• Tidak ada hasil yang ditemukan

LAPORAN AKHIR PENELITIAN UNGGULAN ITS DANA ITS 2020

N/A
N/A
Protected

Academic year: 2021

Membagikan "LAPORAN AKHIR PENELITIAN UNGGULAN ITS DANA ITS 2020"

Copied!
64
0
0

Teks penuh

(1)

LAPORAN AKHIR

PENELITIAN UNGGULAN ITS

DANA ITS 2020

Pengembangan Model Traveling Salesman Problem & Vehicle Routing

Problem dan Algoritma Generik Berbasis Hyper-heuristics Untuk

Menyelesaikan Permasalahan Optimasi Operasi dan Penjadwalan Public

Transport di Kota Surabaya dalam Kerangka Kerja Intelligent Transport

Systems

Tim Peneliti :

Ahmad Muklason, S.Kom., M.Sc., Ph.D. (Departemen Sistem Informasi/FT-EIC/ITS)

Dra. Nuri Wahyuningsih, M.Kes. (Departemen Sains Aktuaria/FSAD/ITS)

Raras Tyasnurita, S.Kom., M.BA, Ph.D. (Departemen Sistem Informasi/FT-EIC/ITS)

Retno Aulia Vinarti, S.Kom., M.Kom, Ph.D. (Departemen Sistem Informasi/FT-EIC/ITS)

DIREKTORAT RISET DAN PENGABDIAN KEPADA MASYARAKAT

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA

(2)

Daftar Isi

Daftar Isi ... i Daftar Tabel ... ii Daftar Gambar ... iv Daftar Lampiran ... v BAB I RINGKASAN ... 1

BAB II HASIL PENELITIAN ... 2

BAB VI HASIL DAN PEMBAHASAN ... 2

4.1 Data Uji Coba ... 2

4.2 Lingkungan Uji Coba ... 2

4.3 Hasil Solusi Awal... 3

4.4 Hasil Uji Coba Algoritma Artificial Bee Colony ... 8

4.4.1. Uji Coba Parameter Limit ... 8

4.4.2. Uji Coba Parameter FoodSource ... 10

4.4.2. Uji Coba Jumlah Iterasi ... 11

4.4.3. Uji Coba Low Level Heuristik ... 12

4.4.3. Hasil Solusi Akhir ... 14

4.5 Performa Algoritma Artificial Bee Colony ... 19

4.5.1 Perbandingan dengan Solusi Awal ... 19

4.5.2 Perbandingan dengan Algoritma Nearest Neighbour ... 20

4.5.3 Perbandingan dengan Algoritma Genetik ... 20

4.5.4 Perbandingan dengan Algoritma Simulated Annealing ... 24

BAB III STATUS LUARAN ... 28

BAB IV KENDALA PELAKSANAAN PENELITIAN ... 30

(3)

Daftar Tabel

Tabel 4. 1 Spesifikasi Perangkat Keras ... 2

Tabel 4. 2 Spesifikasi Perangkat Lunak... 2

Tabel 4. 3 Hasil Solusi Awal ... 3

(4)

Tabel 4.1 Spesifikasi Perangkat Keras 2

Tabel 4.2 Spesifikasi Perangkat Lunak ... Error! Bookmark not defined. Tabel 3 Status Luaran ... 28

(5)

Daftar Gambar

Gambar 4. 1 Uji Coba Parameter Limit pada Dataset 6 ... 9

Gambar 4. 2 Uji Coba Parameter Limit pada Dataset 11 ... 9

Gambar 4. 3 Uji Coba Parameter Limit pada Dataset 14 ... 9

Gambar 4. 4 Uji Coba Parameter FoodSource pada Dataset 6 ... 10

Gambar 4.5 Gambar 4. 5 Uji Coba Parameter FoodSource pada Dataset 11 ... 10

Gambar 4. 6 Uji Coba Parameter FoodSource pada Dataset 14 ... 11

Gambar 4. 7 Running Time Parameter FoodSource ... 11

Gambar 4. 8 Uji Coba Jumlah Iterasi pada Dataset 6 ... 11

Gambar 4. 9 Uji Coba Jumlah Iterasi pada Dataset 11 ... 12

Gambar 4. 10 Uji Coba Jumlah Iterasi pada Dataset 14 ... 12

Gambar 4. 11 Uji Coba LLH pada Dataset 6 ... 13

Gambar 4. 12 Uji Coba LLH pada Dataset 11 ... 13

Gambar 4. 13 Uji Coba LLH pada Dataset 14 ... 13

Gambar 4. 14 Perbandingan Solusi Awal dan Solusi Akhir ... 19

Gambar 4. 15 ... 20

Gambar 4. 16 Perbandingan Algoritma ABC dan NN ... 20

Gambar 4. 17 Perbandingan Algoritma ABC dan GA ... 21

Gambar 4. 18 Perbandingan Algoritma ABC dan GA ... 21

Gambar 4. 19 Box Plot Dataset 1 dan 2 ... 22

Gambar 4. 20 Box Plot Dataset 3 dan 4 ... 22

Gambar 4. 21 Box Plot Dataset 5 dan 6 ... 22

Gambar 4. 22 Box Plot Dataset 7 dan 8 ... 23

Gambar 4. 23 Box Plot Dataset 9 dan 10 ... 23

Gambar 4. 24 Box Plot Dataset 11 dan 12 ... 23

Gambar 4. 25 Box Plot Dataset 13 dan 14 ... 24

Gambar 4. 26 Perbandingan Algoritma ABC dan SA ... 24

Gambar 4. 27 Perbandingan Algoritma ABC dan SA ... 25

Gambar 4. 28 Box Plot Dataset 3 dan 4 ... 25

Gambar 4. 29 Box Plot Dataset 5 dan 6 ... 26

Gambar 4. 30 Box Plot Dataset 7 dan 8 ... 26

Gambar 4. 31 Box Plot Dataset 9 dan 10 ... 26

Gambar 4. 32 Box Plot Dataset 11 dan 12 ... 27

(6)

Daftar Lampiran

(7)

BAB I RINGKASAN

Kemacetan lalu lintas adalah masalah umum di kota-kota besar di seluruh kota besar. Selain dengan penyediaan moda transportasi masal yang bagus, untuk mengatasi masalah kemacetan diperlukan sistem manajemen transportasi yang bagus juga. Penelitian ini bertujuan untuk mengembangkan model Traveling Salesman Problem (TSP) dan Vehicle Routing Problem (VRP) untuk memodelkan permasalahan manajemen transportasi di kota Surabaya, khususnya yang berkaitan dengan optimasi operasional dan penjadwalan moda transportasi umum masal terintegrasi yang direncanakan akan dibangun di kota Surabaya. Selain pembuatan model, untuk menyelesaiakan model permasalahan, dalam penelitian ini akan diusulkan algoritma generik dengan menggunakan pendekatan hyper-heuristics. Dari sisi keilmuwan, kontribusi ilmiah yang diharapkan dari penelitian ini adalah diperolehnya data set dan pengembangan model baru untuk TSP dan VRP yang telah dibuktikan sebagai permasalahan yang Non-deterministic Polynomial (NP), i.e. NP-hard, dimana belum diketahui adanya algoritma esak yang mempu menyelesaikan dalam waktu polynomial. Data set dan model baru ini diharapkan dapat mendorong penelitian algoritma lebih lanjut oleh peneliti lainya khususnya di bidang kecerdasan buatan dan riset operasi. Dari sisi manfaat praktis, luaran dari penelitian ini diharapkan dapat menghasilkan piranti lunak cerdas yang dapat membantu dalam manajemen transportasi masal terintegrasi dalam kerangka kerja Intelligent Transport System (ITS)

di kota-kota besar di Indonesia, khususnya di kota Surabaya.

Kata Kunci: Traveling Salesman Problem, Vehicle Routing Problem, Intelligent Transport System, Hyper-heuristics

(8)

Ringkasan penelitian berisi latar belakang penelitian,tujuan dan tahapan metode penelitian, luaran yang ditargetkan, kata kunci

BAB II HASIL PENELITIAN

BAB VI

HASIL DAN PEMBAHASAN

Pada bab ini akan menjelaskan mengenai hasil uji coba dan analisis terhadap hasil solusi yang diperoleh dari implementasi Algoritma ABC dan perbandingannya dengan beberapa algoritma lain seperti NN, GA danSA.

4.1Data Uji Coba

Data yang digunakan sebagai uji coba adalah dataset TSP dari Traveling Salesman Competition (TSC) 2.0 yang digunakan langsung dalam penelitian tugas ini.

4.2Lingkungan Uji Coba

Pada subbab Lingkungan Uji Coba ini akan menjelaskan terkait lingkungan pengujian dalam melakukan implementasi penelitian terkait optimasi rute rencana perjalanan dengan pesawat pada studi kasus TSC 2.0. Spesifikasi perangkat keras yang digunakan dalam implementasi ditunjukkan pada Error! Reference source not found..

Tabel 4. 1 Spesifikasi Perangkat Keras

Perangkat Keras Spesifikasi

Jenis Laptop Dell Inspiron 7559

Processor Intel(R) Core(TM) i7-6700HQ 2.6GHz

RAM 16 GB

Hard Disk Drive 1000 GB

Untuk spesifikasi perangkat lunak yang digunakan dalam pengerjaan penelitian ini ditunjukkan pada Error! Reference source not found..

(9)

4.3Hasil Solusi Awal

Pembuatan solusi awal dilakukan dengan cara menentukan secara acak urutan tur kota dari daftar kota yang telah dilakukan seleksi sebelumnya. Jika ditemukan solusi yang tidak layak maka urutan kota akan kembali diacak hingga ditemukan solusi yang layak. Tabel 4.3 menunjukan solusi yang dihasilkan pada solusi awal beserta biaya yang dibutuhkan.

Tabel 4. 3 Hasil Solusi Awal

Dataset Solusi 1 AB0-AB5-AB3-AB6-AB8-AB1-AB4-AB9-AB2-AB7-AB0 (8609) 2 EBJ-NBP-OMG-NCA-NUJ-OHT-GSM-EFZ-QKK-SSC-TKT (1498) 3 GDN-IEG-WE2-ZC1-LB1-KJ1-LD1-DL1-RZE-SZY-SA2-KRK-MZ1-GDN (17818) 4 GDN-PVK-BTS-VCE-CDG-NYO-SXF-GLA-TSR-KBP-KIV-LUX-TGD-HEL- MLA-SPU-ERZ-DUB-TRD-ANR-VNO-LIS-AMS-INN-PRG-SKP-BEG-LJU-TIA-BCN-BUD-GVA-VAR-MHP-SJJ-AKT-TLL-RIX-CPH-VOZ-GDN (52623) 5 RCF-QNY-YMJ-EIF-QNL-MUD-EGM-EQP-GSW-AON-LQP-BPA-JAQ-PSS- HGY-SQZ-JLM-WYX-SZR-MGY-LDS-SMM-PIG-MWT-IXY-JRJ-CLQ-RZA- GMM-UUZ-KLW-GMU-FED-FIE-EHO-FNO-LZS-JSF-MLL-FWF-AVC-UCF-QUZ-BBZ-MWE-LGI-RCF (5157) 6 VHK-RNK-IFS-LGF-DBD-CZA-YMG-IXR-UGD-BML-IKC-UDQ-PYW-JSP- BCT-YCE-DUK-NKE-RXB-CPQ-TXU-XEH-GCC-UXA-QEZ-UXC-QIU-WJI- URB-BJW-YQK-BSK-UNM-GYZ-LFE-WYU-IXJ-MXV-WBF-HPO-CJF-CTQ- UAX-ZML-QLA-ZVF-NOZ-RSE-TPR-EFU-ZZY-PFG-UWL-BYT-EUV-PJI- AFF-MUF-KIS-LNP-IXQ-IWR-UHR-EXJ-VTQ-DQJ-KKE-ASN-LWM-NTJ- UYZ-QXW-AJK-BHK-FPD-CCR-SAN-IEI-OTN-CUV-XSR-RLV-AWR-RNS-FVJ-YHH-UDY-LTN-CWC-WTV-VDG-YUT-ZVP-VKQ-GCX-LDS-VHK (12625) 7 AHG-FAY-FFF-GWN-FWO-COH-GUT-DVS-FKV-GAR-DAU-DIZ-BBW-HFU- FDV-EIH-BPW-EFY-BTY-GSL-DNK-EPQ-DDV-HCP-BSP-BZT-ECE-CTU- BHB-BXV-CWC-DWI-ETU-DKV-HAP-DIB-ERX-FCD-FOS-ARO-AMR-BAQ- AZS-BKI-FRJ-BNK-GMM-BWF-GRU-FIO-FJO-FRW-DPO-DHV-CRI-HAF- BUF-BAJ-FJA-DER-BZH-FOE-FXP-FHS-BRF-DSM-FMZ-EZG-ATB-AEN- AKZ-GWJ-ALX-ALM-DUH-IVN-IDG-NIZ-JGW-KLS-INT-HWB-KXF-KON-

