Perpustakaan Digital ITB

Penelitian ini membahas solusi Vehicle Routing Prioblem (VRP) dengan mengembangkan algoritma hybrid yang mengintegrasikan Geoclustering, Ant Colony Optimization (ACO) yaitu Restricted ACO (RACO) dan Free ACO (FACO), serta mekanisme aphids sebagai agen pendukung. Selain itu, penelitian juga melakukan perbandingan kinerja algoritma hybrid dengan RACO dan FACO serta mengevaluasi efektivitas Dynamic Optimization dibandingkan Full Optimization dalam menghadapi perubahan data pada optimasi rute layanan pelanggan. Optimasi hybrid menunjukkan peningkatan efisiensi serta adaptabilitas terhadap perubahan data. Optimasi dimulai dari eksplorasi aphids pada subset pelanggan untuk menemukan rute dengan cost terendah dan menyimpan informasi pheromone awal. Semut kemudian membangun rute berdasarkan panduan jejak pheromone sebelumnya, faktor heuristik, dan prioritas titik kunjungan. Saat terjadi perubahan data, algoritma hanya memperbarui bagian yang terdampak tanpa mengulang optimasi dari awal. Hasil eksperimen dengan dataset utama menunjukkan algoritma hybrid memiliki keunggulan dibandingkan metode acuan sebelumnya. Optimasi hybrid mengungguli FACO dengan pengurangan waktu rata-rata 5694 detik (23,91%) serta menghasilkan solusi lebih baik dibandingkan RACO dengan pengurangan jarak rata-rata 16,37 km (0,73%). Pada skenario data dinamis, Dynamic Optimization mampu mendekati hasil Full Optimization dengan GAP rata-rata 0,45%-5,48% (1,91-21,71 km). Selain itu, Dynamic Optimization lebih unggul dalam perolehan waktu komputasi, dengan peningkatan efisiensi hingga 57% (767-1977 detik lebih cepat). Dari hasil penelitian ini, algoritma hybrid berbasis kombinasi ACO, clustering geografis, dan mekanisme aphids terbukti efektif dalam menyelesaikan VRP dengan kondisi dinamis. Pendekatan ini memberikan keseimbangan antara kualitas solusi dan efisiensi waktu komputasi, sehingga dapat diterapkan dalam berbagai skenario distribusi layanan pelanggan.