Optimasi Rute Multiple Travelling Salesman Problem Pada Distribusi Es Batu Dengan Algoritme Artificial Bee Colony (ABC)

  

Vol. 2, No. 12, Desember 2018, hlm. 6261-6268 http://j-ptiik.ub.ac.id

Optimasi Rute Multiple Travelling Salesman Problem Pada Distribusi Es

Batu Dengan Algoritme Artificial Bee Colony (ABC)

_{1 2 3} Muhammad Aghni Nur Lazuardy , Imam Cholissodin , Muhammad Tanzil Furqon

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: muhammadaghni@gmail.com, imamcs@ub.ac.id, m.tanzil.furqon@ub.ac.id

  

Abstrak

  Proses distribusi dilakukan untuk meningkatkan produktivitas perusahaan. Sebuah strategi dalam sebuah proses distribusi diperlukan terutama dalam penentuan rute distribusi. Sebuah rute yang optimal sangat penting dalam distribusi produk terutama es batu. Sebuah perusahaan perlu mengirimkan produknya ke banyak alamat, oleh karena banyaknya alamat pengiriman dan dengan jarak yang bervariasi memunculkan sebuah masalah seperti waktu yang lama untuk sampai ke tempat tujuan. Dalam memecahkan masalah tersebut perlu sebuah sistem yang memiliki tujuan untuk membantu proses distribusi dengan jumlah sales lebih dari satu, permasalahan tersebut disebut dengan Multiple Travelling

  

Salesman Problem (M-TSP). Metode yang dapat menyelesaikan masalah M-TSP salah satunya adalah

  dengan algoritme Artificial Bee Colony (ABC) dibandingkan dengan algoritme lain berdasarkan pada kecerdasan berkelompok. Proses awal algoritme ABC mencari rute pengiriman es batu secara random berdasarkan data pelanggan yang sudah memesan. Selanjutnya dilakukan swapping dan insertion rute tersebut kemudian diambil rute dengan fitness optimal. Terakhir adalah dilakukan perbandingan dengan rute awal apakah hasilnya lebih baik atau tidak. Hasil pengujian menunjukkan parameter optimal yaitu jumlah size problem 23, jumlah pop size 80, jumlah limit 10, dan banyak iterasi 600. Dari parameter tersebut didapatkan rata-rata nilai fitness berdasarkan optimasi sistem sebesar 0,078163 dan untuk pemilihan jalur secara manual yang dilalui sales mendapatkan rata-rata nilai fitness sebesar 0,043472, sehingga pemilihan jalur dapat dioptimasi sistem.

  Kata kunci: artificial bee colony (ABC), optimasi, distribusi, multiple travelling salesman problem (M-TSP)

Abstract

The distribution is done by improving the productivity of the company. A strategy in the process of

distribution is required particularly in assigning the distribution route. An optimal route is essential in

product distribution especially ice cubes. A company needs to send its products to multiple address,

because the numbers of shipping addresses and varying distances creates a problem such as wasting

much time to reach the destination. In solving these problem needs a system which has a purpose to help

the distribution process with the number of sales more than one, these problem is named Multiple

Travelling Salesman Problem (M-TSP). The methods which can solve the problem of M-TSP is one of

which is with Artificial Bee Colony (ABC) algorithm compared to another algorithm based on swarm

intelligence. The initial process of ABC algorithm looks for random ice cubes distribution routes based

on customer’s ordering data. Furthermore, swapping and insertion route is done then taken the route

with optimal fitness. The last is comparison with the initial route whether the result is better or not. The

test result shows the numbers of optimal parameters are 23 size problems, 80 pop sizes, 10 limits, and

600 iterations. From these parameters obtained average fitness value based on system optimization is

0.078163 and manual selection of path the sales goes through obtain average fitness value is 0.043472,

with the result that path selection can be optimized by system. artificial bee colony (ABC), optimization, distribution, multiple travelling salesman problem (M-

  Keywords: TSP)

  Es batu yang berasal dari air yang 1. dibekukan dengan suhu di bawah 0 °C (Irawan,

   PENDAHULUAN

  2015) merupakan sebuah komoditas yang

  Fakultas Ilmu Komputer Universitas Brawijaya

6261 banyak dibutuhkan masyarakat. Dalam memenuhi kebutuhan masyarakat terhadap es batu diperlukan proses distribusi.

