1
ANALISA PENCARIAN JALUR TERPENDEK KE PENGINAPAN
DI KOTA BATAM DENGAN MENGGUNAKAN ALGORITMA ANT COLONY
StudiKasus: DinasPariwisata Kota Batam
DwiRatnaFitriyani
Mahasiswa Informatika, FT UMRAH, fitriyani.btm@gmail.com
ABSTRAK
Kota Batam merupakan salah satu kota dengan pertumbuhan terpesat di Indonesia. Kota
Batam memiliki luas ± 415 Km2 atau sekitar 41.500 Ha (batamkota.go.id). Dengan luas yang
seperti itu membuat Kota Batam menjadi pusat perdagangan internasional, hal inilah yang menjadi salah satu alasan kenapa banyak pengunjung dari daerah luar Kota Batam baik domestik maupun internasional. Berdasarkan uraian tersebut dapat terlihat dengan jelas bahwa betapa banyaknya minat para pendatang untuk sekedar berkunjung bahkan menetap di Kota Batam. Karena itu, dibutuhkan suatu sistem dalam pencarian jalur terpendek menuju penginapan untuk memaksimalkan waktu yang ada. Dalam proses penganalisaan sistem ini, maka peneliti menggunakan Algoritma Ant Colony untuk menentukan jalur terpendek ke penginapan yang ada di Kota Batam. Algoritma Ant Colony termasuk teknik pencarian multi agent untuk menyelesaikan permasalahan optimasi, khususnya kombinatorial yang terinspirasi dari tingkah laku semut dalam suatu koloni. Penerapan Algoritma Ant Colony pada penelitian ini didapat jalur alternative atau jalur terpendek untuk menuju ke penginapan dikarenakan seluruh jalur telah dilewati agar dapat menghasilkan jalur yang optimal.
Kata kunci: Kota Batam, Ant Colony, Jalur Terdekat, Algoritma, Penginapan
ABSTRACT
Batam is one of the fastest growing cities in Indonesia. Batam city has an area of ± 415 km2 or about 41,500 hectares (batamkota.go.id). With such vast makes Batam city became the center of international trade, it is this which is one reason why many visitors from outside the area of Batam both domestically and internationally. Based on these descriptions can be seen clearly that how much interest the newcomers for a visit even settled in the city of Batam . Therefore, we need a system in search of the shortest path to the inn to maximize the time available. In the process of analyzing this system, the researchers used Ant Colony Algorithm to determine the shortest path to the inn in the city of Batam.Ant Colony Algorithm including multi-agent search techniques to solve optimization problems, in particular combinatorial inspired by the behavior of ants in a colony. Implementation of Ant Colony Algorithm in this study obtained alternative path or shortest path to get to the inn because the whole track has been skipped in order to produce an optimal path.
2
I. PENDAHULUAN1.1 Latar Belakang
Batam merupakan salah satu pulau yang berada diantara perairan Selat Malaka
dan Selat Singapura. Kota Batam
merupakan salah satu kota dengan
pertumbuhan terpesat di Indonesia. Kota Batam memiliki luas +- 415 Km2 atau
sekitar 41.500 Ha (batamkota.go.id).
Dengan luas yang seperti itu membuat Kota
Batam menjadi pusat perdagangan
internasional, hal inilah yang menjadi salah satu alasan kenapa banyak pengunjung dari daerah luar Kota Batam baik lokal maupun non-lokal.
Berdasarkan uraian tersebut dapat
terlihat dengan jelas bahwa betapa
banyaknya minat para pendatang untuk sekedar berkunjung bahkan menetap di Kota Batam. Karena itu, dibutuhkan suatu sistem dalam pencarian jalur terdekat menuju penginapan untuk memaksimalkan waktu yang ada. Dalam proses penganalisaan sistem ini, maka peneliti menggunakan Algoritma ANT untuk menentukan jalur terpendek ke penginapan yang ada di Kota Batam.
Algoritma ANT atau dalam dalam bahasa indonesia disebut Algoritma Semut. Algoritma ANT merupakan algoritma yang dimunculkan sebagai suatu pendekatan multi-agen terhadap optimasi berbagai permasalahan yang berkaitan dengan graf. Algoritma ANT diadopsi dari perilaku koloni semut yang dikenal sebagai sistem semut (Dorigo, 1996). Dengan uraian diatas, maka peneliti akan melakukan penelitiannya yang berjudul ”Analisa Pencarian Jalur Terpendek Ke Penginapan di Kota Batam Dengan Menggunakan Algoritma ANT Colony.”