(10)

MYY-IBM-JHC-MDX-IRN-HUV-MGM-MQY-JBB-JOQ-JOO-IOM-IRE-HMD-Dataset Solusi KXI-LHG-KKA-LID-JUZ-JQD-HID-LBK-IIH-LPA-KMH-MCH-LUI-KPR-NFB- LSE-LYI-ITE-HXU-JWN-MOR-KYK-MRT-LAL-HTJ-LIR-JLI-NCU-MAS-LAA- HFX-KXN-MIJ-HRV-HVV-JUG-MLJ-KXM-LZD-ICN-HGD-LJA-NFL-HON-IWU-KLO-MED-JMP-NAD-MAZ-MON-LOU-AHG (89234) 8 AEW-HIX-QZU-WLL-ZZP-VNJ-WFU-ANZ-WKK-MYZ-RUP-RLE-WPH-DSR- VVA-GSC-VZK-WCD-BIN-YED-AOY-RLT-QHR-INI-IVF-OPC-CUU-VFT- VXE-JZU-UJW-JRX-RWM-EQV-PAV-TKC-GPI-JSR-AUJ-BZR-PFI-VDU-RYJ- ETH-DWQ-RHQ-LAZ-JQI-ASF-URK-DDZ-XMD-VDQ-LTI-ULD-XGM-IHK- ECS-IID-IDB-LRL-JJY-NBR-FWA-CJM-RJM-RRT-JIM-JBJ-JAH-KBN-EHZ- JCY-TBS-CLA-XRW-NOR-BFZ-ZNG-SED-LNC-GRH-LTF-XSY-PUW-DCY- XSF-BJG-TQN-JRT-FGF-PRO-IUN-HMM-EBK-XLT-UYS-MVV-EOG-OAE- CKW-AUO-SXJ-CZJ-BCU-NVV-ROM-IPE-FYA-RAA-WUL-PEU-BYB-MSW- ZNF-FMC-NZN-PUG-QRL-PJS-LII-ZCX-EGV-WRL-CAA-GKF-BGU-FCP-JBS- IYZ-OBE-DSN-HIN-ILI-TRJ-AFH-NPF-JHO-BQL-EBY-MYR-DNZ-DCB-EOW- KIC-BNL-FCJ-PDI-HTD-LRU-QMS-MMN-JFU-AME-OOM-OTQ-NRS-BAB- ALA-HNP-RWO-JQL-CHK-OVC-JKB-MAE-OLQ-BKB-IHD-PCD-LKE-CGR- OXH-HPZ-RAR-PNH-GHI-DRO-AKF-FAO-EXV-LTP-KIW-BMD-QBR-PEP- BLJ-PDY-QXU-MFT-PFU-FKP-NPT-MRE-OVD-EOB-EBC-BPY-DVQ-CSW-AEW (17434) 9 GVT-PFD-CPU-IQC-NRL-DLZ-AXR-FTC-URP-IUH-PSE-WSO-KKO-DJT- MRH-JXA-XXF-VMN-VIW-PWO-IMC-RGA-IUU-IRH-WWJ-WSD-QGZ-AWV- KXR-KLB-SOX-EYQ-DHJ-TQQ-OQL-RUK-XSQ-YRN-JDF-QTU-PYJ-BSZ- YEK-OBM-LVV-NJX-BBM-BNC-SEW-PSG-BLW-IZD-JNF-UHQ-DPL-MZN- TKY-FNL-YSI-ODA-SPU-EGT-AEY-FKS-SAW-STR-SAT-GJO-OBN-XSV- ZJX-VGF-UGR-TWU-JGV-VKO-UFP-XXV-KRI-JQS-WAZ-IML-IAM-FMI- ZID-MUL-NRE-YDX-GER-YKY-LHE-ZHS-VEH-BQX-OXU-JPK-KUL-WTB-

(11)

LMK-SPH-SIY-ZEA-MRO-ZUV-AHR-PSS-SZE-HPH-QJV-LOC-WQP-AHC-Dataset Solusi JXV-LUA-BYN-QNV-AXO-NGB-HVC-HJJ-CEA-CAB-YQL-VGR-JLO-NUO- RZK-DHD-XNA-PUN-RGB-MGK-JPI-SGB-ZTN-JAV-JIV-JBA-BUC-MPH- OKB-QNA-XOS-EJK-GSQ-AOL-UEI-PTC-BCI-OLW-KKQ-STB-NZQ-RZB- QBQ-HDY-RPW-JJD-FAK-RSX-EAG-JLS-ICU-NJH-TAE-VLS-UCR-QBZ-BRA-VDX-HVP-HSZ-JSU-VLV-VUC-JUJ-LJS-BRC-UMH-CAK-GVT (290733) 10 ECB-OGF-FGT-DSH-SVY-JAP-EVX-UZO-IFL-AAB-CUQ-JRK-DRM-NAP- RQS-QYW-EWE-ZRU-THY-URM-LRY-OQY-SRK-IPX-PWL-STD-LKC-MTV- EAK-NLU-JTU-ICJ-IYX-DRK-LNF-PGR-XXY-BHJ-IVY-KPX-MHI-OJE-SIV- XUA-YEO-XGY-SVT-KAM-FSJ-ABP-JGZ-TUJ-ZDE-OEU-APJ-IWD-LRJ-ZEV- TBG-NMV-AJI-EGP-TPR-DEN-XJE-TRO-RYW-LBS-INX-FCD-FAB-MOM- THP-CJU-GSW-XWU-ZVN-NVJ-KLG-SHI-YOO-NWT-PZG-TGN-TNQ-URW- TIP-CSH-BHR-SPH-FCV-BFP-EMG-GCP-CHH-ZZW-VRY-WMZ-CHW-AKB- SCB-AGL-DSZ-LTS-KNJ-UUG-BKB-YWI-UXZ-KFW-VBB-DLU-ERR-AXT- QQA-FJQ-QPO-JKP-MFH-VJP-LNS-SNZ-ETP-RAX-IUM-UPC-HMD-YQZ- ISW-OLW-EVC-VON-URG-TIK-BCB-ZJA-AQG-RFP-XGF-UYA-RXJ-ZAZ- CQJ-ESC-EXW-GEH-IUK-LFN-RFS-JZK-ZUN-JEH-CNB-KJC-NPL-BSS-JVK- BOT-LTO-URO-KXM-LXL-CZK-NRS-GER-OQV-HLC-DTO-GFW-YPU-AIN- VWD-CSW-LMG-EJV-WCD-RVW-GLQ-JQC-TFG-KCX-VKI-BUF-BQK-EBZ- NPJ-XPD-AYM-ODK-VEE-VJR-HFK-ZCY-EIN-NTI-OTR-PDB-OQC-NPM- LMY-KWU-EOL-UIA-ASE-JCY-RMN-AHQ-BNO-BTQ-UZM-KWE-IJZ-UJN- KCM-EDC-RWT-WRM-XCA-GLV-QDZ-ZZZ-SPA-XFD-EPP-SLM-UKX-FZB- OXB-YEC-IIK-YRB-DDD-JGU-HZM-BOU-YMC-NHG-YJV-CCB-FJI-TKS- KXQ-BHN-FXQ-EXJ-JDU-KNS-ZIS-WNB-PHT-ACC-OLV-UYZ-QHU-AQO- HTF-WFD-VUW-UVD-YME-QLI-GFY-YHM-DEU-GFO-XOV-ICO-HDZ-WTU- QVC-KOR-XRB-YOV-DDL-WGN-ZSZ-LME-ZIU-QNP-YMJ-GJZ-VQC-LOR- STM-MRZ-ZXF-LEL-QYH-MFM-SZR-ZBE-YMX-HFW-JIE-LQV-GUO-CLG-NEU-QWG-TNI-ECB (374530) 11 LIJ-FOG-QWO-LVG-NUJ-EHR-ZQV-HLV-UYV-MGY-FKW-NJQ-TSY-NOP- TNZ-YFT-MYB-QZQ-JWL-KHM-YKW-PNA-HMT-FWB-OIU-UJA-IZX-CPP- LMS-FIT-AEB-WAC-FKQ-GAB-BEJ-SZD-HIE-THB-NMK-LIR-JTA-XEX-JCP-

(12)

OFQ-CJM-IWT-ZHV-QAL-DIW-VRO-JOY-NTW-MBV-YYU-NGN-LTQ-RMH-Dataset Solusi NRY-LRM-GAM-CUM-OGM-LUF-RYP-MRN-KPI-FTD-JBN-HCI-UHG-YLW- EOW-DGR-KYX-TXN-ZKG-VYA-CAW-TTY-KRL-JNL-OYX-NQM-HJQ-BXF- CIB-CHM-PTG-JFR-SRK-TAH-NKW-LRU-JMS-ELA-VYK-AUD-ZTL-QRB- TBR-BKY-NPJ-QSA-BPL-LGM-FTW-DEE-VXG-IUM-BKR-MBQ-WHV-EKP- QDL-EGG-IKX-CQT-QEX-KYF-KIB-NTG-NFQ-DJI-RIK-CXO-EDC-DTD- MFB-IGC-SVT-CLS-LQH-XBL-EIV-LOM-KIP-MWP-PHY-NDU-LSW-PKP-SXJ-GGK-DPA-BLH-JZN-QDG-SPS-BUC-PND-LIJ (94610) 12 PJE-YMP-ABC-DFY-NIK-SKJ-AVL-OLX-MYC-GPQ-XIA-NCM-KPQ-UMJ- NUU-LNP-BCC-TZF-ADH-TPT-OYK-GUI-FDO-NXV-TOT-PLU-LRD-MQY- NPB-XGF-GHP-RRM-XPW-RNM-MKS-ULP-GDP-KWC-KBN-MPH-RFV- FQA-KGS-CDF-QNT-MTH-YRE-RLV-CNF-RWG-HKN-HZT-JTJ-SUN-JCH- GRI-ODY-QRB-QIP-OXT-FNT-WVR-HBC-KQX-YBA-BFK-GOF-WMT-WQT- IHU-OWP-NTP-UBM-FLG-HUU-JOY-ARK-FWL-ZHE-HPQ-SKB-PJV-JTO- VRQ-TLJ-MYZ-MNJ-OQD-JLG-NZM-FSR-LKD-CZB-OUH-LEX-KYY-TAR- DKL-QPQ-YRT-FXQ-RHH-ZLQ-VKQ-LVK-NIU-KLC-IWJ-JEQ-OHN-BAP- AXD-BPA-NSB-SBF-XZK-RDI-OZM-ISX-SFS-WGV-LNJ-KNP-MXX-NFZ- XPH-JJR-DUF-NXG-VNU-PFI-SWO-MFA-VSR-GYD-AVW-MXC-UHU-KEF- MCD-BQP-JPR-OAM-QTI-EFD-ILA-HQT-HER-XJI-DMM-SCI-DID-LTM-LZB- JOK-AWL-MUP-ZNO-NVC-HQK-SXO-AEF-OMN-GJY-GYX-FBT-RAG-TBX- MIS-BPT-IWP-EDL-CKH-JOX-EZN-SDL-TTB-NHH-DUV-FKK-GQE-PIL-HJC- FDM-GSF-UTP-EKV-ISQ-RCF-MWL-NSX-ASV-NEJ-KSN-OPN-KIB-DFV-IGO-KFV-EVS-PJE (147314) 13 GKU-KZA-YWT-GXK-YTF-LQC-BDZ-DCO-YNN-UDG-UHC-THJ-IZY-TGW- KQA-TLG-RVW-DLH-ITH-ZPU-LLY-EMY-HFS-OEE-UTM-OXW-TVO-SQP- OCL-SEF-RXQ-BYN-IZA-IUF-IKD-FFA-XMH-LGT-GOH-WPW-AVW-WJL- NTW-PLE-AMW-YXE-DAH-AOJ-DIY-BEB-ONM-CFT-SAN-MGJ-FIO-ACC-

