JNATIA Volume 1, Nomor 1, November 2022

Jurnal Nasional Teknologi Informasi dan Aplikasinya

Implementasi Algoritma Artificial Bee Colony dalam Penentuan Rute Terpendek Perusahaan Ekspedisi

Ni Wayan Windayania1, Cokorda Rai Adi Pramarthab2

aProgram Studi Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana

Badung, Bali, Indonesia 1[email protected]

bNet-Centric Computing Laboratory, Universitas Udayana

Badung, Bali, Indonesia 2[email protected]

Abstract

Delivery service is a promised business so many new companies are opening this business. However, it is not uncommon for parcel delivery to be delayed. From the field of Informatics, determining the courier route is included in the Traveling Salesman Problem. The TSP problem can be solved using several algorithms, one of which is the Artificial Bee Colony or ABC algorithm. Artificial Bee Colony algorithm adapted from the behavior of bee colonies in search of food. In this study, primary data is used in the form of destination points in the Bangli sub-district area of PT Global Jet Express Bangli delivery of packages using 20 destination points. The results of this system showed that the three parameters tested, namely the number of bees, the maximum limit and the maximum iteration did not show significant changes for the best distance. In this study, the shortest distance obtained using the Artificial Bee Colony algorithm is the number of bees is 10, the limit is 20 and the maximum iteration is 40 with a value of 38,42 km.

Keywords: Artificial Bee Colony, Travelling Salesman Problem, Shortest Path, Distance Optimization, Shipping Company

  • 1.    Pendahuluan

Perkembangan teknologi membuat pola kehidupan masyarakat menjadi lebih modern. Kemajuan teknologi memang sangat penting untuk kehidupan manusia zaman sekarang [1]. Berbagai bidang kehidupan mendapatkan manfaat dari keberadaan teknologi, tidak terkecuali jasa pengiriman barang atau ekspedisi. Jasa pengiriman barang merupakan bisnis yang menjanjikan sehingga banyak perusahaan baru yang membuka usaha ini [2].

Mengenai pengiriman barang yang selalu meningkat karena semakin banyaknya pembelanjaan online baik dalam bentuk paket, dokumen, atau parsel sehingga membutuhkan penyedia transportasi pengiriman barang yang efektif dan efisien [3]. Banyak perusahaan jasa pengiriman yang sering digunakan pada saat ini, seperti PT. Pos Indonesia, TIKI, JNE, dan lain sebagainya. Kurir memiliki peranan yang penting pada perusahaan karena kecepatan dan ketepatan pengiriman barang oleh kurir sangat mempengaruhi tingkat kepuasan pelanggan [4].

Akan tetapi, tidak jarang pengiriman paket mengalami keterlambatan. Apabila keterlambatan ini terus terjadi maka perusahaan akan mengalami kerugian baik dari internal yaitu barang dapat menumpuk di gudang maupun kerugian eksternal yaitu adanya komplain dari customer karena barang atau dokumen tidak sampai tepat waktu [5]. Salah satu penyebabnya karena kurir yang mengirimkan barang tidak paham dengan lokasi tujuan dan rute yang akan dilalui. Berdasarkan wawancara bersama pihak PT Global Jet Express Bangli pada 21 Maret 2022, permasalahan rute perjalanan saat pengiriman barang menjadi salah satu kendala utama yang menyebabkan keterlambatan dalam pengiriman barang. Penelitian [6] menyebutkan bahwa perlu ditentukan rute-rute perjalanan yang memang benar-benar sesuai dengan kebutuhan pengguna.

Kurir dalam menentukan rute pengiriman barang masih dilakukan secara manual, hal inilah yang seringkali menyebabkan rute yang dipilih bukan merupakan rute paling efisien.

