BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi 4.1.1 Spesifikasi Perangkat Keras Spesifikasi perangkat keras minimum yang diperlukan untuk dapat menjalankan aplikasi adalah sebagai berikut. a. Processor Pentium II 300 Mhz b. Mouse dan Keyboard c. RAM 128 MB d. Graphic Card / VGA Card dengan memory minimum 4 MB e. Monitor SVGA 4.1.2 Spesifikasi Perangkat Lunak Spesifikasi perangkat lunak yang dibutuhkan untuk dapat menjalankan aplikasi adalah sebagai berikut. a. Operating System Windows 98 ke atas. b. Microsoft.Net Framework minimal versi 1.1 c. Aplikasi Penyelesaian TSP yang dibuat 47
48 4.1.3 Cara Penggunaan Aplikasi layar utama. Pertama kali aplikasi penyelesaian TSP dijalankan, akan langsung masuk ke Gambar 4.1 tampilan layar menu utama Pada menu utama, ada tiga pilihan, yang pertama Compare Ant Colony Algorithm and Genetic Algorithm untuk membandingkan kedua algoritma secara langsung. Pilihan kedua Solve TSP Problem untuk menyelesaikan masalah TSP sesuai dengan algoritma yang ingin dipakai. Terakhir adalah menu Exit untuk keluar dari aplikasi.
49 I Tombol Compare Ant Colony Algorithm and Genetic Algorithm Setelah pengguna mengklik tombol pertama pada layar menu utama, akan dijumpai tampilan layar Compare Ant Colony Algorithm and Genetic Algorithm seperti gambar 4.2. Gambar 4.2 tampilan layar Compare Ant Colony Algorithm and Genetic Algorithm Untuk dapat membandingkan kedua algoritma, terlebih dahulu harus ditentukan masalah TSP yang akan diselesaikan. Pada list menu bar di atas harus dipilih terlebih dahulu. Gambar 4.3 Pilihan sub menu pada option
50 Untuk memasukkan masalah TSP yang akan diuji coba untuk dipecahkan oleh kedua algoritma dapat dipilih sub menu Problems pada menu Option. Setelah sub menu Option dipilih akan muncul tampuilan seperti gambar 4.4. Gambar 4.4 tampilan sub menu Problems pada menu Option Pada layar problems pengguna bebas memilih untuk menentukan masalah TSP dengan memasukkan node/city secara manual ataupun sistem akan men-generate masalah dengan pilihan circle atau random.
51 Apabila pilihan Manual Problems dipilih, akan muncul window baru seperti pada gambar 4.5 dan pengguna dapat dengan bebas menentukan path untuk masalah TSP sesuai keinginannya dengan cara meng-klik layar masalah yang disediakan. Gambar 4.5 tampilan menu Manual Draw Setelah pengguna memasukkan node node pada layar masalah, tombol OK ditekan, dan window Manual Draw akan tertutup dan gambar masalah yang tadi sudah ditentukan akan tergambar pada layar Problems. Apabila pengguna ingin agar masalah di-generate secara manual oleh sistem, dapat dipilih radio button Auto Generating Problems. Setelah memasukkan jumlah city yang ingin dibuat, pilih method-nya. Apakah city akan dibuat sesuai pola lingkaran (circle) atau secara acak (random).
52 Setelah menentukan masalah TSP, dengan menekan OK, layar problems akan menutup dan kembali ke layar Compare Ant Colony Algorithm and Genetic Algorithm. Selanjutnya menentukan parameter untuk kedua algoritma. Dengan memilih sub menu Algorithm pada menu Option, akan muncul tampilan seperti gambar 4.6 berikut. Gambar 4.6 tampilan layar Algorithm Option Pada Algorithm Option pengguna dapat menentukan parameter untuk performa dari kedua algoritma. Setelah menentukan semua parameter yang diperlukan, pilih menu OK untuk menyimpan perubahan dan Cancel untuk membatalkan. Setelah itu layar Algorithm Option akan tertutup dan kembali ke menu Compare Ant Colony Algorithm and Genetic Algorithm. Saat ini pengguna bisa memulai menguji kedua algoritma dengan menekan tombol OK. Kemudian program akan melakukan penyelesaian dengan algoritma genetik terlebih dahulu disusul dengan ACO. Hasil akan terlihat seperti gambar 4.7 berikut.
