perbandingan algoritma ant colony optimization, disjktra, tabu search, multiple ant colony system...
DESCRIPTION
Vehicle Routing Problem merupakan masalah yang penting dan kerap kali terjadi pada rata – rata sistem logistik. VRP didefinisikan sebagai sebuah problematika dalam meminimalisir biaya yang dibutuhkan dari kendaraan yang menempuh suatu jalur. Semakin berkembangnya teknologi maka kasus VRP pun semakin menjadi trend topic yang diminati banyak pakar untuk mencari solusi terbaik yang bisa diberikan. Dengan berkembangnya industry saat ini maka kasus VRP pun mengalami perkembangan, yaitu muncul kasus VRP dengan time window (VRPTW). VRPTW adalah kasus VRP yang memiliki batasan waktu. Saat ini terdapat banyak algoritma yang dapat digunakan untuk penyelesaian kasus VRP dengan time window ini, antara lain algoritma dijkstra, multiple ant colony system, ant colony optimization dan tabu search. Pada makalah ini akan dibahas keempat algoritma tersebut dan membandingkan keempat algoritma tersebut. Hasil dari makalah ini akan berupa tabel perbandingan antaralgoritma tersebut.TRANSCRIPT
Perbandingan Algoritma Ant Colony Optimization,
Disjktra, Tabu Search, Multiple Ant Colony System
untuk Vehicle Routing Problem dengan Time
Window Andika Setiawan
1, Ferry Andriyanto
2, Lutvi Satriyo Putro
3, Nurcahya Pradana T.P.
4 ,Udhi Permana
5
1,2,3,4,5
Jurusan Informatika FMIPA UNS
Jl. Ir Sutami no.36 A, Kentingan, Jebres, Surakarta. 57126
Abstrak— Vehicle Routing Problem merupakan masalah yang
penting dan kerap kali terjadi pada rata – rata sistem logistik. VRP didefinisikan sebagai sebuah problematika dalam meminimalisir biaya yang dibutuhkan dari kendaraan yang menempuh suatu jalur. Semakin berkembangnya teknologi maka kasus VRP pun semakin menjadi trend topic yang diminati banyak pakar untuk mencari solusi terbaik yang bisa diberikan. Dengan berkembangnya industry saat ini maka kasus VRP pun mengalami perkembangan, yaitu muncul kasus VRP dengan time window (VRPTW). VRPTW adalah kasus VRP yang memiliki batasan waktu. Saat ini terdapat banyak algoritma yang dapat digunakan untuk penyelesaian kasus VRP dengan time window ini, antara lain algoritma dijkstra, multiple ant colony system, ant colony optimization dan tabu search. Pada makalah ini akan dibahas keempat algoritma tersebut dan membandingkan keempat algoritma tersebut. Hasil dari makalah ini akan berupa tabel perbandingan antaralgoritma tersebut.
Kata Kunci— vehicle routing problem, time window, ant
colony optimization, disjktra, tabu search, multiple ant colony system.
I. PENDAHULUAN
Routing dan penjadwalan kendaraan merupakan komponen
penting dalam system ditribusi dan transportasi. Vehicle
Routing Problem (VRP) merupakan salah satu permasalahan
yang memainkan peran dalam bidang distribusi dan logistik
dalam penerapannya dalam kehidupan nyata [1].
Permasalahan ini melibatkan penentuan satu set rute yang
dimulai dan diakhiri di suatu depot dan bersama-sama
mencakup satu set pelangan.
Vehicle Routing Problem Time Windows (VRPTW)
merupakan bentuk generalisasi VRP dimana pelanggan harus
memulai dengan time windows yang telah ditetapkan.
Permasalahan VRPTW disebut berhasil jika kendaraan dapat
berangkat dan tiba lebih cepat atau sama dengan time window
masing - masing pelanggan dan harus selesai dengan waktu
yang lebih cepat dan atau tidak melebihi time window.
Tujuanya adalah untuk menentukan rute perjalanan yang
paling optimal untuk setiap kendaraan sehingga jarak total
tempuh dari seluruh kendaraan dan biaya dapat diminimalkan
berdasarkan batasan waktu tertentu.
