76
3.7 Perbandingan Algoritma – Algoritma ACO
3.7.1 Kelebihan Algoritma ACO berdasarkan kinerjanya
Beberapa kelebihan yang dimiliki masing – masing algoritma ACO dalam menemukan solusi berdasarkan kinerjanya ditunjukkan sebagai
berikut : 1
Kelebihan – kelebihan AS adalah sebagai berikut : • Di dalam cakupan parameter keoptimalan, algoritma ini selalu
menemukan solusi yang mendekati optimal untuk semua permasalahan yang mempunyai jumlah titik sedikit.
• Algoritma ini dengan cepat menemukan solusi yang bagus, meskipun demikian ia tidak memperlihatkan perilaku stagnasi,
maksudnya semut terus mencari kemungkinan adanya tour baru yang lebih baik.
2 Kelebihan – kelebihan EAS adalah sebagai berikut :
• Jumlah iterasi yang dilakukan lebih sedikit, hal ini karena edge – edge pada tour terbaik mendapatkan penambahan Pheromone
lebih banyak dan menyebabkan ruang pencarian lebih sempit. • Ruang pencarian solusi lebih sempit, sehingga lebih cepat dalam
menemukan solusi. Walaupun ruang pencarian lebih sempit tetapi EAS tidak memperlihatkan terjadinya stagnasi, maksudnya
semut terus mencari kemungkinan adanya tour baru yang lebih baik.
77 3
Kelebihan – kelebihan AS
Rank
adalah sebagai berikut : • Algoritma ini menggunakan sistem peringkat dalam update
Pheromone-nya, sehingga akan mempermudah semut dalam menentukan sebuah tournya.
• Semut lebih cepat menemukan solusi karena edge – edge yang merupakan bagian tour terpendek memiliki jumlah Pheromone
lebih banyak, hal ini karena semut lebih menyukai edge yang pendek dan mempunyai jumlah Pheromone yang lebih banyak
untuk dipilih.
4 Kelebihan – kelebihan MMAS adalah sebagai berikut :
• Adanya batas nilai Pheromone membuat pencarian tidak mengalami stagnasi dan bisa lebih fokus.
• Penginisialisasian kembali membuat performa algoritma menjadi lebih baik. Pada jumlah titik masalah yang besar akan membuat
pencarian solusi lebih mudah dan tidak menimbulkan stagnasi. Karena, pada waktu terjadi stagnasi maka akan dilakukan
inisialisasi kembali.
5 Kelebihan – kelebihan ACS adalah sebagai berikut :
• Aturan transisi status pada sistem ini memberikan suatu cara langsung untuk menyeimbangkan antara penjelajahan
78 exploration edge-edge yang baru dengan eksploitasi
exploitation pers. 2.8 dan 2.1. • Aturan pembaruan Pheromone global hanya dilakukan pada
edge-edge yang merupakan bagian dari tour terbaik, sehingga semut akan lebih mudah dalam menentukan titik selanjutnya.
• Disaat semut-semut membangun sebuah tour, diterapkan suatu aturan pembaruan Pheromone lokal local Pheromone updating
rule. Sehingga membuat Pheromone pada edge berkurang dan kehilangan daya tarik, dengan demikian edge yang telah dilewati
tidak akan dilewati lagi oleh semut yang lainnya. Hal ini menyebabkan semut mencari edge baru yang lebih pendek atau
edge yang banyak dikunjungi semut dengan jumlah Pheromone yang banyak.
3.7.2 Perbedaan Algoritma-algoritma ACO Berdasarkan Cara Kerjanya