53 Gambar 4.7 Tampilan layar Compare Alorithm setelah perhitungan Setelah selesai gambar path yang dihasilkan dapat dilihat dengan memilih sub menu path picture report untuk disertai detil kedua algoritma.
54 Gambar 4.8 Tampilan layar Path Report Untuk keluar dari menu Compare Ant Colony Algorithm and Genetic Algorithm dipilih menu exit.
55 II Tombol Solve TSP Problem Apabila pengguna memilih Solve TSP Problem pada menu utama akan muncul tampilan seperti gambar 4.9 berikut. Gambar 4.9 tampilan layar Solve TSP Problem Prosedur kerja Solve TSP Problem hampir sama dengan Compare Ant Colony Algorithm and Genetic Algorithm. Pengguna harus terlebih dahulu menentukan masalah TSP dengan memilih antara manual atau auto generate oleh sistem. Perbedaan Solve TSP Problem adalah bahwa pilihan ini lebih berfungsi untuk menyelesaikan masalah TSP yang dihadapi dengan menggunakan salah satu metode saja. Sementara Compare Ant Colony Algorithm and Genetic Algorithm lebih bertujuan untuk membandingkan kedua algoritma.
56 Masalah TSP dapat didefinisikan dengan cara yang sama dengan Compare Ant Colony Algorithm and Genetic Algorithm, hanya saja pada Solve TSP Problem, penentuan masalah TSP digabung dengan layar prosesnya. Masalah TSP juga dapat ditentukan dengan memilih sub menu Open Picture pada menu file seperti pada gambar 4.10 berikut. Gambar 4.10 sub menu File Kemudian akan keluar Open File Dialog seperti gambar 4.11 berikut. Gambar 4.11 Open Picture Dialog
57 Pada open picture dialog, pengguna dapat memilih file yang ingin dijadikan masalah untuk TSP. Setelah memilih masalah TSP, algoritma yang akan digunakan untuk menyelesaikan masalah TSP tersebut ditentukan dengan memilih list menu Method. Di sana ada dua pilihan sub menu, yaitu Genetic dan ACO, seperti gambar 4.12. Gambar 4.12 sub menu dari menu Method Pengguna dapat memilih metode yang dikehendaki dan mengisi parameter seperti gambar 4.13 untuk yang memilih Genetic Algorithm dan 4.14 untuk yang memilih Ant Colony Algorithm. Gambar 4.13 Layar tampilan Genetic Option
58 Gambar 4.14 layar tampilan ACO Option Setelah menentukan parameter yang diperlukan, dapat dipilih tombol Cancel untuk membatalkan perubahan dan OK untuk menyimpan perubahan. Setelah itu, pengguna bisa menekan tombol Start untuk memulai penyelesaian. Apabila ingin menghentikan iterasi yang berlangsung dapat ditekan tombol Stop. Bagi yang memilih pilihan masalah berupa lingkaran (Circle Cities), program akan menghentikan pencarian secara otomatis. Selain lingkaran, pengguna diharuskan menekan tombol Stop untuk berhenti. Setelah berhenti, program akan menampilkan hasil penyelesaian, seperti pada gambar 4.15.
