886 5 888 6 913 7 915 8 948 9 870 10 944 Rata-rata 913.7

Jarak (meter) 3984 3909 3909 3909 3909 3909 3909 3984 3909 3909 3924

Rute Optimum Node 24 - 44 - 29 - 42 - 28 - 27 - 15 - 14 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 30 - 43 - 19 - 38 - 39 - 17 - 16 - 21 Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21

Rute Optimum Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 28 - 27 - 15 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21

Rute Optimum Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 22 - 37 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Node 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21

28

Lanjutan 7 Uji m = 100 Runtime Ulangan (milidetik) 1 1800 2 1740 3 1740 4 1770 5 1770 6 1760 7 1710 8 1750 9 1680 10 1830 Rata-rata 1755

Jarak (meter) 3909 3909 3909 3909 3909 3909 3909 3909 3909 3909 3909


29

Lampiran 10 Hasil pengujian nilai 1 Uji jumlah siklus = 5 Runtime Jarak Ulangan (milidetik) (meter) 1 444 3909 2 413 3909 3 459 3909 4 427 3909 5 417 3909 6 432 3909 7 450 3909 8 433 3909 9 447 3909 10 438 3909 Rata-rata 436 3909 2 Uji jumlah siklus = 10 Runtime Ulangan (milidetik) 1 832 2 833 3 854 4 827 5 777 6 820 7 830 8 832 9 858 10 801 Rata-rata 824.6

Jarak (meter) 3909 3909 3909 3909 3909 3909 3909 3909 3909 3909 3909

3 Uji jumlah siklus = 100 Runtime Jarak Ulangan (milidetik) (meter) 1 7850 3909 2 7970 3909 3 7890 3909 4 7860 3909 5 8070 3909 6 7810 3909 7 7870 3909 8 7770 3909 9 7810 3909 10 7820 3909 Rata-rata 7928 3909




30

Lanjutan 4 Uji jumlah siklus = 500 Runtime Ulangan (milidetik) 1 39770 2 40300 3 39830 4 39700 5 40190 6 40020 7 40020 8 40740 9 40100 10 39960 Rata-rata 39958

Jarak (meter) 3909 3909 3909 3909 3909 3909 3909 3909 3909 3909 3909


31

Lampiran 11 Pengujian rute optimum Sampel 1 node awal = 24, node akhir 21 Jarak Ulangan Node yang dilalui (meter) 1 3909 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 2 3909 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 3 3909 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 4 3909 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 5 3909 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 6 3909 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 7 3909 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 8 3909 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 9 3909 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 10 3909 24 - 44 - 29 - 42 - 32 - 36 - 41 - 31 - 35 - 21 Rata-rata Sampel 2 Node awal = 1, Node akhir = 22 Jarak Ulangan Node yang dilalui (meter) 1 2394 1 7-8-11-13-14-35-41-31-37-22 2 2394 1 7-8-11-13-14-35-41-31-37-22 3 2394 1 7-8-11-13-14-35-41-31-37-22 4 2394 1 7-8-11-13-14-35-41-31-37-22 5 2394 1 7-8-11-13-14-35-41-31-37-22 6 2394 1 7-8-11-13-14-35-41-31-37-22 7 2394 1 7-8-11-13-14-35-41-31-37-22 8 2394 1 7-8-11-13-14-35-41-31-37-22 9 2394 1 7-8-11-13-14-35-41-31-37-22 10 2394 1 7-8-11-13-14-35-41-31-37-22 Rata-rata Sampel 3 Node awal = 36, Node akhir = 8 Jarak Ulangan Node yang dilalui (meter) 1 1579 36 - 41 - 31 - 35 - 14 - 13 - 11 - 8 2 1579 36 - 41 - 31 - 35 - 14 - 13 - 11 - 8 3 1579 36 - 41 - 31 - 35 - 14 - 13 - 11 - 8 4 1579 36 - 41 - 31 - 35 - 14 - 13 - 11 - 8 5 1579 36 - 41 - 31 - 35 - 14 - 13 - 11 - 8 6 1579 36 - 41 - 31 - 35 - 14 - 13 - 11 - 8 7 1579 36 - 41 - 31 - 35 - 14 - 13 - 11 - 8 8 1579 36 - 41 - 31 - 35 - 14 - 13 - 11 - 8 9 1579 36 - 41 - 31 - 35 - 14 - 13 - 11 - 8 10 1579 36 - 41 - 31 - 35 - 14 - 13 - 11 - 8 Rata-rata

Runtime (milidetik) 982 990 1.01 1.08 1.01 1.02 1.01 1.07 1.03 978 295.7

Runtime (milidetik) 1.07 926 914 1.03 1.01 1.06 1.01 878 901 929 455.3


B/S Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar



32

Lanjutan Sampel 4 node awal= 19, node akhir =10 Jarak Ulangan Node yang dilalui (meter) 1 3001 19-38-39-17-16-13-11-8-7-10 2 2982 19-38-39-17-16-21-35-14-13-11-8-7-10 3 3001 19-38-39-17-16-13-11-8-7-10 4 3001 19-38-39-17-16-13-11-8-7-10 5 2982 19-38-39-17-16-21-35-14-13-11-8-7-10 6 2982 19-38-39-17-16-21-35-14-13-11-8-7-10 7 3001 19-38-39-17-16-13-11-8-7-10 8 2982 19-38-39-17-16-21-35-14-13-11-8-7-10 9 2982 19-38-39-17-16-21-35-14-13-11-8-7-10 10 2982 19-38-39-17-16-21-35-14-13-11-8-7-10 Rata-rata Sampel 5 Node awal = 37 , node akhir = 11 Jarak Ulangan Node yang dilalui (meter) 1 1283 37-31-35-14-13-11 2 1283 37-31-35-14-13-11 3 1283 37-31-35-14-13-11 4 1283 37-31-35-14-13-11 5 1283 37-31-35-14-13-11 6 1283 37-31-35-14-13-11 7 1283 37-31-35-14-13-11 8 1283 37-31-35-14-13-11 9 1283 37-31-35-14-13-11 10 1283 37-31-35-14-13-11 Rata-rata



B/S Salah Benar Salah Salah Benar Benar Salah Benar Benar Benar


33

Lampiran 12 Tampilan representasi rute optimum pada Google Maps

PENENTUAN RUTE OPTIMUM DALAM SUPPLY CHAIN NETWORK DENGAN ALGORITMA ANT COLONY UNTUK KOTA DAN KABUPATEN BOGOR INDRI WIDYASTUTI

Recommend Documents