  Dalam proses distribusi barang akan ditemui beberapa hal yang menjadi masalah terutama dalam pendistribusian es batu. Karena sifat dari es batu yang mudah mencair sehingga diperlukan rute atau jalur tercepat untuk pengirimannya. Selain itu jarak antar tempat dan

  bee. Untuk menghasilkan initial solution

  & Riyandani, 2016). Employed foragers bertugas mengeksploitasi sumber makanan dan membawa informasi posisi makanan. Untuk

  unemployed foragers ada 2 jenis, onlooker dan scout bee. Onlooker bee bertugas pergi ke

  sumber makanan berdasarkan informasi dari

  employed foragers . Scout bee bertugas mencari sumber makanan di sekitar sarang lebah.

  Langkah-langkah algoritme ABC (Cholissodin & Riyandani, 2016): 1.

  Inisialisasi Parameter 2. Fase Initial

  Fase initial merupakan fase untuk mendapatkan initial solution untuk employeed

  dilakukan secara random (Otri, 2011). Setelah didapatkan initial solution, selanjutnya hitung nilai fitness dengan Persamaan (1).

  algoritme yang terinspirasi dari perilaku kawanan lebah. Pada algoritme ABC terdapat 2 jenis lebah penjelajah (foragers), yaitu employed

  = {

  1 1+ , ( ≥ 0) 1 + (

  ), ( < 0)

  (1) Keterangan:

  = Nilai fitness lebah ke-i = Jumlah jarak tiap tujuan 3. Improvement Solution

  Improvement solution terdiri dari employeed bee, onlooker bee, dan scout bee. Improvement solution dilakukan untuk

  memperbaiki initial solution dengan metode

  foragers dan unemployed foragers (Cholissodin

  2.2. Artificial Bee Colony (ABC) Artificial Bee Colony (ABC) adalah

  driver atau salesman yang kurang memiliki

  Bee Colony (ABC). Algoritme ABC dipilih

  informasi seputar jalur-jalur yang dilewati sehingga perlu diberikan informasi tersebut sebelum mulai distribusi. Hal yang terpenting adalah kepuasan pelanggan, sehingga perlu rute tercepat agar pelanggan tidak menunggu lama.

  Tujuan tiap distribusi suatu barang memiliki rute yang berbeda, sehingga perlu di optimasi rute-rute tersebut agar mendapat hasil yang optimal. Salah satunya adalah dengan menerapkan Travelling Salesman Problem

  (TSP). Travelling Salesman Problem sendiri

  adalah sebuah masalah untuk menentukan rute perjalanan dari pusat distribusi yang dilakukan oleh seorang sales dan jika terdapat sales lebih dari satu orang, maka perlu pengembangannya yaitu dengan Multiple Travelling Salesman Problem (MTSP).

  Rute yang didapat dari Multiple Travelling

  Salesman Problem (MTSP) perlu dioptimasi

  dengan suatu algoritme optimasi. Salah satu algoritme optimasi adalah algoritme Artificial

  karena memiliki kemampuan yang dapat keluar dari local minimum, robustness tinggi, dan dapat secara efisien digunakan untuk multinodal dan multivariable optimasi fungsi (Karaboga & Basturk, 2007) serta algoritme ABC juga mampu menyelesaikan permasalahan TSP lebih baik dibanding dengan algoritme yang berdasarkan kecerdasan berkelompok (Chong, et al., 2006).

  Distribusi secara umum merupakan segala aktivitas yang di dalamnya terdapat proses pemindahan material dan/atau kemampuan ekonomi melalui barang berwujud dan/atau barang tidak berwujud dari pelaku ekonomi satu ke yang lainnya. Secara singkatnya adalah distribusi mencakup sebuah sistem dari semua kegiatan yang berkaitan dengan proses pemindahan barang ekonomis antara pabrik atau produsen dengan konsumen (Segetlija, et al., 2010).

  Algoritme Artificial Bee Colony (ABC) pernah dimanfaatkan dalam penelitian untuk optimasi rute tempat wisata kuliner di Kota Malang (Hermawan, et al., 2017) dengan menyimpulkan bahwa algoritme Artificial Bee

  Colony (ABC) dapat bekerja secara efektif

  dengan proses yang tidak banyak memakan waktu untuk mendapatkan nilai optimal.