59 Gambar 4.15 Tampilan setelah hasil pencarian Untuk keluar dari aplikasi tekan Exit pada menu utama.
60 4.2 Evaluasi Dengan menggunakan aplikasi TSP Solver ini didapatkan performa dari dua algoritma, yaitu algoritma genetik dan ant colony optimization. Hasil pengujian dapat dilihat sebagai berikut. Pengujian Pertama Tabel 4.1 Tabel Parameter algoritma pada pengujian pertama Parameter ACO Nilai Ants 8 Alpha 1 Beta 1 Rho 0.6 Parameter Genetic Nilai Cross Over Rate 0.75 Mutation Rate 0.2 Population Size 10 tabel berikut. Hasil untuk menyelesaikan masalah yang berbentuk lingkaran dapat dilihat pada Tabel 4.2 Tabel hasil penyelesaian dengan menggunakan algoritma genetik Waktu Selesai(milisecond) Jumlah Epoch Minimum (try) 1 2 3 4 5 Rata2 1 2 3 4 5 Rata2 1 2 3 4 5 (city) 3 0 0 0 0 0 0 0 0 0 0 0 0 v v v v v 4 0 0 0 0 0 0 0 0 0 0 0 0 v v v v v 5 0 0 60 40 0 20 1 2 176 117 1 179.4 v v v v v 6 758 130 310 1092 150 488 240 385 926 3400 439 1078 v v v v v 7 341 3185 621 10 2113 1254 1059 10083 1909 32 6559 19642 v v v v v 8 160 1603 80 101 731 x 510 4972 223 292 2176 X x x x x x Dapat dilihat pada tabel 4.2 bahwa algoritma genetik dapat menyelesaikan masalah TSP dengan jumlah node yang kecil. Untuk masalah yang berjumlah node besar, dapat diselesaikan, tetapi membutuhkan waktu yang cukup lama. Seperti pada
61 tabel 4.3 berikut, dihasilkan dari algoritma genetik dengan parameter yang sama dengan parameter yang terdapat pada tabel 4.1. Tabel 4.3 Tabel hasil penyelesaian untuk node=8 dengan algoritma genetik Waktu Selesai(milisecond) Jumlah Epoch Minimum (try) 1 2 Rata2 1 2 Rata2 1 2 (city) 8 2651 791 1721 63619 1869 32744 v V Sementara untuk ACO, dapat menyelesaikan masalah TSP bahkan untuk jumlah node yang banyak. Untuk hasil dengan algoritma ACO dapat dilihat pada tabel 4.4 berikut. Tabel 4.4 Tabel hasil penyelesaian dengan algoritma ACO Waktu Selesai(milisecond) Jumlah Epoch Minimum (try) 1 2 3 4 5 Rata2 1 2 3 4 5 Rata2 1 2 3 4 5 (city) 3 0 0 0 10 0 2 2 2 2 2 2 2 v v V v v 4 0 0 0 0 0 0 3 3 3 3 3 3 v v V v v 5 10 0 0 0 0 2 19 4 19 9 9 12 v v V v v 6 0 10 10 0 0 4 5 11 23 5 11 11 v v V v v 7 10 0 10 0 0 4 13 6 27 6 6 11.6 v v V v v 8 0 10 10 0 10 6 23 31 23 23 15 83 v v V v v 9 17 10 10 10 10 11.4 10 35 53 26 26 30 v v V v v 10 20 10 10 20 20 16 49 29 49 49 59 49 v v V v v 15 20 20 40 20 20 24 74 59 119 59 74 385 v v V v v 20 30 50 221 40 90 X 119 199 24799 119 339 x x v V v v Untuk jumlah node yang banyak (>20) sebaiknya parameter ant count nya ditambah untuk memperbaiki proses. Karena dengan jumlah 8 ant, terjadi kegagalan pada jumlah kota 20, dan terus meningkat seiring bertambahnya jumlah kota. Untuk hasil yang lebih baik dengan penambahan jumlah semut dapat dilihat pada tabel 4.6 berikut. Parameter yang dipakai dapat dilihat pada tabel 4.5.
