UNIMUSUNIMUS

JURNAL KOMPUTER DAN TEKNOLOGI INFORMASIJURNAL KOMPUTER DAN TEKNOLOGI INFORMASI

Percobaan ini membandingkan tiga algoritma heuristik, yaitu Genetic Algorithm (GA), Simulated Annealing (SA), dan Ant Colony Optimization (ACO), dalam menyelesaikan masalah Travelling Salesman Problem (TSP) menggunakan dataset Berlin. TSP merupakan masalah kombinatorial yang bertujuan untuk menentukan rute terpendek yang mengunjungi sejumlah titik dan kembali ke titik awal. Metode percobaan mencakup penerapan ketiga algoritma dengan pengaturan parameter yang konsisten, termasuk jumlah iterasi sebanyak 10 kali, untuk mengevaluasi kinerja masing-masing algoritma. Hasil percobaan menunjukkan bahwa GA mencapai solusi terbaik dengan total jarak tempuh 27.539,86, diikuti oleh ACO dengan jarak 28.774,06, dan SA dengan jarak 28.897,26. Analisis hasil menunjukkan bahwa GA secara efektif mengeksplorasi ruang solusi, menghasilkan rute yang lebih efisien dibandingkan kedua algoritma lainnya. Selain itu, percobaan ini memberikan rekomendasi untuk pengembangan lebih lanjut, termasuk tuning parameter dan penerapan algoritma pada skala yang lebih besar. Temuan ini diharapkan dapat memberikan wawasan yang berharga untuk implementasi algoritma heuristik dalam memecahkan masalah optimasi dalam dunia nyata.

Berdasarkan perbandingan tiga algoritma yaitu Genetic Algorithm (GA), Simulated Annealing (SA), dan Ant Colony Optimization (ACO) dalam menyelesaikan Travelling Salesman Problem (TSP) menggunakan dataset Berlin, GA menunjukkan kinerja paling unggul dengan rute terbaik mencapai 27.539,86, diikuti oleh ACO dengan jarak 28.Keunggulan GA dapat dikaitkan dengan karakteristiknya yang efektif dalam mengeksplorasi ruang solusi besar melalui mekanisme seleksi, perkawinan, dan mutasi, memungkinkannya mengeksplorasi berbagai kemungkinan rute secara simultan.Sementara itu, ACO menunjukkan performa yang bersaing berkat kemampuannya mensimulasikan perilaku semut dalam mencari rute optimal menggunakan feromon, dan SA, meskipun lebih sederhana, tetap mampu memberikan solusi yang memadai melalui pendekatan probabilistik dalam menjelajahi ruang solusi, menjadikan ketiga algoritma ini pilihan yang baik untuk menyelesaikan TSP, dengan GA sebagai pilihan utama berdasarkan hasil yang diperoleh.

Penelitian lanjutan dapat fokus pada pengembangan algoritma hybrid yang menggabungkan keunggulan GA, SA, dan ACO untuk meningkatkan efisiensi pencarian solusi. Selain itu, perlu dilakukan eksperimen dengan dataset TSP yang lebih besar atau kompleks untuk menguji skalabilitas algoritma. Terakhir, penelitian dapat mengeksplorasi teknik tuning parameter otomatis yang lebih canggih untuk meningkatkan konvergensi dan stabilitas hasil. Dengan pendekatan ini, diharapkan muncul solusi inovatif yang lebih efektif dalam menyelesaikan masalah optimasi kombinatorial.

Read online
File size527.73 KB
Pages8
DMCAReport

Related /

ads-block-test