  Berdasarkan permasalahan dalam pendistribusian es batu, diperlukan optimasi rute terpendek dengan menggunakan Multiple

  Travelling Salesman Problem dan Artificial Bee Colony sehingga mendapatkan hasil yang lebih

  efektif dan optimal dan perusahaan dapat keuntungan maksimal.

  2. TINJAUAN PUSTAKA 2.1. Distribusi

  neighborhood operator pada employeed bee dan onlooker bee. Neighborhood operator yang digunakan pada employeed bee menggunakan

  Mulai swap operator dan swap sequences. Sedangkan

  pada onlooker bee menggunakan insert operator dan insert sequences. Pada scout bee akan dilihat

  Jumlah koloni,

  trial dari tiap employeed bee, apabila melebihi

  Panjang rute,

  nilai limit yang sudah ditentukan dan tidak

  maksimal iterasi

  mengalami perubahan maka akan diganti dengan individu baru. Jika ada perbaikan maka hanya

  Fase Initial reset nilai trial.

4. Kondisi Berhenti

  Kondisi berhenti apabila perhitungan sudah mencapai nilai maksimum iterasi yang sudah

  Iterasi == 1 ditentukan.

  2.3. Multiple Travelling Salesman Problem Fase Employed Bee

  (M-TSP)

  Masalah Travelling Salesman Problem

  Fase Onlooker Bee

  (TSP) adalah sebuah masalah yang menyatakan seseorang yang ingin mengunjungi sebuah kota dengan pilihan banyak jalur dengan melewati

  Fase Scout Bee

  beberapa di mana pilihan kota yang dikunjungi akan membuat rangkaian rute yang sedemikian

  Iterasi +=1

  rupa yang hanya boleh dilewati sebanyak satu kali dan kembali lagi ke kota awal dengan tujuan mencari rute terpendek (Amri, et al., 2012).

  TIDAK Iterasi =

  Sebuah perusahaan akan semakin

  max_iterasi

  meningkatkan distribusi guna memenuhi permintaan penduduk. Untuk bisa memenuhi jumlah pelanggan yang semakin bertambah

  YA suatu perusahaan butuh sales yang banyak. Hasil

  Multiple Travelling Salesman Problem (MTSP)

  adalah pengembangan dari TSP yang memiliki jumlah agen atau sales lebih dari satu. Dengan

  Selesai

  jumlah sales yang lebih dari satu, maka proses distribusi akan semakin cepat dan dapat Gambar 1. Diagram Alir ABC memperkecil biaya transportasi (Karimah, et al., 1.

  Fase Initial 2017).

  Fase initial dijalankan untuk mendapatkan 3.

   METODE initial route sesuai dengan parameter yang sudah

  dimasukkan. Setelah didapatkan initial route 3.1.

   Sumber Data

  selanjutnya dihitung nilai fitness dengan Data yang digunakan dalam penelitian ini Persamaan 1. adalah data alamat pelanggan Jatim Es-Tube 2.

  Fase Employeed Bee Malang wilayah Kota Malang.

  Fase employeed bee digunakan untuk memperbarui solusi awal pada fase initial

  3.2. Perancangan Algoritme

  dengan metode neighborhood operator yang berupa swap operator dan swap sequence. Langkah-langkah optimasi rute dengan

  Proses swap operator dijabarkan sebagai algoritme Artificial Bee Colony (ABC) berikut: ditunjukkan dengan diagram alir pada Gambar 1.

   Random nilai operator sebagai operator

  swapping sesuai dengan jumlah pop size dan jumlah titik pengiriman.

   Lakukan perulangan sebanyak jumlah

  1

  employeed bee

  dengan metode neighborhood

  operator yang berupa insert operator dan insert sequence. Proses insert operator dijabarkan

  sebagai berikut:  Random nilai operator sebagai operator

  insertion

  sesuai dengan jumlah pop size dan jumlah titik pengiriman.  Lakukan perulangan sebanyak jumlah

  pop size dan insertion titik pengiriman

  sesuai nilai operator. Misal bilangan acaknya IO(1,3), maka hasil dari insert

  operator

  IO(1,3) adalah

  2

   Dari probabilitas masing-masing bee, probabilitas kumulatif dan range bee juga dicari.  Terakhir lakukan seleksi dengan random nilai range pada masing-masing bee.

