i

PENGGUNAAN ALGORITMA ANT COLONY SYSTEM DALAM
TRAVELING SALESMAN PROBLEM (TSP) PADA PT. EKA JAYA
MOTOR


Eka Mindaputra
J2A 003 021


Skripsi
Diajukan sebagai syarat untuk memperoleh gelar Sarjana Sains / Sarjana Komputer
pada
Program Studi Matematika



PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS DIPONEGORO
SEMARANG
2009

ii
HALAMAN PENGESAHAN

Judul : Penggunaan Algoritma Ant Colony System Dalam Traveling
Salesman Problem (TSP) Pada PT. Eka Jaya Motor
Nama : Eka Mindaputra
NIM : J2A 003 021
Telah diujikan pada sidang Tugas Akhir tanggal 19 Juni 2009
dan dinyatakan lulus pada tanggal Juni 2009



Semarang, Juni 2009
Panitia Penguji Tugas Akhir
Ketua,



Bambang Irawanto, S.Si, M.Si
NIP. 132 102 826



Mengetahui,
Ketua Jurusan Matematika
FMIPA UNDIP




Dr. Widowati, M.Si
NIP. 132 090 819
Mengetahui,
Ketua Program Studi Matematika
Jurusan Matematika FMIPA UNDIP




Bambang Irawanto, S.Si, M.Si
NIP. 132 102 826


iii
HALAMAN PENGESAHAN



Judul : Penggunaan Algoritma Ant Colony System Dalam Traveling
Salesman Problem (TSP) Pada PT. Eka Jaya Motor
Nama : Eka Mindaputra
NIM : J2A 003 021
Telah diujikan pada sidang Tugas Akhir tanggal 19 Juni 2009







Pembimbing Utama




Bambang Irawanto, S.Si, M.Si
NIP. 132 102 826






Semarang, Juni 2009
Pembimbing Anggota




Lucia Ratnasari,S.Si M.Si
NIP. 132 204 997


iv
KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Allah SWT yang telah melimpahkan
rahmat dan hidayah-Nya, sehingga penulis dapat menyusun tugas akhir ini. Shalawat
dan salam penulis sampaikan kepada Rasulullah SAW beserta keluarganya, sahabatnya,
dan orang-orang yang tetap setia mengikuti sunnahnya.
Tugas Akhir ini berjudul “Penggunaan Algoritma Ant Colony System Dalam
Traveling Salesman Problem (TSP) Pada PT. Eka Jaya Motor” disusun sebagai
salah satu syarat untuk memperoleh gelar sarjana strata satu pada Fakultas Matematika
dan Ilmu Pengetahuan Alam di Universitas Diponegoro Semarang.
Pada kesempatan ini penulis mengucapkan terimakasih kepada:
1. Dr. Widowati ,S.Si, M.Si selaku Ketua Jurusan Matematika FMIPA UNDIP dan
juga dosen wali penulis yang telah mengarahkan penulis dari awal perkuliah hingga
selesainya Tugas Akhir ini.
2. Bambang Irawanto, S.Si, M.Si selaku dosen Pembimbing I yang dengan sabar
membimbing dan mengarahkan penulis hingga selesainya Tugas Akhir ini.
3. Lucia Ratnasari, S.Si, M.Si selaku dosen Pembimbing II yang telah
membimbing dan mengarahkan penulis hingga selesainya Tugas Akhir ini.
4. Bapak dan Ibu dosen Jurusan Matematika FMIPA UNDIP di mana penulis
mendapatkan pengalaman dan ilmu pengetahuan.

v
5. Bapak dan Ibu di rumah atas segala sesuatunya yang telah diberikan kepada penulis
sampai saat ini.
6. Semua pihak yang tidak dapat penulis sebutkan satu per satu yang telah membantu
dalam penyelesaian Tugas Akhir ini. Semoga Allah SWT membalas segala
kebaikan yang telah Anda berikan kepada penulis, Amiiin.

Semoga tulisan ini bermanfaat bagi siapa saja yang berkepentingan dengan
ilmu Matematika.







Semarang, Juni 2009

Penulis


vi
ABSTRAK
Ant Colony System (ACS) adalah sebuah metodologi yang dihasilkan melalui
pengamatan terhadap semut. Pada algoritma ACS, semut berfungsi sebagai agen yang
ditugaskan untuk mencari solusi terhadap suatu masalah optimisasi. ACS telah
diterapkan dalam berbagai bidang, salah satunya adalah untuk mencari solusi optimal
pada Traveling Salesman Problem (TSP).
Tugas akhir ini memberikan usulan penggunaan algoritma Ant Colony System
dalam aktivitas order picking pada PT. Eka Jaya Motor untuk mendapatkan rute yang
paling pendek serta pengaplikasian strategi tersebut dengan membangun sebuah sistem
informasi pencarian rute yang dapat membantu dalam aktivitas order picking tersebut.
Dengan menggunakan strategi S-Shape yang sekarang digunakan oleh PT. Eka
Jaya Motor, picker harus menempuh jarak sejauh 70,03 meter dengan waktu berjalan
selama 84,036 detik sedangkan dengan menggunakan algoritma Ant Colony System
picker harus menempuh jarak sejauh 52,53 meter dengan waktu berjalan selama 63,036
detik.

Kata kunci: picker, order picking, rute, ant colony system, strategi s-shape, optimisasi,
traveling salesman problem.





vii
ABSTRACT

Ant Colony System (ACS) is a method that is produced through an observation
to ants. In ACS algorithm, the ants functioned as the agent to find solution regarding an
optimization. ACS has been used in many sectors, one of them is to search optimal
solution in Taveling Salesman Problem (TSP)
This final project gives a proposal of using Ant Colony System algorithm in
order picking activity at PT. Eka Jaya Motor to get the shortest route and aplicating
this algorithm with build the finder of shortest rute information system that will help
the activity of order picking.
By using s-shape strategy that now used by the company, picker must walk for
70,03 meter and with walking time for 84,036 second. By using the Ant Colony System
algorithm, picker must walk for 52,53 meter and with walking time for 63,036 second.


Keywords: picker, order picking, rute, ant colony system, s-shape strategy,
optimization, traveling salesman problem.






viii
DAFTAR ISI

BAB I PENDAHULUAN ....................................................................................... 1
1.1 Latar Belakang ......................................................................................... 1
1.3 Perumusan Masalah ................................................................................. 3
1.4 Tujuan ...................................................................................................... 3
1.5 Pembatasan Masalah ................................................................................ 3
1.5 Sistematika Penulisan .............................................................................. 3
BAB II TEORI PENUNJANG ................................................................................. 5
2.1 Graf ............................................................................................................ 5
2.1.1 Definisi Graf .................................................................................. 5
2.1.2 Graf Hamilton ................................................................................ 8
2.2 Optimasi .................................................................................................... 9
2.2.1 Pengertian Optimasi ....................................................................... 9
2.2.2 Pengertian Nilai Optimal ................................................................ 9
2.2.3 Macam-macam Persoalan Optimasi ............................................. 10
2.3 Traveling Salesman Problem (TSP) ......................................................... 10
2.3.1 Penerapan Algoritma Semut .......................................................... 10
2.3.2 Contoh Kasus................................................................................. 11
2.3.3 Penyelesaian TSP Menggunakan Algoritma Semut ...................... 13
BAB III PEMBAHASAN ........................................................................................... 14
3.1 Algoritma Semut ..................................................................................... 14
3.1.1 Sejarah Algoritma Semut .............................................................. 14

ix
3.1.2 Cara Kerja Semut Mencari Jalur Optimal ..................................... 14
3.1.3 Ant Colony System ......................................................................... 17
3.1.4 Karakteristik Ant Colony System (ACS)........................................ 18
3.2 Algoritma Ant Colony System (ACS) ...................................................... 23
3.3 Analisis Algoritma Semut untuk Mencari Nilai Optimal Menggunakan
Graf ......................................................................................................... 29
3.4 Penyelesaian Masalah dengan Ant Colony System .................................. 34
3.5 Perhitungan Jarak Rute Pengambilan Part............................................... 40
3.6 Desain Program ....................................................................................... 52
3.6.1 Proses Software ............................................................................. 52
3.6.2 Diagram Konteks ........................................................................... 53
3.6.3 DFD level 0 ................................................................................... 54
3.6.4 Data Base ....................................................................................... 56
3.6.4.1 Enitiy Relationship Diagram ............................................. 56
3.6.4.2 Transformasi Model Data ke Basis Data Fisik ................. 58
3.6.5 Interface ......................................................................................... 62
BAB IV KESIMPULAN DAN SARAN .................................................................... 68
4.1 Kesimpulan .............................................................................................. 68
4.2 Saran ........................................................................................................ 69
DAFTAR PUSTAKA
LAMPIRAN

x
DAFTAR GAMBAR

Gambar 2. 1 Contoh Graf ............................................................................................. 5
Gambar 2. 2 Walk Dalam Graf .................................................................................... 6
Gambar 2. 3 Graf Berarah dan Graf Tak Berarah ........................................................ 7
Gambar 2. 4 Graf Terhubung dan Tak Terhubung ..................................................... 8
Gambar 2. 5 Graf Hamilton, Graf Semi-Hamilton, Graf Bukan Hamilton ................ 9
Gambar 2. 6 Graf Lengkap ........................................................................................ 12
Gambar 2.7 Sirkuit Hamilton………………………………………………………12
Gambar 3. 1 Lintasan Awal Semut Menuju Tempat Makanan.................................. 16
Gambar 3.2 Lintasan Optimal Semut Menuju Tempat Makanan…………………..16
Gambar 3.3 Algoritma ACS………………………………………………………..26
Gambar 3. 4 Lintasan Awal Semut Menuju Tempat Makanan.................................. 30
Gambar 3. 5 Lintasan Semut Menuju Sarang ............................................................ 31
Gambar 3. 6 Lintasan Awal Semut Menuju Makanan pada Iterasi ke-2 ................... 32
Gambar 3. 7 Lintasan Awal Semut Menuju Sarang pada Iterasi ke-2 ....................... 33
Gambar 3. 8 Lintasan Optimal Semut Menuju Tempat Makanan ............................. 33
Gambar 3. 9 Denah Lokasi Gudang ........................................................................... 39
Gambar 3. 10 Jalur tempuh dengan menggunakan strategi S-Shape ........................... 41
Gambar 3. 11 Diagram konteks sistem pencarian rute ................................................ 54
Gambar 3. 12 DFD level 0 sistem pencarian rute ........................................................ 57
Gambar 3. 13 ERD Database Sistem ........................................................................... 57


xi

Gambar 3. 14 Input ...................................................................................................... 64
Gambar 3. 15 Output .................................................................................................... 65
Gambar 3. 16 Jalur tempuh dengan menggunakan algoritma ACS ............................. 67






















xii
DAFTAR TABEL

Tabel 3. 1 Data Penjualan ........................................................................................... 36
Tabel 3. 2 Jarak antar lokasi dalam satuan meter (Algoritma ACS) .......................... 37
Tabel 3. 3 Invers jarak ( ) , ( s r q ) ................................................................................. 44
Tabel 3. 4 Pheromone (t ) awal ................................................................................ 45
Tabel 3. 5 Hasil perhitungan temporary dan probabilitas dari titik awal DEPOT ..... 46
Tabel 3. 6 Nilai pheromone (t ) setelah mengalami pembaharuan lokal untuk
) 01 , ( A B depot ÷ t ...................................................................................... 48
Tabel 3. 7 Nilai pheromone (t ) setelah tahap mengalami pembaharuan pheromone
lokal dari semua picker.............................................................................. 49
Tabel 3. 8 Nilai pheromone (t ) setelah mengalami pembaharuan global ................ 52
Tabel 3. 9 Tabel TGridJarak ....................................................................................... 58
Tabel 3. 10 Tabel TGridProbabilitas ............................................................................ 59
Tabel 3. 11 Tabel THasil .............................................................................................. 59
Tabel 3. 12 Tabel THasilText ....................................................................................... 60
Tabel 3. 13 Tabel THasilUrut ....................................................................................... 60
Tabel 3. 14 Tabel TJarakNode ..................................................................................... 61
Tabel 3. 15 Tabel TNodeAwal ..................................................................................... 61
Tabel 3. 16 Tabel TNode .............................................................................................. 62
Tabel 3. 17 Tabel Hasil Perhitungan Software APS .................................................... 65
Tabel 3. 18 Perbandingan Jarak Tempuh antara strategi S-Shape dengan ACS .......... 66



xiii
DAFTAR SIMBOL

q = bilangan pecahan acak
q
0
= Probabilitas semut melakukan eksplorasi pada setiap tahapan
) , ( u t t
=
nilai dari jejak pheromone pada titik ) , ( u t

) , ( u t q
=
invers jarak antara titik t dan u
|
=
parameter yang mempertimbangkan kepentingan relatif dari informasi
heuristic
L
nn
= panjang tur yang diperoleh
c = jumlah lokasi
µ = koefisien penguapan pheromon
∆τ = perubahan pheromone
gb
L = panjang jalur terpendek pada akhir siklus
o = tingkat kepentingan relatif dari pheromone
← = menuju ke-






1

BAB I
PENDAHULUAN

Pada bab ini akan dijelaskan tentang latar belakang yang digunakan dalam
penulisan Tugas Akhir, permasalahan, tujuan dari penulisan, perumusan masalah,
batasan masalah, serta sistematika penulisan Tugas Akhir sebagai syarat
mendapatkan gelar Sarjana Strata 1 (S1).
1.1 Latar Belakang
Secara umum suatu gudang membutuhkan produk handling (basis operasi
yang mengikutsertakan manusia dan mesin dalam pengoprasian gudang) yang
sangat besar dan itu sangat membutuhkan waktu yang besar. Berdasarkan
penelitian yang dilakukan oleh M. Shouman (2005) gudang ataupun distribution
center pada suatu perusahaan memiliki tiga kategori utama dalam menangani
produk handling yaitu pendesainan layout dari gudang dan alokasi produknya,
order batching, serta order picking atau pemilihan rute pengambilan barang.
Dari ketiga kategori tersebut, pembenahan pada order picking atau rute
pengambilan barang merupakan hal yang sangat mempengaruhi waktu pelayanan
terhadap konsumen serta menghabiskan 65% dari total biaya operasi gudang
(Petersen, 1999).
Strategi S-Shape merupakan salah satu strategi rute pengambilan barang
dalam aktivitas order picking yang saat ini digunakan PT Eka Jaya Motor, dimana
picker masuk dari ujung aisle yang satu dan keluar dari ujung yang lain pada aisle

2

yang sama. Strategi ini sangat mudah untuk digunakan namun sangat tidak efisien
dalam mengurangi jarak tempuh dari aktivitas order picking tersebut.
Permasalahan rute pada aktivitas order picking dalam mengurangi jarak
tempuh dapat dikategorikan sebagai Travelling Salesman Problem (TSP) dimana
pada aktivitas tersebut picker harus menuju ke semua lokasi barang yang akan
diambil dan kembali lagi ke lokasi awal dimana picker tersebut berangkat.
Berdasarkan hasil penelitian yang dilakukan oleh M.Dorigo dan L. M
Gambardella (1997) dalam penyelesaian kasus TSP, terbukti bahwa algoritma Ant
Colony System (ACS) mampu mendapatkan hasil tur terbaik dibandingkan
dengan algoritma genetik (GA), evolutionary programming (EP), simulated
annealing (SA), dan annealing-genetic algorithm (AG).
Untuk itu penelitian tugas akhir ini menerapkan algoritma Ant Colony
System sebagai sistem usulan dalam pemilihan rute untuk mendapatkan rute
terpendek pada aktivitas order picking.
1.2 Perumusan Masalah
Sebuah perusahaan yang bekerja sebagai penyuplai komponen–komponen
dalam perakitan mobil mendapat sedikit kendala dalam memenuhi permintaan
konsumennya, salah satunya adalah proses pemindahan barang atau pengambilan
barang (order picking) dari penyimpanan untuk dikirimkan kepada konsumen.
Pada saat ini PT. Eka Jaya Motor dalam proses order picking menggunakan
strategi S-Shape, yaitu dengan menyisir seluruh gudang penyimpanan untuk
mengambil barang yang telah dipesan oleh konsumen, strategi ini dirasa kurang

3

efisien dan memakan banyak waktu, sehingga konsumen yang telah memesan
tidak dapat dilayani dengan cepat.
Akan dibandingkan penyelesaian masalah TSP dalam proses order
picking PT. Eka Jaya Motor yang menggunakan strategi S-Shape dengan Ant
Colony System (ACS).
1.3 Tujuan
Adapun tujuan dari penulisan Tugas Akhir ini adalah pengaplikasian
algoritma Ant Colony System dalam Traveling Salesman Problem (TSP) PT. Eka
Jaya Motor.
1.4 Pembatasan Masalah
Pembatasan masalah dalam penulisan Tugas Sarjana ini hanya difokuskan
pada aktivitas order picking di PT Eka Jaya Motor.
1.5 Sistematika Penulisan
Sistematika penulisan Tugas Sarjana ini adalah sebagai berikut :
BAB I PENDAHULUAN
Berisi tentang latar belakang permsalahan, perumusan masalah
yang ada, tujuan pemecahan masalah, batasan masalah dan
sistematika penulisan.



4

BAB II TEORI PENUNJANG
Bab ini berisi dasar-dasar teori dan metode yang digunakan
sebagai dasar dan alat untuk memecahkan masalah.
BAB III PEMBAHASAN
Berisi data-data yang akan digunakan dalam analisis atau
perhitungan maupun data penunjang yang telah disiapkan atau
diolah untuk pemecahan masalah serta desain dari program
yang digunakan.
BAB IV PENUTUP
Berisi tentang kesimpulan dari hasil pembahasan yang telah
dilakukan, serta saran bagi penulis pada khususnya dan
pembaca pada umumnya.








5

BAB II
TEORI PENUNJANG

2.1 Graf
2.1.1 Definisi Graf
Definisi 2.1 (3)
Suatu graf G didefinisikan sebagai diagram yang terdiri dari titik-titik yang
disebut vertices dinyatakan dengan V(G) dan dihubungkan oleh sisi-sisi yang
disebut edges dinyatakan dengan E(G), serta setiap sisi menghubungkan tepat dua
titik. Suatu graf G dapat dinotasikan sebagai G = (V,E), dengan V(G) = tidak
kosong .
Contoh 2.1 :




Gambar 2.1 Contoh Graf
Pada graf gambar 2.1, E(G) ={(A,B),(B,C),(B,D),(C,B),(C,A),(D,C)} dan V(G) =
{A,B,C,D}.





6


Definisi 2.2 (3)
Suatu jalan (walk) dalam graf G adalah barisan titik-titik dan sisi-sisi yang
dimulai dan diakhiri oleh suatu titik. Panjang suatu walk dihitung berdasarakan
jumlah sisi dalam walk tersebut.
Contoh 2.2 :



Gambar 2.2 Walk dalam graf
Salah satu walk pada graf pada gambar 2.2 adalah A, (A,B), B, (B,C), C, (C,D),
D, (D,E), E, (E,A), A dengan panjang 5.
Definisi 2.3 (3)
Jika semua sisi suatu walk berbeda, maka walk disebut trail. Jika semua titiknya
juga berbeda, maka trail disebut path (lintasan).
Contoh 2.3 :
Pada gambar 2.2 walk A, (A,B), B, (B,C), C, (C,D), D, (D,E), E, (E,A), A adalah
suatu trail tetapi bukan suatu path, sedangkan A, (A,B), B, (B,C), C, (C,D), D,
(D,F), F merupakan path.
A B
D
C
E F

7

Definisi 2.4 (3)
Suatu walk tertutup dalam graf G yang titik awal sama dengan titik akhirnya dan
semua titik-titik didalamnya berbeda disebut cycle(sirkuit).
Contoh 2.4 :
Pada gambar 2.2 walk A, (A,B), B, (B,C), C, (C,D), D, (D,B), B, (B,E), E, (E,A),
A merupakan walk tertutup tetapi bukan suatu cycle, sedangkan A, (A,B), B,
(B,C), C, (C,D), D, (D,E), E, (E,A), A merupakan suatu cycle (sirkuit).
Berdasarkan orientasi arah pada sisi, maka secara umum graf dibedakan atas 2
jenis:
1. Graf tak-berarah (undirected graph) Graf yang sisinya tidak mempunyai
orientasi arah disebut graf tak-berarah.
2. Graf berarah (directed graph atau digraph) Graf yang setiap sisinya diberikan
orientasi arah disebut sebagai graf berarah.
Contoh :


(a) (b)

Gambar 2.3. Graf Berarah (a) dan Graf tidak Berarah (b)
Dua buah titik v
1
dan titik v
2
disebut terhubung jika terdapat sisi dari v
1
ke
v
2
. Graf G disebut graf terhubung (connected graph) jika untuk setiap pasang








8

titik vi dan vj dalam himpunan V terdapat lintasan dari vi ke vj. Jika tidak, maka
graf G disebut graf tak-terhubung (disconnected graph).
Contoh :
sisi ganda
lup
u
z
w
v
A
C
B
D
G
F

(i) (ii)
Gambar 2.4. Graf G terhubung (i) dan tak terhubung (ii)
Graf berarah G dikatakan terhubung jika graf tidak berarahnya terhubung (graf
tidak berarah dari G diperoleh dengan menghilangkan arahnya).
2.1.2 Graf Hamilton
Definisi 2.5 (2)
Lintasan Hamilton ialah lintasan yang melalui tiap titik di dalam graf tepat
satu kali. Sirkuit Hamilton ialah sirkuit yang melalui tiap titik di dalam graf tepat
satu kali, kecuali titik asal (sekaligus titik akhir) yang dilalui dua kali. Graf yang
memiliki sirkuit Hamilton dinamakan graf Hamilton, sedangkan graf yang hanya
memiliki lintasan Hamilton disebut graf semi - Hamilton.


9

c
a
b
c
b
a
a b
c
(1)
(2)
(3)

Gambar 2.5. Graf Hamilton(1), Graf Semi-Hamilton(2), Graf Bukan Hamilton

Optimisasi
2.2.1 Pengertian Optimisasi (2)
Optimisasi ialah suatu proses untuk mencapai hasil yang ideal atau
optimal (nilai efektif yang dapat dicapai). Dalam disiplin matematika optimisasi
merujuk pada studi permasalahan yang mencoba untuk mencari nilai minimal atau
maksimal dari suatu fungsi nyata. Untuk dapat mencapai nilai optimal baik
minimal atau maksimal tersebut, secara sistematis dilakukan pemilihan nilai
variabel integer atau nyata yang akan memberikan solusi optimal.
2.2.2 Pengertian Nilai Optimal (2)
Nilai optimal adalah nilai yang didapat dengan melalui suatu proses dan
dianggap menjadi suatu solusi jawaban yang paling baik dari semua solusi yang
ada. Nilai optimal dapat dicari dengan dua cara, yaitu:
1. Cara konvensional, yaitu mencoba semua kemungkinan yang ada dengan
mencatat nilai yang didapat cara ini kurang efektif, karena optimasi akan
berjalan secara lambat.
2. Cara kedua adalah dengan menggunakan suatu rumus sehingga nilai
optimal dapat diperkirakan dengan cepat dan tepat.