II. TINJAUAN PUSTAKA 2.1 Kajian Terdahulu
Sebagai bahan pertimbangan dalam penelitian ini akan dicantumkan beberapa hasil penelitian terdahulu antara lain:
Iing Mutakhiroh, Indrato, dan Taufiq hidayat (2007) melakukan penelitian untuk pencarian jalur terpendek dengan
menggunakan algortma semut. Yang
diharapkan nantinya dapat menyelesaikan maslah pencarian jalur terpendek dengan hasil yang lebih variatif dan dengan waktu perhitungan yang singkat.
Finsa Ferdifiansyah, (2013)
melakukan perbandingan algoritma dijkstra
dan algoritma ANT Colony dalam
penentuan jalur terpendek. Penelitian
difokuskan pada penerapan pencarian jalur terpendek yang terdapat pada aktivitas maskapai penerbangan dimana jalur-jalur
antar kota yang dilewatinya akan
membentuk suatu graf berarah dan
berbobot. Dari graf yang terbentuk inilah akan diproses menggunakan algoritma dijkstra dan ANT Colony untuk menentukan jalur terpendek dari suatu kota ke kota yang lain.
Merciyana Daud, Mukhlisulfatih Latief, dan Ahmad Feriyanto Alulu (2013) melakukan penelitian yang berjudul “Sistem Informasi Geografis Pendataan Kos-kosan Berbasis Web di Kota Gorontalo.” Penelitian ini bertujuan untuk menyediakan sarana informasi tentang kos berbentuk sistem informasi geografis dimana sistem ini dapat melakukan pencarian kos sesuai keinginan mahasiswa dengan penerapan
metode Haversine Formula dalam
perhitungan jarak terdekat dan Simple Hill
Climbing untuk pencarian jalur rute terpendek.
Ying Lu dan Wen Hu (2013) melakukan penelitian yang berjudul “Study
on the Application of Ant Colony Algorithm in the Route of Internet of Things”
Penelitian ini menggunakan algoritma Ant
Colony untuk mencari rute menggunakan
sinyal siaran yang ditampilkan dengan random multisender dan siklus hidup yang pendek untuk mengatasi masalah node jaringan yang lebih bervariasi terstruktur. Hasil simulasi menunjukkan bahwa mencari rute dengan algoritma Ant Colony di internet dapat mengurangi badai siaran secara efektif.
2.2 Sejarah Ant Colony
Algoritma Ant Colony termasuk
teknik pencarian multi agent untuk
menyelesaikan permasalahan optimasi,
3
dari tingkah laku semut dalam suatu koloni (Suyanto, 2010).
Berikut adalah tahapan-tahapan algoritma ANT dalam graf menurut Dorigo, 1991 :
Gambar 2. 1 Perjalanan Semut
- Pada gambar a. terlihat bahwa
semut yang akan melakukan
perjalanan mencari makan dari titik X ke titik Y.
- Pada gambar b. semut melakukan
gerakan acak menuju tempat
mencari makanan dengan jalur yang berbeda.
- Setelah berjalan secara acak
berdasarkan jalurnya
masing-masing, kemudian semut akan
bertemu lagi dimana tempat
makanan berada seperti pada
gambar c.
- Pada saat melakukan perjalanan
melalui jalurnya masing-masing,
semut meninggalkan feromon
sebagai jejak yang akan diikuti oleh semut yang lainnya. Semakain banyak semut dan semakin dekat jarak yang ditempuh maka feromon juga semakin kuat sehingga semut yang lainnya akan mengikuti jalur tersebut seperti gambar d.
Pada optimisasi algoritma semut, proses tadi akan dilakukan secara berulang sesuai dengan siklus maksimum yang telah ditentukan.