(13)

VMY-AWP-TDN-PLK-DFV-KFW-BYM-UXF-IZT-WPR-OEH-WHN-SAU-SOL-Dataset Solusi QRD-CTG-NEO-LXH-PGC-OTS-SXE-JCC-OGV-BSH-UQP-BMD-IVS-SHH- VKU-EPV-LIS-AON-AHQ-NYB-DUX-BJT-JCJ-GAR-TIP-NLU-SSF-TWD-KSY- KPN-RYO-WTP-AHE-OUQ-TUU-NYM-NZH-GSI-GCB-NCV-ACA-AEL-NLW- HTM-CYT-KKI-BZR-LWI-YSL-VEZ-CZD-DLP-GLT-AAM-LCQ-UQD-DSJ- LZQ-GCK-FPL-JBZ-WZA-RYT-SIQ-TGS-VZT-CKA-VLA-OEG-FMJ-CKZ- VPY-SQK-RUA-KKY-DYS-DJY-TNL-IHK-OAB-LZZ-VSE-IOA-XRE-EWE- LZM-MPZ-SWU-DCH-GJX-OIR-AVF-XJS-NSG-GMA-XNA-LEB-AQC-RJJ-UAW-GQJ-UPM-SNU-FTZ-WOZ-AUF-POB-VOV-UFC-QNF-GKU (184021) 14 IXG-OXF-JFR-VZA-LYR-RDO-EPH-ZLA-RZZ-APY-CFT-QQE-WUC-LKS- FPG-KQO-HDB-BFF-HOH-PMQ-HHR-KII-IZC-MER-SRE-SOM-FMC-MXN- IMH-SYY-XGR-JRF-UIE-NXW-RTP-KDT-NHX-ONX-KPC-OEX-CNY-QCY- IJJ-PGB-OYJ-IES-FGX-GUO-KBC-WEC-GSD-SJO-XIH-CDN-EAJ-HKP-RGA- SRB-JOK-VRH-QLD-FDC-OXB-QTS-TOG-PNS-ZPD-JPW-ZGD-QQM-NWX- BAH-HKT-MWZ-SSN-IKW-IFX-NZZ-SZB-ZIT-AZZ-HIM-ZAH-QYJ-ZPQ- RUR-NNS-MMT-FLC-FIC-ZOS-VMZ-PAB-WCQ-DMI-ZZV-RLF-AGQ-ZTD- IAV-GZG-NNJ-PPL-ZBA-WCY-OGN-WEN-QVV-CKL-NVF-EKB-IPC-ILP- DZU-QPR-QNQ-FON-FXG-HYF-MMR-NGK-BRR-VMP-KJN-XDP-DRK-YZU- WLK-TIL-MXD-DYS-DLU-JTI-FGK-YDC-XDS-EBK-PSK-PMI-WZV-EDF- UVX-GCZ-QEM-EJY-SJH-QTT-ZYZ-TKN-YAH-YBJ-FSO-ODX-HHA-TNR- IJS-NAW-DQK-ZHK-OUO-GXR-QSS-KXT-SDF-EXL-LWD-AOB-LMA-WNQ- JSE-OOW-QSX-MFF-JVE-OXU-XJK-CEA-UFE-PTG-CCK-TPF-EVD-XZU- BCJ-UPE-JNH-YDZ-HLT-AAL-VQA-EXG-XJQ-JWW-AAJ-THL-IZW-JAK- EWQ-RUB-MIZ-JSN-END-FQX-USH-QHL-JRO-JEI-SJX-ORA-ZTM-AUQ- KXF-KUA-DBP-AZP-MYJ-HFT-ITG-MCB-YAF-LXM-CWL-GZZ-IER-BNB- YLV-LCC-RLV-OST-HVE-UDG-FES-DWY-EVS-IVF-PZF-SIQ-IBE-GIU-KEU- ZUJ-SGD-DEI-NRF-OON-OYM-FSE-TKP-EWS-DOB-BOW-OQQ-GIT-PQK- SWR-VRY-JTW-DUB-DAX-FBV-OFE-HXK-QJO-SLF-MCY-FKP-YHQ-HXV- CEF-JDF-PWL-VTF-QID-XMU-TVT-CFH-JKA-RDM-GTW-WBK-ZAW-MQW- JQA-SVV-ULV-YFC-AOL-WGF-XTR-AKF-BPO-KEV-PXB-IPU-EKJ-MTA-GAL-OUL-HMF-GQV-IXG (230839)

(14)

4.4 Hasil Uji Coba Algoritma Artificial Bee Colony

Algoritma ABC digunakan untuk mengoptimasi solusi dari solusi awal yang telah dihasilkan. Terdapat tiga parameter yang akan berpengaruh pada solusi akhir yaitu parameter limit, foodSource dan jumlah iterasi yang akan dilakukan.

Untuk menghasilkan solusi yang lebih baik maka dilakukan pencarian nilai parameter yang optimal dengan melakukan beberapa uji coba terhadap dataset 1, 6, 11 dan 14. Dataset tersebut dipilih karena dataset tersebut mewakili karakter dari beberapa dataset lainnya.

Nilai parameter yang akan digunakan berdasarkan pada percobaan yang dilakukan oleh penulis sebelumnya. Percobaan dilakukan dengan memulai dari nilai parameter terkecil. Setelah itu nilai parameter akan dikali dua atau tiga kali lipat dan dibandingkan hasilnya. Hal tersebut akan dilakukan terus menerus sampai ditemukan nilai parameter yang mendekati nilai terbaik.

Hasil dari percobaan tersebut menghasilkan nilai parameter limit 5000, foodSource 8 dan jumlah iterasi 500.000.000. Angka ini akan menjadi dasar pada uji coba parameter berikutnya. Dari hasil nilai parameter diatas dataset 1 selalu menghasilkan hasil yang paling optimal, sehingga dataset 1 tidak akan digunakan untuk uji coba berikutnya. Ujicoba akan dilakukan sebelas kali pada setiap dataset. Hasil akhir akan diambil dari nilai terbaik yang didapatkan dalam pengujian ini.

W

4.4.1. Uji Coba Parameter Limit

Pada uji coba ini dilakukan percobaan dengan menguji parameter limit dengan nilai 10000, 25000, 50000 dan 75000. Nilai limit yang terlalu kecil menyebabkan terlalu seringnya masuk ke tahapan scout bee yang menyebakan akan menghasilkan solusi yang buruk. Terlalu besar nilai limit akan menyembakan jarangnya terjadi tahapan scout bee yang menghasilkan kurangnya eksplorasi terhadap solusi [17].

(15)

Gambar 4. 1 Uji Coba Parameter Limit pada Dataset 6

Pada dataset 11, nilai 25000 menghasilkan solusi yang lebih baik daripada ketiga nilai parameter lainnya. Selengkapnya dapat dilihat pada gambar 4.2.

Pada dataset 14, nilai parameter 50000 menghasilkan solusi yang lebih baik daripada ketiga nilai parameter lainnya. Selengkapnya dapat dilihat pada gambar 4.3.

Dari ketiga hasil uji coba diatas, nilai parameter 25000 akan digunakan untuk menghasilkan nilai solusi akhir karena menghasilkan hasil yang lebih baik secara keseluruhan.

Gambar 4. 2 Uji Coba Parameter Limit pada Dataset 11

(16)

4.4.2. Uji Coba Parameter FoodSource

Pada uji coba ini dilakukan percobaan dengan menguji parameter foodsource dengan nilai 4, 8 dan 12. Sebenarnya parameter ini tidak terlalu perlu untuk cari nilai terbaiknya, karena algoritma ABC mampu menjaga kualitas solusinya diberbagai nilai foodSource [17].

Pada dataset 6, nilai parameter 12 menghasilkan hasil yang lebih baik. Selengkapnya dapat dilihat pada gambar 4.4.

Gambar 4. 4 Uji Coba Parameter FoodSource pada Dataset 6

Pada dataset 11, nilai parameter 8 menghasilkan hasil yang lebih baik dari dua nilai lainnya. Selengkapnya dapat dilihat pada gambar 4.5.

Gambar 4.5 Gambar 4. 5 Uji Coba Parameter FoodSource pada Dataset 11

Pada dataset 14, nilai parameter 12 menghasilkan solusi yang lebih baik daripada kedua nilai parameter lainnya. Selengkapnya dapat dilihat pada gambar 4.4.

(17)

Gambar 4. 6 Uji Coba Parameter FoodSource pada Dataset 14

Dari hasil uji coba ini, nilai 12 menghasilkan nilai yang lebih baik secara keseluruhan. Namun perbedaan antara nilai 4, 8 dan 12 hanya berkisar 1-2%. Jika dilihat dari running time, nilai parameter 4 menjadi yang terbaik di ketiga dataset. Selengkapnya dapat dilihat pada gamba 4.7. Berdasarkan pertimbangan running time dan selisih nilai solusinya, maka nilai foodSource 4 akan digunakan untuk mencari solusi akhir.

Gambar 4. 7 Running Time Parameter FoodSource

4.4.2. Uji Coba Jumlah Iterasi

Pada uji coba ini akan menggunakan tiga iterasi yang berbeda yaitu 100.000.000, 250.000.000 dan 500.000.000. Pada dataset 6 jumlah iterasi 500.000.000 menghasilkan solusi yang lebih baik daripada kedua jumlah iterasi lainnya. Selengkapnya dapat dilihat pada gambar 4.8.

Gambar 4. 8 Uji Coba Jumlah Iterasi pada Dataset 6

Pada dataset 11 jumlah iterasi 500.000.000 menghasilkan solusi yang lebih baik daripada kedua jumlah iterasi parameter lainnya. Selengkapnya dapat dilihat pada gambar 4.9.

(18)

Pada dataset 14 jumlah iterasi 500.000.000 menghasilkan solusi yang lebih baik daripada kedua jumlah iterasi lainnya. Selengkapnya dapat dilihat pada gambar 4.10. Dari hasil uji coba diatas, jumlah iterasi 500.000.000 menghasilkan solusi yang lebih baik dari ketiga dataset yang diuji coba. Sehingga jumlah iterasi 500.000.000 akan digunakan dalam pencarian solusi akhir.

Gambar 4. 9 Uji Coba Jumlah Iterasi pada Dataset 11

Gambar 4. 10 Uji Coba Jumlah Iterasi pada Dataset 14

4.4.3. Uji Coba Low Level Heuristik

Pada uji coba ini akan menggunakan empat jenis low level heuristic (LLH) yang berbeda yaitu swap 2 kota, swap 3 kota, swap 4 kota dan kombinasi swap 3 dan 4 kota. LLH swap memiliki peluang yang lebih besar untuk menghasilkan solusi yang lebih baik dibandingkan move, shuffle

dan crossover karena ada perbedaan biaya dari kota a menuju b setiap harinya.