10

2.2.3 Macam-macam Persoalan Optimisasi
Persoalan yang berkaitan dengan optimisasi sangat kompleks dalam
kehidupan sehari-hari. Nilai optimal yang didapat dalam optimisasi dapat berupa
besaran panjang, waktu, jarak dan lain-lain. Berikut ini adalah beberapa persoalan
yang memerlukan optimisasi: Menentukan lintasan terpendek dari suatu tempat ke
tempat yang lain, menentukan jumlah pekerja seminimal mungkin untuk
melakukan suatu proses produksi agar pengeluaran biaya pekerja dapat
diminimalkan dan hasil produksi tetap maksimal, mengatur jalur kendaraan umum
agar semua lokasi dapat dijangkau, mengatur routing jaringan kabel telepon agar
biaya pemasangan kabel tidak terlalu besar.
2.3 Traveling Salesman Problem (TSP)
2.3.1 Penerapan Algoritma semut
Algoritma optimisasi koloni semut telah digunakan untuk menghasilkan
penyelesaian yang mendekati optimal. Aplikasi algoritma semut dalam kehidupan
sehari-hari mencakup beberapa persoalan, yaitu:
1. Traveling Salesman Problem (TSP), yaitu mencari jalur terpendek dalam
sebuah graf menggunakan sirkuit Hamilton.
2. Quadratic Assignment Problem (QAP) yang berusaha meng-assign sejumlah n
resources untuk ditempatkan pada sejumlah m lokasi dengan meminimalisir biaya
assignment.

11

3. Job-shop Scheduling Problem (JSP) juga salah satu contoh aplikasi algoritma
semut untuk menjadwalkan sejumlah j pekerjaan menggunakan sejumlah m mesin
demikian sehingga seluruh pekerjaan diselesaikan dalam waktu yang minimal.
4. pengaturan jalur kendaraan.
5. pewarnaan graf.
6. network routing, dll.
2.3.2 Contoh Kasus
Travelling Salesman Problem (TSP) adalah suatu masalah yang ditemukan
oleh pedagang yang harus bepergian dan singgah di beberapa kota hingga kembali
ke kota semula. Dalam kehidupan sehari-hari, kasus TSP ini dapat diaplikasikan
untuk menyelesaikan kasus lain, yaitu:
1. Pak Pos mengambil surat di kotak pos yang tersebar pada n buah lokasi di
berbagai sudut kota.
2. Lengan robot mengencangkan n buah mur pada beberapa buah peralatan mesin
dalam sebuah jalur perakitan.
3. Produksi n komoditi berbeda dalam sebuah siklus.
Seperti yang diketahui, bahwa untuk mencari jumlah sirkuit Hamilton di dalam
graf lengkap
dengan n simpul adalah: (n - 1)!/2.

12

Contoh:
3
7
c
a b
d
5
6
4
2

Gambar 2.6. Graf Lengkap
Graf di atas memiliki (4 – 1)!/2 = 3 sirkuit Hamilton (Gambar 2.6), yaitu:
I
1
= (a, d, b, c, a) atau (a, c, b d, a) dengan panjang
= 4 + 6 + 7 + 3 = 20
I
2
= (a, b, c, d, a) atau (a, d, c, b, a) dengan panjang
= 5 + 6 + 2 + 3 = 16
I
3
= (a, c, d, b, a) atau (a, b, d, c, a) dengan panjang
= 4 + 2 + 7 + 5 = 18
3
7
c
a b
d
6
4
I
1
3
c
a b
d
5
6
2
I
2
7
c
a b
d
5
4
2
l
3

Gambar 2.7. Sirkuit Hamilton
Jadi, sirkuit Hamilton terpendek adalah I
2
= (a, b, c, d, a) atau (a, d, c, b, a)
dengan panjang sirkuit = 5 + 6 + 2 + 3 = 16

13

Jika jumlah simpul n = 20 akan terdapat (19!)/2 sirkuit Hamilton atau
sekitar 6 × 1016 penyelesaian.
2.3.3 Penyelesaian TSP Menggunakan Algoritma Semut
TSP adalah salah satu teka-teki optimisasi yang cukup terkenal di
kalangan peneliti dan pecinta matematika selama bertahun-tahun.
Mereka berlomba untuk mencari penyelesaian kasus TSP dengan
tekniknya masing-masing. Teknik yang cukup terkenal adalah simulated
annealing, genetic algorithm, and ant colony optimization (algoritma semut).
Dalam tugas akhir ini kita akan membahas teknik yang terakhir, yaitu algoritma
semut. Algoritma semut atau Ant Colony Optimization telah digunakan untuk
mencari lintasan optimal pada Travelling Salesman Problem (TSP). Pada simulasi
algoritma semut, diperlukan tiga tabel besar (dengan dimensi n x n dimana n
adalah banyaknya kota) untuk mencari lintasan optimal.
Tabel pertama adalah tabel jarak (distance array), untuk menghitung seluruh
jarak dari kota yang satu ke kota lainnya.
Tabel kedua adalah tabel pheromon (pheromone array), untuk menyimpan kadar
pheromon pada jalur antara seluruh kota.
Tabel ketiga adalah tabel delta pheromon (delta pheromone array), untuk
menyimpan sementara pheromon untuk ditambahkan ke tabel pheromon pada
akhir iterasi. Tabel delta pheromon digunakan agar semua semut mengetahui hasil
dari iterasi sebelumnya.

14

BAB III
PEMBAHASAN

3.1 Algoritma Semut
3.1.1 Sejarah Algoritma Semut
Pada tahun 1996, dunia ilmu pengetahuan pun ikut belajar dari semut
dengan diperkenalkannya algoritma semut, atau Ant Colony Optimization, sebagai
sebuah simulasi multi agen yang menggunakan metafora alami semut untuk
menyelesaika problem ruang fisik. Algoritma semut diperkenalkan oleh Moyson
dan Manderick dan secara meluas dikembangkan oleh Marco Dorigo,
merupakan teknik probabilistik untuk menyelesaikan masalah komputasi dengan
menemukan jalur terbaik. Algoritma ini diambil dengan analogi oleh perilaku
semut dalam menemukan jalur dari koloninya menuju makanan.
3.1.2 Cara Kerja Algoritma Semut Mencari Jalur Optimal
Semut mampu mengindera lingkungannya yang kompleks untuk mencari
makanan dan kemudian kembali ke sarangnya dengan meninggalkan zat
pheromon pada jalur-jalur yang mereka lalui. Pheromon adalah zat kimia yang
berasal dari kelenjar endokrin dan digunakan oleh makhluk hidup untuk
mengenali sesama jenis, individu lain, kelompok, dan untuk membantu proses
reproduksi. Berbeda dengan hormon, pheromon menyebar ke luar tubuh dapat
mempengaruhi dan dikenali oleh individu lain yang sejenis (satu spesies). Proses
peninggalan pheromon ini dikenal sebagai stigmergy, sebuah proses memodifikasi
lingkungan yang tidak hanya bertujuan untuk mengingat jalan pulang ke sarang,

15

tetapi juga memungkinkan para semut berkomunikasi dengan koloninya. Seiring
waktu, bagaimanapun juga jejak pheromon akan menguap dan akan mengurangi
kekuatan daya tariknya. Lebih lama seekor semut pulang pergi melalui jalur
tersebut, lebih lama jugalah pheromon menguap. Agar semut mendapatkan jalur
optimal, diperlukan beberapa proses:
1. Pada awalnya, semut berkeliling secara acak, hingga menemukan makanan.
Lihat Gambar 3.1.
2. Ketika menemukan makanan mereka kembali ke koloninya sambil memberikan
tanda dengan jejak pheromon.
3. Jika semut-semut lain menemukan jalur tersebut, mereka tidak akan bepergian
dengan acak lagi, melainkan akan mengikuti jejak tersebut.
4. Kembali dan menguatkannya jika pada akhirnya mereka pun menemukan
makanan.
5. Seekor semut yang secara tidak sengaja menemukan jalur optimal akan
menempuh jalur ini lebih cepat dari rekan-rekannya, melakukan round-trip
lebih sering, dan dengan sendirinya meninggalkan pheromon lebih banyak dari
jalur-jalur yang lebih lambat ditempuh.
6. Pheromon yang berkonsentrasi tinggi pada akhirnya akan menarik semut –
semut lain untuk berpindah jalur, menuju jalur paling optimal, sedangkan jalur
lainnya akan ditinggalkan.

16

7. Pada akhirnya semua semut yang tadinya menempuh jalur yang berbeda - beda
akan beralih ke sebuah jalur tunggal yang ternyata paling optimal dari sarang
menuju ke tempat makanan. Lihat Gambar 3.2.
A
B
Jalur 1
Jalur 2

Gambar 3.1. Lintasan Awal Semut Menuju Tempat Makanan
Keterangan Gambar 3.1:
A : Tempat awal koloni (sarang)
B : Tujuan koloni semut (makanan)
Jalur 1 (biru): Lintasan yang ditempuh oleh semut 1
Jalur 2 (hitam): Lintasan yang ditempuh oleh semut 2
Jalur optimal
A
B

Gambar 3.2. Lintasan Optimal Semut Menuju Tempat Makanan



17


Keterangan Gambar 3.2:
A : Tempat awal koloni (sarang)
B : Tujuan koloni semut (makanan)
Jalur Optimal : Jalur yang dilewati semut setelah beberapa iterasi.
Seluruh proses ini menunjukkan berlangsungnya optimisasi alami kaum semut
yang bisa kita tiru dalam kehidupan sehari-hari.
3.1.3 Ant Colony System
Ant Colony System (ACS) adalah sebuah metodologi yang
dihasilkan melalui pengamatan terhadap semut. Pada algoritma ACS,
semut berfungsi sebagai agen yang ditugaskan untuk mencari solusi
terhadap suatu masalah optimisasi. ACS telah diterapkan dalam berbagai
bidang, salah satunya adalah untuk mencari solusi optimal pada Traveling
Salesman Problem (TSP). Dengan memberikan sejumlah n titik, TSP dapat
didefinisikan sebagai suatu permasalahan dalam menemukan jalur
terpendek dengan mengunjungi setiap titik yang ada hanya sekali.
Secara informal, ACS bekerja sebagai berikut: pertama kali,
sejumlah m semut ditempatkan pada sejumlah n titik berdasarkan beberapa
aturan inisialisasi (misalnya, secara acak). Setiap semut membuat sebuah
tur (yaitu, sebuah solusi TSP yang mungkin) dengan menerapkan sebuah
aturan transisi status secara berulang kali. Selagi membangun turnya,

18

seekor semut juga memodifikasi jumlah pheromone (sejumlah informasi
yang ditinggalkan oleh semut di tempat yang dilalui dan menandai jalur
tersebut) pada ruas-ruas yang dikunjunginya dengan menerapkan aturan
pembaruan pheromone lokal. Setelah semua semut mengakhiri tur mereka,
jumlah pheromone yang ada pada ruas-ruas dimodifikasi kembali (dengan
menerapkan aturan pembaruan pheromone global). Dalam membuat tur,
semut ‘dipandu’ oleh informasi heuristik (mereka lebih memilih ruas-ruas
yang pendek) dan oleh informasi pheromone. Sebuah ruas dengan jumlah
pheromone yang tinggi merupakan pilihan yang sangat diinginkan. Kedua
aturan pembaruan pheromone itu dirancang agar semut cenderung untuk
memberi lebih banyak pheromone pada ruas-ruas yang harus mereka
lewati.
3.1.4 Karakteristik Ants Colony System (ACS)
Terdapat tiga karakteristik utama dari ACS, yaitu : Aturan transisi
status, Aturan pembaruan pheromone lokal, Aturan pembaruan pheromone
global.
1. Aturan transisi status
Aturan transisi status yang berlaku pada ACS adalah sebagai berikut:
seekor semut yang ditempatkan pada titik t memilih untuk menuju ke titik
v, kemudian diberikan bilangan pecahan acak q dimana 0≤q≤1, q
0
adalah
sebuah parameter yaitu Probabilitas semut melakukan eksplorasi pada
setiap tahapan, dimana (0≤ q
0
≤1) dan p
k
(t,v) adalah probabilitas dimana
semut k memilih untuk bergerak dari titik t ke titik v.

19

Jika
0
q q s maka pemilihan titik yang akan dituju menerapkan aturan
yang ditunjukkan oleh persamaan (1)
temporary (t,u) = | | | |
|
q t ) , ( ) , (
i i
u t u t ·
, i = 1,2,3,….,n

( ) | | ( ) | | { }
|
q t
i i
u t u t v , , max · = …………………………………………….(1)
Dengan v = titik yang akan dituju
sedangkan jika
0
q q > digunakan persamaan (2)
( )
( ) | | ( ) | |
( ) | | ( ) | |
¿
=
·
·
= =
n
i
i i
k
u t u t
v t v t
v t p v
1
, ,
, ,
,
|
|
q t
q t
.......................................................(2)
dengan
) , (
1
) , (
i
i
u t jarak
u t = q


dimana ) , ( u t t adalah nilai dari jejak pheromone pada titik ) , ( u t , ) , ( u t q
adalah fungsi heuristik dimana dipilih sebagai invers jarak antara titik t
dan u, | merupakan sebuah parameter yang mempertimbangkan
kepentingan relatif dari informasi heuristic, yaitu besarnya bobot yang
diberikan terhadap parameter informasi heuristik, sehingga solusi yang
dihasilkan cenderung berdasarkan nilai fungsi matematis. Nilai untuk
parameter β adalah ≥ 0. Pheromon adalah zat kimia yang berasal dari
kelenjar endokrin dan digunakan oleh makhluk hidup untuk mengenali
sesama jenis, individu lain, kelompok, dan untuk membantu proses

20

reproduksi. Berbeda dengan hormon, pheromon menyebar ke luar tubuh
dapat mempengaruhi dan dikenali oleh individu lain yang sejenis (satu
spesies). Proses peninggalan pheromon ini dikenal sebagai stigmergy,
sebuah proses memodifikasi lingkungan yang tidak hanya bertujuan untuk
mengingat jalan pulang ke sarang, tetapi juga memungkinkan para semut
berkomunikas dengan koloninya. Seiring waktu, bagaimanapun juga jejak
pheromon akan menguap dan akan mengurangi kekuatan daya tariknya,
sehingga jejak pheromon harus diperbaharui. Pada ACS pembaruan
pheromon dibagi menjadi 2, yaitu: Aturan pembaruan pheromon lokal,
Aturan pembaruan pheromon global.
2. Aturan pembaruan pheromon lokal
Selagi melakukan tur untuk mencari solusi dari TSP, semut mengunjungi
ruas-ruas dan mengubah tingkat pheromon pada ruas-ruas tersebut dengan
menerapkan aturan pembaruan pheromon lokal yang ditunjukkan oleh
persamaan (3)
) , ( ) , ( ) 1 ( ) , ( v t v t v t t µ t µ t A · + · ÷ ÷
…………………………………..
(3)
c L
v t
nn
·
= A
1
) , ( t
dimana :
L
nn
= panjang tur yang diperoleh
c = jumlah lokasi

21

µ = parameter dengan nilai 0 sampai 1
∆τ = perubahan pheromon
µ adalah sebuah parameter (koefisien evaporasi), yaitu besarnya koefisien
penguapan pheromon . Adanya penguapan pheromone menyebabkan tidak
semua semut mengikuti jalur yang sama dengan semut sebelumnya. Hal
ini memungkinkan dihasilka solusi alternatif yang lebih banyak. Peranan
dari aturan pembaruan pheromone lokal ini adalah untuk mengacak arah
lintasan yang sedang dibangun, sehingga titik-titik yang telah dilewati
sebelumnya oleh tur seekor semut mungkin akan dilewati kemudian oleh
tur semut yang lain. Dengan kata lain, pengaruh dari pembaruan lokal ini
adalah untuk membuat tingkat ketertarikan ruas-ruas yang ada berubah
secara dinamis: setiap kali seekor semut menggunakan sebuah ruas maka
ruas ini dengan segera akan berkurang tingkat ketertarikannya (karena ruas
tersebut kehilangan sejumlah pheromon-nya), secara tidak langsung semut
yang lain akan memilih ruas-ruas lain yang belum dikunjungi.
Konsekuensinya, semut tidak akan memiliki kecenderungan untuk
berkumpul pada jalur yang sama. Fakta ini, yang telah diamati dengan
melakukan percobaan [Dorigo dan Gambardella, 1997]. Merupakan sifat
yang diharapkan bahwa jika semut membuat tur-tur yang berbeda maka
akan terdapat kemungkinan yang lebih tinggi dimana salah satu dari
mereka akan menemukan solusi yang lebih baik daripada mereka semua
berkumpul dalam tur yang sama. Dengan cara ini, semut akan membuat
penggunaan informasi pheromon menjadi lebih baik tanpa pembaruan

22

lokal, semua semut akan mencari pada lingkungan yang sempit dari tur
terbaik yang telah ditemukan sebelumnya.
3. Aturan pembaruan pheromon global
Pada sistem ini, pembaruan pheromon secara global hanya dilakukan oleh
semut yang membuat tur terpendek sejak permulaan percobaan. Pada akhir
sebuah iterasi, setelah semua semut menyelesaikan tur mereka, sejumlah
pheromon ditaruh pada ruas-ruas yang dilewati oleh seekor semut yang
telah menemukan tur terbaik (ruas-ruas yang lain tidak diubah). Tingkat
pheromon itu diperbarui dengan menerapkan aturan pembaruan pheromon
global yang ditunjukkan oleh persamaan (4).
τ(t,v)←(1-α).τ(t,v) + α.∆τ(t,v) …………………….…………………(4)
¦
¹
¦
´
¦
e
= A
÷
0
_ ) , (
) , (
1
terbaik tur v t jika L
v t
gb
t
Dimana :
) , ( v t t = nilai pheromone akhir setelah mengalami pembaharuan lokal
gb
L = panjang jalur terpendek pada akhir siklus
o = parameter dengan nilai antara 0 sampai 1
∆τ = perubahan pheromone


23

( ) v t, t A bernilai
gb
L
1
jika ruas (t,v) merupakan bagian dari rute terbaik
namun jika sebaliknya ( ) 0 , = A v t t . o

adalah tingkat kepentingan relatif
dari pheromon atau besarnya bobot yang diberikan terhadap pheromon,
sehingga solusi yang dihasilkan cenderung mengikuti sejarah masa lalu
dari semut dari perjalanan sebelumnya, dimana nilai parameter α adalah ≥
0, dan L
gb
adalah panjang dari tur terbaik secara global sejak permulaan
percobaan. Pembaruan pheromon global dimaksudkan untuk memberikan
pheromon yang lebih banyak pada tur-tur yang lebih pendek. Persamaan
(3) menjelaskan bahwa hanya ruas-ruas yang merupakan bagian dari tur
terbaik secara global yang akan menerima penambahan pheromone.
3.2 Algoritma Ants Colony System (ACS)
Sama halnya dengan cara kerja semut dalam mencari jalur yang optimal,
untuk mencari jalur terpendek dalam penyelesaian masalah Traveling
Salesman Problem (TSP) diperlukan beberapa lngkah untuk mendapatkan
jalur yang optimal, antara lain :
1. Menentukan pheromone awal masing- masing semut. Tapi sebelum
itu tentukan terlebih dahulu banyaknya semut dalam proses tersebut,
setelah itu tentukan titik awal masing-masing semut.
2. Setelah itu tentukan titik selanjutnya yang akan dituju, ulangi proses
sampai semua titik terlewati. Dengan menggunakan persamaan 1 atau
2 dapat ditentukan titik mana yang akan dituju, yaitu dengan :

24

Jika
0
q q s maka pemilihan titik yang akan dituju menerapkan aturan
yang ditunjukkan oleh persamaan (1)
temporary (t,u) = | | | |
|
q t ) , ( ) , (
i i
u t u t ·
i = 1,2,3,….,n

( ) | | ( ) | | { }
|
q t
i i
u t u t v , , max · = ……………………………………….(1)
Dimana v = titik yang akan dituju
sedangkan jika
0
q q > digunakan persamaan (2)

( )
( ) | | ( ) | |
( ) | | ( ) | |
¿
=
·
·
= =
n
i
i i
i
u t u t
v t v t
v t p v
1
, ,
, ,
,
|
|
q t
q t
...................................................(2)
dengan

jika titik yang dimaksud bukanlah titik yang akan akan dilalui, maka
kembali ke titik sebelumnya.
3. Apabila telah mendapatkan titik yang dituju, pheromone masing-
masing pada titik tersebut diubah dengan menggunakan persamaan 3,
yaitu :
) , ( ) , ( ) 1 ( ) , ( v t v t v t t µ t µ t A · + · ÷ ÷
……………………………….
(3)
c L
v t
nn
·
= A
1
) , ( t

dimana :
L
nn
= panjang tur yang diperoleh
c = jumlah lokasi
µ = parameter dengan nilai 0 sampai 1
) , (
1
) , (
i
i
u t jarak
u t = q

25

∆τ = perubahan pheromone

Perubahan pheromon tersebut dinamakan perubahan pheromon lokal.
4. Setelah proses diatas selesai, hitung panjang lintasan masing-masing
semut.
5. Kemudian akan didapatkan panjang lintasan yang minimal.
6. Ubah pheromone pada titik-titik yang yang termuat dalam lintasan
tersebut.
7. Setelah semua proses telah dilalui, maka akan didapatkan lintasan
dengan panjang lintasan yang minimal.