2.3 Alur Kerja Ant Colony
Berikut adalah alur kerja algoritma Ant
Colony menurut Dorigo, 1991:
Mulai
Inisialisasi Parameter
Menentukan banyak semut
Semut=1
Hitung Probabilitas Semut
Tujuan tercapai
Hitung Jarak
Semut = banyak semut
Update feromon
Siklus Max
Hitung Jarak Total (Ln)
Menampilkan jarak terpendek dan jumlah
semut Selesai Ya tidak Ya Semut = Semut +1 Ya Tidak Tidak
Gambar 2. 2 Alur Kerja Ant Colony Berdasarkan gambar diatas, maka dapat dijabarkan sebagai berikut:
a. inisialisasi parameter-parameter
algoritma. Parameter-parameter yang diinisialisasikan adalah:
1. Intensitas jejak semut antar kota
(𝜏𝑖𝑗) digunakan dalam persamaan
probabilitas kota yang akan
dikunjungi
2. Banyak kota (n) termasuk
koordinat (x,y) atau jarak antar
kota (dij). Nilainya tergantung ada
banyaknya jumlah kota yang terdapat di database.
3. Tetapan pengendali intensitas
jejak semut (𝛼), digunakan dalam persamaan probabilitas kota yang akan dikunjungi yang berfungsi
sebagai pengendali intensitas
jejak semut, nilai 𝛼 ≥ 0
4. Tetapan pengendali visibilitas
(𝛽), digunakan dalam persamaan
probabilitas kota yang akan
dikunjungi, berfungsi sebagai
pengendali visibilitas, nilai 𝛽 ≥ 0
5. Tetapan penguapan jejak feromon
(𝜌), nilai 𝜌 > 0 dan < 1 untuk mencegah jejak feromon yang tak terhingga
6. Visibilitas antar kota (𝜂𝑖𝑗)
digunakan dalam persamaan
probabilitas kota yang akan
dikunjungi. Nilai 𝜂𝑖𝑗 merupakan
hasil dari 1/dij (jarak kota)
7. Banyak semut (m) merupakan
banyak semut yang akan
melakukan siklus dalam
algoritma semut. Nilai m
4
8. Tetapan siklus semut (Q), siklus
atau banyak langkah yang dilakukan oleh setiap semut dalam melakukan perjalanannya
9. Jumlah siklus maksimum
(NCmax)
NCmax adalah jumlah maksimum siklus yang akan berlangsung pada setiap semut. Siklus akan berhenti sesuai dengan NCmax yang telah ditentukan atau telah menentukan titik/kota tujuan.
b. Hitung probabilitas antar kota
Perhitungan probabilitas antar kota bertujuan untuk mencari kemungkinan
kemana semut akan berjalan.
Probabilitas antar kota dapat dicari
dengan menggunakan rumus
persamaan berikut: 𝑃𝑖𝑗𝑘 𝑡 = 𝜏𝑖𝑗 𝑡 𝛼. [𝜂𝑖𝑗]𝛽 𝜏𝑖𝑗 𝑡 𝛼 . 𝜂𝑖𝑗 𝛽 jika 𝑗 𝜖 𝑑𝑖𝑖𝑧𝑖𝑛𝑘𝑎𝑛; ……..….. (2.1) dimana 𝐽 𝑑𝑖𝑖𝑧𝑖𝑛𝑘𝑎𝑛 = {𝑁 − 𝑡𝑎𝑏𝑢𝑘},
sedangkan 𝛼 dan 𝛽 adalah dua
parameter yang mengontrol tingkat kepentingan relative dari intensitas jejak pheromone terhadap visibility.
𝑃𝑖𝑗𝑘 = 0 , untuk j lainnya,
persamaan…….……..……...…....(2.2)
c. Jika tujuan tercapai, maka selanjutnya
hitung jarak. Dengan dij adalah jarak
antara titik i ke titik j yang dihitung berdasarkan persamaan:
𝑑 = (𝑥1− 𝑥2)2+ (𝑦1− 𝑦2)2,
persamaan…………..…….…..….(2.3) Jika tidak, hitung kembali probabilitas semut.
d. Update feromon/rute setiap semut.