Pada dataset 6, swap 4 kota menghasilkan solusi yang sedikit lebih baik dari swap 3 kota dan

(19)

Gambar 4. 11 Uji Coba LLH pada Dataset 6

Pada dataset 11, swap 3 & 4 kota menghasilkan solusi yang sedikit lebih baik dari swap 3 kota dan swap 4 kota. Selengkapnya dapat dilihat pada gambar 4.12.

Gambar 4. 12 Uji Coba LLH pada Dataset 11

Pada dataset 6, swap 3 kota menghasilkan solusi yang sedikit lebih baik dari swap 4 kota dan

swap 3 & 4 kota. Selengkapnya dapat dilihat pada gambar 4.13.

Gambar 4. 13 Uji Coba LLH pada Dataset 14

Pada hasil uji coba ini, swap 3, swap 4 dan swap 3 & 4 kota cukup berimbang. Sedangkan pada

swap 2 kota menghasilkan hasil yang lebih buruk dari 3 LLH lainnya. Perbedaan pada nilai solusi terkecil dan terbesar dapat diakibatkan perbedaan nilai solusi awal dan penggunaan random, sehingga pemilihan LLH terbaik akan menggunakan nilai rata-ratanya. Berdasarkan nilai rata-rata,

swap 3 & 4 menghasilkan hasil yang lebih baik sehingga swap 3 & 4 akan digunakan dalam mencari solusi akhir.

(20)

4.4.3. Hasil Solusi Akhir

Setelah menemukan nilai parameter yang tepat lewat percobaan pada subbab sebelumnya, maka algoritma ABC dijalankan pada seluruh dataset untuk mendapatkan solusi akhir yang hasilnya dapat dilihat pada tabel 4.4.

Tabel 4. 4 Hasil Solusi Akhir

Dataset Solusi 1 AB0-AB7-AB4-AB9-AB1-AB6-AB2-AB8-AB3-AB5-AB0 (1396) 2 EBJ-NBP-OMG-NCA-NUJ-OHT-GSM-EFZ-QKK-SSC-TKT (1498) 3 GDN-OSZ-KJ1-WE1-IEG-WRO-KTW-KRK-RZE-LB1-LD3-WMI-SZY-GDN (8530) 4 GDN-VNO-RIX-TLL-KUO-BLE-OSL-CPH-SXF-LUX-ANR-EIN-GLA-DUB- OPO-SDR-BOD-GVA-INN-VCE-LJU-ZAG-SJJ-SKP-SOF-IAS-KIV-ODS-ROV-ADF-AKT-ATH-MLA-TIA-TGD-BEG-BRQ-BUD-KSC-BQT-GDN (16447) 5 RCF-EQP-MGY-BPA-JRJ-RZA-FWF-AON-LDS-UUZ-CLQ-MWT-FIE-WYX- PSS-JLM-QNL-IXY-BBZ-GMU-KLW-QNY-GMM-GSW-JSF-FNO-HGY-YMJ- EGM-LGI-MLL-AVC-MUD-SMM-FED-QUZ-SQZ-PIG-SZR-JAQ-EIF-EHO-UCF-LQP-LZS-MWE-RCF (833) 6 VHK-RNK-BCT-LDS-EFU-ZML-GCC-IXJ-FPD-KIS-CCR-QLA-UWL-URB- IXR-XEH-FVJ-KKE-PJI-CTQ-QEZ-CUV-WTV-PFG-UXA-RXB-EUV-VKQ- YHH-AFF-ZZY-DUK-YMG-IFS-ZVP-ZVF-UNM-NOZ-RNS-YCE-WBF-LTN- LNP-BYT-ASN-IWR-SAN-IEI-UYZ-UXC-CPQ-GYZ-TXU-MXV-WJI-DQJ- HPO-AWR-VTQ-CWC-BSK-BHK-UDY-IKC-UGD-RSE-LGF-MUF-UHR-NTJ- TPR-WYU-CJF-QXW-XSR-OTN-CZA-LWM-BML-YUT-QIU-VDG-YQK-IXQ-AJK-UAX-NKE-DBD-EXJ-BJW-PYW-JSP-LFE-GCX-UDQ-RLV-VHK (3233) 7 AHG-DHV-DVS-DER-DPO-FKV-BNK-FOE-ETU-BHB-FOS-HFU-FRW-

(21)

GWN-BZT-BBW-CWC-AZS-BAJ-ECE-HAP-BWF-ALX-GUT-BSP-BZH-FXP-Dataset Solusi NFB-IRE-IOM-JBB-JQD-HUV-MYY-JOO-MON-KXF-KKA-LBK-LYI-MOR- NIZ-HWB-HMD-JMP-KXM-KLO-MED-IIH-KYK-LAL-IWU-LHG-HID-KPR-MCH-IBM-MQY-MAZ-KXN-INT-NAD-JUZ-MRT-JLI-LSE-AHG (32854) 8 AEW-IDB-ZMT-FCJ-OAE-FMC-VCO-AOY-CJT-OBE-PDI-DCB-OVD-ZZP- AZF-OLQ-XGM-IYZ-WCD-BPY-XLY-VDU-YSB-BQL-PEU-JFU-VGV-SVS- MSW-OIO-EOW-BYB-NFP-NPT-IHD-FWA-NPF-BAB-TZP-HIX-CSW-RVM- ETH-NRS-DWQ-WUE-BIN-RWB-PDY-BKB-EOB-MFT-KIC-QQS-DNZ-SVZ- QRL-TKC-JRT-OPC-QCW-LRU-DCY-CGR-PUG-HMM-IVF-IUN-DRO-RAA- VFT-WFU-MVV-RWZ-AKF-ILI-OTQ-BNL-OOM-JQL-JKB-ULO-CAA-MYZ- JIM-FAO-QMS-BLJ-PJS-GPI-PEP-RJM-LNC-OXH-NOR-ROM-ASD-JAH- DSR-YHH-LAZ-EQV-HTD-BMD-CUU-GSC-EHZ-INI-GRH-KBN-IPE-MMN- AUJ-EXV-RWM-ZNG-JCY-PDX-NZN-NVV-SRY-WJA-TQN-LTP-RAR-LTU- WPH-FGF-FYA-RZG-KIW-IXO-VNJ-ASF-HPZ-EOG-HGV-QBR-PFI-PUW- WCS-PNH-TBS-VVA-BFZ-EBC-CKW-JLS-DVQ-CJM-PCD-CHK-ECS-IID- EBY-VRF-VDQ-ALA-FKP-CZJ-MYR-PRN-DUA-UGL-DSN-MAE-BCU-QUI- MRE-AFH-QXU-LRL-RYJ-PFU-QZU-AME-JHO-HNP-OCB-LKE-JRX-JZU- HKD-WKK-USB-GHI-WCU-LII-EBK-JSR-CQP-VXE-RRT-PRO-TNH-VEP-GCF-OVC-HIN-AUO-AEW (6226) 9 GVT-NUO-PUN-RBN-ZHS-VDX-YSI-QBQ-FTC-UZF-XPE-JAV-TMW-JPK- TWU-LUA-AXO-NJH-JUJ-JLS-LJS-IJS-PQM-XXV-JNF-KRI-UHQ-OBN-EGT- SAW-SAT-JPI-CAB-JQS-PSS-TXQ-IUU-DJT-XGD-WMZ-TSX-AWV-YEK- VLS-BSZ-IAM-RSX-QBZ-TAE-LBR-VIQ-JVS-UCQ-OXE-GJO-NTM-EYO- UHZ-ZUV-TKY-CEA-MZN-NRE-SIY-ZEA-EJK-DPL-HVC-SOX-EUJ-DQF- SZE-OBM-JXV-XSV-BYN-SPH-XXJ-VUC-DHJ-IQC-BQX-HPH-NGB-VGF- BRC-HAC-SWH-VGR-JOF-XEJ-TQQ-XMH-UOY-UZH-RZB-REH-YDX- AHR-DLZ-RGA-STR-GER-AXR-VVL-ERN-YRN-MVE-NRL-BXV-WWJ- VKO-IML-CYU-WAZ-UCN-JJD-ZLZ-QTU-NMF-UCR-SPU-PSE-QGZ-KXR- WSO-QRP-FAK-WSD-IUH-VCI-GSQ-PWO-IRH-FMI-ZZO-NVG-FKS-JDF- PYJ-GRI-VIW-FNL-KKO-IMC-AEY-JAK-VMN-EAG-IZD-UMH-XXF-SGB- RDM-RPW-MRO-FNQ-BCI-ZJX-XIW-TVP-VSK-HJJ-UFP-YQL-LDA-ICU- NDJ-VAK-OQL-PCH-SEW-VWB-HHM-AOL-KKQ-BLW-LSE-GPH-VLV-

(22)

QNV-LSC-AEH-UGR-UEI-HSZ-NJX-TMZ-STB-HVP-OLW-BUC-EYQ-PTC-Dataset Solusi LMK-LVV-JSU-RUK-KLB-XSQ-URP-UDV-LOC-CAK-WTB-QJV-YKY-JGV- LHE-RZK-XNA-XOS-QNA-PZZ-MPH-KUL-ZID-ZNU-WQP-PAM-AHC-OKB- ODA-ZWM-BNC-XIG-OXU-HAQ-PSG-FWU-MLK-NZQ-BBM-ZTN-MUL- ALC-JBA-IFZ-JIV-MGK-VEH-JLO-BRA-HDY-DHD-CPU-PFD-JXA-RGB-MRH-GVT (82096) 10 ECB-DSH-BNO-VRY-JIE-JQC-FZB-ISW-PDB-ZXF-YHM-GFO-PHT-BHN- RAX-VBB-CSW-FCD-UYA-EWE-NHG-OEU-LTO-YEC-XWU-XJE-ZIS-DEU- GEH-IUM-XFD-TNQ-OLW-WMZ-OJE-EIN-IIK-NVJ-AJI-KJC-AIN-QWG- XUA-CHW-LXL-WCD-ERR-CSH-TRO-YOO-XRB-FJI-LOR-QLI-WNB-ACC- TKS-YJV-AGL-CUQ-DRK-NPM-UXZ-NWT-RYW-URW-JGZ-AQG-ZEV- DSZ-NEU-SCB-STD-NAP-HZM-SPH-ZCY-GFW-YOV-VQC-DDL-URO-OQC- JZK-UIA-BUF-UVD-JTU-TUJ-IWD-ICO-HDZ-KXQ-RVW-ZJA-TPR-JGU- ESC-NMV-OTR-BHR-KOR-TBG-HLC-MTV-IYX-CQJ-EDC-VKI-VWD-MFM- AXT-EOL-NLU-BOT-UUG-KCX-JEH-UZM-TIP-EBZ-XXY-FJQ-CLG-XGY- MOM-SPA-EMG-CJU-NPJ-IVY-SZR-YME-NRS-LKC-URG-BTQ-QQA-KAM- FCV-EJV-LME-ZZW-RMN-BCB-LBS-SRK-YMX-HFW-GSW-LMY-BSS- CHH-FAB-YMC-XCA-HFK-MFH-SHI-QYH-RFP-NPL-KFW-PGR-KWU-IPX- TGN-AHQ-RWT-THP-EPP-TFG-DLU-SLM-KCM-GLV-JCY-YEO-AQO-SVY- QDZ-RXJ-ZIU-ZBE-QNP-GJZ-QHU-ZVN-MHI-EVC-JVK-ZUN-YQZ-VJR- IFL-LRJ-STM-JRK-BHJ-UJN-MRZ-YMJ-FXQ-EXJ-ETP-OQV-UZO-OGF- ASE-DEN-LNS-BQK-SVT-THY-IJZ-VJP-GER-QPO-KWE-YWI-WTU-OLV- GCP-LMG-APJ-GUO-URM-BFP-HMD-LQV-WFD-KNJ-ICJ-CZK-KXM-JKP- VEE-QYW-DTO-ZAZ-LFN-TIK-KNS-DDD-OQY-EGP-LTS-LEL-ZSZ-AYM- ABP-LNF-BKB-NTI-JAP-KLG-XOV-XGF-AAB-ZRU-GLQ-FSJ-TNI-ODK- HTF-VUW-YPU-RQS-AKB-ZDE-FGT-VON-SIV-WGN-QVC-KPX-OXB-EAK- BOU-INX-XPD-WRM-PZG-PWL-ZZZ-LRY-UKX-CNB-UPC-IUK-YRB-CCB-EXW-RFS-EVX-SNZ-DRM-GFY-UYZ-JDU-ECB (57977)