Berikut adalah algoritma ACS

26

mulai
Tentukan nilai pheromon awal
Tentukan banyak semut m
Tentukan titik awal masing-masing semut
for I := 1 to n do
i < n
Ya
Tentukan titik selanjutnya
dengan persamaan 1 atau 2
Kembali ke
titik awal
Tidak
Ubah pheromon lokal
dengan persamaan 3
for k := 1 to m do
Hitung panjang lintasan
masing-masing semut
Hitung lintasan terbaik
Ubah pheromon global
dengan persamaan 4
Catat hasil lintasan
selesai

Gambar 3.3. Algoritma ACS

27

1. /* Initialization phase */
For each pair (t,v) τ(t,v):= τ
0

End-for
For k:=1 to m do
Let t
k1
be the starting city for ant k
J
k
(t
k1
):= {1, ..., n} - r
k1

/* J
k
(t
k1
) is the set of yet to be visited cities for ant k in city t
k1
*/
t
k
:= t
k1

/* t
k
is the city where ant k is located */
End-for
2. /* This is the phase in which ants build their tours. The tour of ant k is
stored in Tour
k
. */
For i:=1 to n do
If i<n then
For k:=1 to m do
Choose the next city v
k
according to Eq.(1) and Eq.(2)
J
k
(s
k
):= J
k
(t
k
) - v
k

Tour
k
(i):=(t
k
,v
k
)

28

End-for
Else
For k:=1 to m do
/* In this cycle all the ants go back to the initial city t
k1
*/
v
k
:= t
k1

Tour
k
(i):=(t
k
,v
k
)
End-for
End-if
/* In this phase local updating occurs and pheromone is updated
using Eq. (4)*/
For k:=1 to m do
τ(t
k
,v
k
):=(1-ρ)τ(t
k
,v
k
)+ ρτ
0

t
k
:= v
k
/* New city for ant k */
End-for
End-for
3. /* In this phase global updating occurs and pheromone is updated */
For k:=1 to m do
Compute L
k


29

/* L
k
is the length of the tour done by ant k */
End-for
Compute L
best

/* Update edges belonging to L
best
using Eq. (3) */
For each edge (t,v)
τ(t
k
,v
k
):=(1-α)τ( t
k
,v
k
) + α (L
best
)
-1

End-for
4. If (End_condition = True) then Print shortest of L
k

Else
goto Phase 2
3.3 Analisis Algoritma Semut untuk Mencari Nilai Optimal Menggunakan
Graf
Untuk mendiskusikan algoritma semut, lingkungan yang akan gunakan
adalah sebuah graf yang fully connected (setiap node memiliki busur ke node yang
lain) dan bidirectional (setiap jalur bisa ditempuh bolak-balik dua arah). Setiap
busur memiliki bobot yang menunjukkan jarak antara dua buah nodes yang
dihubungkan oleh busur tersebut. Algoritma ini menggunakan sistem multi agen,
yang berarti kita akan mengerahkan seluruh koloni semut yang masing-masingnya
bergerak sebagai agen tunggal. Setiap semut menyimpan daftar yang memuat
nodes yang sudah pernah ia lalui, dimana ia tidak diijinkan untuk melalui node

30

yang sama dua kali dalam satu kali perjalanan (daftar ini disebut juga sebagai jalur
Hamilton, yaitu jalur pada graf dimana setiap node hanya dikunjungi satu kali).
Sebuah koloni semut diciptakan, dan setiap semut ditempatkan pada masing-
masing node secara merata untuk menjamin bahwa tiap node memiliki peluang
untuk menjadi titik awal dari jalur optimal yang dicari. Setiap semut selanjutnya
harus melakukan tur semut, yaitu perjalanan mengunjungi semua nodes pada graf
tersebut.
Berikut adalah tahapan-tahapan algoritma semut menggunakan graf:
1. Dari sarang, semut berkeliling secara acak mencari makanan kemudian dicatat
jarak antara node yang semut lalui.
2. Ketika sampai ke makanan, Total jarak dari tiap node yang semut tempuh
dijumlahkan untuk mendapatkan jarak dari sarang ke makanan.
A
B
Jalur 1
Jalur 2

Gambar 3.4. Lintasan Awal Semut Menuju Tempat Makanan
Keterangan Gambar 3.4:
A : Tempat awal koloni (sarang)
B : Tujuan koloni semut (makanan)


31

Jalur 1 (biru): Lintasan yang ditempuh oleh semut 1
Jalur 2 (hitam): Lintasan yang ditempuh oleh semut 2
3. Ketika kembali ke sarang, sejumlah konsentrasi pheromon ditambahkan pada
jalur yang telah ditempuh berdasarkan total jarak jalur tersebut. Makin kecil total
jarak (atau makin optimal), maka makin banyak kadar pheromon yang
dibubuhkan pada masing-masing busur pada jalur tersebut.
B
A
Jalur 1
Jalur 2

Gambar 3.5. Lintasan Semut Menuju Sarang
Keterangan Gambar 3.5:
A : Sarang semut
B : Tempat ditemukannya makanan
Jalur 1 (biru) : Jalur yang ditempuh oleh semut 1 dengan pemberian kadar
pheromon yang tinggi
Jalur 2 (hitam) : Jalur yang ditempuh oleh semut 2 dengan pemberian kadar
pheromon yang rendah

32

4. Untuk memilih busur mana yang harus dilalui berikutnya, digunakan sebuah
rumus yang pada intinya menerapkan suatu fungsi heuristic untuk menghitung
intensitas pheromon yang ditinggalkan pada suatu busur.
A
B
Jalur 3
Jalur 2
Jalur 1

Gambar 3.6. Lintasan Semut Menuju Makanan pada Iterasi ke-2
Keterangan Gambar 3.6:
A : Sarang semut
B : Tempat ditemukannya makanan
Jalur 1 : Jalur yang ditempuh oleh semut 1 karena kadar pheromon yang tinggi
Jalur 2 : Jalur yang tidak ditempuh oleh semut karena kadar pheromon yang
rendah
Jalur 3 : Jalur yang ditemukan oleh semut 2
5. Pada iterasi berikutnya, busur-busur yang mengandung pheromon lebih tinggi
ini akan cenderung dipilih sebagai busur yang harus ditempuh berikutnya
berdasarkan rumus pemilihan busur. Akibatnya, lama-kelamaan akan terlihat
jalur optimal pada graf, yaitu jalur yang dibentuk oleh busur-busur dengan kadar

33

pheromon yang tinggi, yang pada akhirnya akan dipilih oleh semua multi agen
semut.
A
B
Jalur 3
Jalur 2
Jalur 1

Gambar 3.7. Lintasan Semut Menuju Sarang pada Iterasi ke-2
Keterangan Gambar 3.7:
A : Sarang semut
B : Tempat ditemukannya makanan
Jalur 1 (hitam) : Jalur yang ditempuh oleh semut 2 dengan pemberian kadar
pheromon yang rendah
Jalur 2 : Jalur yang tidak ditempuh
Jalur 3 (biru) : Jalur yang ditempuh oleh semut 2 dengan pemberian kadar
pheromon yang tinggi.
A
B
Jalur 3
Jalur 2
Jalur 1

Gambar 3.8. Lintasan Optimal Semut Menuju Tempat Makanan

34


Keterangan Gambar 3.8:
A : Sarang semut
B : Tempat ditemukannya makanan
Jalur 1 : : Jalur yang tidak ditempuh karena kadar feromon yang rendah
Jalur 2 : Jalur yang tidak ditempuh karena kadar feromon yang sangat rendah
Jalur 3 : Jalur optimal yang ditempuh oleh semut karena kadar feromon yang
tinggi
3.4 Penyelesaian Masalah dengan Ant Colony System
PT Eka Jaya Motor adalah perusahaan yang bergerak dibidang
pendistribusian kendaraan bermotor dan suku cadang kendaraan merk TOYOTA.
Salah satu divisi yang terdapat pada perusahaan ini adalah Part Division. Divisi
ini menangani segala aktivitas berkaitan dengan persiapan pemesanan kendaraan
suku cadang kendaraan Toyota yang berasal dari PT Toyota Astra Motor (TAM)
sampai dengan Dealer Nasmoco Grup.
PT. Eka Jaya Motor bekerja sebagai penyuplai komponen – komponen
dalam perakitan mobil mendapat sedikit kendala dalam memenuhi permintaan
konsumennya, salah satunya adalah proses pemindahan barang atau pengambilan
barang (order picking) dari penyimpanan untuk dikirimkan kepada konsumen.
Pada saat ini perusahan dalam proses order picking menggunakan strategi S-

35

Shape, yaitu dengan meyisir seluruh gudang penyimpanan untuk mengambil
barang yang telah dipesan oleh konsumen, strategi ini dirasa kurang efisien dan
memakan banyak waktu,sehingga konsumen yang telah memesan tidak dapat
dilayani dengan cepat.
Dalam pembahasan ini akan dibandingkan penyelesaian masalah
perusahaan dalam menentukan rute terpendek (proses order picking) dengan
solusi yang dimiliki oleh perusahaan (S-Shape) dan Ant Colony System (ACS).
Untuk pencarian rute terpendek dalam proses order picking dengan menggunakan
ACS diperlukan 3 data utama dalam penyelesainnya, yaitu :
1. Data Penjualan
Data penjualan berisi secara umum nama-nama barang yang dipesan oleh
para konsumen, lokasi dari tiap-tiap part tersebut serta kuantitas barang yang
dipesan. Data ini merupakan data yang digunakan sebagai acuan dalam
melakukan aktivitas order picking. Data yang digunakan pada penelitian ini
merupakan data penjualan dari tahun 2006 dan 2007. Contoh data penjualan dapat
dilihat pada tabel 3.1






36



Tabel 3. 1 Data penjualan
NOORDER CUSTOMER TGLTRX PARTNUMBER PARTNAME LOCATION ORDER
RB131J 2423 20070731 85214-0A010
RUBBER
WIPER 7K2L
A01A-402 2
RB131J 2423 20070731 90430-12031 GASKET 7K A01A-503 10
RB131J 2423 20070731 90916-03083
THERMOSTAT
7K
A01A-601 1
RB131J 2423 20070731 11213-54050
GASKET
CYLINDER
HEAD
A01D-501 1
RB131J 2423 20070731 23303-56031
ELEMENT
FUEL BJ40
A01G-305 1
RB131J 2423 20070731 55670-0B040
REGIST A/S
INST PNL
A02H-303 1
RB131J 2423 20070731 63273-95701
RETAINER
KF4#,5#
A03L-601 1
RB131J 2423 20070731 15601-BZ010
ELEMENT S/A,
OIL FIL
B01A-102 4
RB131J 2423 20070731 90915-TB001 FILTER OIL B01A-103 4
RB131J 2423 20070731 90919-T1004 PLUG, SPARK B01A-203 12
RB131J 2423 20070731 17801-05040
ELEMENT S/A
AIR CLEA
B01B-101 1
RB131J 2423 20070731
90919-01059-
8N
PLUG W16EX-
U
B01B-202 8
RB131J 2423 20070731 04465-BZ010 PAD KIT, DISC B01B-203 1
RB131J 2423 20070731 90915-10003
FILTER,OIL
SOLUNA
B01E-101 2
RB131J 2423 20070731 90915-20003
FILTER, OIL
B01E-203 1

37

KF EFI
RB131J 2423 20070731 17801-0C010
ELMN SA AIR
CLEN FLR
B01G-202 1

2. Jarak Antar Lokasi (Part)
Dalam pengaplikasian software pencarian rute terpendek yang dibuat
berdasarkan algoritma ACS maka diperlukan suatu data jarak terpendek antar
lokasi yang terdapat pada gudang sebagai acuan utama dalam pencarian rute
terpendek tersebut. Pengukuran jarak antar lokasi part dihitung dengan
bantuan software AutoCad 2005 berdasarkan gambar denah lokasi gudang
yang diperlihatkan pada gambar 3.9 . Sebagai contoh aplikasi dari software
yang dibuat jarak antar lokasi yang diukur pada sub-bab ini dilakukan
berdasarkan data penjualan pada sub-bab sebelumnya. Data jarak antar lokasi
dapat dilihat pada tabel 3.2
Tabel 3. 2 Jarak antar lokasi dalam satuan meter (Algoritma ACS)
Jarak Depot A01-A A01-D A01-G A02-H A03-L B01-A B01-B B01-E B01-G
Depot 0.00 3.91 8.73 13.54 12.69 16.59 3.86 5.48 10.34 13.54
A01-A 3.91 0.00 4.81 9.63 12.21 16.11 0.05 1.55 6.43 9.63
A01-D 8.73 4.81 0.00 4.81 17.03 17.60 4.88 3.26 1.61 4.81
A01-G 13.54 9.63 4.81 0.00 13.19 12.79 9.69 8.08 3.20 0.0125
A02-H 12.69 12.21 17.03 13.19 0.00 13.65 12.15 13.76 16.39 13.19
A03-L 16.59 16.11 17.60 12.79 13.65 0.00 16.05 17.66 15.99 12.79
B01-A 3.86 0.05 4.88 9.69 12.15 16.05 0.00 1.61 6.48 9.68
B01-B 5.48 1.55 3.26 8.08 13.76 17.66 1.61 0.00 4.86 8.06
B01-E 10.34 6.43 1.61 3.20 16.39 15.99 6.48 4.86 0.00 3.06
B01-G 13.54 9.63 4.81 0.0125 13.19 12.79 9.68 8.06 3.06 0.00

38





3. Denah Lokasi
Pada penelitian ini denah lokasi berfungsi sebagai alat bantu dalam
menghitung jarak antar lokasi yang terdapat di gudang. Denah lokasi dari tiap-tiap
lokasi yang ada di gudang dapat dilihat pada gambar 3.9 berikut ini.



39

Gambar 3. 9 Denah Lokasi Gudang

40

3.5 Perhitungan Jarak Rute Pengambilan Part
Pada sub-bab ini perhitungan yang dilakukan adalah perhitungan
jarak rute pengambilan part dengan menggunakan strategi S-Shape dan
perhitungan jarak rute pengambilan part dengan menggunakan algoritma
ACS.
1. Perhitungan jarak rute pengambilan part dengan menggunakan strategi
S-Shape
Strategi yang digunakan oleh perusahaan saat ini dalam melakukan
aktivitas order picking adalah strategi S-Shape. Untuk mengukur jarak
tempuh dalam melakukan aktivitas order picking dengan menggunakan
strategi ini digunakan gambar denah lokasi gudang yang diperlihatkan pada
gambar 3.2 dengan bantuan software AutoCad 2005 serta lokasi yang
didatangi berdasarkan data penjualan yang yang ditunjukkan pada tabel 3.1
Berdasarkan gambar 3.2, jarak depot ke B = 15,75 ; B ke C = 3,95 ;C ke D =
1,75 ; D ke E = 13,56 ; E ke F = 5,7 dengan B, C, D, E, F adalah titik-titik
untuk mempermudah pengukuran jarak.

41


Gambar 3.10 Jalur tempuh dengan menggunakan strategi S-Shape
Sehingga rute yang dipilih dengan menggunakan strategi S-Shape
menempuh jarak sebagai berikut :
Jarak tempuh = (Depot, B) + (B, C) + (C, D) + (D, E) + (E, F) + (F, B) + (B,
Depot)
= 15,75 + 3,95 + 13,56 + 1,75 + 13,56 + 5,7 + 15,75
= 70,03 meter
Jika diasumsikan waktu tempuh berjalan sejauh 1 meter memakan waktu 1,2
detik maka waktu untuk berjalan menempuh jarak 70,03 meter diluar waktu
pengambilan barang adalah :

42

Waktu berjalan = 70,03 meter x 1,2 detik/meter
= 84,036 detik
= 1,4 menit

2. Perhitungan jarak rute pengambilan part dengan menggunakan
algoritma Ant Colony System (ACS)
Sebagai contoh dalam aplikasi dari software Ant Picking System (APS)
yang dibuat peneliti dalam menunjang pengaplikasian dari algoritma ACS,
perhitungan jarak rute dari aktivitas order picking dengan menggunakan algoritma
ACS menggunakan lokasi yang sama dengan lokasi yang dituju pada perhitungan
dengan menggunakan strategi S-Shape serta jarak antar lokasi yang akan dituju
berdasarkan jarak yang telah diukur yang diperlihatkan pada tabel 3.2
Pada software APS terdapat tiga tahapan dalam menghitung jarak rute
terpendek dengan menggunakan algoritma Ant Colony system, yaitu:
I. Tahap pemilihan titik yang akan dituju
Pada tahap ini seorang picker yang ditempatkan pada titik r memilih untuk
menuju ke titik s dengan menerapkan aturan yang ditunjukkan oleh
persamaan (1) dan persamaan (2).
temporary (t,u) = | | | |
|
q t ) , ( ) , (
i i
u t u t ·
i = 1,2,3,….,n


( ) | | ( ) | | { }
|
q t
i i
u t u t v , , max · = ……………………………………….(1)


43


( )
( ) | | ( ) | |
( ) | | ( ) | |
¿
=
·
·
= =
n
i
i i
i
u t u t
v t v t
v t p v
1
, ,
, ,
,
|
|
q t
q t
...................................................(2)
) , (
1
) , (
i
i
u t jarak
u t = q

Contoh perhitungan :
Pada contoh perhitungan ini, titik awal lokasi picker 1 untuk menjalani
turnya berawal dari lokasi DEPOT.

a. Sebelum memasuki perhitungan pada tahap satu dalam perhitungan
algoritma ACS maka terlebih dahulu dilakukan perhitungan awal
untuk menghitung invers jarak
( ) , ( v t q ) antar tiap titik berdasarkan tabel 3.2 sebagai berikut :

) , (
1
) , (
v t jarak
v t = q
Contoh perhitungan ) , ( v t q pada titik ) 02 , ( H A depot ÷ q :
07880 , 0
69 , 12
1
) 02 , (
1
) 02 , ( = =
÷
= ÷
H A depot jarak
H A depot q
Hasil keseluruhan dari invers jarak ( ) , ( v t q ) dapat dilihat pada tabel 3.3 dibawah
ini.





44

Tabel 3. 3 Invers jarak ( ) , ( v t q )

Nilai dari semua pheromone (t ) pada awal perhitungan ditetapkan dengan angka
awal yang sangat kecil. Pada contoh perhitungan penelitian ini nilai pheromone
awal menggunakan nilai t awal sebesar 0,0001. Penetapan nilai pheromone awal
dimaksudkan agar tiap-tiap ruas memiliki nilai ketertarikan untuk dikunjungi oleh
tiap-tiap semut. Nilai pheromone untuk semua titik dapat dilihat pada tabel 3.4
dibawah ini.





Jarak Depot A01-A A01-D A01-G A02-H A03-L B01-A B01-B B01-E B01-G
Depot 0.00000 0.25575 0.11455 0.07386 0.07880 0.06028 0.25907 0.18248 0.09671 0.07386
A01-A 0.25575 0.00000 0.20790 0.10384 0.08190 0.06207 20.00000 0.64516 0.15552 0.10384
A01-D 0.11455 0.20790 0.00000 0.20790 0.05872 0.05682 0.20492 0.30675 0.62112 0.20790
A01-G 0.07386 0.10384 0.20790 0.00000 0.07582 0.07819 0.10320 0.12376 0.31250 100.00000
A02-H 0.07880 0.08190 0.05872 0.07582 0.00000 0.07326 0.08230 0.07267 0.06101 0.07582
A03-L 0.06028 0.06207 0.05682 0.07819 0.07326 0.00000 0.06231 0.05663 0.06254 0.07819
B01-A 0.25907 20.00000 0.20492 0.10320 0.08230 0.06231 0.00000 0.62112 0.15432 0.10331
B01-B 0.18248 0.64516 0.30675 0.12376 0.07267 0.05663 0.62112 0.00000 0.20576 0.12407
B01-E 0.09671 0.15552 0.62112 0.31250 0.06101 0.06254 0.15432 0.20576 0.00000 0.32680
B01-G 0.07386 0.10384 0.20790 100.00000 0.07582 0.07819 0.10331 0.12407 0.32680 0.00000

45

Tabel 3.4 pheromone (t ) awal
Depot A01-A A01-D A01-G A02-H A03-L B01-A B01-B B01-E B01-G
Depot 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
A01-A 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
A01-D 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
A01-G 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
A02-H 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
A03-L 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
B01-A 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
B01-B 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
B01-E 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
B01-G 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001

b. Tahap pemilihan titik yang akan dituju
Dalam pemilihan titik selanjutnya yang dituju, pertama-tama
dilakukan penetapan dari nilai | ≥0 adalah parameter perhitungan
untuk mendapatkan nilai yang optimal dalam ACS, untuk
mempermudah perhitungan diambil nilai β =2. Selanjutnya dilakukan
perhitungan untuk mendapatkan nilai temporary (t,u) berdasarkan
persamaan (1) serta nilai probabilitas berdasarkan persamaan (2) dari
titik awal DEPOT (t) ke titik selanjutnya yang belum dilalui (u). Nilai
temporary digunakan untuk menentukan titik-titik yang akan dituju
selanjutnya. Contoh perhitungan serta hasil perhitungan nilai
temporary dan nilai probabilitas dapat dilihat sebagai berikut :
t

46

temporary (t,u) = | | | |
|
q t ) , ( ) , (
i i
u t u t ·
i = 1,2,3,….,n

temporary (depot,B01-G) = | | | |
2
01 , ( 01 , ( G B depot G B depot ÷ · q t
= | | | |
2
0.07386 0001 , 0 ·
= 0,0545 x 10
-5
Probabilitas (r,u) =
( ) | | ( ) | |
( ) | | ( ) | |
¿
=
·
·
n
i
i i
u t u t
v t v t
1
, ,
, ,
|
|
q t
q t

Probabilitas (depot,B01-G) =
5
5
10 09 , 2
10 0545 , 0
÷
÷
x
x

= 0.0261
Hasil perhitungan temporary dan probabilitas dari titik awal DEPOT
dapat dilihat pada tabel 3.5 dibawah ini.
Tabel 3.5 Hasil perhitungan temporary dan probabilitas dari titik awal DEPOT
(depot) Depot A01-A A01-D A01-G A02-H A03-L B01-A B01-B B01-E B01-G
Temporary
0 0.6541 0.1312 0.0545 0.0621 0.0363 0.6712 0.333 0.0935 0.0545 (x 10
-5
)
Probabilitas 0 0.3129 0.0628 0.0261 0.0749 0.0174 0.3210 0.1593 0.0447 0.0261
Probabilitas
akumulatif 0 0.3129 0.3757 0.401 0.4314 0.4488 0.7698 0.9291 0.9739 1

Untuk memilih persamaan yang tepat sebagai acuan dalam
pemilihan lokasi selanjutnya maka perlu dibangkitkan suatu
bilangan random (q) antara 0 sampai 1 serta menetapkan suatu

47

bilangan pembatas (q
0
) antara 0 sampai 1. Pada perhitungan ini
ditetapkan nilai q
0
sebesar 0,9 serta bilangan random yang
dibangkitkan memiliki nilai q sebesar 0,1 yang artinya semut
melakukan proses eksploitasi dengan probabilitas 90% dan proses
eksplorasi 10% (Bauer,n.d). Karena
0
q q s , maka penentuan lokasi
yang akan dituju berdasarkan persamaan (1), yaitu dengan melihat
hasil temporary yang paling besar. Sehingga lokasi yang terpilih
adalah lokasi B01-A.
II. Tahap pembaharuan pheromone (t ) lokal
Setelah picker berpindah menuju lokasi selanjutnya maka tahap
selanjutnya adalah melakukan pembaharuan pheromone (t ) secara lokal
dengan menggunakan persamaan (3). Persamaan dari pembaharuan
pheromone (t ) lokal, contoh perhitungan serta hasil perhitungan dapat
dilihat sebagai berikut :
) , ( ) , ( ) 1 ( ) , ( v t v t v t t µ t µ t A · + · ÷ ÷
c L
v t
nn
·
= A
1
) , ( t
dimana :
L
nn
= panjang tur yang diperoleh
c = jumlah lokasi
µ = parameter dengan nilai 0 sampai 1
∆τ = perubahan pheromone


48

Contoh perhitungan :
Dalam memperbaharui pheromone secara lokal dibutuhkan suatu
parameter ( µ ) yang memiliki nilai antara 0 sampai 1. Pada perhitungan
ini nilai µ ditetapkan dengan nilai sebesar 0,1. Contoh perhitungan serta
hasil perhitungan dapat dilihat sebagai berikut :
10 86 , 3
1
) 01 , (
·
= ÷ A A B depot t
= 0,0259
) 01 , ( ) 01 , ( ) 1 ( ) 01 , ( A B depot A B depot A B depot ÷ A · + ÷ · ÷ ÷ ÷ t µ t µ t
) 01 , ( 1 , 0 0001 , 0 ) 1 , 0 1 ( ) 01 , ( A B depot A B depot ÷ A · + · ÷ ÷ ÷ t t
00268 , 0 ) 01 , ( ÷ ÷ A B depot t

Hasil pembaharuan pheromone (t ) lokal untuk ) 01 , ( A B depot ÷ t dapat dilihat
pada tabel 3.6 dibawah ini dengan tulisan yang dicetak miring.
Tabel 3. 6 Nilai pheromone (t ) setelah mengalami pembaharuan lokal
untuk ) 01 , ( A B depot ÷ t


Depot A01-A A01-D A01-G A02-H A03-L B01-A B01-B B01-E B01-G
Depot 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00268 0,00010 0,00010 0,00010
A01-A 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010
A01-D 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010
A01-G 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010
A02-H 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010
A03-L 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010
B01-A 0,00268 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010
B01-B 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010
B01-E 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010
B01-G 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010 0,00010
t

49

Dengan proses yang sama hasil keseluruhan dari pembaharuan pheromone
lokal dari semua picker dapat dilihat pada tabel 3.7 dibawah ini.
Tabel 3. 7 Nilai pheromone (t ) setelah tahap mengalami pembaharuan
pheromone lokal dari semua picker
τ Depot A01-A A01-D A01-G A02-H A03-L B01-A B01-B B01-E B01-G
Depot 0.00010 0.00010 0.00010 0.00010 0.00088 0.00010 0.00268 0.00010 0.00010 0.00010
A01-A 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.20009 0.00654 0.00010 0.00010
A01-D 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00316 0.00010 0.00010
A01-G 0.00010 0.00010 0.00010 0.00010 0.00010 0.00087 0.00010 0.00010 0.00630 1.00009
A02-H 0.00088 0.00010 0.00010 0.00010 0.00010 0.00082 0.00010 0.00010 0.00010 0.00010
A03-L 0.00010 0.00010 0.00010 0.00087 0.00082 0.00010 0.00010 0.00010 0.00010 0.00010
B01-A 0.00268 0.20009 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010
B01-B 0.00010 0.00654 0.00316 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010
B01-E 0.00010 0.00010 0.00010 0.00630 0.00010 0.00010 0.00010 0.00010 0.00010 0.00336
B01-G 0.00010 0.00010 0.00010 1.00009 0.00010 0.00010 0.00010 0.00010 0.00336 0.00010

III. Tahap pembaharuan pheromone (t ) global
Setalah tahap 1 dan 2 telah selesai untuk mendapatkan satu rute dan setiap
lokasi yang dikunjungi telah mengalami pembaharuan pheromone (t )
secara lokal, maka tahap selanjutnya adalah untuk membaharui pheromone
(t ) secara global berdasarkan persamaan (4) namun hanya lokasi yang
menghasilkan rute dengan jarak terpendek. Persamaan dari pembaharuan
pheromone (t ) global, contoh perhitungan serta hasil perhitungan dapat
dilihat sebagai berikut :
) , ( ) , ( ) 1 ( ) , ( v t v t v t t o t o t A · + · ÷ ÷

50

¦
¹
¦
´
¦
e
= A
÷
0
_ ) , (
) , (
1
terbaik tur v t jika L
v t
gb
t
Dimana :
) , ( v t t = nilai pheromone akhir setelah mengalami pembaharuan lokal
gb
L = panjang jalur terpendek pada akhir siklus
o = parameter dengan nilai antara 0 sampai 1
∆τ = perubahan pheromone

Contoh perhitungan:
Setelah picker 1 pada iterasi 1 telah melewati tahap I dan tahap II, maka
rute yang dihasilkan adalah DEPOT, B01-A, A01-A, B01-B, A01-D,
B01-E, B01-G, A01-G, A03-L, A02-H dan kembali ke lokasi DEPOT.
Dari rute tersebut didapat panjang jalur sebesar 52,53 m dan merupakan
panjang jalur terpendek pada iterasi pertama. Maka pembaharuan
pheromone-nya adalah sebagai berikut.
o = 0,1
gb
L = 52,53
Nilai pheromone akhir =
- Untuk (t,v) bagian dari rute terpendek
1
) , (
÷
= A
gb
L v t t
1
) 53 , 52 (
÷
=

51

= 0,019
Sebagai contoh digunakan pembaharuan pheromone global untuk
pheromone ) 01 , ( A B depot ÷ t :
t o t o t A · + ÷ · ÷ ÷ ÷ ) 01 , ( ) 1 ( ) 01 , ( A B depot A B depot
) 019 , 0 1 , 0 ( ) 00268 , 0 ( ) 1 , 0 1 ( ) 01 , ( · + · ÷ ÷ ÷ A B depot t
00431 , 0 ) 01 , ( ÷ ÷ A B depot t
- Untuk (t,v) bagian dari rute terpendek
0 ) , ( = A v t t
Sebagai contoh digunakan pembaharuan pheromone global untuk
pheromone ) 01 , ( B B Depot ÷ t :
t o t o t A · + ÷ · ÷ ÷ ÷ ) 01 , ( ) 1 ( ) 01 , ( B B Depot B B Depot
) 0 1 , 0 ( ) 0001 , 0 ( ) 1 , 0 1 ( ) 01 , ( × + · ÷ ÷ ÷ B B Depot t
00009 , 0 ) 01 , ( ÷ ÷B B Depot t
Hasil pembaharuan pheromone (t ) global dapat dilihat pada tabel 3.8
berikut ini.