Perhitungan panjang rute tertutup atau Lk setiap semut dilakukan setelah satu siklus diselesaikan oleh semua semut. Pada titik ini intensitas pheromone
di-update berdasarkan rumus berikut:
𝜏𝑖𝑗 𝑡 + 𝑛 = 𝜌𝜏𝑖𝑗 𝑡 + ∆𝜏𝑖𝑗 ;
………..….(2.4)
Dimana 𝜌 adalah suatu koefisien
sedemikian hingga (1 − 𝜌)
menyatakan evaporation (penguapan) jejak pheromone antara t dan t+n.
∆𝜏𝑖𝑗 = 𝑚𝑘=1∆𝜏𝑖𝑗𝑘 ; ...………(2.5)
Dimana ∆𝜏𝑖𝑗𝑘 adalah kuantitas per unit
panjang substansi jejak pheromone yang ditinggalkan pada busur (i,j) oleh
semut ke-k pada interval waktu antara t dan t+n. Kuantitas tersebut dirumuskan oleh
∆𝜏𝑖𝑗 =
𝑄
𝐿𝑘 ; jika semut ke-k
menggunakan busur (i,j) …...(2.6)
∆𝜏𝑖𝑗 = 0 ; ntuk yang lainnya ……(2.7)
Dimana Q adalah suatu konstanta dan
𝐿𝑘 adalah panjang tour yang dihasilkan
oleh semut ke-k.
e. Total jarak tempuh
Setelah satu siklus diselesaikan oleh
semua semut, maka panjang rute Lk
setiap semut dapat dihitung
berdasarkan tabuk masing-masing
dengan persamaan berikut:
𝐿𝑘= 𝑑𝑡𝑎𝑏𝑢𝑘 𝑛 ,𝑡𝑎𝑏𝑢𝑘(1)+
𝑑𝑡𝑎𝑏𝑢𝑘 𝑛 ,𝑡𝑎𝑏𝑢𝑘(𝑛+1)
𝑛−1
𝑖=1 ,
pers………...….……(2.8)
f. Menampilkan rute terpendek
Setelah Lk setiap semut dihitung, akan
didapat harga minimal panjang rute tertutup setiap siklus atau LminNC dan harga minimal panjang rute tertutup secara keseluruhan adalah atau Lmin, untuk menentukan LminNC dapat menggunakan persamaan berikut: LminNC = Min (L1, L2, …….Ln) ,
persamaan ………...……..(2.9)
g. Selesai.
2.4 Perhitungan Jarak dengan Haversine
Formula
Rumus haversine formula adalah persamaan yang penting pada navigasi, memberikan jarak lingkaran besar antara dua titik pada permukaan bola (bumi) berdasaarkan bujur dan lintang. Penggunaan rumus ini cukup akurat untuk sebagian besar perhitungan, juga mengabaikan ketinggian bukit dan kedalaman lembah dipermukaan bumi (Daud, Latief, dan Alulu, 2013). Berikut bentuk rumus Haversine Formula, persamaan……….…(2.10) 𝑑 = 2. 𝑟 sin−1 𝑠𝑖𝑛2 (𝜃2− 𝜃1 2 ) + cos(𝜃1) cos(𝜃2) 𝑠𝑖𝑛2 ( 𝜑1− 𝜑2 2 ) Keterangan: d = jarak r = jari-jari bumi 6367,45 Km
5
𝜃2= 𝑙𝑎𝑡𝑖𝑡𝑢𝑑𝑒 𝑎𝑤𝑎𝑙
𝜃1= 𝑙𝑎𝑡𝑖𝑡𝑢𝑑𝑒 𝑎𝑘ℎ𝑖𝑟
𝜑1= 𝑙𝑜𝑛𝑔𝑖𝑡𝑢𝑑𝑒 𝑎𝑤𝑎𝑙
𝜑2= 𝑙𝑜𝑛𝑔𝑖𝑡𝑢𝑑𝑒 𝑎𝑘ℎ𝑖𝑟
III. METODE PENELITIAN
Pada tahap pengembangan sistem terdiri dari proses-proses yang terstruktur yaitu : analisis, desain, kode, pengujian. Metode pengembangan ini dikenal dengan model Sekuensial Linier menurut Roger S. Pressman. Untuk desain model sekuensial
linier dapat dilihat pada gambar 3.1.