  4 8 16

  4

  1

  2 8 16 Gambar 3. Proses Insert Operator

   Hitung nilai fitness hasil insert dengan Persamaan 1.

   Jika nilai fitness hasil insert operator lebih besar dari nilai fitness individu sebelumnya maka nilai trial akan di-

  reset menjadi 0. Jika nilai fitness dari

  hasil insert operator tidak lebih besar dari nilai fitness individu sebelumnya maka nilai trial akan ditambahkan 1. Proses insert sequence dijabarkan sebagai berikut:

   Inisialisasi nilai operator sesuai dengan banyaknya 2 kali jumlah size problem.  Setelah itu dilakukan insertion secara sequence.  Hasil insertion pada sequence terakhir dihitung nilai fitness dengan Persamaan 1.

   Lakukan insert sequence sesuai dengan jumlah pop size.

  pop size dan swapping titik pengiriman

  S = Jumlah Employed Bee

   Nilai fitness yang terbaik menjadi solusi untuk iterasi tersebut.  Jika belum mencapai maksimum iterasi, maka lanjutkan ke iterasi selanjutnya dengan melihat nilai trial apakah sudah melebihi limit atau belum. Dengan dibandingkan dengan solusi awal, jika

  4

  sesuai nilai operator. Misal bilangan acaknya SO(1,4), maka solusi baru yang dihasilkan dari initial solution dengan

  operator

  SO(1,4) adalah

  1

  2

  4

  8

  16

  8

  2

  1

  = Peluang memilih Employed Bee ke-i

  16 Gambar 2. Proses Swap Operator  Hitung nilai fitness hasil swap dengan Persamaan 1.  Jika nilai fitness hasil swap operator lebih besar dari nilai fitness individu sebelumnya maka nilai trial akan di-

  reset menjadi 0. Tetapi jika nilai fitness

  dari hasil swap operator tidak lebih besar dari nilai fitness individu sebelumnya maka nilai trial akan ditambahkan 1.

  Proses swap sequence dijabarkan sebagai berikut:  Inisialisasi nilai operator sesuai dengan banyaknya 2 kali jumlah size problem.  Setelah itu dilakukan swapping secara sequence.  Hasil swapping pada sequence terakhir dihitung nilai fitness dengan Persamaan 1.

   Lakukan swap sequence sesuai dengan jumlah pop size.  Setelah itu lakukan seleksi roulette

  wheel dengan menghitung probabilitas

  masing-masing bee dengan Persamaan berikut:

  = ( ) ∑ ( )

  =1

  (2) Keterangan:

  4. Fase Scout Bee  Setelah didapatkan hasil insert sequence bandingkan dengan nilai fitness solusi awal dengan hasil insert sequence.

3. Fase Onlooker Bee

  trial melebihi limit dan ada perbaikan

  Fase onlooker bee digunakan untuk memperbarui solusi hasil seleksi pada fase

4. PENGUJIAN DAN ANALISIS

• r a ta f

  Jumlah Pop Size Pengujian Jumlah Pop Size

  itn e ss

  10 20 30 40 50 60 70 80 90 100 R a ta

  0,055 0,06 0,065 0,07 0,075 0,08

  Jumlah Size Problem Pengujian Jumlah Size Problem

  itn e ss

  23 24 25 26 27 28 29 30 31 32 R a ta

  0,02 0,04 0,06 0,08

  pengujian jumlah limit ditunjukkan pada Gambar 6.

  size problem 23, 80 pop size, dan 50 iterasi. Hasil

  Pengujian jumlah limit dilakukan untuk mengetahui jumlah limit yang optimal agar didapatkan nilai fitness yang optimal. Pengujian dilakukan dengan jumlah limit sebanyak 10-100. Parameter lain yang digunakan adalah jumlah

  4.3. Pengujian Jumlah Limit

  banyak dan kemungkinan didapatkan solusi terbaik juga semakin tinggi. Keragaman rute yang dibentuk juga semakin banyak, sehingga pilihan explorasi rute juga banyak.