52

Tabel 3.8 Nilai pheromone (t ) setelah mengalami pembaharuan global
τ Depot A01-A A01-D A01-G A02-H A03-L B01-A B01-B B01-E B01-G
Depot 0.00009 0.00009 0.00009 0.00009 0.00256 0.00009 0.00431 0.00009 0.00009 0.00009
A01-A 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009 0.18185 0.00766 0.00009 0.00009
A01-D 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009 0.00461 0.00744 0.00009
A01-G 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009 0.00467 0.90185
A02-H 0.00256 0.00009 0.00009 0.00009 0.00009 0.00251 0.00009 0.00009 0.00009 0.00009
A03-L 0.00009 0.00009 0.00009 0.00009 0.00251 0.00009 0.00009 0.00009 0.00009 0.00255
B01-A 0.00418 0.18185 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009
B01-B 0.00009 0.00766 0.00461 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009
B01-E 0.00009 0.00009 0.00744 0.00467 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009
B01-G 0.00009 0.00009 0.00009 0.90185 0.00009 0.00255 0.00009 0.00009 0.00009 0.00009

3.6 Desain Progam
Desain yang dilakukan pada penelitian ini meliputi desain pada proses
software, desain database yang digunakan oleh software serta interface dari
software yang dibuat dalam menunjang pengaplikasian dari algoritma ACS.
3.6.1 Proses Software
Pada tugas akhir ini digunakan Data Flow Diagram (DFD) untuk
membantu dalam mengindentifikasi dan menganalisis proses dalam sistem baik
secara fisik maupun logikanya.
DFD adalah suatu alat bantu yang digunakan untuk menggambarkan tata
laksana suatu sistem dimana tata laksana yang digambarkan dapat berupa suatu
sistem baru atau sistem lama yang akan dikembangkan. Adapun kegunaan dari
aliran data ini adalah:

53

 Sebagai alat analisa data
 Sebagai alat komunikasi antara sistem analisa dengan pemakai
 Sebagai alat dokumentasi
Terdapat 2 tipe DFD, antara lain:
1. Context Diagram, merupakan diagram tingkat atas, yaitu diagram paling
tidak detail dari sebuah sistem informasi yang menggambarkan aliran-aliran
kedalam atau keluar entitas eksternal.
2. DFD Level 0, yaitu system pencarian rute (hasil
DFD Level 0 dibagi menjadi 2, yaitu :
a. DFD Fisik, representasi grafik dari sebuah sistem yang menunjukkan
entitas-entitas eksternal dan internal dari sistem tersebut dan aliran-aliran
data ke dalam atau keluar dari entitas tersebut.
b. DFD Logis, representasi grafik dari sebuah sistem yang menunjukkan
proses-proses dalam sistem tersebut dan aliran-aliran data kedalam atau
keluar.

3.6.2 Diagram Konteks
Dalam sistem pencarian rute pada aktivitas order picking, aktivitas
utamanya adalah pencarian rute terpendek dimana sistem ini memiliki input
berupa daftar lokasi, data jarak, data panduan arah serta parameter-parameter yang
digunakan dalam perhitungan pencarian rute. Output dari sistem ini berupa
laporan urutan pengambilan barang beserta panduan arahnya yang akan digunakan

54

oleh picker dalam melakukan aktivitasnya. Diagram konteks sistem pencarian rute
dapat dilihat pada gambar 3.11 dobawah ini.
Daftarlokasipengambilan
danparameterperhitungan
Rutepengambilanbarang
besertapanduanarah Bagian
Administrasi
Picker
Sisteminformasi
pencarianruteorder
picking
Datajarakdandata
panduanarah

Gambar 3.11 Diagram konteks sistem pencarian rute
3.6.3 DFD level 0
Pada gambar 3.12 dibawah terlihat Pada DFD level 0 terdapat tujuh
proses yang menunjang sistem pencarian rute. Proses yang pertama adalah proses
update data lokasi. Proses ini memiliki input berupa lokasi-lokasi baru dari part-
part yang mengalami perubahan maupun terdapat part baru yang sebelumnya
belum mempunyai lokasi. Output dari proses ini adalah daftar lokasi baru dimana
output tersebut akan disimpan dalam basis data yang bernama data lokasi.
Proses yang kedua adalah proses update data arah. Proses ini memiliki
input berupa panduan arah untuk menuju dari satu lokasi ke lokasi yang lain.
Proses ini dilakukan jika tata letak pada gudang mengalami perubahan sehingga
posisi lokasi yang lama berkemungkinan mengalami perbahan lokasi. Output dari
proses ini yang berupa panduan arah yang baru disimpan dalam basis data yang
bernama basis data arah.

55

Proses yang ketiga adalah proses update data jarak. Proses ini memiliki
input berupa jarak dari satu lokasi ke lokasi yang lain. Proses ini dilakukan jika
tata letak pada gudang mengalami perubahan sehingga posisi lokasi yang lama
berkemungkinan mengalami perubahan lokasi. Output dari proses ini yang berupa
data jarak yang baru disimpan dalam basis data yang bernama basis data jarak.
Proses yang keempat adalah proses input lokasi. Aktivitas dari proses ini
dilakukan penentuan lokasi yang akan dituju oleh para picker. Input dari proses ini
berupa daftar lokasi yang akan dituju oleh picker sesuai dengan order dari
konsumen. Output dari proses ini adalah lokasi yang akan dituju disimpan dalam
basis data yang bernama basis data perhitungan.
Proses yang kelima adalah proses input parameter perhitungan. Input dari
proses ini berupa parameter-parameter perhitungan. Output dari proses ini adalah
berupa parameter-parameter perhitungan yang akan digunakan dalam proses
perhitungan pencarian rute. Output dari proses ini akan disimpan dalam basis data
yang bernama basis data perhitungan.
Proses yang keenam adalah proses perhitungan pencarian rute. Aktivitas
dari proses ini merupakan aktivitas yang paling utama dalam sistem informasi ini.
Input dari proses ini didapat dari basis data jarak dan dari basis data perhitungan.
Output dari proses ini adalah berupa rute pengambilan dan jarak yang detempuh,
dimana output dari proses ini akan digunakan sebagai input pada proses
selanjutnya.

56

Proses yang ketujuh adalah proses pembuatan laporan pengambilan. Input
dari proses ini diambil dari proses sebelumnya yaitu proses perhitungan pencarian
rute dan basis data arah. Output dari proses ini berupa laporan yang berisi urutan
pengambilan barang serta dilengkapi panduan arah yang digunakan oleh para
picker dalam membantu dari aktivitas picker tersebut.
3.6.4 Data Base
3.6.4.1 Entity Relationship Diagram
Sebelum melakukan penyusunan basis data perlu dibuat Entity
Relationship Diagram (ERD) dari entitas yang terlibat dalam sistem pencarian
rute ini. Entity – Relationship adalah suatu hubungan antara dua file atau lebih
yang saling berkaitan. Entitas yang saling berhubungan antara satu dengan yang
lain akan membentuk suatu relasi dan isi masing-masing entitas tersebut saling
melengkapi.
ERD adalah model konseptual yang mendeskripsikan hubungan antar
penyimpanan (dalam DFD). ERD digunakan untuk memodelkan struktur data dan
hubungan antar data. Dengan ERD kita dapat menguji model dengan
mengabaikan proses yang harus dilaksanakan. ERD menggunakan notasi dan
sumber untuk menggambarkan struktur dan hubungan antar data.

57

ERD dapat digambarkan pada gambar 3.13 berikut.
D2 Dataperhitungan
Inputlokasi
pengambilan
Bagian
Administrasi
D1 DataLokasi
Inputparameter
perhitungan
denganACS
Proses
perhitungan
pencarianrute
denganACS
D3
Pembuatan
laporan
pengambilan
D4 DataArah
Picker
ProsesUpdate
DataLokasi
ProsesUpdate
DataArah
Prosesupdate
datajarak
DataJarak

Gambar 3.12 DFD level 0 sistem pencarian rute

Lokasi Arah Panduan arah Jarak antar lokasi Jarak

Gambar 3.13 ERD Database Sistem




58

3.6.4.2 Transformasi Model Data ke Basis Data Fisik
Berikut ini adalah transformasi model data yang dinyatakan dalam ERD ke
dalam basis data fisik. ERD yang berupa himpunan entitas dan relasi
ditransformasikan menjadi tabel-tabel yang merupakan komponen utama
pembentuk basis data. Selanjutnya, atribut-atribut yang melekat pada masing-
masing himpunan entitas dan relasi dinyatakan sebagai field-field dari tabel yang
sesuai. Tabel-tabel tersebut dapat dilihat sebagai berikut.
1. Tabel Grid Jarak
Tabel grid jarak yang memiliki nama file TGridJarak digunakan dalam
proses perhitungan rute. Fungsi dari tabel ini adalah sebagai tabel bantuan
dalam mencatat pembaharuan pheromone. Pada tabel 3.11 berikut
diperlihatkan field –field dari tabel grid jarak.
Tabel 3.9 Tabel TGridJarak
No. Nama Field Ukuran Field Tipe Data Keterangan
1 Node 50 Text Nama lokasi
2 Pheromone Single Number Nilai pheromone
3 Jarak Single Number Jarak antar lokasi

2. Tabel Grid Probabilitas
Tabel grid probabilitas yang memiliki nama file TGridProbabilitas yang
dalam proses perhitungan rute. Fungsi dari tabel ini adalah sebagai tabel

59

bantuan dalam mencatat perhitungan probalitas dan akumulasi dari
probabilitas yang berguna untuk memilih lokasi selanjutnya yang akan
dituju. Pada tabel 3.10 berikut diperlihatkan field –field dari tabel grid
probabilitas.
Tabel 3.10 Tabel TGridProbabilitas
No. Nama Field Ukuran Field Tipe Data Keterangan
1 Node 50 Text Nama lokasi
2 Probabilitas Single Number
3
Probabilitas
akumulatif
Single Number

3. Tabel Hasil
Tabel hasil yang memiliki nama file THasil digunakan dalam proses
perhitungan rute. Fungsi dari tabel ini adalah sebagai tabel bantuan dalam
mencatat hasil perhitungan berupa urutan lokasi yang harus dituju. Pada
tabel 3.11 berikut diperlihatkan field –field dari tabel hasil
Tabel 3.11 Tabel THasil
No. Nama Field Ukuran Field Tipe Data Keterangan
1 Nomor 50 Text
2 Node 50 Text Nama lokasi

60

4. Tabel Hasil Text
Tabel hasil text yang memiliki nama file THasilText digunakan dalam
pembuatan laporan pengembalian barang. Fungsi dari tabel ini adalah
sebagai tabel bantuan dalam mengkonversi hasil perhitungan berupa
urutan lokasi yang harus dituju yang berupa tabel menjadi dalam bentuk
teks. Pada tabel 3.12 berikut diperlihatkan field –field dari tabel hasil text.
Tabel 3.12 Tabel THasilText
No. Nama Field Ukuran Field Tipe Data Keterangan
1 Hasil 50 Text Hasil rute yang terpilih

5. Tabel Hasil Urut
Tabel hasil urut yang memiliki nama file THasilUrut digunakan dalam
pembuatan laporan pengembalian barang. Fungsi dari tabel ini adalah
sebagai tabel yang berisi hasil perhitungan berupa urutan lokasi yang harus
dituju yang telah diurutkan agar berawal dari lokasi depot. Pada tabel 3.13
berikut diperlihatkan field –field dari tabel hasil urut.
Tabel 3. 13Tabel THasilUrut
No. Nama Field Ukuran Field Tipe Data Keterangan
1 Nomor 50 Text
2 Node 50 Text Nama lokasi

61

6. Tabel Jarak Node
Tabel jarak node yang memiliki nama file TJarakNode digunakan dalam
perhitungan pengambilan barang. Fungsi dari tabel ini adalah sebagai
pemberi informasi mengenai jarak dari satu lokasi ke lokasi yang lain.
Pada tabel 3.14 berikut diperlihatkan field –field dari tabel jarak node.
Tabel 3. 14 Tabel TJarakNode
No. Nama Field Ukuran Field Tipe Data Keterangan
1 Node 50 Text Nama lokasi
2 Jarak Single Number Jarak antar lokasi

7. Tabel Node Awal
Tabel node awal yang memiliki nama file TNodeAwal digunakan dalam
perhitungan pengambilan barang. Fungsi dari tabel ini adalah sebagai
pemberi informasi mengenai daftar nama-nama lokasi yang terdapat di
gudang. Pada tabel 3.15 berikut diperlihatkan field –field dari tabel node
awal.
Tabel 3.15 Tabel TNodeAwal
No. Nama Field Ukuran Field Tipe Data Keterangan
1 Node 50 Text Nama lokasi


62

8. Tabel Node
Tabel node yang memiliki nama file TNode digunakan dalam pembuatan
laporan pengembalian barang. Fungsi dari tabel ini adalah sebagai tabel
bantuan dalam mengurutkan hasil perhitungan berupa urutan lokasi yang
harus dituju agar berawal dari lokasi depot. Pada tabel 3.16 berikut
diperlihatkan field –field dari tabel node.
Tabel 3.16 Tabel TNode
No. Nama Field Ukuran Field Tipe Data Keterangan
1 Node 50 Text Nama lokasi

3.6.5 Interface
Desain interface software yang dibuat memiliki 2 bentuk form yang
berfungsi sebagai input maupun output dari software ini, yaitu :
- Form Input
Form input yang merupakan form utama dari seluruh aktivitas pencarian
rute terpendek dengan menggunakan algoritma Ant Colony System. Form
ini memiliki 2 bagian sebagai input dari software ini, yaitu :
1. Input jumlah lokasi dan nama lokasi
Pada bagian ini user mengisi jumlah lokasi yang akan dikunjungi
untuk mengisi nama lokasinya user langsung memilih dengan
cara dengan cara mengetikkannya pada label yang telah

63

disediakan dan meng-klik nama lokasi yang telah tercantum pada
list box yang telah disediakan.
2. Input parameter perhitungan
Pada bagian ini user mengisi nilai-nilai parameter yang digunakan
pada perhitungan dengan menggunakan algoritma Ant Colony
System dengan cara mengetikkannya pada label-label yang telah
disediakan. Nilai-nilai parameter yang harus diisi oleh user adalah
nilai pheromone awal, nilai q
0
, nilai beta, nilai rho, nilai alpha,
dan jumlah iterasi perhitungan yang diinginkan.
Form input ditunjukkan pada gambar 3.14 berikut.
Gambar 3.14 Input




64

- Form Output
Form output berisi laporan dari hasil pengolahan dengan menggunakan
software ini yang akan digunakan oleh para picker sebagai panduan
sewaktu melakukan pengambilan barang digudang. Laporan ini memuat
urutan lokasi yang harus dikunjungi oleh para picker beserta panduan arah
untuk membantu para picker menuju lokasi yang ditetapkan.
Form output ditunjukkan pada gambar 3.15 berikut ini
Gambar 3.15 Output




65

Pada tugas akhir ini perhitungan dengan menggunakan Software
APS(software Ant Picking System) dilakukan dengan menggunakan jumlah
iterasi sebanyak 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 15, 20, dan 25 dimana tiap jumlah
iterasi dilakukan pengulangan perhitungan sebanyak 10 kali. Hasil perhitungan
secara lengkap dapat dilihat pada tabel 3.17 berikut.
Tabel 3.17 Tabel Hasil Perhitungan software APS
Iterasi
1 3 5 7 10 13 15 18 22 25

Run
1 52.5325 52.5325 52.5325 52.6725 52.5325 52.5325 52.5325 52.6725 52.5325 52.5325
2 52.6725 52.6725 52.5325 52.6725 52.6725 52.6725 52.6725 52.5325 52.5325 52.5325
3 52.532 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325
4 52.532 52.532 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325
5 52.6725 52.6725 52.5325 52.6725 52.6725 52.6725 52.5325 52.5325 52.6725 52.6725
6 52.6725 52.6725 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325
7 52.6725 52.6725 52.6725 52.6725 52.6725 52.5325 52.6725 52.6725 52.5325 52.5325
8 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325
9 52.5325 52.5325 52.5325 52.5325 52.5325 52.6725 52.6725 52.5325 52.5325 52.5325
10 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325
rata-
rata 52.5884 52.58845 52.5465 52.5885 52.5745 52.5745 52.5745 52.5605 52.5465 52.5465

Berdsarkan hasil perhitungan pada tabel 3.17 didapat hasil rute dengan
jarak terpendek sejauh 52,5325 m dengan jalur tempuh yang diperlihatkan pada
gambar 3.16. Jika diasumsikan waktu tempuh berjalan sejauh 1 meter memakan
waktu 1,1 detik maka waktu untuk berjalan menempuh jarak 52,5325 meter diluar
waktu pengambilan barang adalah :
Waktu berjalan = 52,5325 meter x 1,2 detik/meter
= 63,036 detik
= 1,05 menit
Gambar jalur yang ditempuh dapat dilihat pada gambar 3.16 berikut ini.

66


Gambar 3.16 Jalur tempuh dengan menggunakan algoritma ACS
Berdasarkan hasil perhitungan jarak tempuh antara strategi S-Shape
dengan algoritma ACS terlihat bahwa jarak tempuh terpendek didapat melalui
perhitungan dengan menggunakan algoritma ACS yaitu dapat memangkas jarak
tempuh sejauh 17,5 meter seta memangkas waktu berjalan selama 21 detik
dibandingkan dengan jarak tempuh dengan strategi S-Shape.
Tabel 3.18 Perbandingan Jarak Tempuh antara strategi S-Shape dengan
ACS
Aspek Perbandingan S-Shape ACS
Jarak Tempuh (meter) 70.03 52,53
Waktu Berjalan (detik) 84,036 63,036

Hasil rute dengan menggunakan software APS didapat jarak tempuh yang
optimal sejauh 52.53 meter. Dalam penggunaan jumlah iterasi kurang dari 10 rata-
rata hasil jarak yang didapatkan sebesar 52,57 meter namun untuk penggunaan

67

jumlah iterasi 10 dan lebih dari 10 didapat rata-rata hasil jarak sebesar 52,54
meter. Untuk itu dalam mendapatkan hasil yang optimal dibutuhkan jumlah iterasi
dengan batas minimal sebanyak 10 iterasi.
















68

BAB IV
KESIMPULAN DAN SARAN

Pada bab ini akan dijelaskan tentang kesimpulan yang didapat berdasarkan
hasil pengolahan data dan analisis dari bab sebelumnya serta saran-saran yang
diberikan oleh peneliti untuk penelitian selanjutnya.
4.1 Kesimpulan
Penelitian dalam tugas akhir ini memberikan beberapa kesimpulan sebagai
berikut:
1. Penggunaan strategi S-Shape yang oleh PT Eka Jaya Motor sekarang kurang
efisien dalam mengurangi jarak tempuh aktivitas order picking dibandingkan
strategi usulan dengan menggunakan algoritman Ant Colony System.
Pemilihan rute dengan menggunakan algoritma Ant Colony System
menghasilkan rute dengan jarak tempuh sejauh 52,53 meter dengan waktu
berjalan selama 63,036 detik sedangkan pemilihan rute dengan Strategi S-
Shape dihasilkan rute dengan jarak tempuh sejauh 70,03 meter dengan waktu
berjalan selama 84,36 detik.
2. Algoritma ant colony system menggunakan fungsi heuristik untuk
mendapatkan hasil yang optimal sehingga kekurangan dari algoritma ant
colony system ini adalah waktu proses dalam mendapatkan hasil yang paling
optimal sangat tergantung dari jumlah iterasi perhitungan yang digunakan.

69

3. Penggunaan software Ant Picker System dalam pencarian rute pada aktivitas
order picking memiliki fungsi utama dalam pemberian petunjuk urutan lokasi
yang harus dikunjungi oleh picker tersebut sehingga para picker tidak perlu
lagi berfikir untuk mendapatkan rute yang terpendek setiap mereka melakukan
aktivitas order picking.
4. Kekurangan dari penggunaan software Ant Picker System adalah belum
tersedianya fasilitas untuk meng-update data nama lokasi, panduan arah, serta
jarak antar lokasi secara langsung namun harus menggunakan bantuan
software lain yaitu microsoft access untuk meng-update data-data tersebut.

4.2 Saran
Berikut ini adalah beberapa saran perbaikan dan pengembangan bagi
perusahaan dan penelitian selanjutnya:
1. Pengembangan sistem informasi agar dapat terhubung dengan sistem
informasi penerimaan order sehingga input lokasi tidak perlu dilakukan secara
manual.
2. Pengembangan sistem informasi pencarian rute agar dapat digunakan tidak
hanya sebagai pencarian rute pada aktivitas order picking namun pada
pencarian rute lainnya seperti rute pendistribusian barang dan sebagainya.