62 Tabel 4.5 Tabel parameter untuk ACO Parameter ACO Nilai Ants 35 Alpha 1 Beta 1 Rho 0.6 Tabel 4.6 Tabel hasil penyelesaian dengan algoritma ACO untuk node > 20 Waktu Selesai(milisecond) Jumlah Epoch Minimum (try) 1 2 3 4 5 Rata2 1 2 3 4 5 Rata2 1 2 3 4 5 (city) 20 30 40 50 40 30 38 59 79 59 79 59 67 v v v v v 50 180 180 140 180 180 172 199 199 149 193 199 187.8 v v v v v 100 831 681 681 851 831 775 499 399 399 499 499 459 v v v v v 250 5699 4877 7441 5768 4787 5714.4 1499 1249 2249 2499 1249 1749 v v v v v 500 24926 24946 21471 21201 34410 25390.8 3499 3499 2999 2999 4999 3599 v v v v v Berikut ini penyelesaian dari kedua algoritma dengan menggunakan node yang di-generate secara random. Parameter yang digunakan sesuai tabel 4.1. Gambar 4.1 Gambar penyelesaian untuk 3 titik random
63 Detail dari proses penyelesaian dapat dilihat pada tabel 4.7 untuk algoritma genetik dan 4.8 untuk algoritma ACO. Tabel 4.7 Tabel detail proses genetik Genetic Process Timespan to Get Best Path 0 milisecond Genetic Process Get Best Path at epoch 0 Genetic Process End Timespan 2654 milisecond Path 2-1 - 0-2 Tabel 4.8 Tabel detail proses ACO ACO Process Timespan to Get Best Path 10 milisecond ACO Process Get Best Path at epoch 2 ACO Process End Timespan 40 milisecond Path Generated by ACO 0-2 - 1-0 Hasil percobaan dengan 10 titik random dengan parameter sesuai tabel 4.1 dapat dilihat pada gambar 4.2. Gambar 4.2 Gambar penyelesaian untuk 10 titik random
64 Detail prosesnya sebagai berikut. Tabel 4.9 Tabel detail proses genetik untuk 10 titik random Genetic Process Timespan to Get Best Path 2623 milisecond Genetic Process Get Best Path at epoch 8459 Genetic Process End Timespan 5708 milisecond Path 2-1 - 9-8 - 4-0 - 6-3 - 5-7 - 2 Distance 1149.475 Tabel 4.10 Tabel detail proses ACO untuk 10 titik random ACO Process Timespan to Get Best Path 60 milisecond ACO Process Get Best Path at epoch 379 ACO Process End Timespan 160 milisecond Path Generated by ACO 3-7 - 1-0 - 9-2 - 6-5 - 4-8 - 3 Distance 845.592 4.11 berikut. Diuji kembali untuk titik yang sama dengan parameter algoritma sesuai tabel Tabel 4.11 Tabel parameter untuk genetik dan ACO Parameter ACO Nilai Ants 35 Alpha 1 Beta 1 Rho 0.6 Parameter Genetic Nilai Cross Over Rate 0.75 Mutation Rate 0.2 Population Size 50 Dengan menggunakan parameter seperti pada tabel 4.11, hasil penyelesaian oleh kedua algoritma adalah sebagai berikut.
65 Gambar 4.3 Gambar penylesaian untuk 10 titik random Detail proses atas hasil seperti gambar 4.3 dapat dilihat pada tabel 4.12 untuk algoritma genetik dan 4.13 untuk algoritma ACO. Tabel 4.12 Tabel detail proses genetik dengan jumlah populasi 50 Genetic Process Timespan to Get Best Path 3646 milisecond Genetic Process Get Best Path at epoch 8706 Genetic Process End Timespan 7812 milisecond Path 3-1 - 7-0 - 8-5 - 6-2 - 4-9 - 3 Distance 898.075 Tabel 4.13 Tabel detail proses ACO 2 ACO Process Timespan to Get Best Path 40 milisecond ACO Process Get Best Path at epoch 219 ACO Process End Timespan 140 milisecond Path Generated by ACO 3-7 - 1-0 - 9-2 - 6-5 - 4-8 - 3 Distance 845.592
66 Dari hasil-hasil pengujian dapat dilakukan analisis sebagai berikut. 1. Parameter jumlah semut mempengaruhi kualitas hasil dari penyelesaian dan juga waktu penyelesaian. Semakin banyak jumlah semut, semakin baik penyelesaian dan waktu penyelesaian. Tetapi untuk memakai jumlah semut yang banyak lebih memboroskan ruang memory. 2. Serupa dengan jumlah semut, jumlah anggota populasi dalam algoritma genetik juga sama pengaruhnya terhadap hasil dan waktu penyelesaian. 3. Untuk algoritma genetik memiliki big O lebih kecil untuk tiap epoch, yaitu O(n) atau linear, sedangkan ACO O(n 2 ) atau quadratic. Namun jumlah epoch yang dilakukan algoritma genetik lebih banyak dibanding jumlah epoch ACO untuk menghasilkan penyelesaian TSP yang sama baiknya, kecuali untuk jumlah node yang kecil.