  Berdasarkan Gambar 5, hasil pengujian menunjukkan bahwa jumlah pop size sebanyak 80 pop size didapatkan rata-rata nlai fitness tertinggi yaitu sebesar 0,074706101. Gambar 5 menunjukkan jumlah pop size sebanyak 10 dan 20 menghasilkan rata-rata fitness yang kecil. Pada jumlah pop size sebanyak 30 mulai menunjukkan peningkatan rata-rata fitness dan tidak mengalami penurunan rata-rata fitness yang signifikan. Hal ini karena dipengaruhi oleh pengacakan rute pada masing-masing individu (populasi), sehingga semakin banyak jumlah pop

  size maka rute yang akan dibentuk juga semakin

  Gambar 5. Grafik Pengujian Jumlah Pop Size

  100. Parameter lain yang digunakan adalah jumlah size problem 23, 10 limit, dan 50 iterasi. Hasil pengujian jumlah pop size ditunjukkan pada Gambar 5.

  Pengujian jumlah pop size dilakukan untuk mengetahui jumlah pop size yang optimal agar didapatkan nilai fitness yang optimal. Pengujian dilakukan dengan jumlah pop size sebanyak 10-

  4.2. Pengujian Jumlah Pop Size

  besar. Hal ini disebabkan karena jumlah titik pengiriman yang sedikit mengakibatkan nilai pembagi yang berupa jarak dalam perhitungan nilai fitness akan semakin kecil. Dari percobaan tersebut didapatkan hasil rata-rata fitness tertinggi pada jumlah size problem sebanyak 23 yaitu dengan nilai 0,06208.

  problem maka rata-rata fitness akan semakin

  Berdasarkan Gambar 4, hasil pengujian menunjukkan bahwa semakin sedikit jumlah size

  Gambar 4. Grafik Pengujian Jumlah Size Problem

  size problem ditunjukkan pada Gambar 4.

  Pengujian jumlah size problem dilakukan agar dapat diketahui jumlah size problem yang dapat menghasilkan nilai fitness yang optimal. Pengujian yang dilakukan menggunakan jumlah size problem sebanyak 23-32 size problem. Parameter lain yang digunakan adalah 8 pop size, 10 limit, dan 50 iterasi. Hasil pengujian jumlah

  4.1. Pengujian Jumlah Size Problem

  Terdapat 5 pengujian yang dilakukan pada penelitian ini. Pengujian tersebut meliputi pengujian jumlah size problem, pengujian jumlah pop size, pengujian jumlah limit, pengujian konvergensi, dan pengujian perbandingan optimasi sistem dan sales.

  nilai fitness maka reset nilai trial menjadi 0. Jika trial melebihi limit dan tidak ada perbaikan nilai fitness maka reset nilai trial menjadi 0 dan buat rute baru.

• r a ta F

• r a ta f

  Berdasarkan parameter-parameter optimal yang didapatkan dari hasil pengujian di atas, dilakukan analisis dari hasil perbandingan antara optimasi sistem dengan pemilihan jalur yang dipilih oleh sales dalam 1 hari pengiriman. Analisis dilakukan berdasarkan hasil pengujian sebanyak 5 percobaan. Jalur yang dilalui oleh

  4.5. Analisis Global

  Jumlah Limit Pengujian Jumlah Limit

  Gambar 6. Grafik Pengujian Jumlah Limit

  Berdasarkan Gambar 6, hasil pengujian menunjukkan bahwa jumlah limit sebanyak 10 menghasilkan rata-rata nilai fitness tertinggi yaitu 0,074706. parameter limit menunjukkan batasan untuk trial pad solusi tertentu yang tidak ada peningkatan. Sehingga jumlah limit yang semakin kecil diharapkan dapat didapatkan rute baru yang lebih optimal. Tetapi jika parameter

  itn e ss

  10 20 30 40 50 60 70 80 90 100 R a ta

  0,02 0,04 0,06 0,08

  Rute 1 : Jus Sutami - Ro (Tidar) - Cing Jus

  sales adalah sebagai berikut:

  fitness

  0,078163. Tingkat konvergensi sangat dipengaruhi oleh jumlah iterasi. Semakin banyak iterasi semakin mudah menentukan tingkat konvergensi dan rata-rata nilai fitness yang didapatkan juga semakin tinggi. Tetapi, tingkat konvergensi yang baik adalah apabila hanya dibutuhkan sedikit iterasi untuk mencapai konvergensi (Rosita, et al., 2012).