70

Daftar Pustaka


1. Frazelle, Edward (2002), World-Class Warehousing and Material
Handling, McGraw Hill, Inc, Singapore.
2. Ibnu Sina Wardy, Penggunaan Graf dalam Algoritma Semut untuk
Melakukan Optimisasi, ITB Bandung.
3. J. Wilson, Robin and J. Watkins, John (1992), GRAPH. University Press
IKIP Surabaya.
4. M. Dorigo dan L. M. Gambardella (1997), Ant Colonies for the Traveling
Salesman Problem, Cambridge, Massachusetts. London, England
5. Meyers, Fred E (1993), Plant Layout and Material Handling, Regests/
Prentice Hall.
6. Mulcahi, David E (1994), Warehouse Distribution and Operations
Handbook, McGraw Hill, Inc, Singapore.
7. Petersen, Charles G II and Schmenner, Roger W (1999), An Evaluation of
Routing and Volume-Based Storage Policies In An Order picking
Operation, Decision Sciense.
8. R, Jacques and R, Angel (2007), Improving Product Location and Order
picking Activities In A Distribution Center.
9. R, Rina dan M, A. Beny. Solusi Optimal Travelling Salesman Problem
dengan Menggunakan Ant Colony System (ACS). ITB Bandung
10. Shouman, M A et.al (2005), Comprehensive Survey And Classification
Scheme of Warehousing System, Proceedings of the 2005 International
Conference on Simulating and Modelling.
11. Wignjosoebroto, Sritomo (2000), Tata Letak Pabrik dan Pemindahan
Bahan, Guna Widya, Surabaya.


HALAMAN PENGESAHAN

Judul

: Penggunaan Algoritma Ant Colony System Dalam Traveling Salesman Problem (TSP) Pada PT. Eka Jaya Motor

Nama NIM

: Eka Mindaputra : J2A 003 021

Telah diujikan pada sidang Tugas Akhir tanggal 19 Juni 2009 dan dinyatakan lulus pada tanggal Juni 2009

Semarang, Juni 2009 Panitia Penguji Tugas Akhir Ketua,

Bambang Irawanto, S.Si, M.Si NIP. 132 102 826

Mengetahui, Ketua Jurusan Matematika FMIPA UNDIP

Mengetahui, Ketua Program Studi Matematika Jurusan Matematika FMIPA UNDIP

Dr. Widowati, M.Si NIP. 132 090 819

Bambang Irawanto, S.Si, M.Si NIP. 132 102 826

ii

HALAMAN PENGESAHAN

Judul

: Penggunaan Algoritma Ant Colony System Dalam Traveling Salesman Problem (TSP) Pada PT. Eka Jaya Motor

Nama NIM

: Eka Mindaputra : J2A 003 021

Telah diujikan pada sidang Tugas Akhir tanggal 19 Juni 2009

Pembimbing Utama

Semarang, Juni 2009 Pembimbing Anggota

Bambang Irawanto, S.Si, M.Si NIP. 132 102 826

Lucia Ratnasari,S.Si M.Si NIP. 132 204 997

iii

KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Allah SWT yang telah melimpahkan rahmat dan hidayah-Nya, sehingga penulis dapat menyusun tugas akhir ini. Shalawat dan salam penulis sampaikan kepada Rasulullah SAW beserta keluarganya, sahabatnya, dan orang-orang yang tetap setia mengikuti sunnahnya. Tugas Akhir ini berjudul “Penggunaan Algoritma Ant Colony System Dalam Traveling Salesman Problem (TSP) Pada PT. Eka Jaya Motor” disusun sebagai salah satu syarat untuk memperoleh gelar sarjana strata satu pada Fakultas Matematika dan Ilmu Pengetahuan Alam di Universitas Diponegoro Semarang. Pada kesempatan ini penulis mengucapkan terimakasih kepada: 1. Dr. Widowati ,S.Si, M.Si selaku Ketua Jurusan Matematika FMIPA UNDIP dan juga dosen wali penulis yang telah mengarahkan penulis dari awal perkuliah hingga selesainya Tugas Akhir ini. 2. Bambang Irawanto, S.Si, M.Si selaku dosen Pembimbing I yang dengan sabar membimbing dan mengarahkan penulis hingga selesainya Tugas Akhir ini. 3. Lucia Ratnasari, S.Si, M.Si selaku dosen Pembimbing II yang telah membimbing dan mengarahkan penulis hingga selesainya Tugas Akhir ini. 4. Bapak dan Ibu dosen Jurusan Matematika FMIPA UNDIP di mana penulis mendapatkan pengalaman dan ilmu pengetahuan.

iv

Semua pihak yang tidak dapat penulis sebutkan satu per satu yang telah membantu dalam penyelesaian Tugas Akhir ini. Semoga Allah SWT membalas segala kebaikan yang telah Anda berikan kepada penulis. Bapak dan Ibu di rumah atas segala sesuatunya yang telah diberikan kepada penulis sampai saat ini. Juni 2009 Penulis v . Amiiin. Semoga tulisan ini bermanfaat bagi siapa saja yang berkepentingan dengan ilmu Matematika. Semarang. 6.5.

strategi s-shape. rute. Eka Jaya Motor untuk mendapatkan rute yang paling pendek serta pengaplikasian strategi tersebut dengan membangun sebuah sistem informasi pencarian rute yang dapat membantu dalam aktivitas order picking tersebut. traveling salesman problem. Tugas akhir ini memberikan usulan penggunaan algoritma Ant Colony System dalam aktivitas order picking pada PT. order picking. Dengan menggunakan strategi S-Shape yang sekarang digunakan oleh PT. ant colony system. Kata kunci: picker. Pada algoritma ACS. Eka Jaya Motor.53 meter dengan waktu berjalan selama 63. picker harus menempuh jarak sejauh 70. vi .ABSTRAK Ant Colony System (ACS) adalah sebuah metodologi yang dihasilkan melalui pengamatan terhadap semut.036 detik. semut berfungsi sebagai agen yang ditugaskan untuk mencari solusi terhadap suatu masalah optimisasi. salah satunya adalah untuk mencari solusi optimal pada Traveling Salesman Problem (TSP). optimisasi.036 detik sedangkan dengan menggunakan algoritma Ant Colony System picker harus menempuh jarak sejauh 52. ACS telah diterapkan dalam berbagai bidang.03 meter dengan waktu berjalan selama 84.

By using the Ant Colony System algorithm. Eka Jaya Motor to get the shortest route and aplicating this algorithm with build the finder of shortest rute information system that will help the activity of order picking. order picking.036 second.53 meter and with walking time for 63. picker must walk for 52. the ants functioned as the agent to find solution regarding an optimization. By using s-shape strategy that now used by the company.036 second. optimization. traveling salesman problem. ant colony system. ACS has been used in many sectors. one of them is to search optimal solution in Taveling Salesman Problem (TSP) This final project gives a proposal of using Ant Colony System algorithm in order picking activity at PT.ABSTRACT Ant Colony System (ACS) is a method that is produced through an observation to ants.03 meter and with walking time for 84. vii . In ACS algorithm. s-shape strategy. rute. Keywords: picker. picker must walk for 70.

................ 14 viii ............. 9 2.. 5 2.................................1 Pengertian Optimasi . 10 2................1 Algoritma Semut ..........2 Contoh Kasus................3 Penyelesaian TSP Menggunakan Algoritma Semut ................2 Graf Hamilton ......................... 13 BAB III PEMBAHASAN .... 5 2.................................................... 14 3.............3 Traveling Salesman Problem (TSP)............................................................................................................ 10 2.......2..................2....1....................................................................4 Tujuan ...3 Perumusan Masalah ....................................... 3 BAB II TEORI PENUNJANG .............2 Optimasi ...... 14 3................................................................ 8 2.......................1 Definisi Graf ........................................... 11 2............................................................3.. 1 1........................................................... 10 2............. 3 1............................ 3 1........2........................................................................................................................................................1 Sejarah Algoritma Semut ...3........5 Pembatasan Masalah ....................................................................................... 9 2............2 Pengertian Nilai Optimal .............5 Sistematika Penulisan ....................................................................... 3 1.......................................................... 5 2........................................................................1.............................1 Graf .....................1........................................1 Penerapan Algoritma Semut .... 1 1..............................................3 Macam-macam Persoalan Optimasi ........3.............................................DAFTAR ISI BAB I PENDAHULUAN ...................................... 9 2.....................................................................................1 Latar Belakang .........................................................

.2 Cara Kerja Semut Mencari Jalur Optimal ......................................4...................................... 52 3.............................................................................................4 Penyelesaian Masalah dengan Ant Colony System ......................... 18 3....... 23 3............1 Proses Software .................................4 Karakteristik Ant Colony System (ACS)............... 69 DAFTAR PUSTAKA LAMPIRAN ix .........6.................................6............................................... 14 3........ 53 3.............................................................................6........................5 Interface ........3 Ant Colony System ..... 56 3........................................................1.................4......................2 Algoritma Ant Colony System (ACS) .....6 Desain Program ........4 Data Base ................................................2 Transformasi Model Data ke Basis Data Fisik .........2 Diagram Konteks .............6.................................................3................. 40 3.2 Saran .......3 Analisis Algoritma Semut untuk Mencari Nilai Optimal Menggunakan Graf ...............1 Kesimpulan .................................... 68 4.....1.......................................................... 56 3....................................... 54 3............................................................. 34 3..5 Perhitungan Jarak Rute Pengambilan Part...................1 Enitiy Relationship Diagram ...................................................1.................................. 52 3.............................................................6........................ 58 3. 17 3.... 62 BAB IV KESIMPULAN DAN SARAN ..................................6.. 29 3..............................3 DFD level 0 ..........6....... 68 4............................

.........3 Gambar 3....................... 3 Gambar 2................................... 33 Denah Lokasi Gudang ...................................................................... 6 Graf Berarah dan Graf Tak Berarah ................... 6 Gambar 3.................................... 4 Gambar 2...16 Algoritma ACS………………………………………………………..............................................26 Lintasan Awal Semut Menuju Tempat Makanan.............................. 30 Lintasan Semut Menuju Sarang ....... 8 Graf Hamilton.... 5 Walk Dalam Graf ................. 6 Gambar 2.................... 39 Jalur tempuh dengan menggunakan strategi S-Shape ......... 9 Graf Lengkap ................................................................... 12 Gambar 3........................... 12 Sirkuit Hamilton………………………………………………………12 Lintasan Awal Semut Menuju Tempat Makanan... 1 Gambar 2....................................7 Gambar 3..................... 54 DFD level 0 sistem pencarian rute .......... 2 Gambar 2................................ 32 Lintasan Awal Semut Menuju Sarang pada Iterasi ke-2 ......................................................... 57 x ............................................................. 31 Lintasan Awal Semut Menuju Makanan pada Iterasi ke-2 ......... 57 ERD Database Sistem ................................ 1 Gambar 3.. Graf Bukan Hamilton ............ 13 Contoh Graf ......... 10 Gambar 3.......... 4 Gambar 3.............................2 Gambar 3.......... Graf Semi-Hamilton...... 7 Gambar 3............. 41 Diagram konteks sistem pencarian rute ......... 5 Gambar 2...... 16 Lintasan Optimal Semut Menuju Tempat Makanan………………….... 9 Gambar 3........................ 11 Gambar 3................DAFTAR GAMBAR Gambar 2...... 7 Graf Terhubung dan Tak Terhubung ..... 5 Gambar 3................... 8 Gambar 3............................ 33 Lintasan Optimal Semut Menuju Tempat Makanan ......

.............................. 15 Gambar 3.................................................................... 65 Jalur tempuh dengan menggunakan algoritma ACS .......................... 16 Input .Gambar 3........................................................... 64 Output...... 67 xi ........... 14 Gambar 3..................................

............... B01  A) .................... 18 Perbandingan Jarak Tempuh antara strategi S-Shape dengan ACS ............. 17 Tabel Hasil Perhitungan Software APS ...................................... 6 Data Penjualan................. 36 Jarak antar lokasi dalam satuan meter (Algoritma ACS) ............................................................................... 9 Tabel 3.................. 12 Tabel THasilText....... 59 Tabel 3..... 60 Tabel 3...... 61 Tabel 3. 44 Pheromone (  ) awal ........................................... 49 Nilai pheromone (  ) setelah mengalami pembaharuan global..................................... 1 Tabel 3.................................. 15 Tabel TNodeAwal ......................................... 62 Tabel 3.. 48 Nilai pheromone (  ) setelah tahap mengalami pembaharuan pheromone lokal dari semua picker.......................................................... 11 Tabel THasil .................................... 16 Tabel TNode .................................... 3 Tabel 3.............................. s) ) ........... 8 Tabel 3.......................................................................... 59 Tabel 3................. 7 Tabel 3...................................................................... 5 Tabel 3........ 46 Nilai pheromone (  ) setelah mengalami pembaharuan lokal untuk  (depot ......................DAFTAR TABEL Tabel 3............. 13 Tabel THasilUrut............ 45 Hasil perhitungan temporary dan probabilitas dari titik awal DEPOT ....................................................................................................................................... 61 Tabel 3....... 4 Tabel 3........................................... 14 Tabel TJarakNode ..... 10 Tabel TGridProbabilitas .......................................................... 58 Tabel 3........................... 37 Invers jarak (  (r .................................... 52 Tabel TGridJarak.................................... 66 xii .............................................. 65 Tabel 3....................... 2 Tabel 3.................................................. 60 Tabel 3............

DAFTAR SIMBOL q q0 = bilangan pecahan acak = Probabilitas semut melakukan eksplorasi pada setiap tahapan  (t . u )  (t . u ) = invers jarak antara titik t dan u  = parameter yang mempertimbangkan kepentingan relatif dari informasi heuristic = panjang tur yang diperoleh = jumlah lokasi = koefisien penguapan pheromon = perubahan pheromone = panjang jalur terpendek pada akhir siklus = tingkat kepentingan relatif dari pheromone = menuju ke- Lnn c  ∆τ L gb  ← xiii . u ) = nilai dari jejak pheromone pada titik (t .

serta sistematika penulisan Tugas Akhir sebagai syarat mendapatkan gelar Sarjana Strata 1 (S1). Strategi S-Shape merupakan salah satu strategi rute pengambilan barang dalam aktivitas order picking yang saat ini digunakan PT Eka Jaya Motor. order batching. Shouman (2005) gudang ataupun distribution center pada suatu perusahaan memiliki tiga kategori utama dalam menangani produk handling yaitu pendesainan layout dari gudang dan alokasi produknya. serta order picking atau pemilihan rute pengambilan barang. Dari ketiga kategori tersebut. tujuan dari penulisan. 1999).1 Latar Belakang Secara umum suatu gudang membutuhkan produk handling (basis operasi yang mengikutsertakan manusia dan mesin dalam pengoprasian gudang) yang sangat besar dan itu sangat membutuhkan waktu yang besar. Berdasarkan penelitian yang dilakukan oleh M. perumusan masalah. batasan masalah. pembenahan pada order picking atau rute pengambilan barang merupakan hal yang sangat mempengaruhi waktu pelayanan terhadap konsumen serta menghabiskan 65% dari total biaya operasi gudang (Petersen. dimana picker masuk dari ujung aisle yang satu dan keluar dari ujung yang lain pada aisle 1 . permasalahan.BAB I PENDAHULUAN Pada bab ini akan dijelaskan tentang latar belakang yang digunakan dalam penulisan Tugas Akhir. 1.

evolutionary programming (EP).2 Perumusan Masalah Sebuah perusahaan yang bekerja sebagai penyuplai komponen–komponen dalam perakitan mobil mendapat sedikit kendala dalam memenuhi permintaan konsumennya. Strategi ini sangat mudah untuk digunakan namun sangat tidak efisien dalam mengurangi jarak tempuh dari aktivitas order picking tersebut. Permasalahan rute pada aktivitas order picking dalam mengurangi jarak tempuh dapat dikategorikan sebagai Travelling Salesman Problem (TSP) dimana pada aktivitas tersebut picker harus menuju ke semua lokasi barang yang akan diambil dan kembali lagi ke lokasi awal dimana picker tersebut berangkat. Pada saat ini PT. M Gambardella (1997) dalam penyelesaian kasus TSP. 1. Berdasarkan hasil penelitian yang dilakukan oleh M. dan annealing-genetic algorithm (AG). Eka Jaya Motor dalam proses order picking menggunakan strategi S-Shape. terbukti bahwa algoritma Ant Colony System (ACS) mampu mendapatkan hasil tur terbaik dibandingkan dengan algoritma genetik (GA). Untuk itu penelitian tugas akhir ini menerapkan algoritma Ant Colony System sebagai sistem usulan dalam pemilihan rute untuk mendapatkan rute terpendek pada aktivitas order picking. yaitu dengan menyisir seluruh gudang penyimpanan untuk mengambil barang yang telah dipesan oleh konsumen. salah satunya adalah proses pemindahan barang atau pengambilan barang (order picking) dari penyimpanan untuk dikirimkan kepada konsumen. strategi ini dirasa kurang 2 .yang sama. simulated annealing (SA).Dorigo dan L.

tujuan pemecahan masalah. 1.3 Tujuan Adapun tujuan dari penulisan Tugas Akhir ini adalah pengaplikasian algoritma Ant Colony System dalam Traveling Salesman Problem (TSP) PT.4 Pembatasan Masalah Pembatasan masalah dalam penulisan Tugas Sarjana ini hanya difokuskan pada aktivitas order picking di PT Eka Jaya Motor. Eka Jaya Motor. Akan dibandingkan penyelesaian masalah TSP dalam proses order picking PT. 3 . batasan masalah dan sistematika penulisan. Eka Jaya Motor yang menggunakan strategi S-Shape dengan Ant Colony System (ACS). 1. 1.efisien dan memakan banyak waktu. perumusan masalah yang ada. sehingga konsumen yang telah memesan tidak dapat dilayani dengan cepat.5 Sistematika Penulisan Sistematika penulisan Tugas Sarjana ini adalah sebagai berikut : BAB I PENDAHULUAN Berisi tentang latar belakang permsalahan.

serta saran bagi penulis pada khususnya dan pembaca pada umumnya.BAB II TEORI PENUNJANG Bab ini berisi dasar-dasar teori dan metode yang digunakan sebagai dasar dan alat untuk memecahkan masalah. 4 . BAB IV PENUTUP Berisi tentang kesimpulan dari hasil pembahasan yang telah dilakukan. BAB III PEMBAHASAN Berisi data-data yang akan digunakan dalam analisis atau perhitungan maupun data penunjang yang telah disiapkan atau diolah untuk pemecahan masalah serta desain dari program yang digunakan.

5 .D}.1 (3) Suatu graf G didefinisikan sebagai diagram yang terdiri dari titik-titik yang disebut vertices dinyatakan dengan V(G) dan dihubungkan oleh sisi-sisi yang disebut edges dinyatakan dengan E(G).(C.1.E).1 Contoh Graf Pada graf gambar 2. E(G) ={(A.C).B).(C.A).B).(B. Contoh 2.(D.C)} dan V(G) = {A.1 : Gambar 2. dengan V(G) = tidak kosong .D).C.1 Definisi Graf Definisi 2. Suatu graf G dapat dinotasikan sebagai G = (V.1 Graf 2. serta setiap sisi menghubungkan tepat dua titik.1.B.BAB II TEORI PENUNJANG 2.(B.

(B.Definisi 2. B.B). (D. (E.F).E). (D. D. sedangkan A.C).B).B). (B. (C.3 : Pada gambar 2. (C.3 (3) Jika semua sisi suatu walk berbeda.A).C). A adalah suatu trail tetapi bukan suatu path.2 adalah A. D.2 Walk dalam graf Salah satu walk pada graf pada gambar 2. C. (B.D). Panjang suatu walk dihitung berdasarakan jumlah sisi dalam walk tersebut.D). A dengan panjang 5.D). maka walk disebut trail. (E. Contoh 2. (A. (D. Contoh 2.2 walk A.2 : A B C E D F Gambar 2.A). C. E. Definisi 2.2 (3) Suatu jalan (walk) dalam graf G adalah barisan titik-titik dan sisi-sisi yang dimulai dan diakhiri oleh suatu titik. E. maka trail disebut path (lintasan).C). C.E). D. F merupakan path. (A. (A. (C. B. 6 . B. Jika semua titiknya juga berbeda.

sedangkan A.Definisi 2. Graf G disebut graf terhubung (connected graph) jika untuk setiap pasang 7 . (A. (D. E.A). (E.E). (A. maka secara umum graf dibedakan atas 2 jenis: 1. C.B).B). (B. E. (B. Graf Berarah (a) dan Graf tidak Berarah (b) Dua buah titik v1 dan titik v2 disebut terhubung jika terdapat sisi dari v1 ke v2. (E. B. D.3. B. Graf tak-berarah (undirected graph) Graf yang sisinya tidak mempunyai orientasi arah disebut graf tak-berarah. A merupakan suatu cycle (sirkuit).A). A merupakan walk tertutup tetapi bukan suatu cycle.C).D). B. Berdasarkan orientasi arah pada sisi. 2. C. Contoh 2. D.D). (D. (C. Contoh : (a) (b) Gambar 2.B).E). (C.C). (B.4 : Pada gambar 2.2 walk A.4 (3) Suatu walk tertutup dalam graf G yang titik awal sama dengan titik akhirnya dan semua titik-titik didalamnya berbeda disebut cycle(sirkuit). Graf berarah (directed graph atau digraph) Graf yang setiap sisinya diberikan orientasi arah disebut sebagai graf berarah.

5 (2) Lintasan Hamilton ialah lintasan yang melalui tiap titik di dalam graf tepat satu kali.Hamilton.4.titik vi dan vj dalam himpunan V terdapat lintasan dari vi ke vj.1. maka graf G disebut graf tak-terhubung (disconnected graph). 2. Contoh : u v w lup z A sisi ganda D C B G F (i) (ii) Gambar 2. Jika tidak. Graf G terhubung (i) dan tak terhubung (ii) Graf berarah G dikatakan terhubung jika graf tidak berarahnya terhubung (graf tidak berarah dari G diperoleh dengan menghilangkan arahnya). Sirkuit Hamilton ialah sirkuit yang melalui tiap titik di dalam graf tepat satu kali. sedangkan graf yang hanya memiliki lintasan Hamilton disebut graf semi . Graf yang memiliki sirkuit Hamilton dinamakan graf Hamilton.2 Graf Hamilton Definisi 2. 8 . kecuali titik asal (sekaligus titik akhir) yang dilalui dua kali.

5. secara sistematis dilakukan pemilihan nilai variabel integer atau nyata yang akan memberikan solusi optimal.2 Pengertian Nilai Optimal (2) Nilai optimal adalah nilai yang didapat dengan melalui suatu proses dan dianggap menjadi suatu solusi jawaban yang paling baik dari semua solusi yang ada. Graf Hamilton(1). 9 . Untuk dapat mencapai nilai optimal baik minimal atau maksimal tersebut.2. Cara konvensional. yaitu mencoba semua kemungkinan yang ada dengan mencatat nilai yang didapat cara ini kurang efektif. Dalam disiplin matematika optimisasi merujuk pada studi permasalahan yang mencoba untuk mencari nilai minimal atau maksimal dari suatu fungsi nyata.2. 2. karena optimasi akan berjalan secara lambat. 2.1 Pengertian Optimisasi (2) Optimisasi ialah suatu proses untuk mencapai hasil yang ideal atau optimal (nilai efektif yang dapat dicapai).c c c a (1) b a (2) b a (3) b Gambar 2. Graf Bukan Hamilton Optimisasi 2. Cara kedua adalah dengan menggunakan suatu rumus sehingga nilai optimal dapat diperkirakan dengan cepat dan tepat. Nilai optimal dapat dicari dengan dua cara. Graf Semi-Hamilton(2). yaitu: 1.