(23)

Dataset Solusi KHM-ELA-PRW-IZX-TZY-NTW-UOA-FWB-AEB-QDL-UZS-BUC-QZQ-NJQ- RIK-MTM-JZN-FKN-TNZ-MYB-CJM-KYF-NGN-CPP-DTD-JFR-KIB-LGM- UJA-LVG-DZD-TAH-SRK-BLH-IWT-XBL-ZTL-FTW-SVT-UHI-TTY-NOP- RYP-IKX-OIU-AUD-VAH-FKQ-KPI-IUM-LOM-LIR-CUM-QSA-CAW-ZEX- PND-XEX-NTG-EGG-MBQ-CIB-OGM-PKP-EDC-CHM-MBV-LRU-JWL- LSU-CLS-HYM-EKP-MGY-MRN-JCP-NDU-HFR-FIT-BXF-LMS-KRL-HCI-AOU-HJQ-LUF-GGK-SPS-IWF-QDG-XJU-JBN-PTG-JUT-LSX-LIJ (58642) 12 PJE-GPQ-GJZ-DKL-SDL-SKJ-LEX-MKS-RNM-DMM-FXQ-KLY-ARK-RAG- OPN-KGS-GRI-YRT-NUU-OBN-BFK-GYX-OHN-NEJ-NXV-UMJ-GOF-KEF- HBE-QNT-OZM-ADH-BQP-BCC-SBF-DUV-PLU-AEF-NIK-CNZ-HQT-MYZ- OUH-NVC-CKH-UTG-TPT-OXT-DFV-JTJ-SFS-TAR-MXC-EFD-GDP-WMN- NXG-MXX-YBA-OQD-ABC-LKD-PIL-PSS-FKK-JJR-HUU-GQE-UDS-PFI- FBT-FNT-MWL-JGC-GSF-ODY-ONZ-GUI-ZWI-BPA-VSR-CDF-TZF-YHK- RFV-RLV-QTT-OYK-NHH-VNU-RCF-ISQ-FDO-NIU-SKB-QTI-TTB-OLX- EKV-XIA-UBM-IHU-ASV-KPQ-XAL-DUF-HKN-HWC-EZN-SXO-LRD-KFV- KYY-KLC-MPH-CWO-GJY-MFA-JOK-MCD-RWG-EVS-JLG-GYD-JTO-CZB- OAM-ZNO-QPQ-SAN-RDI-DFY-RRM-KSN-WGV-RHH-JEQ-FDM-LNP-NTP- HJC-IGO-HBC-JCH-HQK-PJV-YDW-LZB-KWC-HZT-AWL-NPB-MYC-NSB- KNP-KIB-ISX-OWP-AXD-FLG-MTH-MNJ-QRB-IWJ-XGF-IWP-ILA-TLJ- NSX-SCI-SDS-JOX-EDL-MIS-EIH-DID-FWL-HER-QIP-NFZ-TBX-TYV- MQY-LNJ-ZAA-SWO-AVW-FSR-NZM-CNF-OMN-SUN-KBN-BAP-BPT-HPQ-AVL-JOY-VRQ-MUP-PJE (83560) 13 GKU-NYM-BDZ-CSO-GJX-PLE-ACA-AVW-AHE-PNF-SAU-FIO-FTZ-VKU- FSI-LZM-LIS-KZA-MPZ-DAH-SQK-EMY-IUF-MOE-UKA-CTG-IUB-GCB- TDN-UTM-BSH-YWL-TUU-NLU-SEF-NUY-TBP-SOL-DJY-ZUO-MYF-NSG- TVO-SHN-HTM-SNU-PYX-DYS-PGC-XMX-UDG-LFD-WHN-AWP-WPR- IZA-IVS-RVW-TIP-GMA-ZTR-BYN-DUX-LZQ-SWU-BEB-YPG-REB-OAB- JBZ-IZT-VMY-AAM-LWI-DAK-FPL-YTF-JCJ-BQF-KPN-UOW-OIR-GRX- CZD-GKJ-GAR-TXU-OIK-UQP-VZT-QUE-GCK-GQJ-VMW-OXW-CYT- XMH-BMD-SLY-AHQ-BJT-CFT-YTJ-IZY-HIA-THJ-GSX-LEB-NLW-AIV- AOJ-KQA-GOH-ITH-LGT-POB-PLK-EPN-RYO-NOI-FFA-WOZ-XJS-OFL-

(24)

YWH-AEL-VZY-SRS-SBY-IOA-XUR-CJZ-PUT-WBE-MGJ-SYL-NIF-GWD-Dataset Solusi XRE-DLP-OUQ-WPW-VPY-GSI-HFS-RUA-NLM-VCP-TGS-UQD-XME-OCL- BZR-INI-TLG-OEH-FCA-TGW-DCO-FMJ-HML-ACC-AVF-RFW-KKI-KFW- VSE-PGF-EUV-IKD-SAN-AQC-BYM-DOO-NTW-KSY-UOU-NZH-NEO- CKA-SHH-WTP-RZM-UPM-JJC-IHK-JCC-PEF-WDX-GXK-TNL-OTS-LXH- RJJ-OEE-DCH-UHC-AUF-LQC-SQP-SSF-OGV-LLY-SDY-SOF-QNF-DSJ- RXQ-GSM-VOV-JJB-ONM-SXE-HGS-XNA-IQS-AVI-AMW-FFX-UFC-AON- EWE-KKY-GLT-GDN-WJL-ZMS-VLA-OOK-EPV-RYT-DFV-LZZ-DIY-SIQ- OFW-CKZ-NYB-NCV-TPX-OEG-RZS-TAC-WOS-AOH-VEZ-DLH-UAW-TWD-DEB-GKU (138227) 14 IXG-AAJ-ZIT-SLF-ZLA-BNB-MMT-TIL-SYY-NVF-XDS-HVE-ZAH-BAH- DQK-KII-OXB-LXM-ZAW-FKP-QQE-QQM-AKF-DYS-RDM-NHX-FON- OST-MMR-PGB-YDZ-FGX-HDB-LWD-FDC-CCK-EKJ-WLK-DOB-PMI- OOW-IES-YFC-NXW-NNJ-HMF-HKT-JEI-ZZV-SVV-TOG-PAB-KDT-EKB- VMZ-PNS-JSN-EXG-XDP-WGF-XZU-YBJ-QTT-EVD-QCY-JTI-WEN-OFE- QPR-QYJ-QHL-IZW-GCZ-FXG-DMI-GIU-HXV-KUA-DZU-QSS-VZA-QID- QVV-RLF-ONX-IPC-EWS-EAJ-OUO-HKP-SDF-CEF-JQA-OEX-HXK-THL- IVF-KXF-APY-TKP-QEM-BRR-FLC-GSD-ZBA-AUQ-AAL-IAV-ZHK-RTP- BOW-OGN-MYJ-PXB-HOH-VMP-BFF-PZF-GTW-JVE-GUO-SJX-MWZ- MQW-GZG-WZV-SJH-JTW-NGK-IZC-JRF-CNY-AOB-RDO-XTR-DAX-RZZ- PMQ-GXR-DEI-OYM-SRE-ZOS-PPL-AGQ-HYF-JNH-KEU-TPF-IER-DLU- LCC-FSO-SIQ-ZTD-SZB-PSK-FSE-QNQ-MCB-JKA-SSN-LYR-FGK-MER- END-EXL-CDN-OXU-DWY-SOM-DBP-QSX-RUR-DUB-NRF-ORA-VQA- JAK-FMC-MXN-KBC-PQK-IJJ-HLT-ITG-YAH-TKN-JFR-EVS-GQV-RUB- NNS-IPU-NWX-UFE-KPC-MIZ-EJY-OYJ-MCY-VTF-RLV-BCJ-IMH-GIT- WCY-CEA-JSE-CWL-GZZ-SRB-IJS-JOK-SGD-ZTM-YLV-NZZ-IBE-PWL- UDG-EPH-AZZ-JDF-KEV-SWR-HHR-IFX-XGR-IKW-FPG-AOL-TVT-KJN-

(25)

MXD-KXT-HHA-VRH-ULV-ZPQ-EWQ-ODX-WEC-LMA-NAW-TNR-CFH-4.5Performa Algoritma Artificial Bee Colony

Untuk bisa mengetahui apakah hasil solusi akhir dengan menggunakan algoritma ABC bagus atau tidak, maka perlu dilakukan beberapa perbandingan dari hasil solusi akhir. Perbandingan pertama akan dilakukan dengan hasil dari solusi awal. Setelah itu akan dilanjutkan dengan

membandingkan dengan algoritma lainnya (GA, NN, SA). Parameter dan jumlah iterasi pada masing-masing algoritma pembanding telah diatur agar menghasilkan solusi optimal dengan running time yang mirip dengan running time algoritma ABC.

4.5.1 Perbandingan dengan Solusi Awal

Perbandingan dengan solusi awal dilakukan untuk melihat seberapa besar penghematan yang bisa dilakukan setelah dilakukan optimasi dengan algoritma ABC. Hasil perbandingan dapat dilihat pada gambar 4.14.

Berdasarkan perbandingan dengan solusi awal, algoritma ABC dapat menghemat biaya perjalanan dengan rata-rata 56,1% darihasil yang dihasilkan solusi awal. Algoritma ABC hanya

menghasilkan solusi yang sama pada dataset 2 karena hasil pada solusi awal sudah merupakan hasil yang teroptimal.

Pada dataset buatan, algoritma ABC mampu menghasilkan hasil yang sangat baik dengan menghasilkan solusi lebih baik diatas 50%. Terdapat tiga dataset yang mampu menghasilkan solusi lebih lebih baik diatas 80%. Namun pada dataset berdasarkan data real, peningkatan solusi hanya berkisar 20 sampai 40%.

(26)

4.5.2 Perbandingan dengan Algoritma Nearest Neighbour

Pada dataset 1-5 algoritma ABC menghasilkan hasil yang lebih baik pada 7 dataset. Sedangkan pada dataset 2 menghasilkan hasil yang sama dengan algoritma NN dikarenakan dataset 2 memang hanya memiliki satu solusi.

Algoritma ABC mampu menghasilkan solusi yang jauh lebih baik dari algoritma NN dengan penghematan biaya perjalanan sebesar 73% pada dataset 1, 52% pada dataset 3, 72% pada dataset 4 dan 66% pada dataset 5. Selengkapnya dapat dilihat pada gambar 4.15.

Gambar 4. 15

Pada dataset 6-14 algoritma NN hanya dapat menghasilkan solusi yang layak pada dataset 10. Pada dataset tersebut algoritma ABC menghasilkan solusi yang lebih baik dengan penghematan biaya perjalanan sebesar 85%. Selengkapnya dapat dilihat pada gambar 4.14.