Ada beberapa pendekatan yang dapat digunakan untuk
menyelesaikan permasalahan VRP dengan eksak, heuristic
dan metaheuristik. Algoritma yang sering digunakan antara
lain ant colony optimization, disjktra, tabu search, dan
multiple ant colony system. Masing – masing algoritma ini
memiliki kelebihan dan kelemahan tersendiri dalam mengatasi
permasalahan routing dan penjadwalan kendaraan yang begitu
kompleks. Pada makalah ini akan dijelaskan secara terperinci
mengenai perbandingan keempat algoritma tersebut di atas.
Untuk selanjutnya akan diteliti mengenai algoritma mana
yang memiliki tingkat efisiensi paling tinggi dalam hal
minimalisasi cost yang diperlukan dalam menempuh sebuah
rute perjalanan.
II. VEHICLE ROUTING PROBLEM
A. Vehicle Routing Problem Klasik
Dalam Vehicle Routing Problem klasik, kendaraan sudah
dikenal di awal perjalanan. Selain itu, waktu tempuh antara
kendaraan dan waktu pelayanan di masing-masing kendaraan
juga sudah diketahui.
Karakteristik konsumen dalam VRP:
• Menempatkan road graph dimana konsumen berada
• Adanya demand dalam berbagai tipe dan harus
diantarkan ke tempat konsumen
• Terdapat periode waktu (time window) dimana
konsumen dapat dilayani
• Waktu yang dibutuhkan untuk mengantarkan barang ke
lokasi konsumen (loading time), hal tersebut dapat
berhubungan dengan jenis kendaraan
• Sekelompok kendaraan tersedia digunakan untuk
melayani konsumen
Terdapat empat tujuan umum VRP1, yaitu :
• Meminimalkan biaya transportasi global, terkait
dengan jarak dan biaya tetap yang berhubungan
dengan kendaraan
• Meminimalkan jumlah kendaraan (atau pengemudi)
yang dibutuhkan
• untuk melayani semua konsumen
• Menyeimbangkan rute, untuk waktu perjalanan dan
muatan kendaraan
• Meminimalkan penalti akibat service yang kurang
memuaskan dari konsumen.
VRP sering dikenal sebagai NP-Hard yang mendorong
peneliti untuk menggunakan heuristik. Namun, algoritma yang
tepat juga diterapkan untuk VRP. Ada banyak kontribusi
kepada subjek, termasuk ekstensi berbagai masalah dasar yang
dijelaskan di atas
VRP sendiri memiliki beberapa poin penting permasalahan.
Secara ringkas, berikut adalah karakteristik dari permasalahan
VRP:
Perjalanan kendaraan berawal dan berakhir dari dan ke
depot awal
Ada sejumlah tempat yang semuanya harus dikunjungi
dan dipenuhi permintaannya tepat satu kali
Jika kapasitas kenderaan sudah terpakai dan tidak
dapat melayani tempat berikutnya, kendaraan dapat
kembali ke depot untuk memenuhi kapasitas kendaraan
dan melayani tempat berikutnya.
Tujuan dari permasalahan ini adalah meminimumkan
total jarak yang ditempuh kendaraan dengan mengatur
urut-urutan tempat yang harus dikunjungi beserta
kapan kembalinya kendaraan untuk mengisi
kapasitasnya lagi
B. Vehicle Routing Problem dengan Time Window (VRPTW)
Vehicle Routing Problem dengan Time Window atau
VRPTW adalah generalisasi dari VRP terkenal. Hal ini dapat
ditinjau sebagai kendaraan gabungan routing dan penjadwalan
masalah yang sering muncul di banyak aplikasi dunia nyata.
Ini adalah untuk mengoptimalkan penggunaan armada
kendaraan yang harus membuat sejumlah berhenti untuk
melayani satu set pelanggan, dan untuk menentukan mana
pelanggan harus dilayani dengan kendaraan masing-masing
dan dalam rangka apa untuk meminimalkan biaya, tergantung
kapasitas kendaraan dan pembatasan waktu pelayanan.