Dari ranah bidang ilmu Informatika, penentuan rute kurir ini termasuk ke dalam permasalahan Travelling Salesman Problem. Travelling Salesman Problem (TSP) adalah gagasan dimana satu salesman menjelajah ke setiap bagian tertentu saja melewati semua n daerah perkotaan hanya sekali dan kembali ke daerah awal dari tempatnya dimulai [7]. Permasalahan TSP dapat diselesaikan menggunakan beberapa algoritma, salah satunya adalah algoritma Artificial Bee Colony atau ABC.

Pada tahun 2005, Karaboga mengusulkan algoritma Artificial Bee Colony yang menjadi salah satu algoritma swarm intelligence terbaru [8]. Algoritma Artificial Bee Colony diadaptasi dari perilaku koloni lebah dalam mencari makanan [9]. Pada algoritma Artificial Bee Colony, kemampuan koloni lebah dalam menentukan sumber makanan terdiri atas tiga kelompok yaitu employed bee (lebah pekerja), onlooker bee (lebah penjaga), dan scout bee (lebah pengintai). Lebah-lebah tersebut melakukan suatu fungsi untuk menentukan letak dan kualitas dari sumber makanan. Setiap sumber makanan yang satu dengan yang lainnya diingat dan dibandingkan oleh lebah, dan lokasi dengan sumber makanan yang paling optimal menjadi fungsi akhir yang dipilih [10].

Algoritma Bee Colony termasuk ke dalam kategori algoritma yang sederhana, fleksibel dan memiliki kemampuan untuk keluar dari local minimum dan dapat secara efisiensi digunakan untuk multimodal dan multivariable optimasi fungsi [11]. Penelitian [12] menggunakan Algoritma Bee Colony karena memiliki kemampuan optimasi secara efisien untuk menyelesaikan permasalahan pencarian rute terpendek.

Berdasarkan penelitian yang dilakukan sebelumnya, pada penelitian ini penulis melakukan penentuan rute terpendek pengiriman barang perusahaan ekspedisi menggunakan algoritma Artificial Bee Colony. Pencarian rute terpendek diawali dengan mengetahui posisi asal dan tujuan pengiriman barang. Posisi asal dan tujuan pengiriman barang yang telah diketahui akan digunakan pada proses pembangunan tur perjalanan dan pencarian rute terpendek.

  • 2.    Metode Penelitian

    2.1.    Data Penelitian

Pada penelitian ini menggunakan data primer berupa titik tujuan pada area kecamatan Bangli pengiriman barang PT Global Jet Express Bangli. Pengiriman barang dilakukan menggunakan sepeda motor dengan jumlah barang setiap pengiriman antara 20-80 barang untuk setiap kurirnya. Penentuan setiap lokasi ditentukan dengan menggunakan Google Earth sebagai titik tujuan dan Google Maps API untuk menentukan jarak antar titik berdasarkan latitude dan longitude. Jarak yang diperoleh akan menjadi inputan pada sistem dengan jumlah titik yang berbeda sesuai dengan tujuan pengiriman.

  • 2.2.    Tahapan Algoritma Artificial Bee Colony

Algoritma Artificial Bee Colony terinspirasi dari perilaku lebah madu untuk mencari sumber makanan. Koloni dari lebah mampu menelusuri jarak sampai lebih dari 10 km dan juga mampu bergerak ke segala arah secara simultan untuk mencari lebih dari 1 sumber makanan. Dalam mencari makanan lebah tersebut memiliki 3 pembagian kerja yang memiliki peranan penting pada setiap bagiannya, kelompok kerja tersebut yaitu [13]:

  • a.    Employed bees

Lebah yang termasuk pada kelompok lebah pekerja ini memiliki tugas untuk mencari sumber makanan pada wilayah tertentu yang pernah dikunjungi sebelumnya. Masing-masing lebah pekerja memiliki area yang berbeda dalam memperoleh sumber makanannya.

  • b.    Onlooker bees

Lebah yang termasuk pada kelompok lebah pencari mempunyai tugas yaitu mengumpulkan informasi dari setiap lebah pekerja kemudian berkumpul dengan semua

lebah pencari dan kemudian saling bertukar informasi lalu selanjutnya akan membuat keputusan berdasarkan informasi yang diberikan oleh lebah pekerja.

