Analisis Kinerja Ant Colony Optimization (ACO) pada Traveling Salesman Problem (TSP)

Abstract

Ant Colony Optimization (ACO) adalah sebuah algoritma yang digunakan dalam memecahkan kasus pada Travelling Salesman Problem (TSP) pada perjalanan sebuah kota/wilayah. Hasil dari analisis perjalanan TSP pada kota lebih dari 40 dengan iterasi sampai 40, 120 sampai dengan 500 iterasi ditemukan hasil bahwa kinerja Ant Colony Optimization (ACO) dalam menemukan jalur terpendek adalah semakin komplek dengan hasil bahwa semakin besar tingkatan iterasi yang diberikan pada sebuah tes maka semakin minimum/terpendek jalur yang ditempuh pada sebuah kasus TSP. dengan demikian disimpulkan bahwa kinerja ACO pada pencarian jalur terpendek semakin kompleks dengan memberikan iterasi dengan jumlah besar. Pada penelitian ini diukur kinerja ACO dalam pencarian jalur terpendek menggunakan data TSPLIB 48 kota di US, Hasil analisis kinerja ACO bahwa semakin banyak iterasi yang diberikan maka jarak terpendek yang ditempuh akan semakin baik.

Ant Colony Optimization (ACO) is an algorithm used in solving cases on Traveling Salesman Problem (TSP) on a city / region trip. The results of TSP trip analysis on cities over 40 with iterations of up to 40, 120 to 500 iterations found results that the Ant Colony Optimization (ACO) performance in finding the shortest path is increasingly complex with the result that the greater the degree of iteration given to a test The minimum / shortest path taken in a TSP case. Thus it is concluded that the ACO performance on the shortest path search is increasingly complex by delivering large amount of iterations. In this study measured ACO performance in the search for the shortest path using TSPLIB data 48 cities in US, ACO performance analysis results that the more iterations given the shortest distance traveled will be better.