HYBRID ALGORITMA KELELAWAR DAN ARTIFICIAL BEE COLONY UNTUK MENYELESAIKAN DYNAMIC TRAVELLING SALESMAN PROBLEM

• Main Author: LAYLATUL FAIZAH, 081311233065
• Format: Theses and Dissertations NonPeerReviewed
• Language: Indonesian; Indonesian
• Published: 2018
• Subjects: QA76.73. Computer algorithms and Data structures
• Online Access: http://repository.unair.ac.id/71316/2/KKC%20KK%20MPM.24-18%20Fai%20h%20ABSTRAK.pdf; http://repository.unair.ac.id/71316/3/KKC%20KK%20MPM.24-18%20Fai%20h%20SKRIPSI.pdf; http://repository.unair.ac.id/71316/; http://lib.unair.ac.id
• Institution: Universitas Airlangga

Skripsi ini bertujuan untuk menyelesaikan Dynamic Travelling Salesman Problem (DTSP) menggunakan hybrid algoritma Kelelawar dan Artificial Bee Colony. Dynamic Travelling Salesman Problem (DTSP) merupakan pengembangan dari Travelling Salesman Problem (TSP) yaitu suatu permasalahan yang bertujuan untuk menentukan rute dengan jarak tempuh terpendek dalam mengunjungi kotakota tertentu yang terdapat pada rencana kunjungan. Pada DTSP, kota-kota yang akan dikunjungi dapat berubah sewaktu-waktu, perubahan disini dapat berupa penambahan maupun penghapusan kota yang akan dikunjungi. Algoritma Kelelawar merupakan suatu algoritma yang terinspirasi dari tingkah laku alami kelelawar, yaitu echolocation yang merupakan serentetan gelombang ultrasonik yang digunakan oleh kelelawar untuk menentukan lokasi mangsa. Algoritma Artificial Bee Colony merupakan suatu algoritma yang terinspirasi dari kehidupan koloni lebah pada saat mencari sumber makanan. Hybrid algoritma Kelelawar dan Artificial Bee Colony merupakan gabungan dari kedua algoritma tersebut, dengan dilakukan algoritma Kelelawar sebagai proses pertama kemudian dilanjutkan proses algoritma Artificial Bee Colony. Program dibuat dalam bahasa pemrograman C++ serta diimplementasikan pada dua contoh kasus yaitu data kecil dengan 10 kota tujuan awal dan data besar dengan 100 kota tujuan awal. Kemudian ketika dalam perjalanan ditambah dua kota tujuan. Berdasarkan hasil implementasi diperoleh solusi terbaik untuk data berukuran kecil adalah 264 satuan jarak, solusi terbaik untuk data berukuran besar adalah 88271 satuan jarak, dan dapat disimpulkan bahwa semakin besar nilai popsize dan maksimum iterasi maka solusi yang dihasilkan semakin baik.