Pokok permasalahan VRPTW adalah melibatkan
penugasan kendaraan untuk perjalanan sehingga biaya tugas
dan biaya routing yang terkait menjadi minim. VRPTW dapat
didefinisikan sebagai berikut: Misalkan G = (V, E) menjadi
digraph terhubung terdiri dari satu set n + 1 node, yang
masing-masing dapat dicapai hanya dalam interval waktu
tertentu atau jendela waktu, dan E set busur dengan non-
negatif bobot mewakili jarak perjalanan dan waktu perjalanan
terkait. Biarkan salah satu node ditunjuk sebagai depot.
VRPTW ini telah menjadi subyek dari upaya penelitian
intensif untuk pendekatan optimasi heuristik baik dan tepat.
Karena tingkat kompleksitas tinggi dari VRPTW dan
penerapan luas untuk situasi kehidupan nyata, solusi teknik
mampu menghasilkan solusi berkualitas tinggi dalam waktu
yang terbatas, yaitu heuristik, adalah yang terpenting.
Solusi yang berbeda untuk masalah kendaraan klasik
routing telah dihasilkan menggunakan heuristik TS. Rute yang
diperoleh tersebut kemudian dikombinasikan untuk
menghasilkan hari kerja untuk kendaraan dengan
memecahkan masalah bin packing, ide yang sebelumnya
diperkenalkan.
Ketika sebuah permintaan baru terjadi, keputusan untuk
menerima atau menolak harus diambil secara real-time, dan
jendela waktu untuk layanan ditentukan. Meskipun rute
kendaraan yang dihasilkan dan digunakan untuk memutuskan
tentang penerimaan atau penolakan permintaan tertentu, rute
nyata dijalankan. Heuristik VRPTW saat ini dapat
dikategorikan sebagai berikut:
(i) konstruksi heuristik,
(ii) peningkatan heuristik dan
(iii) metaheuristik.
Heuristik konstruksi algoritma sekuensial atau paralel
bertujuan merancang solusi awal untuk masalah routing yang
dapat diperbaiki oleh heuristik perbaikan atau metaheuristik.
Algoritma Sequential membangun rute untuk setiap
kendaraan, satu demi satu, dengan menggunakan fungsi
keputusan untuk pemilihan pelanggan yang akan dimasukkan
ke dalam rute dan posisi penyisipan dalam rute. Algoritma
paralel membangun rute untuk semua kendaraan secara
paralel, dengan menggunakan perkiraan pra-dihitung dari
jumlah rute.
III. TEORI GRAF DAN ALGORITMA VEHICLE ROUTING PROBLEM
A. Teori Graf
Graf adalah kumpulan simpul (nodes) yang dihubungkan
satu sama lain dengan garis atau busur (edge). Suatu Graf
terdiri dari dua himpunan yaitu himpunan V dan E:
a. Verteks (simpul) adalah himpunan simpul yang
terbatas dan tidak kosong.
b. Edge (Sisi/busur) adalah himpunan busur yang
menghubungkan sepasang simpul.
Gambar 1. Contoh Graf
Simpul-simpul pada graf adalah suatu obyek yang mewakili
suatu kota atau tempat dan sebagainya. Busur dapat mewakili
obyek seperti, jalan raya, sambungan telepon, dan lain-lain.
Menurut arah dan beban yang dimiliki oleh busur, maka Graf
dibedakan sebagai berikut:
a. Graf berarah dan berbobot: tiap busur mempunyai
anak panah dan bobot.
b. Graf tidak berarah dan berbobot: busur tidak
mempunyai panah, tetapi tetap memiliki bobot atau
beban pada setiap busurnya.
c. Graf berarah dan tidak berbobot: Busur memiliki arah,
tetapi tidak memiliki bobot atau beban pada setiap
busurnya.
d. Graf tidak berarah dan tidak berbobot: Busur tidak
memiliki arah dan tidak memiliki bobot pada setiap
busurnya.