Nilai optimal yang didapat dalam optimisasi dapat berupa besaran panjang. 2. waktu. 10 . jarak dan lain-lain. yaitu: 1.3 Macam-macam Persoalan Optimisasi Persoalan yang berkaitan dengan optimisasi sangat kompleks dalam kehidupan sehari-hari. menentukan jumlah pekerja seminimal mungkin untuk melakukan suatu proses produksi agar pengeluaran biaya pekerja dapat diminimalkan dan hasil produksi tetap maksimal.2.3 Traveling Salesman Problem (TSP) 2.2. yaitu mencari jalur terpendek dalam sebuah graf menggunakan sirkuit Hamilton. mengatur routing jaringan kabel telepon agar biaya pemasangan kabel tidak terlalu besar.1 Penerapan Algoritma semut Algoritma optimisasi koloni semut telah digunakan untuk menghasilkan penyelesaian yang mendekati optimal.3. Traveling Salesman Problem (TSP). Quadratic Assignment Problem (QAP) yang berusaha meng-assign sejumlah n resources untuk ditempatkan pada sejumlah m lokasi dengan meminimalisir biaya assignment. mengatur jalur kendaraan umum agar semua lokasi dapat dijangkau. Aplikasi algoritma semut dalam kehidupan sehari-hari mencakup beberapa persoalan. Berikut ini adalah beberapa persoalan yang memerlukan optimisasi: Menentukan lintasan terpendek dari suatu tempat ke tempat yang lain. 2.

Pak Pos mengambil surat di kotak pos yang tersebar pada n buah lokasi di berbagai sudut kota. 5. Dalam kehidupan sehari-hari. 11 . 2. 3. pengaturan jalur kendaraan. 6. 2. Seperti yang diketahui. Lengan robot mengencangkan n buah mur pada beberapa buah peralatan mesin dalam sebuah jalur perakitan. Produksi n komoditi berbeda dalam sebuah siklus. network routing. dll. kasus TSP ini dapat diaplikasikan untuk menyelesaikan kasus lain. Job-shop Scheduling Problem (JSP) juga salah satu contoh aplikasi algoritma semut untuk menjadwalkan sejumlah j pekerjaan menggunakan sejumlah m mesin demikian sehingga seluruh pekerjaan diselesaikan dalam waktu yang minimal.3. bahwa untuk mencari jumlah sirkuit Hamilton di dalam graf lengkap dengan n simpul adalah: (n . 4.3. pewarnaan graf. yaitu: 1.2 Contoh Kasus Travelling Salesman Problem (TSP) adalah suatu masalah yang ditemukan oleh pedagang yang harus bepergian dan singgah di beberapa kota hingga kembali ke kota semula.1)!/2.

c. b.6. a) atau (a. d. d. a) atau (a. d. b. Graf Lengkap Graf di atas memiliki (4 – 1)!/2 = 3 sirkuit Hamilton (Gambar 2.7. a) atau (a. Sirkuit Hamilton Jadi. b.Contoh: c 2 d a 4 6 3 5 7 b Gambar 2.6). c. a) dengan panjang = 4 + 2 + 7 + 5 = 18 c 4 d a 3 6 7 b I1 c 2 d a 3 6 5 b I2 c 2 d 7 4 a 5 b l3 Gambar 2. b. c. d. d. c. a) dengan panjang sirkuit = 5 + 6 + 2 + 3 = 16 12 . b d. b. c. sirkuit Hamilton terpendek adalah I2 = (a. c. d. b. b. a) dengan panjang = 5 + 6 + 2 + 3 = 16 = (a. yaitu: I1 I2 I3 = (a. a) dengan panjang = 4 + 6 + 7 + 3 = 20 = (a. d. c. a) atau (a. c.

yaitu algoritma semut. genetic algorithm. Mereka berlomba untuk mencari penyelesaian kasus TSP dengan tekniknya masing-masing. untuk menyimpan sementara pheromon untuk ditambahkan ke tabel pheromon pada akhir iterasi. diperlukan tiga tabel besar (dengan dimensi n x n dimana n adalah banyaknya kota) untuk mencari lintasan optimal. Algoritma semut atau Ant Colony Optimization telah digunakan untuk mencari lintasan optimal pada Travelling Salesman Problem (TSP).3 Penyelesaian TSP Menggunakan Algoritma Semut TSP adalah salah satu teka-teki optimisasi yang cukup terkenal di kalangan peneliti dan pecinta matematika selama bertahun-tahun.Jika jumlah simpul n = 20 akan terdapat (19!)/2 sirkuit Hamilton atau sekitar 6 × 1016 penyelesaian. Tabel ketiga adalah tabel delta pheromon (delta pheromone array).3. 2. 13 . untuk menghitung seluruh jarak dari kota yang satu ke kota lainnya. Teknik yang cukup terkenal adalah simulated annealing. Tabel delta pheromon digunakan agar semua semut mengetahui hasil dari iterasi sebelumnya. Dalam tugas akhir ini kita akan membahas teknik yang terakhir. untuk menyimpan kadar pheromon pada jalur antara seluruh kota. Tabel kedua adalah tabel pheromon (pheromone array). Pada simulasi algoritma semut. and ant colony optimization (algoritma semut). Tabel pertama adalah tabel jarak (distance array).

dunia ilmu pengetahuan pun ikut belajar dari semut dengan diperkenalkannya algoritma semut. pheromon menyebar ke luar tubuh dapat mempengaruhi dan dikenali oleh individu lain yang sejenis (satu spesies). 3. merupakan teknik probabilistik untuk menyelesaikan masalah komputasi dengan menemukan jalur terbaik. Proses peninggalan pheromon ini dikenal sebagai stigmergy.1.1.1 Algoritma Semut 3. Berbeda dengan hormon. Algoritma semut diperkenalkan oleh Moyson dan Manderick dan secara meluas dikembangkan oleh Marco Dorigo. individu lain. Algoritma ini diambil dengan analogi oleh perilaku semut dalam menemukan jalur dari koloninya menuju makanan.1 Sejarah Algoritma Semut Pada tahun 1996. atau Ant Colony Optimization.2 Cara Kerja Algoritma Semut Mencari Jalur Optimal Semut mampu mengindera lingkungannya yang kompleks untuk mencari makanan dan kemudian kembali ke sarangnya dengan meninggalkan zat pheromon pada jalur-jalur yang mereka lalui. Pheromon adalah zat kimia yang berasal dari kelenjar endokrin dan digunakan oleh makhluk hidup untuk mengenali sesama jenis. sebuah proses memodifikasi lingkungan yang tidak hanya bertujuan untuk mengingat jalan pulang ke sarang. sebagai sebuah simulasi multi agen yang menggunakan metafora alami semut untuk menyelesaika problem ruang fisik. 14 .BAB III PEMBAHASAN 3. kelompok. dan untuk membantu proses reproduksi.

tetapi juga memungkinkan para semut berkomunikasi dengan koloninya. Seiring waktu, bagaimanapun juga jejak pheromon akan menguap dan akan mengurangi kekuatan daya tariknya. Lebih lama seekor semut pulang pergi melalui jalur tersebut, lebih lama jugalah pheromon menguap. Agar semut mendapatkan jalur optimal, diperlukan beberapa proses: 1. Pada awalnya, semut berkeliling secara acak, hingga menemukan makanan. Lihat Gambar 3.1. 2. Ketika menemukan makanan mereka kembali ke koloninya sambil memberikan tanda dengan jejak pheromon. 3. Jika semut-semut lain menemukan jalur tersebut, mereka tidak akan bepergian dengan acak lagi, melainkan akan mengikuti jejak tersebut. 4. Kembali dan menguatkannya jika pada akhirnya mereka pun menemukan makanan. 5. Seekor semut yang secara tidak sengaja menemukan jalur optimal akan menempuh jalur ini lebih cepat dari rekan-rekannya, melakukan round-trip lebih sering, dan dengan sendirinya meninggalkan pheromon lebih banyak dari jalur-jalur yang lebih lambat ditempuh. 6. Pheromon yang berkonsentrasi tinggi pada akhirnya akan menarik semut – semut lain untuk berpindah jalur, menuju jalur paling optimal, sedangkan jalur lainnya akan ditinggalkan.

15

7. Pada akhirnya semua semut yang tadinya menempuh jalur yang berbeda - beda akan beralih ke sebuah jalur tunggal yang ternyata paling optimal dari sarang menuju ke tempat makanan. Lihat Gambar 3.2.

B A Jalur 1 Jalur 2

Gambar 3.1. Lintasan Awal Semut Menuju Tempat Makanan Keterangan Gambar 3.1: A : Tempat awal koloni (sarang) B : Tujuan koloni semut (makanan) Jalur 1 (biru): Lintasan yang ditempuh oleh semut 1 Jalur 2 (hitam): Lintasan yang ditempuh oleh semut 2

B A
Jalur optimal

Gambar 3.2. Lintasan Optimal Semut Menuju Tempat Makanan

16

Keterangan Gambar 3.2: A : Tempat awal koloni (sarang) B : Tujuan koloni semut (makanan) Jalur Optimal : Jalur yang dilewati semut setelah beberapa iterasi. Seluruh proses ini menunjukkan berlangsungnya optimisasi alami kaum semut yang bisa kita tiru dalam kehidupan sehari-hari. 3.1.3 Ant Colony System Ant Colony System (ACS) adalah sebuah metodologi yang dihasilkan melalui pengamatan terhadap semut. Pada algoritma ACS, semut berfungsi sebagai agen yang ditugaskan untuk mencari solusi terhadap suatu masalah optimisasi. ACS telah diterapkan dalam berbagai bidang, salah satunya adalah untuk mencari solusi optimal pada Traveling Salesman Problem (TSP). Dengan memberikan sejumlah n titik, TSP dapat didefinisikan sebagai suatu permasalahan dalam menemukan jalur terpendek dengan mengunjungi setiap titik yang ada hanya sekali. Secara informal, ACS bekerja sebagai berikut: pertama kali, sejumlah m semut ditempatkan pada sejumlah n titik berdasarkan beberapa aturan inisialisasi (misalnya, secara acak). Setiap semut membuat sebuah tur (yaitu, sebuah solusi TSP yang mungkin) dengan menerapkan sebuah aturan transisi status secara berulang kali. Selagi membangun turnya,

17

seekor semut juga memodifikasi jumlah pheromone (sejumlah informasi yang ditinggalkan oleh semut di tempat yang dilalui dan menandai jalur tersebut) pada ruas-ruas yang dikunjunginya dengan menerapkan aturan pembaruan pheromone lokal. Setelah semua semut mengakhiri tur mereka, jumlah pheromone yang ada pada ruas-ruas dimodifikasi kembali (dengan menerapkan aturan pembaruan pheromone global). Dalam membuat tur, semut ‘dipandu’ oleh informasi heuristik (mereka lebih memilih ruas-ruas yang pendek) dan oleh informasi pheromone. Sebuah ruas dengan jumlah pheromone yang tinggi merupakan pilihan yang sangat diinginkan. Kedua aturan pembaruan pheromone itu dirancang agar semut cenderung untuk memberi lebih banyak pheromone pada ruas-ruas yang harus mereka lewati. 3.1.4 Karakteristik Ants Colony System (ACS) Terdapat tiga karakteristik utama dari ACS, yaitu : Aturan transisi status, Aturan pembaruan pheromone lokal, Aturan pembaruan pheromone global. 1. Aturan transisi status Aturan transisi status yang berlaku pada ACS adalah sebagai berikut: seekor semut yang ditempatkan pada titik t memilih untuk menuju ke titik v, kemudian diberikan bilangan pecahan acak q dimana 0≤q≤1, q0 adalah sebuah parameter yaitu Probabilitas semut melakukan eksplorasi pada setiap tahapan, dimana (0≤ q0≤1) dan pk (t,v) adalah probabilitas dimana semut k memilih untuk bergerak dari titik t ke titik v. 18

Jika q  q0 maka pemilihan titik yang akan dituju menerapkan aturan yang ditunjukkan oleh persamaan (1) temporary (t.u) =  (t ......  merupakan sebuah parameter yang mempertimbangkan kepentingan relatif dari informasi heuristic. Pheromon adalah zat kimia yang berasal dari kelenjar endokrin dan digunakan oleh makhluk hidup untuk mengenali sesama jenis. i = 1..... ui      ……………………………………………..... ui )   (t .…... u ) adalah nilai dari jejak pheromone pada titik (t .. ui ) ..(2) v  p k t ...  (t . v   n    t . ui )  1 jarak (t ....... ui   i 1 dengan  (t . ui   t . v   ..... ui   t ....2. yaitu besarnya bobot yang diberikan terhadap parameter informasi heuristik.....3...n v  max  t .. dan untuk membantu proses 19 . individu lain. u ) ...(1) Dengan v = titik yang akan dituju sedangkan jika q  q0 digunakan persamaan (2)  t . kelompok.. Nilai untuk parameter β adalah ≥ 0. ui ) dimana  (t .......... u ) adalah fungsi heuristik dimana dipilih sebagai invers jarak antara titik t dan u... v   t ... sehingga solusi yang dihasilkan cenderung berdasarkan nilai fungsi matematis.

sebuah proses memodifikasi lingkungan yang tidak hanya bertujuan untuk mengingat jalan pulang ke sarang. Proses peninggalan pheromon ini dikenal sebagai stigmergy. v)  (1   )  (t . Aturan pembaruan pheromon lokal Selagi melakukan tur untuk mencari solusi dari TSP. Pada ACS pembaruan pheromon dibagi menjadi 2. pheromon menyebar ke luar tubuh dapat mempengaruhi dan dikenali oleh individu lain yang sejenis (satu spesies). yaitu: Aturan pembaruan pheromon lokal. v)  1 Lnn  c dimana : Lnn c = panjang tur yang diperoleh = jumlah lokasi 20 .(3)  (t . Seiring waktu. bagaimanapun juga jejak pheromon akan menguap dan akan mengurangi kekuatan daya tariknya. v)     (t . sehingga jejak pheromon harus diperbaharui. 2. v) ………………………………….. Berbeda dengan hormon. tetapi juga memungkinkan para semut berkomunikas dengan koloninya. Aturan pembaruan pheromon global.reproduksi. semut mengunjungi ruas-ruas dan mengubah tingkat pheromon pada ruas-ruas tersebut dengan menerapkan aturan pembaruan pheromon lokal yang ditunjukkan oleh persamaan (3)  (t .

 ∆τ = parameter dengan nilai 0 sampai 1 = perubahan pheromon  adalah sebuah parameter (koefisien evaporasi). semut akan membuat penggunaan informasi pheromon menjadi lebih baik tanpa pembaruan 21 . yaitu besarnya koefisien penguapan pheromon . semut tidak akan memiliki kecenderungan untuk berkumpul pada jalur yang sama. sehingga titik-titik yang telah dilewati sebelumnya oleh tur seekor semut mungkin akan dilewati kemudian oleh tur semut yang lain. Hal ini memungkinkan dihasilka solusi alternatif yang lebih banyak. Merupakan sifat yang diharapkan bahwa jika semut membuat tur-tur yang berbeda maka akan terdapat kemungkinan yang lebih tinggi dimana salah satu dari mereka akan menemukan solusi yang lebih baik daripada mereka semua berkumpul dalam tur yang sama. yang telah diamati dengan melakukan percobaan [Dorigo dan Gambardella. 1997]. Fakta ini. Adanya penguapan pheromone menyebabkan tidak semua semut mengikuti jalur yang sama dengan semut sebelumnya. secara tidak langsung semut yang lain akan memilih ruas-ruas lain yang belum dikunjungi. Dengan cara ini. Peranan dari aturan pembaruan pheromone lokal ini adalah untuk mengacak arah lintasan yang sedang dibangun. pengaruh dari pembaruan lokal ini adalah untuk membuat tingkat ketertarikan ruas-ruas yang ada berubah secara dinamis: setiap kali seekor semut menggunakan sebuah ruas maka ruas ini dengan segera akan berkurang tingkat ketertarikannya (karena ruas tersebut kehilangan sejumlah pheromon-nya). Dengan kata lain. Konsekuensinya.

Tingkat pheromon itu diperbarui dengan menerapkan aturan pembaruan pheromon global yang ditunjukkan oleh persamaan (4).v) ……………………. semua semut akan mencari pada lingkungan yang sempit dari tur terbaik yang telah ditemukan sebelumnya. Pada akhir sebuah iterasi. 3. τ(t. v) L gb = nilai pheromone akhir setelah mengalami pembaharuan lokal = panjang jalur terpendek pada akhir siklus = parameter dengan nilai antara 0 sampai 1 = perubahan pheromone  ∆τ 22 .lokal. sejumlah pheromon ditaruh pada ruas-ruas yang dilewati oleh seekor semut yang telah menemukan tur terbaik (ruas-ruas yang lain tidak diubah). setelah semua semut menyelesaikan tur mereka. Aturan pembaruan pheromon global Pada sistem ini. pembaruan pheromon secara global hanya dilakukan oleh semut yang membuat tur terpendek sejak permulaan percobaan. v)  tur _ terbaik   (t .∆τ(t. v)   0  Dimana :  (t .…………………(4) Lgb 1 jika(t .v)←(1-α).τ(t.v) + α.

Setelah itu tentukan titik selanjutnya yang akan dituju. Pembaruan pheromon global dimaksudkan untuk memberikan pheromon yang lebih banyak pada tur-tur yang lebih pendek. Tapi sebelum itu tentukan terlebih dahulu banyaknya semut dalam proses tersebut. v   0 . 2. yaitu dengan : 23 . antara lain : 1. t.  adalah tingkat kepentingan relatif dari pheromon atau besarnya bobot yang diberikan terhadap pheromon.v) merupakan bagian dari rute terbaik L gb namun jika sebaliknya  t .2 Algoritma Ants Colony System (ACS) Sama halnya dengan cara kerja semut dalam mencari jalur yang optimal. Menentukan pheromone awal masing. dimana nilai parameter α adalah ≥ 0. setelah itu tentukan titik awal masing-masing semut. sehingga solusi yang dihasilkan cenderung mengikuti sejarah masa lalu dari semut dari perjalanan sebelumnya. 3. v  bernilai 1 jika ruas (t. Persamaan (3) menjelaskan bahwa hanya ruas-ruas yang merupakan bagian dari tur terbaik secara global yang akan menerima penambahan pheromone. ulangi proses sampai semua titik terlewati. Dengan menggunakan persamaan 1 atau 2 dapat ditentukan titik mana yang akan dituju.masing semut. dan Lgb adalah panjang dari tur terbaik secara global sejak permulaan percobaan. untuk mencari jalur terpendek dalam penyelesaian masalah Traveling Salesman Problem (TSP) diperlukan beberapa lngkah untuk mendapatkan jalur yang optimal.

.... ui   t ........... v   jika  t . v   .. 3. u i ) jika titik yang dimaksud bukanlah titik yang akan akan dilalui....(1) q  q0 digunakan persamaan (2) Dimana v = titik yang akan dituju sedangkan v  pi t . ui ) i = 1.(3)  (t .... pheromone masingmasing pada titik tersebut diubah dengan menggunakan persamaan 3. v   t .. ui )   (t .(2) n    t ... v) ………………………………....u) =  (t . v)  1 Lnn  c dimana : Lnn c = panjang tur yang diperoleh = jumlah lokasi = parameter dengan nilai 0 sampai 1 24  .. u i )  1 jarak (t ..n v  max  t .... maka kembali ke titik sebelumnya. Apabila telah mendapatkan titik yang dituju.. yaitu :  (t .....3.....Jika q  q0 maka pemilihan titik yang akan dituju menerapkan aturan yang ditunjukkan oleh persamaan (1) temporary (t... v)     (t ... v)  (1   )   (t .. ui   t .…. ui      ………………………………………... ui   i 1 dengan  (t ...2..

7. 4. Kemudian akan didapatkan panjang lintasan yang minimal. hitung panjang lintasan masing-masing semut. 5. Ubah pheromone pada titik-titik yang yang termuat dalam lintasan tersebut.∆τ = perubahan pheromone Perubahan pheromon tersebut dinamakan perubahan pheromon lokal. Setelah proses diatas selesai. Setelah semua proses telah dilalui. Berikut adalah algoritma ACS 25 . 6. maka akan didapatkan lintasan dengan panjang lintasan yang minimal.

3. Algoritma ACS 26 .mulai Tentukan nilai pheromon awal Tentukan banyak semut m Tentukan titik awal masing-masing semut for I := 1 to n do i<n Ya Tidak Tentukan titik selanjutnya dengan persamaan 1 atau 2 Kembali ke titik awal Ubah pheromon lokal dengan persamaan 3 for k := 1 to m do Hitung panjang lintasan masing-masing semut Hitung lintasan terbaik Ubah pheromon global dengan persamaan 4 Catat hasil lintasan selesai Gambar 3.

v) τ(t. /* This is the phase in which ants build their tours. n} . /* Initialization phase */ For each pair (t. .vk Tourk (i):=(tk .v):= τ0 End-for For k:=1 to m do Let tk1 be the starting city for ant k Jk(tk1):= {1.(2) Jk(sk):= Jk (tk) .1.rk1 /* Jk (tk1) is the set of yet to be visited cities for ant k in city tk1 */ tk:= tk1 /* tk is the city where ant k is located */ End-for 2.. */ For i:=1 to n do If i<n then For k:=1 to m do Choose the next city vk according to Eq. The tour of ant k is stored in Tourk.vk) 27 ..(1) and Eq..

vk)+ ρτ0 tk := vk /* New city for ant k */ End-for End-for 3. (4)*/ For k:=1 to m do τ(tk . /* In this phase global updating occurs and pheromone is updated */ For k:=1 to m do Compute Lk 28 .vk):=(1-ρ)τ(tk .End-for Else For k:=1 to m do /* In this cycle all the ants go back to the initial city tk1 */ vk := tk1 Tourk (i):=(tk .vk) End-for End-if /* In this phase local updating occurs and pheromone is updated using Eq.

dimana ia tidak diijinkan untuk melalui node 29 . Setiap semut menyimpan daftar yang memuat nodes yang sudah pernah ia lalui. If (End_condition = True) then Print shortest of Lk Else goto Phase 2 3. (3) */ For each edge (t. Setiap busur memiliki bobot yang menunjukkan jarak antara dua buah nodes yang dihubungkan oleh busur tersebut. lingkungan yang akan gunakan adalah sebuah graf yang fully connected (setiap node memiliki busur ke node yang lain) dan bidirectional (setiap jalur bisa ditempuh bolak-balik dua arah).3 Analisis Algoritma Semut untuk Mencari Nilai Optimal Menggunakan Graf Untuk mendiskusikan algoritma semut./* Lk is the length of the tour done by ant k */ End-for Compute Lbest /* Update edges belonging to Lbest using Eq.vk) + α (Lbest)-1 End-for 4.vk):=(1-α)τ( tk .v) τ(tk . Algoritma ini menggunakan sistem multi agen. yang berarti kita akan mengerahkan seluruh koloni semut yang masing-masingnya bergerak sebagai agen tunggal.

2. Ketika sampai ke makanan. yaitu perjalanan mengunjungi semua nodes pada graf tersebut. B A Jalur 1 Jalur 2 Gambar 3. Lintasan Awal Semut Menuju Tempat Makanan Keterangan Gambar 3. Setiap semut selanjutnya harus melakukan tur semut. yaitu jalur pada graf dimana setiap node hanya dikunjungi satu kali).yang sama dua kali dalam satu kali perjalanan (daftar ini disebut juga sebagai jalur Hamilton. Sebuah koloni semut diciptakan.4: A : Tempat awal koloni (sarang) B : Tujuan koloni semut (makanan) 30 . semut berkeliling secara acak mencari makanan kemudian dicatat jarak antara node yang semut lalui.4. Berikut adalah tahapan-tahapan algoritma semut menggunakan graf: 1. Total jarak dari tiap node yang semut tempuh dijumlahkan untuk mendapatkan jarak dari sarang ke makanan. dan setiap semut ditempatkan pada masingmasing node secara merata untuk menjamin bahwa tiap node memiliki peluang untuk menjadi titik awal dari jalur optimal yang dicari. Dari sarang.