• – Fomori - Cumi Hitam (Galunggung) - Padang Murah - Jupe (Trs. SBY) - Jupe (Ambarawa)
• – Melacca - Wr Kecik - Jo Juice - Cha-Cha Juice - Bakso Ikip - Oshin Jus - Wr Shinchan - Deprot Gang Djangkrik - 9 Dedik (Sutami)
• Kaw Kaw - Nyoklat (Wilis) - Jus Ayu - Mi Sabar - Shao Kao - CK (Candi)
• – Balipuccino - The Library - Jupe (Bondowoso) - Wr Bu Yayuk - Teh Poci Smp Lab - CK (Telkom) - Mocca Float - Hotel Salimar - Wr SD Lab - Bunga Bali - Ok Jus –

• – Cincau - Madam Tea - Wr Bu Erna - Café Warna Rute 3 : Ice Coklat - Meni-Meni I Mog - Fourty Eight - Mommy Mango – Seventea - Dum Dum Mog - Kako Susu - CK Mog – Dandees - Ayam Tenes - Rujak Semeru - Oh My Plate (Kawi)
• – Sumbing - Ichiban Sushi - Wr Taman Slamet - Teh Poci SMA Lab – Moshi-

  Berdasarkan Gambar 7, hasil pengujian menunjukkan bahwa jumlah iterasi yang terlihat konvergen pada 600 iterasi dengan rata-rata

  Gambar 7. Grafik Pengujian Konvergensi

  Rute 2 : Bebek Doeloer - Wr Bu Indri - Ayam Geprak - Kedai 0341 - Raja Juice

  Jupe Telkom - Wr SMP Lab - Wr Bu Didik

  Moshi Ramen Barat - En. Hachi Hachi Mog

  Bakar

  Pengujian konvergensi dilakukan untuk mengetahui banyak iterasi untuk mencapai tingkat konvergensi. Pengujian dilakukan dengan iterasi sebanyak 100-1000. Parameter lain yang digunakan adalah jumlah size problem 23, 80 pop size, dan 10 limit. Hasil pengujian konvergensi ditunjukkan pada Gambar 7.

  berbeda akan didapatkan nilai limit yang berbeda. Hal ini disebabkan karena masalahnya yang cukup stokastik yang menyebabkan perbedaan besar pada nilai limit yang sama (Li, et al., 2012).

  size problem dan pop size diatur dengan nilai

4.4. Pengujian Konvergensi

• – Moshi-Moshi Ramen Timur – Bubble – Keylabs - Istana Mie Mog - Surya Kuring Rute 4 : Toast Story – Gekvec - Bunch Bead - Es Cemot - Nelongso (Trs. SBY) - En. Soju Bar (Jakarta) - Twin Dessert - Bingsoo Sutami - Wr Sedap - Alice Tea Room - Nakam Dulu - Joglo Dau Ijen – Kakao - Pin Balt - Capcin Bogor - Bakso Bakar Trip - Travel Mie - Ayam Dempo - Java Dancer (Jakarta) - JJJ Sutami - Kopi Sino - Lup Lup Tidar - Roti

  0,02 0,04 0,06 0,08

  0,1 0,12 NI LAI F

  ITNES S JUMLAH ITERASI P E N G U J I A N K O N V E R G E N S I

• – Yono - En Taiwan Mog - Teh Racek SPBU - Ed Miami Wilis - Ling Ling Mog – Rotbuck – Kafein -

  6. DAFTAR PUSTAKA

  849-858. Li, L., Cheng, Y., Tan, L. & Niu, B., 2012. A

  Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 1(9), pp.

  Karimah, S., Widodo, A. W. & Cholissodin, I., 2017. Optimasi Multiple Traveling Salesman Probelm Pada Pendistribusian Air Minum menggunakan Algoritma Genetika (Studi Kasus: UD. Tosa Malang).

  Function Optimiziation : Artificial Bee Colony Algorithm. Journal of Global Optimization, 39(3), pp. 459-471.

  Es Sederhana Berkapasitas 126 Kg/Jam. Skripsi. Karaboga, D. & Basturk, B., 2007. A Powerful and Efficient Algorithm for Numerical

  215-223. Irawan, H., 2015. Perencanaan Mesin Penyerut

  Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 1(3), pp.

  D., 2017. Sistem Optimasi Rute Tempat Wisata Kuliner Di Malang Menggunakan Algoritma Bee Colony.

