Dampak perubahan tetapan pengendali itensitas feromon dan visibilitas terhadap rute terpendek yang dihasilkan oleh ant system

INDONESIA:

Algoritma Ant Colony Optimization (ACO) merupakan salah satu metode optimasi berbasis metaheuristik yang terinspirasi dari perilaku sosial semut dalam menemukan jalur terpendek menuju sumber makanan. Semut berkomunikasi menggunakan jejak feromon untuk membimbing anggota koloni lainnya dalam memilih jalur yang lebih efisien. Konsep ini kemudian diadaptasi ke dalam dunia komputasi untuk menyelesaikan berbagai permasalahan optimasi kombinatorial, seperti Travelling Salesman Problem (TSP), optimasi jaringan, dan penjadwalan. Meskipun ACO telah terbukti efektif dalam menemukan solusi optimal, performanya sangat bergantung pada parameter yang digunakan, terutama intensitas feromon dan visibilitas. Feromon berperan dalam memperkuat jalur terbaik, sedangkan visibilitas menentukan preferensi semut terhadap jalur yang lebih pendek. Ketidaktepatan dalam mengatur parameter ini dapat mengakibatkan algoritma terjebak dalam solusi suboptimal atau meningkatkan waktu komputasi. Oleh karena itu, penelitian ini bertujuan untuk menganalisis dampak perubahan parameter tersebut terhadap kinerja ant system dalam menemukan jalur terpendek. Metode yang digunakan dalam penelitian ini adalah pendekatan deskriptif kuantitatif, dengan analisis statistik menggunakan uji normalitas dan uji Kruskal-Wallis untuk mengidentifikasi signifikansi perbedaan hasil akibat variasi parameter. Pengujian dilakukan pada tiga jenis graf dengan tingkat keterhubungan berbeda, masing-masing diuji sebanyak tiga kali, sehingga diperoleh total 1.089 data rute. Hasil penelitian menunjukkan bahwa perubahan parameter intensitas feromon dan visibilitas tidak memberikan dampak yang signifikan terhadap panjang jalur optimal yang ditemukan. Temuan ini mengindikasikan bahwa dalam kondisi tertentu, algoritma ACO memiliki toleransi yang cukup tinggi terhadap variasi parameter tanpa mengalami penurunan performa secara signifikan.

ENGLISH:

The Ant Colony Optimization (ACO) algorithm is a metaheuristic-based optimization method inspired by the social behavior of ants in finding the shortest path to a food source. Ants communicate through pheromone trails to guide other colony members toward more efficient paths. This concept has been adapted into computing to solve various combinatorial optimization problems, such as the Travelling Salesman Problem (TSP), network optimization, and scheduling. Although ACO has proven effective in finding optimal solutions, its performance is highly dependent on the parameters used, particularly pheromone intensity and visibility. Pheromones reinforce better paths, while visibility influences the ants’ preference for shorter routes. Inaccurate parameter settings can lead the algorithm to become trapped in suboptimal solutions or increase computation time. Therefore, this study aims to analyze the impact of changes in these parameters on the performance of the ant system in finding the shortest path. This research uses a quantitative descriptive approach with statistical analysis, including normality tests and the Kruskal-Wallis test, to identify significant differences in results due to parameter variations. Experiments were conducted on three types of graphs with different connectivity levels, each tested three times, resulting in a total of 1,089 route data points. The results show that changes in pheromone intensity and visibility parameters do not significantly affect the optimal path length found. These findings indicate that under certain conditions, the ACO algorithm demonstrates a relatively high tolerance to parameter variations without a significant decline in performance.

ARABIC:

تعد خوارزمية Ant Colony Optimization (ACO) من إحدى طرق تحسين القائمة على metaheuristic المستوحاة من السلوك الاجتماعي للنمل في إيجاد أقصر طريق إلى مصدر الغذاء. يتواصل النمل باستخدام آثار الفرمون لتوجيه الأعضاء الآخرين في المستعمرة في اختيار مسار أكثر كفاءة. ثم تم تكييف هذا المفهوم مع عالم الحوسبة لحل العديد من مشكلات التحسين التوافقي ، مثل مشاكل البائع المتجول (TSP) ، وتحسين الشبكة ، والجدولة. على الرغم من أن ACO قد ثبت فعاليتها في إيجاد الحلول المثلى ، إلا أن أدائها يعتمد بشكل كبير على المعلمات المستخدمة ، وخاصة شدة الفرمون والرؤية. تلعب الفيرومونات دورا في تقوية أفضل المسارات ، بينما تحدد الرؤية تفضيل النملة للمسارات الأقصر. يمكن أن تؤدي عدم الدقة في تعيين هذه المعلمات إلى توقف الخوارزمية في حل دون المستوى الأمثل أو زيادة الوقت الحسابي. لذلك ، تهدف هذه الدراسة إلى تحليل تأثير هذه التغييرات في المعلمات على أداء نظام النمل في إيجاد أقصر مسار. الطريقة المستخدمة في هذه الدراسة هي نهج وصفي كمي ، مع التحليل الإحصائي باستخدام اختبارات الطبيعة واختبارات Kruskal-Wallis لتحديد أهمية الاختلافات في النتائج بسبب اختلافات المعلمات. تم إجراء الاختبارات على ثلاثة أنواع من الرسوم البيانية بمستويات مختلفة من الاتصال ، تم اختبار كل منها ثلاث مرات ، مما أدى إلى ما مجموعه ١٠٨٩ بيانات مسار. أظهرت النتائج أن التغيرات في شدة الفرمون ومعلمات الرؤية لم يكن لها تأثير كبير على طول المسير الأمثل الموجود. تشير هذه النتائج إلى أنه في ظل الظروف المعينة ، تتمتع خوارزمية ACO بتسامح عال إلى حد ما لاختلافات المعلمات دون التعرض لانخفاض كبير في الأداء.