4.5.3 Perbandingan dengan Algoritma Genetik

Pada dataset 1-8 algoritma ABC menghasilkan hasil yang lebih baik pada 7 dataset. Sedangkan pada dataset 2 menghasilkan hasil yang sama dengan algoritma GA dikarenakan dataset 2 memang hanya memiliki satu solusi.

Perbedaan cukup besar terlihat pada dataset 4 dan 5. Algoritma ABC mampu menghasilkan solusi yang lebih baik dari algoritma GA dengan penghematan biaya perjalanan sebesar

(27)

49,5% pada dataset 4 dan 73% pada dataset 5. Selengkapnya dapat dilihat pada gambar 4.17. Pada dataset 9-14 algoritma ABC menghasilkan hasil yang lebih baik pada 5 dataset tersebut. Perbedaan cukup besar terlihat pada dataset 9 dan 10 dan 14. Algoritma ABC mampu

menghasilkan solusi yang lebih baik dari algoritma GA dengan penghematan biaya perjalanan sebesar 34% pada dataset 9, 47% pada dataset 10 dan 29% pada dataset 14. Selengkapnya dapat dilihat pada gambar 4.18.

Perbandingan dapat dilihat lebih detail pada setiap dataset dengan menggunakan box plot. Pada dataset 1 baik persebaran data maupun hasil solusi, algoritma GA menghasilkan hasil yang lebih buruk.

Sementara untuk dataset 2 hasil antara kedua algoritma sama persis diakibatkan dari solusi awal yang mampu menghasilkan hasil terbaik pada dataset tersebut. Selengkapnya dapat dilihat pada gambar 4.19

Gambar 4. 17 Perbandingan Algoritma ABC dan GA

Gambar 4. 18 Perbandingan Algoritma ABC dan GA

Selanjutnya pada dataset 3 dan 4, algoritma ABC menghasilkan hasil yang lebih baik dari segi persebaran data dan juga hasil solusinya. Pada dataset 4 algoritma ABC mampu menghasilkan solusi baik dengan persentase sebesar 50%. Selengkapnya dapat dilihat pada gambar 4.20.

(28)

Gambar 4. 19 Box Plot Dataset 1 dan 2

Gambar 4. 20 Box Plot Dataset 3 dan 4

Pada dataset 5 dan 6, algoritma ABC tetap unggul baik dari segi persebaran maupun hasil solusi. Perbedaan yang cukup besar terdapat pada dataset 5 dimana algoritma ABC mampu menghasilkan solusi lebih baik dengan persentase sebesar 73%. Selengkapnya dapat dilihat pada gambar 4.21.

Gambar 4. 21 Box Plot Dataset 5 dan 6

Pada dataset 7 dan 8 algoritma ABC tetap menghasilkan hasil yang lebih baik. Selengkapnya dapat dilihat pada gambar 4.22.

(29)

Gambar 4. 22 Box Plot Dataset 7 dan 8

Pada dataset 9 dan 10 algoritma ABC masih tetap menghasilkan hasil yang lebih baik dari segi persebaran data maupun hasil solusi. Selengkapnya dapat dilihat pada gambar 4.23.

Gambar 4. 23 Box Plot Dataset 9 dan 10

Selanjutnya pada dataset 11 dan 12 algoritma ABC tetap menghasilkan hasil ynag lebih baik. Pada persebaran data algoritma ABC menghasilkan hasil yang lebih baik dengan persebaran data yang lebih kecil. Sedangkan untuk hasil solusi perbedaan hanya berkisar 10-15%. Selengkapnya dapat dilihat pada gambar 4.24.

Gambar 4. 24 Box Plot Dataset 11 dan 12

Pada dataset 13 dan 14 persebaran data tidak terlalu berbeda jauh antara kedua algoritma. Namun pada hasil solusinya algoritma ABC menghasilkan hasil yang lebih baik terutama pada dataset 14. Selengkapnya dapat dilihat pada gambar 4.25.

(30)

Gambar 4. 25 Box Plot Dataset 13 dan 14

Berdasarkan beberapa penjelasan diatas, dapat disimpulkan algoritma ABC menghasilkan hasil yang jauh lebih baik daripada algoritma GA.

4.5.4 Perbandingan dengan Algoritma Simulated Annealing

Pada dataset 1-8 algoritma hanya menghasilkan hasil lebih baik pada dataset 4. Pada dataset 2 kedua algoritma menghasilkan hasil yang sama. Pada 6 dataset lainny algoritma SA menghasilkan hasil yang lebih baik.

Perbedaan cukup besar terlihat pada dataset 8. Algoritma SA mampu menghasilkan solusi yang lebih baik dari algoritma ABC dengan penghematan biaya perjalanan sebesar 41%. Selengkapnya dapat dilihat pada gambar 4.26.

Gambar 4. 26 Perbandingan Algoritma ABC dan SA

(31)

Gambar 4. 27 Perbandingan Algoritma ABC dan SA

Untuk lebih detailnya akan dilihat setiap dataset dengan menggunakan box plot. Dataset 1 dan 2 mengasilkan hasil yang sama persis sehingga tidak dibuatkan grafik box plotnya.

Untuk dataset 3 algoritma ABC menghasilkan persebaran solusi yang lebih baik dan untuk nilai solusi tidak ada perbedaan besar antara kedua algoritma.

Untuk dataset 4 algoritma SA menghasilkan persebaran solusi yang lebih baik. Sedangkan algoritma ABC unggul pada hasil solusi. Selengkapnya dapat dilihat pada gambar 4.28.

Gambar 4. 28 Box Plot Dataset 3 dan 4

Untuk dataset 5 dan 6 algoritma ABC menghasilkan hasil persebaran data yang lebih baik. Sedangkan untuk nilai solusi algoritma SA menghasilkan hasil yang lebih baik pada dataset 4. Selengkapnya dapat dilihat pada gambar 4.29.

Untuk dataset 7 dan 8 persebaran nilai solusi cenderung sama dan untuk hasil solusi algoritma SA menghasilkan hasil yang lebih baik. Selengkapnya dapat dilihat pada gambar 4.30.

Pada dataset 9 algoritma SA menghasilkan hasil yang lebih baik dengan pada persebaran nilai solusi dan nilai solusi.

(32)

Gambar 4. 29 Box Plot Dataset 5 dan 6

Gambar 4. 30 Box Plot Dataset 7 dan 8

Sedangkan untuk dataset 10 algoritma SA menghasilkan nilai solusi yang lebih baik tetapi untuk persebaran nilai solusinya lebih buruk daripada algoritma ABC. Selengkapnya dapat dilihat pada gambar 4.31.

(33)

Gambar 4. 32 Box Plot Dataset 11 dan 12

Pada dataset 13 algoritma ABC menghasilkan persebaran nilai solusi yang lebih baik. Namun untuk nilai solusinya algoritma SA yang menghasilkan hasil lebih baik.

Pada dataset 14 algoritma SA menghasilkan persebaran dan nilai solusi yang sedikit lebih baik dari algoritma ABC. Selengkapnya dapat dilihat pada gambar 4.33.

Gambar 4. 33 Box Plot Dataset 13 dan 14

Berdasarkan beberapa penjelasan diatas, algoritma SA menghasilkan hasil yang lebih baik daripada algoritma ABC dengan menghasilkan hasil yang lebih baik pada 11 dataset. Algoritma ABC menghasilkan hasil yang lebih baik pada persebaran data. Namun hal tersebut tidak dapat membuat algoritma ABC menghasilkan performa yang lebih baik.

(34)

BAB III STATUS LUARAN

Tabel 1 Status Luaran

No Nama Luaran Status

1 Seminar Internasional Terindeks Scopus: IEEE ECTI-Con Thailand

Published 2 Seminar Internasional Terindeks Scopus: IEEE

CENIM, Indonesia

Presented

(35)
(36)

BAB IV KENDALA PELAKSANAAN PENELITIAN

Adapun kendala dalam pelaksanaan penelitian ini adalah:

1. Kesulitan mendapatkan data kepadatan lalu lintas yang real time di kota Surabaya.

2. Kondisi pandemic covid19 menjadi kendala untuk melakukan kunjungan ke dinas perhubungan kota Surabaya.

3. Data transportasi di Kota Surabaya belum ada yang berupa data real time yang diambil secara otomatis dengan menggunakan perangkat Internet of Thing

4. Public transport di kota Surabaya bisa berhenti dimana saja sepanjang perjalanan seharusnya hanya bisa berhenti di halte yang ditentukan saja.

(37)

BAB V RENCANA TINDAK LANJUT PENELITIAN

Rencana selanjutnya dari penelitian ini adalah:

1. Mengembangkan model matematis permasalahan Traveling Thief Problem (TTP ) untuk menyelesaikan permasalahan pada manajemen pengangkutan sampah berdasarkan data yang didapatkan sekaligus mengembangkan algoritma hyper-heuristics untuk

menyelesaikan model baru tersebut.

2. Memodelkan permasalahan penjadwalan public transport ke dalam bentuk Urban Transit Route Problem (UTRP )

3. Mengimpplemtasi algoritma Modified Particle Swarm Optimization (MPSO) ke dalam kerangka kerja hyper-heuristik

4. Menyelesaiakan permasalahan UTRP dengan pendekatakan hyper-heuristik dan algoritma MPSO

5. Membandingkan peforma yang dihasilkan pendekatan hyper-heuristik dan algoritma MPSO dengan metode lainnya dalam menyelesaikan permasalahan penjadwalan public transport

(38)

BAB VI DAFTAR PUSTAKA

[1] Kruskal, Joseph B. "On the shortest spanning subtree of a graph and the traveling salesman problem." Proceedings of the American Mathematical society 7.1 (1956): 48-50.

[2] E. K. Burke and Y. Bykov, "The late acceptance Hill-Climbing heuristic," European Journal of Operational Research, no. 258, pp. 70-78, 2017.

[3] J. M. Sussman, Perspectives on Intelligent Transportation Systems (ITS). New York: Springer-Verlag, 2005.

[4] D. L. Applegate, R. E. Bixby, V. Chvatal and W. J. Cook, "The Problem," in The Traveling Salesman Problem : A Computational Study, New Jersey, Princeton University Press, 2006, pp. 1-59.

[5] Edmund Burke, Graham Kendall, Jim Newall, Emma Hart, Peter Ross, and Sonia Schulenburg. Hyper-heuristics: An emerging direction in modern search technology. In Handbook of metaheuristics, pages 457–474. Springer, 2003.

[6] G. Dantzig and J. Ramser, “The Truck Dispatching Problem,” Management Science, Vol. 6, No. 1, 1959, pp. 80-91.

[7] Braekers, Kris, Katrien Ramaekers, and Inneke Van Nieuwenhuyse. "The vehicle routing problem: State of the art classification and review." Computers & Industrial Engineering 99 (2016): 300-313.

[8] Zhang, Junping, et al. "Data-driven intelligent transportation systems: A survey." IEEE Transactions on Intelligent Transportation Systems 12.4 (2011): 1624-1639.

[9] Laporte, Gilbert. "A concise guide to the traveling salesman problem." Journal of the Operational Research Society 61.1 (2010): 35-40.

[10] Lust, Thibaut, and Jacques Teghem. "The multiobjective traveling salesman problem: a survey and a new approach." Advances in Multi-Objective Nature Inspired Computing. Springer, Berlin, Heidelberg, 2010. 119-141.

[11] Doerner, Karl F., and Verena Schmid. "Survey: matheuristics for rich vehicle routing problems." International Workshop on Hybrid Metaheuristics. Springer, Berlin, Heidelberg, 2010.

[12] Lin, Canhong, et al. "Survey of green vehicle routing problem: past and future trends." Expert Systems with Applications 41.4 (2014): 1118-1138.

[13] Zhao, Na, Jiabin Yuan, and Han Xu. "Survey on intelligent transportation system." Computer science 41.11 (2014): 7-11.