  Simulation Conference. Hermawan, M. A., Hidayat, N. & Setiawan, B.

  Optimization Algorithm To Job Shop Scheduling. Nanyang, Winter

  & Gay, K. L., 2006. A Bee Colony

  Malang: Fakultas Ilmu Komputer. Chong, C. S., Low, M. Y. H., Sivakumar, A. I.

  Cholissodin, I. & Riyandani, E., 2016. Swarm Intelligence (Teori & Case Study).

  Amri, F., Nababan, E. B. & Syahputra, M. F., 2012. Artificial Bee Colony Algorithm untuk Menyelesaikan Travelling Salesman Problem. Jurnal Dunia Teknologi Informasi, 1(1), pp. 8-13.

  2. Rata-rata nilai fitness tertinggi diperoleh pada pengujian dengan jumlah pop size sebanyak 80, jumlah size problem sebanyak 23, limit 10, dan iterasi yang mencapai konvergensi saat iterasi sebanyak 600 kali dengan rata-rata nilai fitness 0,078163. Sehingga dapat disimpulkan bahwa parameter optimal untuk kasus ini adalah dengan pop size sebanyak 80, size problem sebanyak 23, limit pada trial ke-10, dan iterasi sebanyak 600.

• – Holland - Duta Catering - Paper Town - Kopi Retjeh – Sonokembang –

  mendapatkan total jarak yang lebih pendek dibandingkan dengan total jarak yang dipilih oleh sales, sehingga hasil yang dihasilkan sistem lebih optimal.

  sales di lapangan adalah hasil oleh sistem

  1. Berdasarkan hasil perbandingan sistem algoritme artificial bee colony (ABC) dengan kondisi aktual yang dipilih oleh

  dengan algoritme Artificial Bee Colony (ABC), didapatkan kesimpulan sebagai berikut:

  Salesman Problem pada distribusi es batu

  Berdasarkan hasil penelitian implementasi optimasi rute distribusi Multiple Traveling

  Hasil pengujian pada Tabel 1 terbukti bahwa hasil perhitungan sistem jauh lebih optimal dibandingkan dengan hasil perhitungan jarak yang dilalui oleh sales di jalan. Hasil perbandingan yang memiliki selisih terbesar ada pada rute 1 dengan selisih 23,48. Dari semua perhitungan jarak yang dihasilkan oleh sistem selalu lebih kecil dari hasil perhitungan jarak yang dilalui oleh sales di jalan. Dengan demikian sistem ini dapat dijadikan sebuah solusi oleh sales dalam menentukan jalur yang akan dilewati, sehingga waktu yang dibutuhkan akan lebih sedikit dan meminimalkan biaya transportasi.

  Fitness 0,043472 0,078163 0,034691

  Total Jarak 123,74 61,02 62,72 Rata- rata

  Tabel 1. Hasil Pengujian Global Jarak Oleh Sales (fitness) Jarak Oleh Sistem (fitness) Selisih 1 40,12 16,64 23,48 (0,024319) (0,056689) 2 23,22 12,5 10,72 (0,041288) (0,074074) 3 14 9,28 4,72 (0,06667) (0,097276) 4 27,3 11,7 15,6 (0,035336) (0,07874) 5 19,1 10,9 8,2 (0,049751) (0,084034)

  Crochet

  GFC Pulosari

  Rute 5 : Nasgor 69 Mog - My Kopi O - Mie Kudusan Mog - C2C - D Cost

• – Inul Vizta - Ranch Market - Ed Mie Kudusan Bondowoso - Niki Kopitiam Hasil pengujian ditunjukkan pada Tabel 1.

5. KESIMPULAN

  Discrete Arificial Bee Colony Algorithm for TSP Problem. Springer- Verlag Berlin Heidelberg, pp. 566-573.

  Otri, S., 2011. Improving The Bees Algorithm For Complex Optimisation Problems. Rosita, A., Purwanto, Y. & Soelaiman, R.,

  2012. Implementasi Algoritma Particle Swarm untuk Menyelesaikan Sistem Persamaan Nonlinear. Jurnal teknik ITS, 1(1), pp. 211-215.

  Segetlija, Z., Mesarić, J. & Dujak, D., 2010.

  Importance of Distribution Channels - Marketing Channels - For National Economy. pp. 785-809.