  • c.    Scout bees

Lebah yang termasuk pada kelompok lebah pengintai bertugas untuk mencari sumber makanan pada wilayah tertentu yang sebelumnya tidak pernah dikunjungi.

Gambar 1 menunjukkan alur kerja dari algoritma Artificial Bee Colony dalam menentukan rute terpendek [14].

Gambar 1. Flowchart Algoritma Artificial Bee Colony

Adapun tahapan-tahapan dalam algoritma Artificial Bee Colony untuk penyelesaian masalah Travelling Salesman Problem adalah sebagai berikut [15]:

  • a.    Pembentukan rute

Di dalam Travelling Salesman Problem untuk pembentukan rute digunakan metode Nearest Neighbor. Rute-rute yang terbentuk dijadikan sebagai sumber-sumber makanan sebagai acuan untuk penyelesaian Travelling Salesman Problem menggunakan Artificial Bee Colony.

  • b.    Inisialisasi

Rute yang telah terbentuk pada tahapan pertama, akan diseleksi oleh para lebah untuk menentukan rute mana yang terbaik dan merupakan solusi dari permasalahan. Pada tahap ini akan diberikan nilai percobaan dari setiap kemungkinan solusi yaitu 0. Proses inisialisasi dari kemungkinan solusi (sumber makanan) dilakukan secara acak dengan menggunakan persamaan (1) berikut:

Xij   Xjmin + rand(0,1) ∙ (Xjmax   Xjmin)                                         (1)

Dimana:

  • •  Xij = inisialisasi kemungkinan solusi ke-i dengan parameter ke-j

  • •  Xjmin = nilai kemungkinan solusi terkecil berdasarkan parameter j

  • •  Xjmax = nilai kemungkinan solusi terbesar berdasarkan parameter j

  • •   rand(0,1)= nilai acak antara 0 sampai 1

  • •    i = 1..SN, SN adalah jumlah kemungkinan solusi (sumber makanan)

  • •    j = 1..D, D adalah jumlah parameter yang digunakan

  • c.    Employed bee phase

Selanjutnya adalah tahap dimana para lebah memperluas nilai dari setiap kemungkinan solusi yang ada dengan menggunakan persamaan (2) di bawah ini:

Vij = Xij + ^ij ∙ (xkj - x i j)                                                                 (2)

Dimana:

  • •   Vj = nilai perluasan kemungkinan solusi ke-i dengan parameter j

  • •  Xij = nilai kemungkinan solusi ke-i dengan parameter j

  • •    i = 1..SN, SN adalah jumlah kemungkinan solusi (sumber makanan)

  • •    j = 1..D, D adalah jumlah parameter yang digunakan

  • •    k = 1..SN, SN adalah jumlah parameter yang digunakan

  • •   0ij = bilangan real acak antara [-1, 1]

Setelah setiap kemungkinan solusi diperluas, akan diaplikasikan greedy selection antara nilai kemungkinan solusi xi dengan nilai baru hasil perluasan yaitu vi. Jika nilai vi lebih kecil dari nilai xi maka nilai vi tersebut akan dianggap sama dengan nilai xi dan nilai percobaan tetap bernilai 0. Jika tidak, nilai xi yang disimpan dan nilai percobaan ke-i ditambah dengan 1. Proses ini berulang sampai jumlah perluasan sama dengan jumlah sumber makanan.

  • d.    Tahap evaluasi populasi

Dari setiap kemungkinan solusi yang diperluas, akan dibandingkan dengan nilai awal inisialisasi. Selanjutnya dilakukan penghitungan kualitas dari masing-masing kemungkinan solusi menggunakan fungsi fitness dengan menggunakan persamaan (3) berikut:

(   —1, f (xi) ≥ 0

f itness(xi) =      Ci+fC≈i)                                                                 (3)

(1 +∣f(xi)∣, f(xi)< 0

Dimana:

  • •    i = 1..SN, SN adalah jumlah kemungkinan solusi (sumber makanan)

    e.