Gambar 3. 1 Metode Pengembangan Sistem
Berikut penjelasan bagaimana metode
pengembangan sistem yang digunakan dalam sistem ini, yaitu :
a. Analysis
Tahap ini menguraikan kebutuhan sistem yang utuh menjadi komponen-komponen sistem untuk mengetahui bagaimana sistem dibangun dan untuk
mengetahui kelemahan-kelemahan
sistem yang sudah ada sehingga dapat dijadikan masukan dan pertimbangan dalam penyusunan sistem yang baru
b. Design
Tahap ini merupakan tahap
perancangan sistem. Tahap design ini
menggunakan flowchart berfungsi
untuk menyatakan aliran metode atau proses sehingga memberi solusi dalam penyelesaian masalah yang ada di dalam proses atau algoritma tersebut. Sementara Entity Relationship Diagram (ERD) digunakan untuk membantu manggambarkan diagram sistem yang akan dibangun.
c. Code
Tahap ini adalah penerjemahan
rancangan dalam tahap desain ke dalam bahasa pemrograman
d. Test
Tahap ini merupakan uji coba terhadap program yang akan dibangun. Sehingga
analisis hasil implementasi yang
didapat dari sistem disesuaikan dengan kebutuhan sistem tersebut. Jika penerapan sistem sudah berjalan dengan
lancar, maka sistem dapat
diimplementasikan.
IV. PEMBAHASAN
4.1 Perhitungan Jalur Terdekat dengan Algoritma Ant Colony
Algoritma Ant Colony
Optimazation atau algoritma semut pada
dasarnya dapat menemukan rute terpendek
antar sarangdan sumber makanan
berdasarkan jejak feromon pada lintasan yang telah dilalui. Semakin besar jumlah semut dan siklusnya, maka hasil dari algoritma tersebut akan semakin besar pula kemungkinan untuk menemukan jarak terpendek. Sedangkan siklus perjalanan
mempengaruhi banyaknya jalur yang
ditempuh oleh semut.
Study kasus pada penelitian ini berlokasi di Kota Batam, kota industri yang banyak diminati oleh pengunjung dengan berbagai tujuan salah satunya yaitu untuk
mencari penginapan sesuai dengan
kebutuhan pengunjung itu sendiri. Berikut adalah salah satu contoh langkah-langkah perhitungan jalur terdekat ke penginapan dengan menggunakan algoritma semut penelitian ini.
4.1.1 Inisialisasi Parameter
Berikut adalah data yang akan diproses dengan menggunakan algoritma ant
colony.
Tabel 4. 1 Tabel Data Titik Koordinat
Simbol
Titik Nama Titik
Titik Koordinat Latitude (x) Longitude (y) A Bandara 1.122259 104.118277 B Simpang Bandara 1.127887 104.107074 C Simpang Dotamana 1.114506 104.098175 D Simpang Punggur 1.100968 104.094881
6
E Simpang Pom KDA 1.100314 104.075977 F Simpang KDA 1.104272 104.075086 G Simpang 4 Panasonic 1.115653 104.058178 H Mega Mall 1.129252 104.055847 I Hotel Harris 1.130539 104.053927 J Simpang Kabil 1.102325 104.038775 K Simpang Kara 1.110960 104.041875 L Simpang Frenky 1.117825 104.045909 M Masjid Raya Batam Center 1.126407 104.052990 N Bundaran BP Batam 1.130150 104.052915 O Simpang Batara/Cikitsu 1.114757 104.090402 P Universitas Batam 1.107195 104.082752 Q Industrial Tunas 2 1.111765 104.068257Dari data tabel diatas, maka penelitian ini akan mengambil sample rute dari titik asal Bandara dan Hotel Harris sebagai titik akhir atau titik tujuan.
4.1.2 Penyusunan Titik-titik Tujuan
Dalam penyusunan rute kunjungan dari Bandara ke Hotel Harris pada setiap titik, maka digunakan persamaan 2.1 probabilitas node untuk dikunjungi. Berikut adalah rute-rute yang kemungkinan akan dilewati dari Bandara ke Hotel Harris. Rute Pertama A => B => C => D => E => F => G => H => I Rute Kedua A => B => C => D => E => J => K => L => M => N => I Rute Ketiga A => B => C => D => O => P => F => G => H => I Rute Keempat A => B => C => O => P => Q => G => H => I
Dari data rute diatas, dapat dilihat bahwa jalur mulai memiliki percabangan pada titik “C”, dimana C dapat ke “D” dan C dapat pula ke “O”. Semakin besar nilai
probabilitas, semakin besar pula
kebolehjadian untuk dipilih sebagai titik tujuan. Tetapi hal ini tidak berarti bahwa titik tujuan yang dipilih adalah titik yang mempunyai harga probabilitas terbesar, dan juga berarti tertutupnya kemungkinan titik yang mempunyai nilai probabilitas kecil sebagai titik tujuan.
