IMPLEMENTASI METODE PAIRWISE COMPARISON
PADA UJI KINERJA VARIAN METODE KECERDASAN
BUATAN PADA PENYELESAIAN MASALAH TSP
(Kata kunci:
genetic algorithm, ant colony optimization, kecerdasan buatan, pairwise
comparison matrix, travelling salesman problem)
PRESENTASI TUGAS AKHIR – KI091391
Penyusun Tugas Akhir :
Muhammad Ibrahim Oswaldo
(NRP: 5110.100.081)
Agenda Presentasi
Pendahuluan
Perancangan
Uji Coba
Kesimpulan
Latar Belakang
Rumusan Masalah
Batasan Masalah
Tujuan
Latar Belakang
Kondisi terdapat banyak pilihan
Latar Belakang
Pairwise Comparison Matrix
Latar Belakang
Rumusan Masalah
Bagaimana
menentukan
algoritma
kecerdasan
buatan terbaik?
Bagaimana
implementasi
Pairwise
Comparison?
Bagaimana
mendapatkan
keunggulan
dan kelemahan
setiap varians?
Batasan Masalah
Melakukan 5 kali skenario uji
coba berdasarkan data masukan
awal yaitu:
Burma14 : 14 nodes
Ulysses16 : 16 nodes
Ulysses22 : 22 nodes
Eil51 : 51 nodes
Berlin52 : 52 nodes
Perhitungan jarak antar nodes
menggunakan fungsi Euclidean.
Metode kecerdasan buatan yang
diimplementasikan
untuk
penyelesaian TSP adalah:
Genetic Algorithm
Ant Colony Optimization
Varians
atau
kriteria
yang
dibandingkan dari metode yang
menjadi pilihan adalah:
Kompleksitas waktu
Tujuan
Membuktikan bahwa salah satu dari implementasi
algoritma kecerdasan buatan dapat memberikan pilihan
algoritma terbaik dalam menyelesaikan permasalahan
TSP
Mengimplementasikan pairwise comparison matrix
untuk uji kinerja varians metode genetic algorithm dan
ant colony optimization
Menghitung kompleksitas waktu, kompleksitas memori,
jarak optimal, dan tingkat kesulitan implementasi dalam
Agenda Presentasi
Pendahuluan
Perancangan
Uji Coba
Kesimpulan
Urutan Pengerjaan
• Implementasi Euclidean
Preproses Data
• Implementasi GA
• Implementasi ACO
Uji Coba dan
Evaluasi
• Implementasi Pairwise
Comparison
Sekilas GA
Termasuk
pelopor
dalam
pendekatan
Metaheuristik
.
GA didasarkan pada
prinsip-prinsip genetika dan seleksi alam.
Kromosom
Fitness
Seleksi
Genetic Algorithm
Genetic Algorithm
𝑔𝑒𝑛1 𝑔𝑒𝑛2 𝑔𝑒𝑛3 … 𝑔𝑒𝑛𝑛
1 rand rand rand … rand 2 rand rand rand … rand
Genetic Algorithm
Genetic Algorithm
𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕𝒚 𝒐𝒇 𝒄𝒓𝒐𝒔𝒔𝒐𝒗𝒆𝒓 = 𝟎. 𝟓
𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕𝒚 𝒐𝒇 𝒎𝒖𝒕𝒂𝒕𝒊𝒐𝒏 = 𝟎. 𝟎𝟏
Genetic Algorithm
Kawin silang dilakukan
untuk
mendapatkan
kombinasi yang lebih baik
antara
satu
individu
dengan individu yang lain
dalam satu populasi
Mutasi
dimaksudkan
untuk
memunculkan
individu
baru
yang
berbeda
sama
sekali
dengan
individu
yang
Genetic Algorithm
Konsep
elitism
(elitisme)
dalam
GA
berarti
usaha
mempertahankan
individu-individu terbaik yang telah
diperoleh
pada
suatu
generasi ke dalam generasi
selanjutnya.
Sehingga
individu-individu
terbaik
ini
Sekilas ACO
Termasuk dalam kelompok
Swarm Intelligence.
Sebuah metode untuk mencari jalur optimal
yang didasarkan perilaku semut dalam mencari
sumber makanan.