Onlooker bee phase

Setelah tahap lebah pekerja (employed bee) terpenuhi semua perluasan untuk setiap kemungkinan solusi dan telah dihitung masing-masing nilai probabilitasnya, informasi dari lebah pekerja akan diteruskan ke lebah penjaga (onlooker bee). Lebah penjaga akan menghitung nilai probabilitas berdasar informasi tersebut. Dari setiap kemungkinan solusi yang ada akan dihitung menggunakan persamaan (4) berikut:

p _ fitnesst

(4)


i     ∑i=ι fitness^

Dimana:

  • •   fitnessi = nilai fitness solusi ke-i

  • •   ∑t=1fitnessl = jumlah dari nilai fitness ke-i sampai SN

Setelah nilai probabilitas dari setiap kemungkinan solusi dihitung, selanjutnya lebah penjaga memilih kemungkinan solusi selanjutnya yang akan ditelusuri oleh lebah pengintai (scout bee) dengan menggunakan metode roulette-wheel.

  • f. Scout bee phase

Dalam mengaplikasikan metode roulette-wheel, awalnya dipilih bilangan real secara acak antara [0,1] untuk setiap kemungkinan solusi. Jika nilai Pi lebih besar dari bilangan acak yang ditentukan, maka lebah penjaga akan menugaskan lebah pengintai untuk memperluas kembali kemungkinan solusi yang terpilih sesuai dengan tahap lebah pekerja sebelumnya. Setelah kemungkinan solusi terpilih diperluas, akan diaplikasikan greedy selection antara nilai kemungkinan solusi xi dengan nilai baru hasil perluasan yaitu

  • vi. Jika nilai vi lebih kecil dari nilai xi maka nilai vi tersebut akan dianggap sama dengan nilai xi. Jika tidak, nilai vi yang disimpan dan nilai percobaan ke-i ditambah dengan 1. Proses ini berulang sampai jumlah perluasan sesuai dengan kemungkinan solusi. Setelah semua kemungkinan solusi memiliki nilai percobaan, selanjutnya dipilih kemungkinan solusi dengan nilai percobaan maksimum dan dijadikan pilihan solusi terbaik. Proses kembali menuju tahap lebah pekerja dan berulang sampai kriteria pembatas terpenuhi, kriteria pembatas adalah jumlah lebah dalam colony.

  • 3. Hasil dan Pembahasan

    3.1.    Tahapan Penentuan Rute Terpendek

Proses algoritma Artificial Bee Colony dalam menentukan rute terpendek pengiriman barang perusahaan ekspedisi diimplementasikan pada bahasa pemrograman Python menggunakan Google Colab. Pada penelitian ini, data lokasi akan ditelusuri berdasarkan latitude dan longitude dari peta. Tabel 1 berikut ini adalah titik tujuan pengiriman barang yang akan digunakan.

