Jalur 3 : Jalur yang ditemukan oleh semut 2
5. Pada iterasi berikutnya, busur-busur yang mengandung pheromon lebih tinggi ini akan cenderung dipilih sebagai busur yang harus ditempuh
berikutnya berdasarkan rumus pemilihan busur. Akibatnya, lama-
kelamaan akan terlihat jalur optimal pada graf, yaitu jalur yang dibentuk
oleh busur-busur dengan kadar pheromon yang tinggi, yang pada akhirnya akan dipilih oleh semua multi agen semut.
Gambar 2.16. Lintasan Semut Menuju Sarang pada Iterasi ke-2
Keterangan Gambar 2.16: A : Sarang semut
B : Tempat ditemukannya makanan Jalur 1 hitam : Jalur yang ditempuh oleh semut 2 dengan pemberian
kadar pheromon yang rendah Jalur 2 : Jalur yang tidak ditempuh
Jalur 3 biru : Jalur yang ditempuh oleh semut 2 dengan pemberian kadar pheromon
yang tinggi.
Gambar 2.17. Lintasan Optimal Semut Menuju Tempat Makanan
Keterangan Gambar 2.17: A : Sarang semut
B : Tempat ditemukannya makanan Jalur 1 : : Jalur yang tidak ditempuh karena kadar feromon yang rendah
Jalur 2 : Jalur yang tidak ditempuh karena kadar feromon yang sangat rendah
Jalur 3 : Jalur optimal yang ditempuh oleh semut karena kadar feromon yang tinggi
2.7 Analisis Parameter pada Algoritma Ants Colony System
Pada kasus-kasus dari ACS, pengaruh dari β besar pengaruh informasi
heuristic, m banyak semut, ρ faktor penguapan, q probabilitas pemilihan
deterministic kadang berbeda-beda. Gambar 2.18, Gambar 2.19, Gambar 2.20, Gambar 2.21
merupakan hasil perbandingan parameter β, m, ρ, dan q , secara
berturut-turut dengan kasus TSP 3000 titik.Stutzle, 2010 Parameter β gambar 2.18: nilai β berkisar antara 2 sampai 5
menghasilkan waktu komputasi dan rute yang lebih baik. Jika nilai β lebih kecil akan menghasilkan waktu komputasi yang baik tetapi rute tidak ditemukan yang
baik. Kemudian jika nilai β lebih besar maka akan menghasikan waktu komputasi yang buruk.
Gambar 2.18. ACS dengan beragam nilai β
Parameter m gambar 2.19: nilai m dengan 10 semut menghasilkan waktu komputasi yang baik. Jika lebih kecil misalnya m=1 maka akan menghasilkan
waktu komputasi yang buruk. Jika lebih besar misalnya m=100 maka akan menghasilkan waktu komputasi yang buruk juga.
Gambar 2.19. ACS dengan beragam parameter semut m Parameter ρ gambar 2.20: perbedaan nilai ρ tidak banyak berpengaruh
dalam waktu komputasi ACS.
Gambar 2.20 . ACS dengan beragam parameter ρ
Parameter q gambar 2.21: nilai q
menghasilkan waktu yang lebih baik ketika q
bernilai 1. Tetapi beberapa kasus nilai 0.75 lebih baik.
Gambar 2.21. ACS dengan beragam parameter q
2.8 Contoh Penyelesaian Masalah Travelling Salesman Problem TSP Dengan Menggunakan Metode Ants Colony System ACS
Gambar 2.22. Contoh Graf Lengkap
Tahap-tahap penghitungan jarak terpendek dengan menggunakan algoritma ACS, yaitu:
7 10
13 A
B
C
D
F E
5
6 16
9
17
8 19
18 12
14 15
11