(39)
(40)

LAMPIRAN 1 Tabel Daftar Luaran

Program : Penelitian Unggulan ITS

Nama Ketua Tim : Ahmad Muklason, S.Kom., M.Sc., Ph.D

Judul : Pengembangan Model Traveling Salesman Problem & Vehicle Routing Problem dan Algoritma Generik Berbasis Hyper-heuristics Untuk Menyelesaikan Permasalahan Optimasi Operasi dan Penjadwalan Public Transport di Kota Surabaya dalam Kerangka Kerja Intelligent Transport Systems

1.Artikel Jurnal

No Judul Artikel Nama Jurnal Status Kemajuan*)

1 Solving Travelling Salesman

Challenge 2.0 Problem with Artificial Bee Colony Algorithm

Expert System With Its Application

Persiapan

*) Status kemajuan: Persiapan, submitted, under review, accepted, published

2. Artikel Konferensi

No Judul Artikel Nama Konferensi (Nama

Penyelenggara, Tempat, Tanggal)

Status Kemajuan*)

1 Self Adaptive Learning – Great

Deluge Based Hyper-heuristics for Solving Cross Optimization Problem Domains IEEE: The 17th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI-CON 2020) 24-27 June 2020 Virtual Conference Hosted by College of Computing, Prince of Songkla University, Published

(41)

*) Status kemajuan: Persiapan, submitted, under review, accepted, presented

3. Paten

No Judul Usulan Paten Status Kemajuan

*) Status kemajuan: Persiapan, submitted, under review

4. Buku

No Judul Buku (Rencana) Penerbit Status Kemajuan*)

*) Status kemajuan: Persiapan, under review, published

5. Hasil Lain

No Nama Output Detail Output Status Kemajuan*)

*) Status kemajuan: cantumkan status kemajuan sesuai kondisi saat ini

4. Disertasi/Tesis/Tugas Akhir/PKM yang dihasilkan

No Nama Mahasiswa NRP Judul Status*)

1 SHOF RIJAL AHLAN

ROBBANI 05211850012002 Hyper-heuristic for Solving New variant TSP Problem In Progress 2 LANANG ALUN NUGRAHA 05211850012003 Hyper-heuristic for Solving New variant VRP Problem In Progress

(42)

“Self Adaptive Learning - Great Deluge Based Hyper-heuristics for Solving Cross Opti- mization

Problem Domains”

(43)

Self Adaptive Learning – Great Deluge Based

Hyper-heuristics for Solving Cross Optimization

Problem Domains

Widya Saputra

Information Systems Department Institut Teknologi Sepuluh Nopember

Surabaya, Indonesia

widyasaputra@engineer.com

Ahmad Muklason

Information Systems Department Institut Teknologi Sepuluh Nopember

Surabaya, Indonesia

mukhlason@is.its.ac.id

Baiq Z.H. Rozaliya

Information Systems Department Institut Teknologi Sepuluh Nopember

Surabaya, Indonesia

zuyyinahilya56@gmail.com

AbstractIn the literature, almost all optimization problems in NP-hard class are solved by meta-heuristics approach. However, this approach has the drawback of requiring tuning parameters for each different problem domain and different instances of the same problem. This approach is considered less effective in resolving these problems. Therefore, a new approach is needed, namely the hyper-heuristics approach that is able to solve cross-domain problems. Hyper-heuristic is one of the approximate search methods which is able to provide solutions to NP-hard problems in polynomial time, as well as giving fairly good and acceptable results. This method has two properties of search space, namely the selection of LLH and the acceptance of solutions (move acceptance). This approach works in barrier domains rather than directly working in problem domains. With these properties, hyper-heuristic is able to solve problems in different domains. In addition, hyper-heuristics has a learning mechanism through feedback from previously generated solutions. This final project tries to apply a hyper-heuristic algorithm in six combinatorial optimization problem domains, namely SAT, Bin Packing, Flow Shop, Personnel Scheduling, TSP, and VRP. The method that will be used in this final project is Self Adaptive - Great Deluge (SAD-GED). The Self Adaptive mechanism is used to make LLH selection to be used, while the Great Deluge is used in determining the acceptance of solutions (move acceptance) in a hyper-heuristic framework. The application of the SAD-GED algorithm is expected to be able to provide better results than the existing algorithm used previously, namely Simple Random - Simulated Annealing.

KeywordMeta-heuristic, Hyper-heuristic, Self-adaptive Learning, Great Deluge, Cross Domain Optimization

I. INTRODUCTION

Optimization is a method of finding feasible and optimal solutions from a collection of solutions that have been identified [1]. Optimization plays a role in minimizing or maximizing the value of the objective function in each problem. There are various optimization problems such as sat, flow shop, timetabling, vehicle routing problem, bin packing, and traveling salesman problem where trying to find the shortest distance, from one location to another [2]. These problems can be included in the NP-hard class where optimal solutions are difficult to obtain because of the complexity of the problem.

In solving increasingly complex problems, we need algorithms that are able to provide solutions with relatively fast time. Approximate algorithms such as heuristics, meta-heuristics, and hyper-heuristics are choices in solving these problems. The approximate algorithm provides a solution that does not guarantee the most optimal, but is quite good and relatively fast (polynomial).

Meta-heuristic is one method that is able to select and modify heuristics to produce new solutions or change current solutions into other solutions [3]. For many combinatorial problems, this method becomes very powerful and provides a flexible method. However, this method has drawback, unable to adapt well to the changes in the structure of problems or even instance of problems that are different from the same structure.

Unlike Hyper-heuristics, this method is a high-level methodology which combine multiple low-level heuristics (LLH) and problem instances effectively so it provides solutions in cross-domain problems. In other words, this method can determine which low level heuristic will be used and determine whether to accept the solution produced by LLH (move acceptance) or not. This method works in a heuristic workspace so there is no need to know a specific understanding of the problem to be solved. So that, hyper-heuristic is more general in solving hard combinatorial optimization problems because it does not depend on the problem parameters [4]. This study tries to apply the Hyper-heuristic Self Adaptive Learning Great Deluge (SADGED) method in solving cross domain optimization problems. The problem to be solved refers to the HyFlex framework where there are six problem domains, satisfiability (SAT), one dimensional bin packing, permutation flow shop, personnel scheduling, traveling salesman problem (TSP), and vehicle routing problem (VRP). Later, the results obtained from the method will be compared with the Simple Random Simulated Annealing (SRSA) algorithm which acts as a comparison method so that it can measure the performance of the algorithm that has been applied

(44)

II. LITERATURE STUDY

A. Combinatorial Optimization

The problem of combinatorial optimization is a problem that exists in the fields of machinery, planning, and industry that can be modeled in the form of minimizing or maximizing costs on limited discrete variables. [5]. In the optimization problem, there is a value of the objective function which will be maximized and minimized according to the objectives to be achieved based on the existing constraints.

B. Meta-heuristic

Meta-heuristics are the main strategies that guide and modify other heuristics to produce solutions outside of optimal local search. This method describes the entire search process, such as which heuristics will be used, even the criteria for accepting solutions. For many combinatorial problems, this method becomes very powerful and provides a flexible method. Meta-heuristics are mostly inspired by natural processes or science, such as the Simulated Annealing method, Taboo Search, Genetic Algorithm, and so on [3].

Meta-heuristics will succeed in optimizing the problem if it can strike a balance between exploration (diversification) and exploitation (intensification) so that it depends on parameter values [6]. Exploitation is needed to identify parts of the search for solutions with good quality results. The classification of solutions resulting from this process can be either single or plural solutions. This approach relies on parameter values so that it is less able to adapt to changes in problem structures or even different problem instances with the same structure.

C. Hyper-heuristic

Hyper-heuristic includes a collection of approaches which aim to automate, which usually combines with machine learning techniques, the process involves selecting and combining simple heuristics or creating new heuristics from existing heuristic components in order to solve optimization problems [6]. Hyper-heuristic is a methodology that can provide a solution that is not too optimal, but a fairly good and acceptable solution. the main purpose of hyper-heuristics is to create a general design method, which can provide a feasible solution based on the use of LLH.

Hyper-heuristic is a learning algorithm if it uses feedback from the solution search process. Based on the feedback dimension, there are 3 divisions of learning types. Online learning, learning is done when the algorithm is solving

it has LLH selection mechanism (to determine new solutions) and move acceptance (determine whether to accept the solution or not).

III. METHOD

A. Problem Identification

This study aims to apply a hyper-heuristic method that is able to provide optimal results (fitness) for each problem domain contained in the HyFlex framework. Each problem contained in HyFlex has different problem characteristics so that the LLH

(45)

development focuses on selection of pertubative LLH based on single point search (one solution result) [8].

B. Literature Study

At this stage a literature study is carried out related to the material that will be used as a research reference. Literature studies include concepts that will be applied in research.

C. Desain The Algorithm

At this stage the hyper-heuristic is developed as a high-level heuristic strategy that is in accordance with the problem that has been defined. At this stage the method will be described in the selection of LLH and the mechanism for accepting solutions.

In this study, the high level strategy applied to hyper-heuristics is a combination of self adaptive learning and great deluge (SADGED). The self adaptive learning method is used as LLH selection in solving problems, while the great deluge is used as a mechanism of move acceptance in obtaining new solutions resulting from the implementation of LLH in each problem domain. This mechanism will accept a better solution or below the parameter B value limit in the great deluge method at each predetermined iteration. SADGED algorithm design can be seen in Figure 1.

In this study, the LLH series (low level heuristic) used is LLH which is available in the HyFlex framework. low level heuristic is a collection of heuristics on HyFlex which is used to generate solutions so that the objective function of the solution can be known in solving problems. In HyFlex, LLH used are grouped into four types, namely mutation, ruin-recreate, local search, and crossover [9].

Fig. 2. The calculation of minimum and median value that is better than SRSA based on the trial results of the percentage of desired value based on the initial solution

The self adaptive learning method plays a role in determining the amount of LLH that will be used by the method to find the value of objective functions, this study uses the number of LLH limits as provided in the HyFlex framework. The value of the desired value variable is set to 10 percent of the initial solution value. The initial level parameter value or the solution acceptance factor is set the same as the initial solution value, while the value of the decay rate or temperature reducing factor is set based on the reduction in the initial value of the solution with the desired value, then divided by the number of iterations

[10]. Self adaptive learning plays a role in selecting LLH which produces the best value. When all the selected LLHs have been used, the algorithm will fill in the LLH that will be used with a composition of 75% of LLH that produces values that can be accepted by the move acceptance method, while the remaining 25% of LLH is in the problem domain [11].

D. Implementation

This stage is the implementation phase of the algorithm design in the hyper-heuristic Flexible (HyFlex) framework. Implementation is the stage of development of algorithm design into the program language. This stage starts from the preparation of tools to the implementation of the program.

The implementation is done on a 3.2 Ghz core i5 processor and 4096 MB of memory. The algorithm design will be implemented in the HyFlex framework using the NetBeans IDE 8.2 application. implementation is done by calling the method contained in the chesc.jar library.

E. Trial

Algorithm testing tries to find the optimal solution for the six problem domains in the HyFlex framework. A trial was conducted to find out how the performance of the algorithm that had been built on six problem domains, namely satisfaction, one-dimensional bin packing, permutation flow shop, personnel scheduling, traveling salesman problem, and vehicle routing problem.

Fig. 3. The scenario of testing methods that will be used in the HyFlex framework.

Based on the results of testing the desired value parameters in the self-adaptive learning great deluge method, the most optimal value obtained is 10 percent of the value of the initial solution. The trial is conducted by comparing the median and minimum values of the results of the execution. From Figure 2, the desired value of 10 percent provides a fairly stable number of solutions compared to other trial values. The value obtained is a percentage of the initial solution value. Meanwhile, the use of LLH length in the SADGED method is adjusted to the number of LLH contained in each problem domain.