Tabel 1. Latitude dan Longitude Titik Tujuan

No

Titik Tujuan

Latitude

Longitude

1

J&T Express Bangli

-8.4669182

115.3491242

2

Kantor DPRD Kabupaten Bangli

-8.4623923

115.3503725

3

SMA N 1 Bangli

-8.4625424

115.3504385

4

Samsat Kabupaten Bangli

-8.4626077

115.3514889

5

Balai Penyuluhan KB Kecamatan Bangli

-8.4405052

115.3665566

6

Masjid Agung Bangli

-8.4631824

115.35421

7

BPS Kabupaten Bangli

-8.462603

115.3539991

8

Pengadilan Negeri Bangli

-8.4643873

115.352642

9

RS BMC

-8.4647953

115.3521086

10

Kodim Bangli

-8.4655462

115.3524751

11

Yayasan Dharma Acarya Bangli

-8.46592

115.352215

12

EDSEL English Course

-8.4671244

115.3521816

13

Badan Keuangan Pendapatan dan Aset

-8.4672412

115.3524718

14

RS Bangli Medika Canti

-8.4658059

115.3514038

15

Kantor Urusan Agama (KUA) Kecamatan Bangli

-8.4683438

115.351273

16

Dinas Koperasi UMKM Tenaga Kerja Kab. Bangli

-8.4680677

115.3525709

17

Dinas Pendidikan Pemuda dan Olahraga Kab. Bangli

-8.413759

115.2206984

18

Rutan Kelas IIB Bangli

-8.4655219

115.3557759

19

Tembok Tatal House

-8.4676765

115.3557734

20

SD Negeri 1 Bebalang

-8.4706547

115.3522293

Berdasarkan latitude dan longitude dihitung jarak untuk setiap titik tujuan pengiriman barang

menggunakan rumus haversine pada persamaan (5) berikut ini [16]:

Jarak = 2r.arcsin


{√sin2 (~12 lat2) + cos(lat1) ∙ cos(lat2) ∙ sin2 (i°ll12 l0”2)}

(5)


Dimana:

  • •   Ionl = titik longitude 1

  • •    Ion2 = titik longitude 2

  • •    Iati = titik latitude 1

  • •    Iat2 = titik latitude 2

Berdasarkan perhitungan jarak masing-masing tujuan pengiriman barang dengan persamaan di atas, diperoleh hasil jarak pada tabel 2 di bawah ini.

Tabel 2. Jarak Masing-Masing Titik Tujuan

1

2

3                •

20

1

0

0.5218

0.5077       •

0.538

2

0.5218

0

0.0182

0.9415

3

0.5077

0.0182

0                •

0.9236

20

0.538

0.9415

0.9236       •

0

Selanjutnya digunakan beberapa parameter untuk menentukan rute terpendek, diantaranya:

  • a.  Jumlah lebah           :

  • b.   Limit                         :

  • c.  Maksimum iterasi        :

10

10

10

[['3&T Express Bangli',

'Pengadilan Negeri Bangli’,

'Kodim Bangli',

'BPS Kabupaten Bangli’,

'Kantor DPRD Kabupaten Bangli’,

'EDSEL English Cource",

'Rutan Kelas IIB Bangli’,

'Masjid Agung Bangli',

'Kantor Urusan Agama (KUA) Kecamatan Bangli',

'Dinas Koperasi UMKM Tenaga Kerja Kab. Bangli’,

'Tembok Tatal House',

'Badan Keuangan Pendapatan dan Aset',

'Yayasan Dharma Acarya Bangli',

'RS BMC',

'RS Bangli Medika Canti',

'SD Negeri 1 Bebalang',

'Samsat Kabupaten Bangli',

'SMA N 1 Bangli',

'Balai Penyuluhan KB Kecamatan Bangli',

'Dinas Pendidikan Pemuda dan Olahraga Kab. Bangli',

'3&T Express Bangli'],

4θ.85,

0.03769047825447857]

  • Gambar 2. Hasil Rute Terpendek

Berdasarkan parameter yang digunakan serta jarak antar titik tujuan, maka diperoleh proses pencarian rute terpendek pengiriman barang pada gambar 2 yaitu 40,85 km dengan rute 1-8-107-2-12-18-6-15-16-19-13-11-9-14-20-4-3-5-17-1.