Pheromones
Evaporasi
Penguatan
Ant Colony Optimization
(a) Semut pertama
begerak secara acak
(b) Semut berikutnya
memiliki probabilitas
untuk memilih
Ant Colony Optimization
(b) Semut berikutnya
memiliki probabilitas
untuk memilih
𝒑
𝒊,𝒋
=
𝝉
𝒊,𝒋
𝜶
𝒋∈𝑵
𝒊(𝒌)𝝉
𝒊,𝒋
𝜶
𝛼 : derajat kepentingan
pheromones
𝑵
𝒊
(𝒌)
: tetangga pilihan yang
dipunyai semut k
Ant Colony Optimization
(c) Penentuan jalur
Sekilas Pairwise Comparison
Metode perbandingan berpasangan. Biasanya
mengacu pada setiap proses membandingkan
setiap
varians
berpasangan untuk menilai yang
mana dari setiap
varians
yang memiliki
performa lebih baik.
Derajat Kepentingan
Matriks A
Pairwise Comparison Matrix
Membangun Pairwise Comparison Matriks A𝟏
𝒄
𝟏𝒄
𝟐𝒄
𝒄
𝟏𝒄
𝟑𝒄
𝟏𝒄
𝟒𝒄
𝒄
𝟏
𝒂
𝟏𝟐𝒂
𝟏
𝒂
𝟏𝟑⋯ 𝒂
𝟏𝒏𝒂
⋯ 𝒂
Pairwise Comparison Matrix
Normalisasi
Matriks A
𝑨 =
𝟏
𝒂
𝟏𝟐𝒂
𝟐𝟏𝟏
𝒂
𝟑𝟏𝒂
𝟑𝟐𝒂
𝟏𝟑⋯ 𝒂
𝟏𝒏𝒂
𝟐𝟑⋯ 𝒂
𝟐𝒏𝟏
⋯ 𝒂
𝟑𝒏 𝑵𝑨 = 𝟏 𝒔𝒖𝒎(𝒂𝒏𝟏) 𝒂𝟏𝟐 𝒔𝒖𝒎(𝒂𝒏𝟐) 𝒂𝟐𝟏 𝒔𝒖𝒎(𝒂𝒏𝟏) 𝟏 𝒔𝒖𝒎(𝒂𝒏𝟐) 𝒂𝟑𝟏 𝒔𝒖𝒎(𝒂𝒏𝟏) 𝒂𝟑𝟐 𝒔𝒖𝒎(𝒂𝒏𝟐) 𝒂𝟏𝟑 𝒔𝒖𝒎(𝒂𝒏𝟑) ⋯ 𝒂𝟏𝒏 𝒔𝒖𝒎(𝒂𝒏𝒏) 𝒂𝟐𝟑 𝒔𝒖𝒎(𝒂𝒏𝟑) ⋯ 𝒂𝟐𝒏 𝒔𝒖𝒎(𝒂𝒏𝒏) 𝟏 𝒔𝒖𝒎(𝒂𝒏𝟑) ⋯ 𝒂𝟑𝒏 𝒔𝒖𝒎(𝒂𝒏𝒏) ⋮ ⋮ 𝒂𝒏𝟏 𝒔𝒖𝒎(𝒂𝒏𝟏) 𝒂𝒏𝟐 𝒔𝒖𝒎(𝒂𝒏𝟐) ⋮ ⋱ ⋮ 𝒂𝒏𝟑 𝒔𝒖𝒎(𝒂 ) ⋯ 𝟏 𝒔𝒖𝒎(𝒂 )Pairwise Comparison Matrix
Bobot
Vektor
Matriks
𝑵𝑨 = 𝟏 𝒔𝒖𝒎(𝒂𝒏𝟏) 𝒂𝟏𝟐 𝒔𝒖𝒎(𝒂𝒏𝟐) 𝒂𝟐𝟏 𝒔𝒖𝒎(𝒂𝒏𝟏) 𝟏 𝒔𝒖𝒎(𝒂𝒏𝟐) 𝒂𝟑𝟏 𝒔𝒖𝒎(𝒂𝒏𝟏) 𝒂𝟑𝟐 𝒔𝒖𝒎(𝒂𝒏𝟐) 𝒂𝟏𝟑 𝒔𝒖𝒎(𝒂𝒏𝟑) ⋯ 𝒂𝟏𝒏 𝒔𝒖𝒎(𝒂𝒏𝒏) 𝒂𝟐𝟑 𝒔𝒖𝒎(𝒂𝒏𝟑) ⋯ 𝒂𝟐𝒏 𝒔𝒖𝒎(𝒂𝒏𝒏) 𝟏 𝒔𝒖𝒎(𝒂𝒏𝟑) ⋯ 𝒂𝟑𝒏 𝒔𝒖𝒎(𝒂𝒏𝒏) ⋮ ⋮ ⋮ ⋱ ⋮𝑼𝑨 =
𝑨𝒗𝒆𝒓𝒂𝒈𝒆(𝒓𝒐𝒘
𝑵𝑨𝟏)
𝑨𝒗𝒆𝒓𝒂𝒈𝒆(𝒓𝒐𝒘
𝑵𝑨𝟐)
𝑨𝒗𝒆𝒓𝒂𝒈𝒆(𝒓𝒐𝒘
𝑵𝑨𝟑)
⋮
𝑨𝒗𝒆𝒓𝒂𝒈𝒆(𝒓𝒐𝒘
𝑵𝑨𝒏)
Pairwise Comparison Matrix
Tentukan Kesimbangan Matriks A 𝑪𝑹 < 𝟎. 𝟏𝑨 =
𝟏
𝒂
𝟏𝟐𝒂
𝟐𝟏𝟏
𝒂
𝟑𝟏𝒂
𝟑𝟐𝒂
𝟏𝟑⋯ 𝒂
𝟏𝒏𝒂
𝟐𝟑⋯ 𝒂
𝟐𝒏𝟏
⋯ 𝒂
𝟑𝒏𝑼𝑨 =
𝑨𝒗𝒆𝒓𝒂𝒈𝒆(𝒓𝒐𝒘
𝑵𝑨𝟏)
𝑨𝒗𝒆𝒓𝒂𝒈𝒆(𝒓𝒐𝒘
𝑵𝑨𝟐)
𝑨𝒗𝒆𝒓𝒂𝒈𝒆(𝒓𝒐𝒘
𝑵𝑨𝟑)
⋮
𝑨𝒗𝒆𝒓𝒂𝒈𝒆(𝒓𝒐𝒘