Ketika kembali ke sarang. B A Jalur 1 Jalur 2 Gambar 3. maka makin banyak kadar pheromon yang dibubuhkan pada masing-masing busur pada jalur tersebut.Jalur 1 (biru): Lintasan yang ditempuh oleh semut 1 Jalur 2 (hitam): Lintasan yang ditempuh oleh semut 2 3. Makin kecil total jarak (atau makin optimal).5.5: A : Sarang semut B : Tempat ditemukannya makanan Jalur 1 (biru) : Jalur yang ditempuh oleh semut 1 dengan pemberian kadar pheromon yang tinggi Jalur 2 (hitam) : Jalur yang ditempuh oleh semut 2 dengan pemberian kadar pheromon yang rendah 31 . Lintasan Semut Menuju Sarang Keterangan Gambar 3. sejumlah konsentrasi pheromon ditambahkan pada jalur yang telah ditempuh berdasarkan total jarak jalur tersebut.

Untuk memilih busur mana yang harus dilalui berikutnya. busur-busur yang mengandung pheromon lebih tinggi ini akan cenderung dipilih sebagai busur yang harus ditempuh berikutnya berdasarkan rumus pemilihan busur. B A Jalur 3 Jalur 1 Jalur 2 Gambar 3. digunakan sebuah rumus yang pada intinya menerapkan suatu fungsi heuristic untuk menghitung intensitas pheromon yang ditinggalkan pada suatu busur. yaitu jalur yang dibentuk oleh busur-busur dengan kadar 32 . lama-kelamaan akan terlihat jalur optimal pada graf. Akibatnya.4. Pada iterasi berikutnya. Lintasan Semut Menuju Makanan pada Iterasi ke-2 Keterangan Gambar 3.6.6: A : Sarang semut B : Tempat ditemukannya makanan Jalur 1 : Jalur yang ditempuh oleh semut 1 karena kadar pheromon yang tinggi Jalur 2 : Jalur yang tidak ditempuh oleh semut karena kadar pheromon yang rendah Jalur 3 : Jalur yang ditemukan oleh semut 2 5.

Lintasan Semut Menuju Sarang pada Iterasi ke-2 Keterangan Gambar 3. B A Jalur 3 Jalur 1 Jalur 2 Gambar 3.8.pheromon yang tinggi. B A Jalur 3 Jalur 1 Jalur 2 Gambar 3.7.7: A : Sarang semut B : Tempat ditemukannya makanan Jalur 1 (hitam) : Jalur yang ditempuh oleh semut 2 dengan pemberian kadar pheromon yang rendah Jalur 2 : Jalur yang tidak ditempuh Jalur 3 (biru) : Jalur yang ditempuh oleh semut 2 dengan pemberian kadar pheromon yang tinggi. Lintasan Optimal Semut Menuju Tempat Makanan 33 . yang pada akhirnya akan dipilih oleh semua multi agen semut.

salah satunya adalah proses pemindahan barang atau pengambilan barang (order picking) dari penyimpanan untuk dikirimkan kepada konsumen. Eka Jaya Motor bekerja sebagai penyuplai komponen – komponen dalam perakitan mobil mendapat sedikit kendala dalam memenuhi permintaan konsumennya. PT. Divisi ini menangani segala aktivitas berkaitan dengan persiapan pemesanan kendaraan suku cadang kendaraan Toyota yang berasal dari PT Toyota Astra Motor (TAM) sampai dengan Dealer Nasmoco Grup.Keterangan Gambar 3. Salah satu divisi yang terdapat pada perusahaan ini adalah Part Division.8: A : Sarang semut B : Tempat ditemukannya makanan Jalur 1 : : Jalur yang tidak ditempuh karena kadar feromon yang rendah Jalur 2 : Jalur yang tidak ditempuh karena kadar feromon yang sangat rendah Jalur 3 : Jalur optimal yang ditempuh oleh semut karena kadar feromon yang tinggi 3. Pada saat ini perusahan dalam proses order picking menggunakan strategi S- 34 .4 Penyelesaian Masalah dengan Ant Colony System PT Eka Jaya Motor adalah perusahaan yang bergerak dibidang pendistribusian kendaraan bermotor dan suku cadang kendaraan merk TOYOTA.

Shape. Data yang digunakan pada penelitian ini merupakan data penjualan dari tahun 2006 dan 2007. strategi ini dirasa kurang efisien dan memakan banyak waktu.1 35 . yaitu dengan meyisir seluruh gudang penyimpanan untuk mengambil barang yang telah dipesan oleh konsumen. yaitu : 1. Dalam pembahasan ini akan dibandingkan penyelesaian masalah perusahaan dalam menentukan rute terpendek (proses order picking) dengan solusi yang dimiliki oleh perusahaan (S-Shape) dan Ant Colony System (ACS). Contoh data penjualan dapat dilihat pada tabel 3. Untuk pencarian rute terpendek dalam proses order picking dengan menggunakan ACS diperlukan 3 data utama dalam penyelesainnya. Data Penjualan Data penjualan berisi secara umum nama-nama barang yang dipesan oleh para konsumen.sehingga konsumen yang telah memesan tidak dapat dilayani dengan cepat. lokasi dari tiap-tiap part tersebut serta kuantitas barang yang dipesan. Data ini merupakan data yang digunakan sebagai acuan dalam melakukan aktivitas order picking.

5# ELEMENT S/A. OIL LOCATION A01A-402 A01A-503 A01A-601 ORDER 2 10 1 RB131J 2423 20070731 11213-54050 A01D-501 1 RB131J 2423 20070731 23303-56031 A01G-305 1 RB131J 2423 20070731 55670-0B040 A02H-303 1 RB131J 2423 20070731 63273-95701 A03L-601 1 RB131J RB131J RB131J RB131J 2423 2423 2423 2423 20070731 20070731 20070731 20070731 15601-BZ010 90915-TB001 90919-T1004 17801-05040 90919-010598N 04465-BZ010 90915-10003 90915-20003 B01A-102 B01A-103 B01A-203 B01B-101 4 4 12 1 RB131J RB131J RB131J RB131J 2423 2423 2423 2423 20070731 20070731 20070731 20070731 B01B-202 B01B-203 B01E-101 B01E-203 8 1 2 1 36 . DISC FILTER. 1 Data penjualan NOORDER RB131J RB131J RB131J CUSTOMER 2423 2423 2423 TGLTRX 20070731 20070731 20070731 PARTNUMBER 85214-0A010 90430-12031 90916-03083 PARTNAME RUBBER WIPER 7K2L GASKET 7K THERMOSTAT 7K GASKET CYLINDER HEAD ELEMENT FUEL BJ40 REGIST A/S INST PNL RETAINER KF4#.OIL SOLUNA FILTER.Tabel 3. OIL FIL FILTER OIL PLUG. SPARK ELEMENT S/A AIR CLEA PLUG W16EXU PAD KIT.

00 3.69 12.03 17.63 A01-D 8.61 6.54 9.06 B01-E 10.11 17.65 12.21 16.68 8.34 6.59 3.99 12.55 6.81 A01-G 13.0125 A02-H 12.69 16.03 13.11 0.65 0.61 4.20 16.86 0.91 8.86 0.48 9.26 1.69 8.54 9.06 0.06 B01-G 13.99 6.00 37 .60 12.59 16.63 12.91 0.48 1.63 4.KF EFI ELMN SA AIR CLEN FLR RB131J 2423 20070731 17801-0C010 B01G-202 1 2. Sebagai contoh aplikasi dari software yang dibuat jarak antar lokasi yang diukur pada sub-bab ini dilakukan berdasarkan data penjualan pada sub-bab sebelumnya.19 12.19 12.81 0.08 3.05 17. Data jarak antar lokasi dapat dilihat pada tabel 3.00 16.9 .79 9.60 4.54 A01-A 3.21 17.73 13.81 9.00 4.20 0.48 4.88 3.00 4.48 10.79 B01-A 3.26 8.2 Tabel 3.00 4.61 0.00 13.81 17.66 15.86 5. Pengukuran jarak antar lokasi part dihitung dengan bantuan software AutoCad 2005 berdasarkan gambar denah lokasi gudang yang diperlihatkan pada gambar 3.15 13.68 B01-B 5.73 4. Jarak Antar Lokasi (Part) Dalam pengaplikasian software pencarian rute terpendek yang dibuat berdasarkan algoritma ACS maka diperlukan suatu data jarak terpendek antar lokasi yang terdapat pada gudang sebagai acuan utama dalam pencarian rute terpendek tersebut.00 13.05 0. 2 Jarak antar lokasi dalam satuan meter (Algoritma ACS) Jarak Depot A01-A A01-D A01-G A02-H A03-L B01-A B01-B B01-E B01-G Depot 0.69 12.88 9.00 3.81 0.05 4.76 16.66 1.76 17.63 4.05 1.34 13.06 3.39 15.54 12.08 13.79 9.0125 13.79 13.43 1.39 13.55 3.00 1.15 16.61 3.86 8.19 A03-L 16.43 9.81 0.19 0.

Denah Lokasi Pada penelitian ini denah lokasi berfungsi sebagai alat bantu dalam menghitung jarak antar lokasi yang terdapat di gudang.9 berikut ini. Denah lokasi dari tiap-tiap lokasi yang ada di gudang dapat dilihat pada gambar 3.3. 38 .

9 Denah Lokasi Gudang 39 .Gambar 3.

D ke E = 13.2. B ke C = 3.1 Berdasarkan gambar 3. D.75 .3. 1. F adalah titik-titik untuk mempermudah pengukuran jarak.95 . 40 . Perhitungan jarak rute pengambilan part dengan menggunakan strategi S-Shape Strategi yang digunakan oleh perusahaan saat ini dalam melakukan aktivitas order picking adalah strategi S-Shape.56 .7 dengan B. jarak depot ke B = 15. C. E.75 .2 dengan bantuan software AutoCad 2005 serta lokasi yang didatangi berdasarkan data penjualan yang yang ditunjukkan pada tabel 3. E ke F = 5. Untuk mengukur jarak tempuh dalam melakukan aktivitas order picking dengan menggunakan strategi ini digunakan gambar denah lokasi gudang yang diperlihatkan pada gambar 3.C ke D = 1.5 Perhitungan Jarak Rute Pengambilan Part Pada sub-bab ini perhitungan yang dilakukan adalah perhitungan jarak rute pengambilan part dengan menggunakan strategi S-Shape dan perhitungan jarak rute pengambilan part dengan menggunakan algoritma ACS.

41 . B) + (B.Gambar 3.75 + 13.2 detik maka waktu untuk berjalan menempuh jarak 70.56 + 5. F) + (F.75 = 70. D) + (D.56 + 1.75 + 3. B) + (B.10 Jalur tempuh dengan menggunakan strategi S-Shape Sehingga rute yang dipilih dengan menggunakan strategi S-Shape menempuh jarak sebagai berikut : Jarak tempuh Depot) = 15. C) + (C. E) + (E.95 + 13.03 meter diluar waktu pengambilan barang adalah : = (Depot.03 meter Jika diasumsikan waktu tempuh berjalan sejauh 1 meter memakan waktu 1.7 + 15.

Waktu berjalan = 70.2 Pada software APS terdapat tiga tahapan dalam menghitung jarak rute terpendek dengan menggunakan algoritma Ant Colony system.(1) 42 . ui      ………………………………………. Tahap pemilihan titik yang akan dituju Pada tahap ini seorang picker yang ditempatkan pada titik r memilih untuk menuju ke titik s dengan menerapkan aturan yang ditunjukkan oleh persamaan (1) dan persamaan (2).03 meter x 1..036 detik = 1.u) =  (t . ui ) i = 1.3. ui   t . perhitungan jarak rute dari aktivitas order picking dengan menggunakan algoritma ACS menggunakan lokasi yang sama dengan lokasi yang dituju pada perhitungan dengan menggunakan strategi S-Shape serta jarak antar lokasi yang akan dituju berdasarkan jarak yang telah diukur yang diperlihatkan pada tabel 3. yaitu: I.…. Perhitungan jarak rute pengambilan part dengan menggunakan algoritma Ant Colony System (ACS) Sebagai contoh dalam aplikasi dari software Ant Picking System (APS) yang dibuat peneliti dalam menunjang pengaplikasian dari algoritma ACS. ui )   (t .4 menit 2.2.n  v  max  t . temporary (t.2 detik/meter = 84.

v) ) dapat dilihat pada tabel 3.......... v) ) antar tiap titik berdasarkan tabel 3... titik awal lokasi picker 1 untuk menjalani turnya berawal dari lokasi DEPOT. ui ) Contoh perhitungan : Pada contoh perhitungan ini....3 dibawah ini.. A02  H ) 12.69 Hasil keseluruhan dari invers jarak (  (t ........ v   . v)  1 jarak (t . ui   t ... v   t . v    t .......v  pi t . Sebelum memasuki perhitungan pada tahap satu dalam perhitungan algoritma ACS maka terlebih dahulu dilakukan perhitungan awal untuk menghitung invers jarak ( (t .2 sebagai berikut :  (t ..(2) n    t .......... v) Contoh perhitungan  (t . 43 . A02  H ) :  (depot . ui )  1 jarak (t ....... A02  H )  1 1   0.. v) pada titik  (depot ..07880 jarak (depot .. a.. ui   i 1  (t .

18248 0.25575 0.07819 0.05872 0.10384 0.07386 0.00000 0.30675 0.00000 0.18248 0.20790 0.0001.00000 0.05872 0.10320 0.07819 0.00000 0.07386 A01-A 0.30675 0.20576 0.64516 0.07880 0.06101 0.15432 0.10331 0. 44 .64516 0.25575 0.09671 0.31250 100.07880 0.00000 0.10384 0.08230 0.15552 0.08190 0.05682 0.07819 0.00000 0.00000 0.07582 A03-L 0.12407 B01-E 0.07326 0.00000 0.10320 0.06231 0.31250 0.05682 0.07267 0.08230 0.06231 0.62112 0.07582 0.07326 0.10331 B01-B 0.07582 0.07819 B01-A 0.05663 0.00000 0.00000 Nilai dari semua pheromone (  ) pada awal perhitungan ditetapkan dengan angka awal yang sangat kecil.20492 0. v) ) Jarak Depot A01-A A01-D A01-G A02-H A03-L B01-A B01-B B01-E B01-G Depot 0.25907 0. Pada contoh perhitungan penelitian ini nilai pheromone awal menggunakan nilai  awal sebesar 0.06254 0.07267 0.20790 0.09671 0.20576 0.20790 100.20790 0.10384 A01-D 0. Penetapan nilai pheromone awal dimaksudkan agar tiap-tiap ruas memiliki nilai ketertarikan untuk dikunjungi oleh tiap-tiap semut.00000 0.62112 0.06207 20.12407 0.00000 0.07582 0.06207 0.32680 B01-G 0.20790 A01-G 0.06254 0.06028 0.15552 0.Tabel 3.00000 0.07386 0.00000 A02-H 0. 3 Invers jarak ( (t .06028 0.62112 0.06101 0.11455 0.05663 0.20492 0.12376 0.12376 0.15432 0.11455 0. Nilai pheromone untuk semua titik dapat dilihat pada tabel 3.4 dibawah ini.10384 0.32680 0.07386 0.25907 20.62112 0.20790 0.08190 0.

0001 0.0001 B01-B 0.0001 0.0001 0. pertama-tama dilakukan penetapan dari nilai  ≥0 adalah parameter perhitungan untuk mendapatkan nilai yang optimal dalam ACS.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0. Tahap pemilihan titik yang akan dituju Dalam pemilihan titik selanjutnya yang dituju.0001 0.Tabel 3.0001 B01-G 0.0001 0.0001 0.0001 b.0001 0.0001 0.0001 0.0001 0.0001 0. untuk mempermudah perhitungan diambil nilai β =2.0001 0.0001 0.0001 0.0001 0.0001 B01-A 0.0001 0.0001 0. Contoh perhitungan serta hasil perhitungan nilai temporary dan nilai probabilitas dapat dilihat sebagai berikut : 45 .0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.4 pheromone (  ) awal  Depot A01-A A01-D A01-G A02-H A03-L B01-A B01-B B01-E B01-G Depot 0.0001 0.0001 A02-H 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0. Selanjutnya dilakukan perhitungan untuk mendapatkan nilai temporary (t.0001 0.0001 0.0001 0.0001 0.0001 0.0001 A01-A 0.0001 0.0001 0.0001 0.0001 0.0001 0. Nilai temporary digunakan untuk menentukan titik-titik yang akan dituju selanjutnya.0001 0.0001 0.0001 B01-E 0.0001 0.0001 0.0001 A03-L 0.0001 0.0001 A01-D 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.u) berdasarkan persamaan (1) serta nilai probabilitas berdasarkan persamaan (2) dari titik awal DEPOT (t) ke titik selanjutnya yang belum dilalui (u).0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 A01-G 0.

0749 0. Tabel 3.….0261 0.401 0.B01-G) = 0.0545 0.u) =  t .4488 0.3129 0.9291 0.073862 = 0.. ui )   (t .0447 0.3210 0.B01-G) =  (depot . ui   t .1593 0.0261 Depot A01-A A01-D A01-G A02-H A03-L B01-A B01-B B01-E B01-G 0 0.temporary (t. v   n    t .3129 0.n 2 temporary (depot. v   t .6541 0.7698 0.1312 0. B01  G = 0.6712 0. ui   i 1 Probabilitas (depot.0621 0.u) =  (t .2.09 x10 5 = 0.0363 0. B01G  (depot .0545 x10 5 2.0935 0.4314 0.0545 x 10-5 Probabilitas (r.5 Hasil perhitungan temporary dan probabilitas dari titik awal DEPOT (depot) Temporary (x 10-5) Probabilitas Probabilitas akumulatif 0 0 0.3.0261 Hasil perhitungan temporary dan probabilitas dari titik awal DEPOT dapat dilihat pada tabel 3.0628 0.0545 0.9739 1 Untuk memilih persamaan yang tepat sebagai acuan dalam pemilihan lokasi selanjutnya maka perlu dibangkitkan suatu bilangan random (q) antara 0 sampai 1 serta menetapkan suatu 46 .0001 0.0174 0.5 dibawah ini. ui ) i = 1.3757 0.333 0.

maka penentuan lokasi yang akan dituju berdasarkan persamaan (1). Tahap pembaharuan pheromone (  ) lokal Setelah picker berpindah menuju lokasi selanjutnya maka tahap selanjutnya adalah melakukan pembaharuan pheromone (  ) secara lokal dengan menggunakan persamaan (3). Karena q  q0 . yaitu dengan melihat hasil temporary yang paling besar.1 yang artinya semut melakukan proses eksploitasi dengan probabilitas 90% dan proses eksplorasi 10% (Bauer. Pada perhitungan ini ditetapkan nilai q0 sebesar 0. contoh perhitungan serta hasil perhitungan dapat dilihat sebagai berikut :  (t . Sehingga lokasi yang terpilih adalah lokasi B01-A.9 serta bilangan random yang dibangkitkan memiliki nilai q sebesar 0. v)  1 Lnn  c dimana : Lnn c = panjang tur yang diperoleh = jumlah lokasi = parameter dengan nilai 0 sampai 1 = perubahan pheromone  ∆τ 47 .bilangan pembatas (q0) antara 0 sampai 1. v)     (t . v)  (t .n. Persamaan dari pembaharuan pheromone (  ) lokal.d). II. v)  (1   )  (t .

00010 0.00010 0. B01  A)  (1   )   (depot .00010 0. Pada perhitungan ini nilai  ditetapkan dengan nilai sebesar 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00268 Hasil pembaharuan pheromone (  ) lokal untuk  (depot . B01  A)  (1  0.00010 0.00010 0.00010 0.6 dibawah ini dengan tulisan yang dicetak miring.00010 0.00010 0.00268 0. B01  A)  (depot .00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.1)  0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00268 0. B01  A)  1 3.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.1   (depot .00010 0.00010 0.00010 0.00010 0.00010 0.  Depot A01-A A01-D A01-G A02-H A03-L B01-A B01-B B01-E B01-G Depot 0.00010 0.00010 0.00010 B01-A 0. B01  A) 48 .00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0. B01  A)  0.00010 0.00010 0.Contoh perhitungan : Dalam memperbaharui pheromone secara lokal dibutuhkan suatu parameter (  ) yang memiliki nilai antara 0 sampai 1.00010 0.1.00010 0.0259  (depot .00010 A01-D 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 Tabel 3.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 A01-A 0.00010 0.0001  0. 6 Nilai pheromone (  ) setelah mengalami pembaharuan lokal untuk  (depot .00010 0.00010 0.00010 0.00010 0.00010 0. B01  A)     (depot .00010 0.00010 0. B01  A) dapat dilihat pada tabel 3.00010 0.00010 A02-H 0.00010 A01-G 0.00010 0.00010 B01-E 0.86  10 = 0.00010 0.00010 0.00010 0.00010 A03-L 0.00010 0.00010 0.00010 0.00010 B01-G 0.00010 0.00010 0. Contoh perhitungan serta hasil perhitungan dapat dilihat sebagai berikut :  (depot .00010 0.00010 0.00010 0. B01  A)  (depot .00010 B01-B 0.

00010 0.00010 0.00010 0. v)     (t .00010 0.00010 0.00087 0.00010 0.00268 0.00010 0.00010 0. v)  (1   )  (t .00010 0.00654 0.00010 A01-D 0.00010 0.00630 0.00010 0.00010 0.7 dibawah ini.00082 0.00088 0.00010 0.00010 0.00010 B01-B 0.00010 0.00010 0.00630 1.00010 0.00010 0.00010 0. maka tahap selanjutnya adalah untuk membaharui pheromone (  ) secara global berdasarkan persamaan (4) namun hanya lokasi yang menghasilkan rute dengan jarak terpendek. v) 49 .00010 0.00010 0.00336 B01-G 0.00010 0.00010 0.00010 0.00082 0.00010 1.00010 0.00316 0.00268 0.00010 0. Persamaan dari pembaharuan pheromone (  ) global.00010 0.00010 0.00010 0. Tahap pembaharuan pheromone (  ) global Setalah tahap 1 dan 2 telah selesai untuk mendapatkan satu rute dan setiap lokasi yang dikunjungi telah mengalami pembaharuan pheromone (  ) secara lokal.20009 0.00010 0.00010 0. contoh perhitungan serta hasil perhitungan dapat dilihat sebagai berikut :  (t .00010 0.00010 0.00010 0.00010 0.00010 A01-G 0.00010 0.00010 0.00010 A01-A 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 B01-E 0.20009 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00010 0.00654 0.00010 0.00010 0.00010 0. 7 Nilai pheromone (  ) setelah tahap mengalami pembaharuan pheromone lokal dari semua picker τ Depot A01-A A01-D A01-G A02-H A03-L B01-A B01-B B01-E B01-G Depot 0.Dengan proses yang sama hasil keseluruhan dari pembaharuan pheromone lokal dari semua picker dapat dilihat pada tabel 3.00010 0.00010 0.00010 III.00009 0.00010 B01-A 0.00316 0.00010 0.00010 0.00010 0.00010 0.00010 A03-L 0.00010 0.00010 0.00088 0.00010 0.00010 0.00010 0.00010 0.00009 A02-H 0.00336 0.00087 0.00010 0. Tabel 3.00010 0.00010 0.00010 0.00010 0.00010 0.