  • 3.2. Pengujian

Proses evaluasi atau pengujian merupakan suatu proses yang cukup krusial untuk menentukan apakah sistem yang ditawarkan atau dikembangkan dapat diterima oleh pengguna atau tidak [17] [18]. Proses pengujian pada penelitian ini dilakukan dengan melakukan perubahan pada parameter jumlah lebah, limit dan maksimum iterasi. Hasil dari pengujian beberapa parameter algoritma Artificial Bee Colony terlihat pada tabel 3 di bawah ini:

Tabel 3. Hasil Pengujian Sistem

No

Jumlah Lebah

Limit

Maksimum Iterasi

Jarak Terbaik (km)

1

10

10

10

40,85

2

10

10

20

41,54

3

10

20

30

40,98

4

10

20

40

38,42

5

20

30

50

39,41

6

20

30

10

41,85

7

20

40

20

39,45

8

20

40

30

40,8

9

30

50

40

39,28

10

30

50

50

39,0

11

30

10

10

42,58

12

30

10

20

40,24

13

40

20

30

40,34

14

40

20

40

39,69

15

40

30

50

39,05

16

40

30

10

39,8

17

50

40

20

39,69

18

50

40

30

40,36

19

50

50

40

39,54

20

50

50

50

38,94

Berdasarkan pengujian tersebut, rute terpendek pengiriman barang dengan perubahan parameter jumlah lebah, limit dan maksimum iterasi menunjukkan perubahan hasil jarak terbaik yang tidak signifikan. Pada pengujian tersebut diperoleh hasil jarak terbaik berkisar antara 38,42 km hingga 42,8 km. Rute terpendek yang diperoleh dalam pengiriman barang berdasarkan hasil pengujian tersebut yaitu pada jumlah lebah adalah 10, limit adalah 20 dan maksimum iterasi adalah 40 dengan nilai 38,42 km. Pada pengujian ini berarti dengan jumlah lebah minimum yang digunakan yaitu 10 lebah dapat menemukan rute terpendek, dimana jumlah lebah tersebut juga dipengaruhi oleh nilai limit yang merupakan jumlah perjalanan yang dilakukan oleh lebah dan dipengaruhi oleh maksimum iterasi yang merupakan jumlah iterasi dengan nilai yang lebih tinggi dari jumlah lebah jika ingin menggunakan lebah dengan jumlah yang paling minimum.

  • 4. Kesimpulan

Pada penelitian ini, sistem penentuan rute terpendek pengiriman barang perusahaan ekspedisi menggunakan algoritma Artificial Bee Colony telah berhasil dibangun dan diuji coba. Hasil dari sistem ini menunjukkan tiga parameter yang diujikan yaitu jumlah lebah, limit dan maksimum iterasi tidak menunjukkan perubahan yang signifikan untuk jarak terbaiknya. Pada penelitian ini, jarak terpendek yang diperoleh dengan menggunakan algoritma Artificial Bee Colony yaitu pada jumlah lebah adalah 10, limit adalah 20 dan maksimum iterasi adalah 40 dengan nilai 38,42 km.

Referensi

  • [1]    M. Azizah, “Pengaruh Kemajuan Teknologi Terhadap Pola Komunikasi Mahasiswa Universitas Muhammadiyah Malang (UMM)” Jurnal Sosiologi Nusantara, vol. 6, no. 1, pp. 45-54, 2020.

  • [2]    C. Vikasari, “Sistem Informasi Manajemen Pada Jasa Expedisi Pengiriman Barang Berbasis Web” JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), vol. 4, no. 2, pp. 123–132, 2018.

  • [3]    S. Rohman dan F. W. Abdul, “Pengaruh Kualitas Pelayanan Dan Ketepatan Pengiriman Terhadap Kepuasan Pelanggan Dalam Menggunakan Jasa Pengiriman Barang Ninja Express Di Masa Pandemi Covid-19” Jurnal Logistik Indonesia, vol. 5, no. 1, pp. 73-85, 2021.

  • [4]  R. A. Sinaga, “Optimalisasi Rute Pengiriman Paket Pada Perusahaan Ekspedisi Dengan

Penerapan Algoritma Genetika”, Universitas Sumatera Utara, 2019.

  • [5]  J. A. Y. Sulistyo dan Y. A. Nugroho, “Analisis Keterlambatan Pengiriman Paket

Menggunakan Metode Six Sigma Di J&T Express DC Sleman Barat Yogyakarta” Jurnal Cakrawala Ilmiah, vol. 1, no. 6, pp. 1453-1468, 2022.