Maka sebagai contoh, akan dihitung nilai probabilitas titik-titik tujuan dari titik C ke D dan titik C ke O dengan persamaan 2.1 berikut: 𝑃𝑖𝑗𝑘 𝑡 = 𝜏𝑖𝑗 𝑡 𝛼 . [𝜂𝑖𝑗]𝛽 𝜏𝑖𝑘 𝑡 𝛼. 𝜂𝑖𝑘𝛽 , dengan 𝜂𝐶𝐷= 1/ 1,55Km dan 𝜂𝐶𝑂= 1/ 0,86Km 𝑃𝐶𝐷1 = 0,1 1. [ 1 1,55] 5 0,1 1. [ 1 1,55] 5+ 0,1 1. [ 1 0,86] 5 𝑃𝐶𝐷1 = 0,01116 0,01116 + 0,21185= 0,05 Untuk C ke O, 𝑃𝐶𝐷1 = 0,1 1. [ 1 0,86] 5 0,1 1. [ 1 1,55] 5+ 0,1 1. [ 1 0,86] 5 𝑃𝐶𝐷1 = 0,021185 0,01116 + 0,21185= 0,95
Rute yang terpilih yaitu C ke O dengan nilai probabilitas 0,95.
4.1.3 Perhitungan Panjang Rute Antar Dua Titik
Untuk menghitung panjang setiap rute antar dua titik atau jarak antar dua titik
dalam penelitian ini menggunakan
persamaan 2.10
4.1.4 Perhitungan Update Feromon
Berdasarkan data diatas, maka untuk perubahan harga intensitas jejak /
update jejak menggunakan persamaan 2.5
dan 2.6, dimana ∆𝜏𝑖𝑗 =
𝑄 𝐿𝑘 .
7
4.1.5 Perhitungan Total Jarak SetiapRute
Total jarak tempuh (Ln) merupakan
total penjumlahan dari panjang setiap rute antar dua titik atau jarak antar dua titik pada setiap rute yang telah dilalui. Berdasarkan
perhitungan pada persamaan 2.10 diatas, maka didapat total jarak tempuh setiap rute dengan persamaan 2.8, berikut tabelnya:
Tabel 4. 2 Tabel Perhitungan Total Jarak Tempuh Rute Pertama
Rute Titik Koordinat Jarak x1 y1 x2 y2 A=>B 1.122259 104.118277 1.127887 104.107074 1.39 B=>C 1.127887 104.107074 1.114506 104.098175 1.79 C=>D 1.114506 104.098175 1.100968 104.094881 1.55 D=>E 1.100968 104.094881 1.100314 104.075977 2.10 E=>F 1.100314 104.075977 1.104272 104.075086 0.45 F=>G 1.104272 104.075086 1.115653 104.058178 2.27 G=>H 1.115653 104.058178 1.129252 104.055847 1.53 H=>I 1.129252 104.055847 1.130539 104.053927 0.26
Panjang rute setiap semut (L1) 11.34
Tabel 4. 3 Tabel Perhitungan Total Jarak Tempuh Rute Kedua
Rute Titik Koordinat Jarak
x1 y1 x2 y2 A=>B 1.122259 104.118277 1.127887 104.107074 1.39 B=>C 1.127887 104.107074 1.114506 104.098175 1.79 C=>D 1.114506 104.098175 1.100968 104.094881 1.55 D=>E 1.100968 104.094881 1.100314 104.075977 2.10 E=>J 1.100314 104.075977 1.102325 104.038775 4.14 J=>K 1.102325 104.038775 1.11096 104.041875 1.02 K=>L 1.11096 104.041875 1.117825 104.045909 0.89 L=>M 1.117825 104.045909 1.126407 104.05299 1.24 M=>N 1.126407 104.05299 1.13015 104.052915 0.42 N=>I 1.13015 104.052915 1.130539 104.053927 0.12
8
Tabel 4. 4 Tabel Perhitungan Total Jarak Tempuh Rute Ketiga
Rute Titik Koordinat Jarak x1 y1 x2 y2 A=>B 1.122259 104.118277 1.127887 104.107074 1.39 B=>C 1.127887 104.107074 1.114506 104.098175 1.79 C=>O 1.114506 104.098175 1.114757 104.090402 0.86 O=>P 1.114757 104.090402 1.107195 104.082752 1.20 P=>F 1.107195 104.082752 1.104272 104.075086 0.91 F=>G 1.104272 104.075086 1.115653 104.058178 2.27 G=>H 1.115653 104.058178 1.129252 104.055847 1.53 H=>I 1.129252 104.055847 1.130539 104.053927 0.26