53 Nilai pheromone akhir =  Untuk (t.1 Lgb = 52. B01-A. A03-L. B01-E.  = 0. B01-B. Maka pembaharuan pheromone-nya adalah sebagai berikut. A01-A. Dari rute tersebut didapat panjang jalur sebesar 52. A01-D. A01-G.53 m dan merupakan panjang jalur terpendek pada iterasi pertama. v)   0  Dimana :  (t .v) bagian dari rute terpendek  (t . v)  tur _ terbaik   (t .53) 1 1 50 .Lgb 1 jika(t . v)  Lgb  (52. B01-G. v) L gb = nilai pheromone akhir setelah mengalami pembaharuan lokal = panjang jalur terpendek pada akhir siklus = parameter dengan nilai antara 0 sampai 1 = perubahan pheromone  ∆τ Contoh perhitungan: Setelah picker 1 pada iterasi 1 telah melewati tahap I dan tahap II. maka rute yang dihasilkan adalah DEPOT. A02-H dan kembali ke lokasi DEPOT.

B01  A)  0.1)  (0. B01  B)  (1  0.1  0.00268)  (0. B01  B)  0. B01  A)      (depot .019)  (depot . B01  A) :  (depot .v) bagian dari rute terpendek  (t . 51 .= 0. v)  0 Sebagai contoh digunakan pembaharuan pheromone global untuk pheromone  ( Depot.1 0)  ( Depot. B01  A)  (1   )   (depot . B01  B) :  ( Depot. B01  A)  (1  0.8 berikut ini. B01  B)      ( Depot.0001)  (0.00009 Hasil pembaharuan pheromone (  ) global dapat dilihat pada tabel 3.00431  Untuk (t.019 Sebagai contoh digunakan pembaharuan pheromone global untuk pheromone  (depot . B01  B)  (1   )  ( Depot.1)  (0.

00009 0.00009 0.00009 A01-A 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009 0.6 Desain Progam Desain yang dilakukan pada penelitian ini meliputi desain pada proses software.00009 0.00009 0. 3.90185 A02-H 0.00009 0.00256 0.00009 0.00431 0.00009 0.00009 0.00461 0.00009 0.00009 0.00009 B01-B 0.00009 0.00009 0.00009 0.00009 0.00009 A01-G 0.00009 0.00009 0.00009 0.00009 A03-L 0.00009 0.8 Nilai pheromone (  ) setelah mengalami pembaharuan global τ Depot A01-A A01-D A01-G A02-H A03-L B01-A B01-B B01-E B01-G Depot 0. DFD adalah suatu alat bantu yang digunakan untuk menggambarkan tata laksana suatu sistem dimana tata laksana yang digambarkan dapat berupa suatu sistem baru atau sistem lama yang akan dikembangkan.00009 0.1 Proses Software Pada tugas akhir ini digunakan Data Flow Diagram (DFD) untuk membantu dalam mengindentifikasi dan menganalisis proses dalam sistem baik secara fisik maupun logikanya.00009 0.00461 0.00009 0.00009 0.00009 0.00009 0.00009 3.6.00009 0.00009 0.00418 0.00744 0.00009 0. desain database yang digunakan oleh software serta interface dari software yang dibuat dalam menunjang pengaplikasian dari algoritma ACS.00009 0.00009 0.00009 0.00009 0.18185 0.00009 0.00009 0.00009 0.90185 0. Adapun kegunaan dari aliran data ini adalah: 52 .00467 0.00009 B01-G 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009 0.Tabel 3.00009 0.00255 0.00009 0.00009 0.00009 0.00009 0.00009 0.00009 B01-E 0.00009 0.00766 0.00009 0.00744 0.00009 0.00009 0.00009 0.00009 0.00009 0.00251 0.00009 0.00009 0.18185 0.00009 0.00009 0.00251 0.00009 0.00009 A01-D 0.00009 0.00009 0.00009 0.00467 0.00009 0.00009 0.00255 B01-A 0.00256 0.00009 0.00009 0.00766 0.

6. 3. Output dari sistem ini berupa laporan urutan pengambilan barang beserta panduan arahnya yang akan digunakan 53 . antara lain: 1. data jarak. yaitu system pencarian rute (hasil DFD Level 0 dibagi menjadi 2. Context Diagram. yaitu diagram paling tidak detail dari sebuah sistem informasi yang menggambarkan aliran-aliran kedalam atau keluar entitas eksternal.2 Diagram Konteks Dalam sistem pencarian rute pada aktivitas order picking. DFD Fisik. representasi grafik dari sebuah sistem yang menunjukkan proses-proses dalam sistem tersebut dan aliran-aliran data kedalam atau keluar. data panduan arah serta parameter-parameter yang digunakan dalam perhitungan pencarian rute. aktivitas utamanya adalah pencarian rute terpendek dimana sistem ini memiliki input berupa daftar lokasi. b. DFD Logis. 2. representasi grafik dari sebuah sistem yang menunjukkan entitas-entitas eksternal dan internal dari sistem tersebut dan aliran-aliran data ke dalam atau keluar dari entitas tersebut. merupakan diagram tingkat atas. yaitu : a. Sebagai alat analisa data  Sebagai alat komunikasi antara sistem analisa dengan pemakai  Sebagai alat dokumentasi Terdapat 2 tipe DFD. DFD Level 0.

12 proses yang menunjang sistem pencarian rute. Output dari proses ini yang berupa panduan arah yang baru disimpan dalam basis data yang bernama basis data arah.11 Diagram konteks sistem pencarian rute 3. Proses yang pertama adalah proses update data lokasi.6. Output dari proses ini adalah daftar lokasi baru dimana output tersebut akan disimpan dalam basis data yang bernama data lokasi.3 DFD level 0 dibawah terlihat Pada DFD level 0 terdapat tujuh Pada gambar 3.oleh picker dalam melakukan aktivitasnya. Proses ini dilakukan jika tata letak pada gudang mengalami perubahan sehingga posisi lokasi yang lama berkemungkinan mengalami perbahan lokasi. Bagian Administrasi Daftar lokasi pengambilan dan parameter perhitungan Data jarak dan data panduan arah Sistem informasi pencarian rute order Rute pengambilan barang beserta panduan arah picking Picker Gambar 3. Proses ini memiliki input berupa panduan arah untuk menuju dari satu lokasi ke lokasi yang lain. 54 . Proses ini memiliki input berupa lokasi-lokasi baru dari partpart yang mengalami perubahan maupun terdapat part baru yang sebelumnya belum mempunyai lokasi. Diagram konteks sistem pencarian rute dapat dilihat pada gambar 3. Proses yang kedua adalah proses update data arah.11 dobawah ini.

Output dari proses ini adalah berupa parameter-parameter perhitungan yang akan digunakan dalam proses perhitungan pencarian rute. Input dari proses ini berupa parameter-parameter perhitungan. Output dari proses ini adalah berupa rute pengambilan dan jarak yang detempuh. Output dari proses ini adalah lokasi yang akan dituju disimpan dalam basis data yang bernama basis data perhitungan.Proses yang ketiga adalah proses update data jarak. Proses yang kelima adalah proses input parameter perhitungan. Output dari proses ini yang berupa data jarak yang baru disimpan dalam basis data yang bernama basis data jarak. 55 . dimana output dari proses ini akan digunakan sebagai input pada proses selanjutnya. Input dari proses ini berupa daftar lokasi yang akan dituju oleh picker sesuai dengan order dari konsumen. Proses ini dilakukan jika tata letak pada gudang mengalami perubahan sehingga posisi lokasi yang lama berkemungkinan mengalami perubahan lokasi. Proses ini memiliki input berupa jarak dari satu lokasi ke lokasi yang lain. Proses yang keempat adalah proses input lokasi. Output dari proses ini akan disimpan dalam basis data yang bernama basis data perhitungan. Input dari proses ini didapat dari basis data jarak dan dari basis data perhitungan. Aktivitas dari proses ini dilakukan penentuan lokasi yang akan dituju oleh para picker. Aktivitas dari proses ini merupakan aktivitas yang paling utama dalam sistem informasi ini. Proses yang keenam adalah proses perhitungan pencarian rute.

6. ERD menggunakan notasi dan sumber untuk menggambarkan struktur dan hubungan antar data.6. Entitas yang saling berhubungan antara satu dengan yang lain akan membentuk suatu relasi dan isi masing-masing entitas tersebut saling melengkapi.Proses yang ketujuh adalah proses pembuatan laporan pengambilan. Input dari proses ini diambil dari proses sebelumnya yaitu proses perhitungan pencarian rute dan basis data arah. Output dari proses ini berupa laporan yang berisi urutan pengambilan barang serta dilengkapi panduan arah yang digunakan oleh para picker dalam membantu dari aktivitas picker tersebut. Entity – Relationship adalah suatu hubungan antara dua file atau lebih yang saling berkaitan. ERD adalah model konseptual yang mendeskripsikan hubungan antar penyimpanan (dalam DFD).4. 56 . 3.4 Data Base 3.1 Entity Relationship Diagram Sebelum melakukan penyusunan basis data perlu dibuat Entity Relationship Diagram (ERD) dari entitas yang terlibat dalam sistem pencarian rute ini. Dengan ERD kita dapat menguji model dengan mengabaikan proses yang harus dilaksanakan. ERD digunakan untuk memodelkan struktur data dan hubungan antar data.

13 ERD Database Sistem 57 . Proses Update Data Lokasi D1 Data Lokasi Input lokasi pengambilan Proses update data jarak Bagian Administrasi D2 Data perhitungan D3 Data Jarak Input parameter perhitungan dengan ACS Proses perhitungan pencarian rute dengan ACS Proses Update Data Arah D4 Data Arah Pembuatan laporan pengambilan Picker Gambar 3.13 berikut.12 DFD level 0 sistem pencarian rute Jarak Jarak antar lokasi Lokasi Panduan arah Arah Gambar 3.ERD dapat digambarkan pada gambar 3.

Pada tabel 3. Tabel Grid Jarak Tabel grid jarak yang memiliki nama file TGridJarak digunakan dalam proses perhitungan rute. Fungsi dari tabel ini adalah sebagai tabel 58 .3.6.9 Tabel TGridJarak No. Selanjutnya. Tabel-tabel tersebut dapat dilihat sebagai berikut. ERD yang berupa himpunan entitas dan relasi ditransformasikan menjadi tabel-tabel yang merupakan komponen utama pembentuk basis data. Tabel 3.4. 1.2 Transformasi Model Data ke Basis Data Fisik Berikut ini adalah transformasi model data yang dinyatakan dalam ERD ke dalam basis data fisik. Tabel Grid Probabilitas Tabel grid probabilitas yang memiliki nama file TGridProbabilitas yang dalam proses perhitungan rute. 1 2 Nama Field Node Pheromone Ukuran Field 50 Single Tipe Data Text Number Keterangan Nama lokasi Nilai pheromone 3 Jarak Single Number Jarak antar lokasi 2. atribut-atribut yang melekat pada masingmasing himpunan entitas dan relasi dinyatakan sebagai field-field dari tabel yang sesuai. Fungsi dari tabel ini adalah sebagai tabel bantuan dalam mencatat pembaharuan pheromone.11 berikut diperlihatkan field –field dari tabel grid jarak.

1 2 Nama Field Nomor Node Ukuran Field 50 50 Tipe Data Text Text Nama lokasi Keterangan 59 .bantuan dalam mencatat perhitungan probalitas dan akumulasi dari probabilitas yang berguna untuk memilih lokasi selanjutnya yang akan dituju. Fungsi dari tabel ini adalah sebagai tabel bantuan dalam mencatat hasil perhitungan berupa urutan lokasi yang harus dituju.10 berikut diperlihatkan field –field dari tabel grid probabilitas.10 Tabel TGridProbabilitas No. Pada tabel 3. Pada tabel 3.11 Tabel THasil No.11 berikut diperlihatkan field –field dari tabel hasil Tabel 3. Tabel Hasil Tabel hasil yang memiliki nama file THasil digunakan dalam proses perhitungan rute. 1 2 Nama Field Node Probabilitas Probabilitas 3 akumulatif Single Number Ukuran Field 50 Single Tipe Data Text Number Keterangan Nama lokasi 3. Tabel 3.

Tabel 3.13 berikut diperlihatkan field –field dari tabel hasil urut.4.12 berikut diperlihatkan field –field dari tabel hasil text. 13Tabel THasilUrut No. Tabel Hasil Urut Tabel hasil urut yang memiliki nama file THasilUrut digunakan dalam pembuatan laporan pengembalian barang. 1 2 Nama Field Nomor Node Ukuran Field 50 50 Tipe Data Text Text Nama lokasi Keterangan 60 . Pada tabel 3. Tabel Hasil Text Tabel hasil text yang memiliki nama file THasilText digunakan dalam pembuatan laporan pengembalian barang. Nama Field Ukuran Field Tipe Data Keterangan 1 Hasil 50 Text Hasil rute yang terpilih 5. Tabel 3. Pada tabel 3. Fungsi dari tabel ini adalah sebagai tabel bantuan dalam mengkonversi hasil perhitungan berupa urutan lokasi yang harus dituju yang berupa tabel menjadi dalam bentuk teks. Fungsi dari tabel ini adalah sebagai tabel yang berisi hasil perhitungan berupa urutan lokasi yang harus dituju yang telah diurutkan agar berawal dari lokasi depot.12 Tabel THasilText No.

Tabel 3. 14 Tabel TJarakNode No.6. Fungsi dari tabel ini adalah sebagai pemberi informasi mengenai jarak dari satu lokasi ke lokasi yang lain. Pada tabel 3. Tabel Node Awal Tabel node awal yang memiliki nama file TNodeAwal digunakan dalam perhitungan pengambilan barang. Tabel 3. Pada tabel 3.15 berikut diperlihatkan field –field dari tabel node awal. 1 Nama Field Node Ukuran Field 50 Tipe Data Text Keterangan Nama lokasi 2 Jarak Single Number Jarak antar lokasi 7.14 berikut diperlihatkan field –field dari tabel jarak node. 1 Nama Field Node Ukuran Field 50 Tipe Data Text Keterangan Nama lokasi 61 . Tabel Jarak Node Tabel jarak node yang memiliki nama file TJarakNode digunakan dalam perhitungan pengambilan barang.15 Tabel TNodeAwal No. Fungsi dari tabel ini adalah sebagai pemberi informasi mengenai daftar nama-nama lokasi yang terdapat di gudang.

5 Interface Desain interface software yang dibuat memiliki 2 bentuk form yang berfungsi sebagai input maupun output dari software ini.8. Pada tabel 3. Fungsi dari tabel ini adalah sebagai tabel bantuan dalam mengurutkan hasil perhitungan berupa urutan lokasi yang harus dituju agar berawal dari lokasi depot. Input jumlah lokasi dan nama lokasi Pada bagian ini user mengisi jumlah lokasi yang akan dikunjungi untuk mengisi nama lokasinya user langsung memilih dengan cara dengan cara mengetikkannya pada label yang telah 62 . yaitu :  Form Input Form input yang merupakan form utama dari seluruh aktivitas pencarian rute terpendek dengan menggunakan algoritma Ant Colony System. Tabel 3. Form ini memiliki 2 bagian sebagai input dari software ini. 1 Nama Field Node Ukuran Field 50 Tipe Data Text Keterangan Nama lokasi 3. yaitu : 1.6.16 Tabel TNode No. Tabel Node Tabel node yang memiliki nama file TNode digunakan dalam pembuatan laporan pengembalian barang.16 berikut diperlihatkan field –field dari tabel node.

nilai alpha. nilai q0.disediakan dan meng-klik nama lokasi yang telah tercantum pada list box yang telah disediakan. Form input ditunjukkan pada gambar 3. Input parameter perhitungan Pada bagian ini user mengisi nilai-nilai parameter yang digunakan pada perhitungan dengan menggunakan algoritma Ant Colony System dengan cara mengetikkannya pada label-label yang telah disediakan.14 berikut. 2. Nilai-nilai parameter yang harus diisi oleh user adalah nilai pheromone awal. Gambar 3. dan jumlah iterasi perhitungan yang diinginkan. nilai beta. nilai rho.14 Input 63 .

Laporan ini memuat urutan lokasi yang harus dikunjungi oleh para picker beserta panduan arah untuk membantu para picker menuju lokasi yang ditetapkan. Form output ditunjukkan pada gambar 3. Form Output Form output berisi laporan dari hasil pengolahan dengan menggunakan software ini yang akan digunakan oleh para picker sebagai panduan sewaktu melakukan pengambilan barang digudang.15 Output 64 .15 berikut ini Gambar 3.

8.5325 52.6725 52.5325 52.5465 Berdsarkan hasil perhitungan pada tabel 3. 4.5325 52.5325 52.05 menit Gambar jalur yang ditempuh dapat dilihat pada gambar 3. dan 25 dimana tiap jumlah iterasi dilakukan pengulangan perhitungan sebanyak 10 kali.Pada tugas akhir ini perhitungan dengan menggunakan Software APS(software Ant Picking System) dilakukan dengan menggunakan jumlah iterasi sebanyak 1.6725 52.5325 52.532 52. 6.6725 52.5325 52.5325 52.6725 52.5325 52.5325 meter diluar waktu pengambilan barang adalah : Waktu berjalan = 52.532 52.5325 52.5325 52.6725 52.5325 52.6725 52.5325 52.6725 52.5885 10 52.5325 52.16.6725 52.5325 52.5884 3 52.5325 52.5325 52.5325 52.2 detik/meter = 63.6725 52.5325 52.5325 52.5745 18 52.5325 52.5325 52.6725 52.6725 52.5325 meter x 1.5325 52.5325 52.16 berikut ini.6725 52.5325 52.5745 13 52.5325 52.5325 52.5325 m dengan jalur tempuh yang diperlihatkan pada gambar 3.6725 52.6725 52.6725 52.5325 52.5325 52.5325 52.5325 52. Hasil perhitungan secara lengkap dapat dilihat pada tabel 3.5325 52.5325 52.5325 52.17 berikut.5325 52.5325 52.5465 25 52.17 Tabel Hasil Perhitungan software APS Iterasi Run 1 2 3 4 5 6 7 8 9 10 ratarata 1 52.5325 52.5325 52.5325 52.5325 52.5325 52.5325 52. 9.532 52. 65 .5325 52.6725 52.6725 52.5325 52. 20. 7.6725 52.5325 52.5325 52.5325 52.036 detik = 1.1 detik maka waktu untuk berjalan menempuh jarak 52.6725 52.5325 52.6725 52.6725 52. 3. 2.5325 52.5465 7 52.6725 52. Tabel 3.5325 52.17 didapat hasil rute dengan jarak terpendek sejauh 52.5325 52.5325 52.5325 52.5325 52.5325 52.6725 52.58845 5 52. 5.5325 52.5325 52.5325 52. Jika diasumsikan waktu tempuh berjalan sejauh 1 meter memakan waktu 1.5605 22 52. 15.5325 52.5325 52.6725 52.5325 52.5325 52.5325 52.5325 52.5325 52.6725 52.5325 52.5325 52.6725 52.5325 52.5325 52.5325 52.5325 52.5325 52. 10.5745 15 52.

53 meter.036 52. Dalam penggunaan jumlah iterasi kurang dari 10 ratarata hasil jarak yang didapatkan sebesar 52. Tabel 3.Gambar 3.18 Perbandingan Jarak Tempuh antara strategi S-Shape dengan ACS Aspek Perbandingan S-Shape ACS Jarak Tempuh (meter) Waktu Berjalan (detik) 70.5 meter seta memangkas waktu berjalan selama 21 detik dibandingkan dengan jarak tempuh dengan strategi S-Shape.53 63.03 84.57 meter namun untuk penggunaan 66 .036 Hasil rute dengan menggunakan software APS didapat jarak tempuh yang optimal sejauh 52.16 Jalur tempuh dengan menggunakan algoritma ACS Berdasarkan hasil perhitungan jarak tempuh antara strategi S-Shape dengan algoritma ACS terlihat bahwa jarak tempuh terpendek didapat melalui perhitungan dengan menggunakan algoritma ACS yaitu dapat memangkas jarak tempuh sejauh 17.

67 .jumlah iterasi 10 dan lebih dari 10 didapat rata-rata hasil jarak sebesar 52. Untuk itu dalam mendapatkan hasil yang optimal dibutuhkan jumlah iterasi dengan batas minimal sebanyak 10 iterasi.54 meter.

03 meter dengan waktu berjalan selama 84.1 Kesimpulan Penelitian dalam tugas akhir ini memberikan beberapa kesimpulan sebagai berikut: 1.036 detik sedangkan pemilihan rute dengan Strategi SShape dihasilkan rute dengan jarak tempuh sejauh 70. Algoritma ant colony system menggunakan fungsi heuristik untuk mendapatkan hasil yang optimal sehingga kekurangan dari algoritma ant colony system ini adalah waktu proses dalam mendapatkan hasil yang paling optimal sangat tergantung dari jumlah iterasi perhitungan yang digunakan.BAB IV KESIMPULAN DAN SARAN Pada bab ini akan dijelaskan tentang kesimpulan yang didapat berdasarkan hasil pengolahan data dan analisis dari bab sebelumnya serta saran-saran yang diberikan oleh peneliti untuk penelitian selanjutnya.36 detik. 68 . Pemilihan rute dengan menggunakan algoritma Ant Colony System menghasilkan rute dengan jarak tempuh sejauh 52. 4. 2.53 meter dengan waktu berjalan selama 63. Penggunaan strategi S-Shape yang oleh PT Eka Jaya Motor sekarang kurang efisien dalam mengurangi jarak tempuh aktivitas order picking dibandingkan strategi usulan dengan menggunakan algoritman Ant Colony System.

serta jarak antar lokasi secara langsung namun harus menggunakan bantuan software lain yaitu microsoft access untuk meng-update data-data tersebut. Kekurangan dari penggunaan software Ant Picker System adalah belum tersedianya fasilitas untuk meng-update data nama lokasi. panduan arah. Penggunaan software Ant Picker System dalam pencarian rute pada aktivitas order picking memiliki fungsi utama dalam pemberian petunjuk urutan lokasi yang harus dikunjungi oleh picker tersebut sehingga para picker tidak perlu lagi berfikir untuk mendapatkan rute yang terpendek setiap mereka melakukan aktivitas order picking. 4. Pengembangan sistem informasi agar dapat terhubung dengan sistem informasi penerimaan order sehingga input lokasi tidak perlu dilakukan secara manual.3. Pengembangan sistem informasi pencarian rute agar dapat digunakan tidak hanya sebagai pencarian rute pada aktivitas order picking namun pada pencarian rute lainnya seperti rute pendistribusian barang dan sebagainya. 69 . 4.2 Saran Berikut ini adalah beberapa saran perbaikan dan pengembangan bagi perusahaan dan penelitian selanjutnya: 1. 2.

A. Warehouse Distribution and Operations Handbook. Wilson. Frazelle. 2. Plant Layout and Material Handling. 4. Sritomo (2000). Charles G II and Schmenner. Meyers. 3. 9. Mulcahi. Inc. R. 6. Singapore. Watkins. Improving Product Location and Order picking Activities In A Distribution Center. Inc. ITB Bandung 10. 8. Guna Widya. An Evaluation of Routing and Volume-Based Storage Policies In An Order picking Operation. London. 70 . R. Wignjosoebroto. Cambridge. Jacques and R. McGraw Hill. Tata Letak Pabrik dan Pemindahan Bahan. Surabaya. University Press IKIP Surabaya. J. McGraw Hill. 11. M.Daftar Pustaka 1. Solusi Optimal Travelling Salesman Problem dengan Menggunakan Ant Colony System (ACS). Beny. Rina dan M. GRAPH. Edward (2002). Ibnu Sina Wardy. Regests/ Prentice Hall. Decision Sciense. England 5. Ant Colonies for the Traveling Salesman Problem.al (2005). World-Class Warehousing and Material Handling. Singapore. John (1992). Massachusetts. Shouman. Proceedings of the 2005 International Conference on Simulating and Modelling. Penggunaan Graf dalam Algoritma Semut untuk Melakukan Optimisasi. Comprehensive Survey And Classification Scheme of Warehousing System. ITB Bandung. Robin and J. Angel (2007). Gambardella (1997). M. M A et. Petersen. Roger W (1999). 7. Fred E (1993). Dorigo dan L. David E (1994).

Sign up to vote on this title
UsefulNot useful