B. Algoritma Dijkstra
Algoritma Dijkstra, dinamai menurut penemunya, Edsger
Dijkstra, merupakan salah satu varian dari algoritma greedy,
yaitu salah satu bentuk algoritma populer dalam pemecahan
persoalan yang terkait dengan masalah optimasi. Sifatnya
sederhana dan lempang (straight-forward). Sesuai dengan
artinya yang secara harfiah berarti tamak atau rakus (namun
tidak dalam konteks negatif), algoritma greedy ini hanya
memikirkan solusi terbaik yang akan diambil pada setiap
langkah tanpa memikirkan konsekuensi ke depan.
Prinsipnya, ambillah apa yang bisa Anda dapatkan saat ini
(take what you can get now!), dan keputusan yang telah
diambil pada setiap langkah tidak akan bisa diubah kembali.
Ada beberapa kasus pencarian lintasan terpendek yang
diselesaikan menggunakan algoritma Dijkstra, yaitu:
pencarian lintasan terpendek antara dua buah simpul tertentu
(a pair shortest path), pencarian lintasan terpendek antara
semua pasangan simpul (all pairs shortest path), pencarian
lintasan terpendek dari simpul tertentu ke semua simpul yang
lain (single-source shortest path), serta pencarian lintasan
terpendek antara dua buah simpul yang melalui beberapa
simpul tertentu (intermediate shortest path). Intinya, algoritma
greedy ini berupaya membuat pilihan nilai optimum lokal
pada setiap langkah dan berharap agar nilai optimum lokal ini
mengarah kepada nilai optimum global.
C. Algoritma Ant Colony
Dasar algoritma ini adalah kemampuan dari sekumpulan
semu(colony) yang mampu menemukan jalur terpendek dari
sarangnya ke sumber makanan. Hal ini dapat dilakukan karena
ketika semut berjalan pasti akan meninggalkan jejak berupa
bau atau yang sering disebut pheromone. Berikut gambar dari
tingkah laku semut pada umumnya.
Gambar 2. Ant Colony System
Seiring perkembangan algoritma dari ant koloni ini,
munculah algoritma pengembangan dari algoritma ant koloni
antara lain: ant coloni optimization dan multiple ant coloni
sistem.
D. Ant colony optimization (ACO)
Algoritma Ant Colony Optimization (ACO) merupakan
salah satu metode metaheuristik yang
menerapkan semut sebagai agen dengan update
Pheromone-nya untuk dapat melakukan proses pencarian
solusi yang efektif dan efisien. Ant Colony Optimization
(ACO) diadopsi dari perilaku koloni semut yang dikenal
sebagai system semut (Dorigo, M., dan Gambardella, L.,
1996). Pada ACO setiap semut ditempatkan di semua titik
graph (dalam hal ini titik – titik yang dikunjungi) yang
kemudian akan bergerak mengunjungi seluruh titik. Setiap
semut akan membuat jalur masing – masing sampai kembali
ketempat semula dimana mereka ditempatkan pertama kali.
Jika sudah mencapai keadaan ini, maka semut telah
menyelesaikan sebuah siklus (tour). Solusi akhir adalah jalur
terpendek dari seluruh jalur yang dihasilkan oleh pencarian
semut tersebut.
Algoritma ACO telah banyak diaplikasikan dalam berbagai
bidang yang mencakup beberapa persoalan, yaitu :
1. Traveling Salesman Problem (TSP), yaitu mencari
rute terpendek dalam sebuah graph menggunakan
rute Hamilton.
2. Quadratic Assignment Problem (QAP), yaitu
menugaskan sejumlah n resources untuk ditempatkan
pada sejumlah m lokasi dengan meminimalisasi biaya
penugasan (assignment).
3. Job-shop Scheduling Problem (JSP) juga salah satu
contoh aplikasi Ant Colony Optimization, yaitu
untuk mencari lintasan sejumlah n pekerjaan
menggunakan sejumlah m mesin demikian sehingga
seluruh pekerjaan diselesaikan dalam waktu yang
seminimal mungkin.
4. Vehicle Routing Problem (VRP)
5. Pengaturan rute kendaraan
6. Pewarnaan graph
7. Implementasi pada jaringan komunikasi
8. Network routing, dll.
E. Multiple Ant Coloni System
Multiple Ant coloni system adalah salah satu
pengembangan dari algoritma ant koloni sistem selain ACO.