Panjang rute setiap semut (L3) 10.21
Tabel 4. 5 Tabel Perhitungan Total Jarak Tempuh Rute Keempat
Rute Titik Koordinat Jarak
x1 y1 x2 y2 A=>B 1.122259 104.118277 1.127887 104.107074 1.39 B=>C 1.127887 104.107074 1.114506 104.098175 1.79 C=>O 1.114506 104.098175 1.114757 104.090402 0.86 O=>P 1.114757 104.090402 1.107195 104.082752 1.20 P=>Q 1.107195 104.082752 1.111765 104.068257 1.69 Q=>G 1.111765 104.068257 1.115653 104.058178 1.20 G=>H 1.115653 104.058178 1.129252 104.055847 1.53 H=>I 1.129252 104.055847 1.130539 104.053927 0.26
Panjang rute setiap semut (L4) 9.92
4.1.6 Menampilkan Jalur Terpendek
Setelah semua langkah diatas telah diselesaikan, maka untuk menampilkan jalur terdekat dapat menggunakan persamaan 2.9, dengan mencari nilai paling minimum.
LminNC = Min ((11,34), (14,65), (10,21),
(9,92))
LminNC = 9,92 km
Maka, jalur yang terpilih sebagai jalur terdekat dari Bandara ke Hotel Haris yaitu rute keempat dengan titik yang dilalui A => B => C => O => P => Q => G => H => I
V. KESIMPULAN DAN SARAN
Kesimpulan yang dapat diambil dari penelitian ini yaitu bahwa dengan penerapan Algoritma Ant Colony, didapat jalur alternative atau jalur terpendek untuk menuju ke penginapan dikarenakan seluruh jalur telah dilewati agar dapat menghasilkan jalur yang optimal.
Saran untuk penelitian selanjutnya
yaitu menggunakan dua perbandingan
algoritma dalam pencarian jalur terpendek agar dapat mencapai hasil yang lebih optimal.
9
VI. DAFTAR PUSTAKAMutakhiroh, I’ing, Indrato, dan Taufiq Hidayat. 2007. Pencarian Jalur Terpendek Menggunakan Algoritma Semut. Yogyakarta: Seminar Nasional Aplikasi Teknologi Informasi 2007, ISSN: 1907-5022
Berlianty, Intan, dan Miftahol Arifin. 2010. Teknik-Teknik Optimasi Heuristik. Yogyakarta: Graha Ilmu
Suyanto. 2010. Algoritma Optimasi Deterministik atau Probabilitik. Yogyakarta: Graha Ilmu
Batam, Kota. 2012. Sejarah Kota Batam. Diambil dari:
www.batamkota.go.id/pemerintahan_baru.php?sub_module=46&klp_jenis=89 (22 Juli 2014)
Daud, Merciyana, Mukhlisulfatih Latief, dan Ahmad Feriyanto Alulu. 2013. Sistem Informasi Geografis Pendataan Kos-kosan Berbasis Web di Kota Gorontalo. Gorontalo: Universitas Negri Gorontalo
Ferdiansyah, Finsa. 2013. Perbandingan Algoritma Djikstra dan Algoritma Ant Colony Dalam Penentuan Jalur Terpendek. Jawa Timur: Universitas Brawijaya
Lu, Ying, dan Wen Hu. 2013. Study on the Application of Ant Colony Algorithm in the Route of