𝑵𝑨𝒏)
𝑪𝑹 =
𝑪𝑰
𝑹𝑰
𝑹𝑰 =
𝟏. 𝟗𝟔(𝒏 − 𝟐)
𝒏
𝑪𝑰 =
𝒏
𝐦𝐚𝐱𝑨 − 𝒏
𝒏 − 𝟏
𝒏
𝒎𝒂𝒙𝑨 = 𝒔𝒖𝒎(𝑨 × 𝑼𝑨)
Pembentukan Matrix Pairwise
Nilai
Tingkat Kepentingan
1
Memiliki tingkatan yang sama
3
Sedikit lebih penting dari
salah satu kriteria lainya
5
Lebih penting
7
Memiliki kepentingan yang
sangat tinggi
9
Memiliki tingkat kepentingan
yang paling tinggi
1
Kompleksitas Waktu
Implementasi
2
Kompleksitas Memori
Implementasi
3
Jarak Tempuh Optimal
4
Tingkat Kesulitan
Implementasi
𝟏
𝒄
𝟏Pembentukan Matrix Pairwise
Nilai
Tingkat Kepentingan
1
Memiliki tingkatan yang sama
3
Sedikit lebih penting dari
salah satu kriteria lainya
5
Lebih penting
7
Memiliki kepentingan yang
sangat tinggi
9
Memiliki tingkat kepentingan
yang paling tinggi
1
Kompleksitas Waktu
Implementasi
2
Kompleksitas Memori
Implementasi
3
Jarak Tempuh Optimal
4
Tingkat Kesulitan
Implementasi
𝑨 =
𝟏
𝒄
𝟏𝒄
𝟐𝒄
𝟐𝒄
𝟏𝟏
𝒄
𝟏𝒄
𝟑𝒄
𝟏𝒄
𝟒𝒄
𝟐𝒄
𝟑𝒄
𝟐𝒄
𝟒𝒄
𝒄
𝒄
Pembentukan Matrix Pairwise
Nilai
Tingkat Kepentingan
1
Memiliki tingkatan yang sama
3
Sedikit lebih penting dari
salah satu kriteria lainya
5
Lebih penting
7
Memiliki kepentingan yang
sangat tinggi
9
Memiliki tingkat kepentingan
yang paling tinggi
1
Kompleksitas Waktu
Implementasi
2
Kompleksitas Memori
Implementasi
3
Jarak Tempuh Optimal
4
Tingkat Kesulitan
Implementasi
𝟏
𝟓
𝒄
𝒄
𝟏𝒄
𝟑𝒄
𝟏𝒄
𝟒Pembentukan Matrix Pairwise
Nilai
Tingkat Kepentingan
1
Memiliki tingkatan yang sama
3
Sedikit lebih penting dari
salah satu kriteria lainya
5
Lebih penting
7
Memiliki kepentingan yang
sangat tinggi
9
Memiliki tingkat kepentingan
yang paling tinggi
1
Kompleksitas Waktu
Implementasi
2