Pada algoritma ini biasanya akan dibentuk beberapa coloni
semut atau yang sering disebut multiple ant colony yang
memiliki tugas-tugas yang berbeda satu koloni dengan koloni
lainnya. Sebagai contoh missal pada kasus VRP dengan time
window dibentuk koloni pertama yang digunakan untuk
meminimalisir jumlah kendaraan, sedangkan koloni yang
kedua digunakan untuk meminimalisir biaya/cost. Berikut ini
algoritma MACS untuk solusi kasus VRPTW
1. Inisialisasi
Pertama-tama kita deklarasikan solusi awal dengan
PFIH (S) dimana S merupakan solusi terbaik
S
2. Repeat
V active armada ( )
Activate ACS-VEI(V-1)
Activate ACS-TIME(V)
While ACS-VEI dan ACS-TIME active
If ( <S)then S
If (ActiveArmada( )<V)then kill ACS-TIME dan
ACS-VEI
End-while
Until criteria berhenti
Return
End proses
ACS-TIME digunakan untuk meminimalisir total waktu
travel dari solusi dengan menggunakan armada sejumlah
V. apabila solusi yang dihasilkan ACS-TIME lebih baik dari
maka solusi tersebut dijadikan dan setiap ada solusi
yang lebih baik, maka 2 koloni ACS-TIME dan ACS-VEI
dimatikan kemudian proses akan diulang lagi dengan
mengk=aktifkan koloni baru. Proses terus berulang samapi
memenuhi pemberhentian criteria.
F. Tabu Search
Tabu Search Adalah teknik pencarian neighbourhood yang
menggunakan memori yang disebut tabu untuk menghindari
perulangan solusi.(Basuki, 2011). Menurut basuki, berikut
bagan diagaram alir dari algoritma Tabu search.
Start
SBuat solusi
awal dengan PFIH
SbestS
S’ intenfication(S)
C(S)<C(S’) SbestS
S divensification(S)
Iter iter +1
Iter<maxiter?
Sbest Local Search(Sbest)
Sbest
Selesai
Yes
No
Iter=0
Yes
No
Gambar 3. Diagram Alir Algoritma Tabu Search
Pada awalnya dibutuhkan solusi awal yaitu S yang didapat
dari algoritma PFIH. Dan solusi dari S tadi dijadikan solusi
terbaik sementara (Sbest). Kemudian ditingkatkan kualitasnya
dengan intensifikasi. Setelah itu dilakukan perbandingan
antara Sbest dengan S yang sudah ditingkatkan kualitasnya
tadi. Jika S tadi ternyata lebih optimal maka dilakukan proses
explorasi/diversifikasi. Proses inversifikasi dan diversifikasi
dilakukan terus menerus hingga dicapai criteria berhenti.
IV. HASIL PERBANDINGAN
Dari penelaahan berbagai referensi yang ada, kelebihan
algoritma dijkstra adalah dapat memberikan optimalisasi jarak
terdekat antara tempat pengiriman dengan tujuan pengiriman,
namun hanya berlaku jika tidak memungkinkan adanya bolak
balik(satu arah) dan runing time yang cenderung cepat karena
komplexitas parameter yang diperlukan sedikit, sehingga
cocok untuk kasus yang memerlukan runing time yang
mendesak. Sedangkan kelemahan dari algoritma disjktra
selain hanya berlaku untuk satu arah adalah belum adanya
pengembangan ke perhitungan minimalisasi total time travel.