(46)

In Figure 3 the method trial scenario, the algorithm is run by entering some required input data. Furthermore, the framework will search for solutions based on predefined input data. After the final criteria for running the algorithm are completed, the framework will return the value of the best solution resulting from the search process

Simple Random Simulated Annealing Algorithm and Great Deluge Self Adaptive Learning are applied in six problem domains contained in the HyFlex framework. In each problem domain, there are five instances that have been determined in the trial process so that the total instances used are 30 instances. Each instance is tested 31 times with a time of 60000 milliseconds. From the data the results of the execution are calculated the best value (minimum), first quartile, median, third quartile, maximum value, and average that will be used as a comparison value for each method

IV.RESULTS AND DISCUSSION

The trials were conducted 31 times on six problem domains with 5 instances of each problem. In conducting trials, performance measurements are carried out by comparing the SADGED method with SRSA. Performance testing is done by doing three comparisons. First, comparing the distribution of data from the results of the method execution on some statistical data, namely the minimum value (fitness), the first quartile, median, third quartile, and the maximum value of the value of the objective function. This test uses the calculation of values and points and visualization of boxplot diagrams from the statistical data obtained. Second, comparing the median values obtained to measure the concentration of values in the data. Third, make a comparison of the minimum values obtained from the method execution results.

A. Comparison of Data Distribution

Comparison of data distribution is done by calculating based on statistical values such as minimum value, first quartile, median, third quartile, and maximum value and visualization of values against the boxplot diagram. The objective function value data from the comparison of two methods that give smaller values will get one point. The maximum point in one problem domain is 25 while the overall point of the problem domain is 150. Methods that get a greater value are said to be superior to other methods. The results of calculations and boxplot diagrams of the two methods can be seen as follows:

• In the SAT problem domain, SADGED has better performance compared to SRSA. The SADGED method

it gets 12 points, while SRSA gets 13 points. The difference between the two methods is only 1 point and won by SRSA.

• In the personnel scheduling problem domain, SADGED excels in three instances, namely instance 5, instance 10, and instance 11, while losing to the other two. The SADGED algorithm is 5 points ahead of SRSA with 16 points.

• In the tsp problem domain, SADGED excels in all five instances by getting a value of 21, which is 19 points ahead of SRSA who gets a value of 4.

• In the vrp problem domain, SAGDED excels in the five instances tested and scores 25 points.

Based on the calculation of points that have been done, the SADGED method excels in four problem domains and gets 56 points compared to SRSA. The SADGED method gets 103 points from all 30 instances tested compared to SRSA which only gets 47 points.

Fig. 4. The comparison of median score graph of great deluge self adaptive learning method with simple random simulated annealing.

B. Comparison of Median Values

Comparison of the median value is done to measure the centralization of the results of the method execution. This second measurement uses the FIFA ball method by looking at the value of the median in each instance. the algorithm that is considered to be won will be given a value of three, then for a balanced algorithm will get a value of one and the losing algorithm will get an empty value. The method is considered to win if the total value of the changes obtained is positive and is considered losing if it is negative.

(47)

Fig. 5. The Rank of Hyper-heuristic methods used is based on the Formula One system.

Figure 5 shows the testing using the Formula One system for both methods, the first rank obtained by the SADGED method with a score of 50 points from the total score that can be obtained by 60 points. The SADGED method gets a percentage point of 83% with an average of points gained in each instance of 1.6 points. Furthermore, the second rank obtained by the SRSA method with the acquisition of a score of 40 points from a total score of 60 points. This method gets a percentage point of 67% with an average point on each instance of 1.3 points.

C. Comparison of Minimum Values

The comparison of minimum values is performed on 30 instances of data with 31 executions. Comparisons at this stage use the FIFA ball system. This system provides a rating of three points for the method that is considered to win, a value of one in the draw method, as well as an empty value on the losing method or produce a worse value than the other methods. a method that gives a better percentage change value will get points of 3 in each problem domain. The purpose of this comparison is to test the performance of the strategies implemented in solving domain traffic optimization problems.

Based on the graph in Figure 6, the minimum SADGED score overall wins in four problem domains, namely SAT, Personnel Scheduling, TSP, and VRP. However, in the problem domain the Bin Packing and Flowshop SADGED method is unable to compete with SRSA. In the domain of the flowshop problem, the SADGED defeat is not too significant, the percentage of changes obtained is 0.71%. The most significant defeat was found in the Bin Packing problem domain where only one instance could win to reach the minimum value with a percentage change of 78.69%.

Although in this work, the hyper-heuristics was tested over 6 problem domains only, but hyper-heuristics also works for other problems. For example, similar works using hyper-heuristics by the can be found in [12], [13], and [14] in which the hyper-heuristics was used for solving examination timetabling problem. On the other hand, in [15] the hyper-heuristics was used to solve orienteering problem.

CONCLUSIONS

Based on the results of trials and analysis of the results that have been carried out, the following conclusions can be drawn:

• The combination of Great Deluge's Self Adaptive Learning is able to give better results compared to the Simple Random Simulated Annealing algorithm. SADGED is able to provide better results in four problem domains, namely SAT, Bin Packing, TSP, and VRP based on the results of trials conducted on the HyFlex framework.

• The SADGED method used is not good enough in finding optimal solutions to the Bin Packing problem. SADGED is only able to provide optimal solutions to one of the five instances tested in the problem domain. This method gets a significant reduction in percentage change of 78% when seen from the minimum value and 92% in the median value.

• Although there was a decrease in the flowshop problem domain, the decrease that occurred was not very significant. SADGED is able to provide an optimal solution for two instances in the problem domain being tested. When viewed from the minimum side of the decline obtained by 0.71%, while providing an optimal solution for three instances when viewed from the median value with a percentage change of 0.02%.

• Based on the test results using the Formula One system, the SADGED method has a better performance compared to the SRSA algorithm. This can be seen from the percentage of performance score obtained by 83% with 50 points from a total of 60 points tested in 30 instances in six different problem domains. The SADGED method is 16% superior to the SRSA method as a comparison algorithm that gets a percentage point of 67%.

In subsequent studies, experiments can be conducted in determining the parameters of the number of LLH limits used in finding optimal objective function values in the Self Adaptive Learning method. With the determination of the right amount, it is expected to be able to provide better results in finding optimal solutions, especially for the Bin Packing and Flowshop problem domains.

Fig. 6. The comparison graph of the minimum score of the great deluge self-adaptive learning method with simple random simulated annealing

(48)

REFERENCES

[1] S. S. Choong, L. P. Wong, and C. P. Lim, “Automatic design of hyper-heuristic based on reinforcement learning,” Inf. Sci. (Ny)., vol. 436–437, pp. 89–107, 2018.

[2] C. Rego, D. Gamboa, F. Glover, and C. Osterman, “Traveling salesman problem heuristics: Leading methods, implementations and latest advances,” Eur. J. Oper. Res., vol. 211, no. 3, pp. 427– 441, 2011.

[3] E. K. Burke and G. Kendall, Search Methodologies, 2nd ed. . [4] J. D. Walker, “Design of Vehicle Routing Problem Domains for a

Hyper-Heuristic Framework,” 2015.

[5] P. Franq, “Optimization Problem,” Paul Otlet Institute, 2012. [Online]. Available: http://www.otlet-institute.org/wikics/Optimization_Problems.html. [Accessed: 21-Feb-2019].

[6] I. Boussaïd, J. Lepagnot, and P. Siarry, “A survey on optimization metaheuristics,” Inf. Sci. (Ny)., vol. 237, pp. 82–117, 2013. [7] E. K. Burke et al., “A Classification of Hyper-heuristic

Approaches,” 2009.

[8] E. K. Burke et al., “Hyper-heuristics: A survey of the state of the art,” J. Oper. Res. Soc., vol. 64, no. 12, pp. 1695–1724, 2013. [9] E. Burke, T. Curtois, M. Hyde, G. Ochoa, and J. A.

Vazquez-Rodriguez, “HyFlex: A Benchmark Framework for Cross-domain Heuristic Search,” no. January, 2011.

[10] R. A.-M. Nabeel, “Hybrid genetic algorithms with great deluge for course timetabling,” IJCSNS Int. J. Comput. Sci. Netw. Secur., vol. 10, no. 4, pp. 283–288, 2010.

[11] Q. Pan, M. F. Tasgetiren, P. N. Suganthan, and T. J. Chua, “A discrete artificial bee colony algorithm for the lot-streaming flow shop scheduling problem,” Inf. Sci. (Ny)., vol. 181, no. 12, pp. 2455–2468, 2011.

[12] Muklason, A., Bwananesia, P.C., YT, S.H., Angresti, N.D. and Supoyo, V.A., 2018, October. Automated Examination Timetabling Optimization Using Greedy-Late Acceptance-Hyperheuristic Algorithm. In 2018 International Conference on Electrical Engineering and Computer Science (ICECOS), pp. 201-206.

[13] Kusumawardani, D., Muklason, A., & Supoyo, V. A. (2019, July). Examination Timetabling Automation and Optimization using Greedy-Simulated Annealing Hyper-heuristics Algorithm. In 2019 12th International Conference on Information & Communication Technology and System (ICTS) pp 1-6

[14] Muklason, A., Syahrani, G.B. and Marom, A., 2019. Great Deluge Based Hyper-heuristics for Solving Real-world University Examination Timetabling Problem: New Data set and Approach. Procedia Computer Science, 161, pp.647-655.

[15] Yoga, I. Wayan AK, Arif Djunaidy, Wiwik Anggraeni, Ahmad Muklason, Faizal Mahananto, Edwin Riksakomara, Nisa D. Angresti, Hidayatul YT Sasmi, and Vicha Azthanty Supoyo. "Advanced Traveler Information Systems: Itinerary Optimisation Using Orienteering Problem Model and Genetic Algorithm." In

(49)

Ahmad Mukhlason, S.Kom, M.Sc, Ph.D

Gambar

Gambar 4. 3 Uji Coba Parameter Limit pada Dataset 14
Gambar 4. 6 Uji Coba Parameter FoodSource pada Dataset 14
Gambar 4. 10 Uji Coba Jumlah Iterasi pada Dataset 14
Gambar 4. 11 Uji Coba LLH pada Dataset 6
+7

Referensi

Dokumen terkait

Pada hasil simulasi variasi perubahan massa beban pendulum dengan panjang lengan 1 meter dan parameter gelombang yang digunakan, didapatkan simpangan bandul yang lebih baik

Real Time Terintegrasi, lebih khusus lagi, invensi ini berhubungan dengan penyusunan sistem monitoring genangan banjir yang meliputi rancang bangun alat pembaca

Tabel 4.6 menunjukkan hasil pengujian carbon analyzer yang dilakukan pada material dengan waktu ball milling 2 jam dan waktu pemberian gas asetilen 20 menit. Hal ini

Konsep awal dari penelitian platform mobil autonomus ITS adalah mengacu pada mobil Yamaha Golf dan akan dikaji lebih lanjut terkait dengan kenyamanan suspensi dan

Tujuan yang diharapkan penciptaan kapal ini adalah untuk membuat suatu kapal penyelamat yang berbasis autonomus sehingga pada saat melakukan misi penyelamatan di laut

Uji aktivitas katalitik katalis ZSM-5 variasi waktu hidrotermal 3 jam dan 6 jam dilakukan pada reaksi hidrodeoksigenasi minyak kemiri sunan dengan kondisi reaksi 3% katalis,

Pada perancangan mobil listrik dibagi 3 konsep perancangan yaitu perancangan rear part pada sistem suspensi belakang dan sistem penggerak, perancangan front part

Berdasarkan hal ini, metode penambatan ulang yang dilakukan dapat menghasilkan pose dengan interaksi dan konformasi yang identik dengan ligan ko-kristal PIM