Kompleksitas Memori
Implementasi
3
Jarak Tempuh Optimal
4
Tingkat Kesulitan
Implementasi
𝑨 =
𝟏. 𝟎𝟎 𝟓. 𝟎𝟎
Keseimbangan Matrix A
Normalisasi
Matriks A
𝑵
𝑨=
𝟎. 𝟐𝟑 𝟎. 𝟑𝟕𝟓
𝟎. 𝟎𝟒 𝟎. 𝟎𝟕𝟓
𝟎. 𝟐𝟏 𝟎. 𝟑𝟓
𝟎. 𝟎𝟗 𝟎. 𝟏𝟓
𝟎. 𝟕𝟎 𝟎. 𝟓𝟐𝟓
𝟎. 𝟎𝟑 𝟎. 𝟎𝟐𝟓
𝟎. 𝟔𝟑 𝟎. 𝟒𝟓
𝟎. 𝟎𝟕 𝟎. 𝟎𝟓
Keseimbangan Matrix A
Bobot Vektor
Matriks
𝑼𝑨𝟏 =𝟎. 𝟐𝟑 + 𝟎. 𝟑𝟕𝟓 + 𝟎. 𝟐𝟏 + 𝟎. 𝟑𝟓 𝟒 = 𝟎. 𝟐𝟗 𝑼𝑨𝟐 =𝟎. 𝟎𝟒 + 𝟎. 𝟎𝟕𝟓 + 𝟎. 𝟎𝟗 + 𝟎. 𝟏𝟓 𝟒 = 𝟎. 𝟎𝟗 𝑼𝑨𝟑 =𝟎. 𝟕𝟎 + 𝟎. 𝟓𝟐𝟓 + 𝟎. 𝟔𝟑 + 𝟎. 𝟒𝟓 𝟒 = 𝟎. 𝟓𝟕 𝑼𝑨𝟒 =𝟎. 𝟎𝟑 + 𝟎. 𝟎𝟐𝟓 + 𝟎. 𝟎𝟕 + 𝟎. 𝟎𝟓 𝟒 = 𝟎. 𝟎𝟒Keseimbangan Matrix A
Tentukan Kesimbangan Matriks A𝑪𝑹 < 𝟎. 𝟏
𝑪𝑰 = 𝟎. 𝟎𝟗.
Consistency
Index
𝑹𝑰 = 𝟎. 𝟗𝟗 Random Consistency Index 𝑪𝑹 = 𝟎. 𝟎𝟗 𝑪𝑹 < 𝟎. 𝟏 Consistency RatioAgenda Presentasi
Pendahuluan
Perancangan
Uji Coba
Kesimpulan
Uji Coba GA
1500 2000 2500 9100 9200 9300 9400 9500 9600 9700 9800 9900 X y MULAI 8 node 11 node 9 node 10 node 1 node 2 node 14 node 3 node 4 node 5 node 6 node 12 node 7 node 13Uji Coba ACO
1500 1600 1700 1800 1900 2000 2100 2200 2300 2400 2500 9100 9200 9300 9400 9500 9600 9700 9800 9900 X y MULAI 10 node 9 node 11 node 8 node 13 node 7 node 12 node 6 node 5 node 4 node 3 node 14 node 2 node 1Jarak optimal adalah 3087.8504
Hasil Uji Coba 14 Nodes
Percobaan
14 Nodes
Metode
GA
ACO
Kompleksitas
waktu
414.27s
3.22s
Kompleksitas
memori
45.30 MB 1.35 MB
Jarak optimal
3087.5
3087.5
Pembentukan Matriks Turunan
GA ACO Kompleksitas waktu 414.27s 3.22s GA ACO Kompleksitas memori 45.3 MB 1.35 MB GA ACO Jarak optimal 3087.5 3087.5 GA ACOBaris kode 261 baris 152 baris
𝐴
𝑤𝑎𝑘𝑡𝑢= 1 0.1
𝐴
𝑚𝑒𝑚𝑜𝑟𝑖= 1 0.1
𝐴
𝑗𝑎𝑟𝑎𝑘= 1 1
𝐴
𝑘𝑜𝑑𝑒= 1 0.3
Nilai Tingkat Kepentingan