Gambar 4. Tabel Perbandingan Algoritma VRPTW
Kelebihan dari algoritma Ant Colony Optimization(ACO)
adalah optimal dalam mencari jarak terdekat, dan sudah
mampu menghitung minimalisasi total time travel walaupun
kurang optimal. Sedangkan kelemahan dari algoritma ini
adalah komplexitas yang cukup banyak sehingga runing
timenya juga cukup lama. kelebihan dari algoritma multiple
ant colony system (MACS) hampir sama dengan ACO namun
MACS lebih optimal dalam minimalisasi total time travel.
sedangkan kelemahannya juga hampir sama dengan ACO,
yang membedakannya adalah runing time yang cenderung
lama karena komplesitas yang banyak. Sedangkan algoritma
terakhir yaitu tabu search memiliki kelebihan dan kelemahan
yang sama dengan ACO namun untuk runing timenya tabu
search cenderung cukup cepat
V. KESIMPULAN
Vehicle Routing Problem (VRP) merupakan permasalahan
optimasi penentuan rute dengan keterbatasan kapasitas
kendaraan. Pada permasalahan ini, ada sebuah depot awal dan
sejumlah n tempat untuk dikunjungi dengan demand yang
dapat berbeda-beda. Sebuah kendaraan diharapkan untuk
memenuhi permintaan setiap tempat tersebut dari depot.
Sedangkan Vehicle Routing Problem dengan Time Window
(VRPTW) adalah pengembangan dari kasus VRP dimana
masing – masing kendaraan memiliki batasan waktu dalam
menempuh sebuah rute perjalanan.
VRPTW memiliki beberapa buah algoritma, diantaranya
adalah ant colony optimization, disjktra, tabu search, multiple
ant colony system. Masing –masing algoritma tersebut
memiliki kelebihan dan kekurangan masing – masing.
Dari hasil pembahasan keempat algoritma di atas,
ditemukan bahwa setiap algoritma tidak ada yang paling
efektif jika diterapkan pada keseluruhan permasalahan
VRPTW. Setiap algoritma dapat menjadi efektif apabila
digunakan pada permasalahan tertentu. Kemudian berdasarkan
referensi yang ada, maka dibuatlah tabel perbandingan dari
keempat algoritma tersebut. Dari dalam tabel tersebut dapat
diketahui berbagai kelebihan dan kelemahan yang diukur
berdasarkan parameter tertentu.
REFERENSI
[1] Rahmat, Basuki.(2011).Perbandingan Genetic Algorithm, Multiple Ant
Colony System, dan Tabu Search untuk Penyelesaian Vehicle Routing
Problem With Time Windows(VRPTW).Jawa Timur
[2] Wahyuningdiyah, Neny;M.Zen Samsono Hadi;Mike Yuliana.(2010).
Akses Informasi Pengiriman Barang Di Kantor Pos Jemur Sari Untuk Area Surabaya Timur Menggunakan Metode Ant Colony Optimization
Berbasis J2ME.ITS Surabaya
[3] Favaretto, Daniel Elena Moretti, Paola Pellegrini. (2007). Ant colony
system for a VRP with multiple time windows and multiple visits.
Department of Applied Mathematics. University Ca’ Foscari of Venice
Dorsoduro 3825/EI-30123 Venice, Italy
[4] Barán, Benjamín, Matilde Schaerer. (2003) A Multiobjective Ant Colony System For Vehicle Routing Problem With Time Windows.
Centro Nacional de Computación, Universidad Nacional de Asunción.
San Lorenzo, P.O. Box 1439. Paraguay
[5] Chen Chia-Ho & Ting Ching-Jung. (2005). A Hybrid Ant Colony
System For Vehicle Routing Problem With Time Windows. Department of Industrial Engineering and Management, Yuan Ze University,
Taiwan.
[6] Pablo Ortega1 Cristian Oliva2 Jacques Ferland3 Manuel Cepeda2.
(2009). Multiple Ant Colony System For A Vrp With Time Windows
And Scheduled LoadinG. Ingeniare. Revista chilena de ingenieria, vol. 17 No 3, 2009, pp. 393-403
[7] Abdul Gani,Taufiq. (2011). Optimal Logistic Distribution for Disaster Management in Banda Aceh. 5th Annual International Workshop &
Expo on Sumatra Tsunami Disaster & Recovery 2010. Research Center
for computational Engineering, Department of Electrical Engineering,
Syiah Kuala University, Banda Aceh, Indonesia
[8] Komarudin. (2010). Vehicle Routing Problem (VRP).
http://staff.blog.ui.ac.id/komarudin74/2010/09/14/vehicle-routing-
problem-vrp/. Diakses tanggal 2 Oktober 2012.