  • [6]    I. P. G. H. Suputra dan C. R. A. Pramartha, “Rekomendasi Rute Perjalanan Wisata Berbasis Web Menggunakan Algoritma Genetika” Jurnal Ilmu Komputer, vol. 13, no.1, pp. 21-27, 2020.

  • [7]    B. Ahmed, S. S. Chouhan, S. Biswas, P. Gayathri dan H. Santhi, “Analysis of travelling salesman problem” IOP Publishing, vol. 263, no. 4, pp. 1-9, 2017.

  • [8]    M. Zhao, Z. Song dan S. Xing, “Improved Artificial Bee Colony Algorithm with Adaptive Parameter for Numerical Optimization” APPLIED ARTIFICIAL INTELLIGENCE, vol. 36, no. 1, pp. 525-541, 2022.

  • [9]    A. Adventia, K. Novianingsih dan H. Serviana, “Penyelesaian Masalah Pendistribusian Barang Menggunakan Algoritma Bee Colony Optimization” EurekaMatika, vol. 6, no. 2, pp. 64-72, 2018.

  • [10]    S. N. Amanah, E. Noviani dan Yudhi, “ALGORITMA ARTIFICIAL BEE COLONY (ABC) DALAM MENYELESAIKAN TRAVELING SALESMAN PROBLEM (TSP) Studi Kasus : Data Pelanggan Agen Surat Kabar Di Kota Singkawang” Buletin Ilmiah Math, Stat, dan Terapannya (Bimaster), vol. 11, no. 4, pp. 611-620, 2022.

  • [11]    M. A. Hermawan, N. Hidayat dan B. D. Setiawan, “Sistem Optimasi Rute Tempat Wisata Kuliner di Malang Menggunakan Algoritma Bee Colony” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 1, no. 3, pp. 215-223, 2017.

  • [12]    D. J. Pratama, “Penerapan Algoritma Bee Colony Optimization Dalam Pencarian Rute Tercepat Rumah Sakit di Kota Bogor” Jurnal Riset Komputer (JURIKOM), vol. 99, no. 99, pp. 503-508, 2019.

  • [13]    H. Chaerunnissa dan Respitawulan, “Penyelesaian Travelling Salesman Problem dengan Menggunakan Algoritma Artificial Bee Colony” Jurnal Riset Matematika, vol. 1, no. 1, pp. 3745, 2021.

  • [14]    M. Furqan, Y. R. Nasution dan Khairunnisa, “Penerapan Algoritma Artificial Bee Colony Untuk Optimasi Rute Jalur Terpendek Distribusi Pipa Air Bersih” JOMLAI: Journal of Machine Learning and Artificial Intelligence, vol. 1, no. 2, pp. 125-132, 2022.

  • [15]    M. D. Arifin dan A. D. Laksito, “Implementasi Algoritma Bee Colony Untuk Optimasi Rute Distribusi Carica Nida Food Wonosobo” SISTEMASI : Jurnal Sistem Informasi, vol. 8, no. 2, pp. 243-253, 2019.

  • [16]    C. A. Pamungkas, “Aplikasi Penghitung Jarak Koordinat Berdasarkan Latitude Dan Longitude Dengan Metode Euclidean Distance Dan Metode Haversine” Jurnal INFORMA Politeknik Indonusa Surakarta, vol. 5, no. 2, pp. 8-13, 2019.

  • [17]    I. M. W. Wirawan dan C. Pramartha, “Pengembangan Sistem Informasi Penanganan Penderitagangguan Jiwa Dengan Pendekatan Enteprise Systems” SINTECH JOURNAL, vol. 5, no. 1, pp. 31-41, 2022.

  • [18]    C. Pramartha, J. G. Davis dan K. K. Y. Kuan, “A Semantically-Enriched Digital Portal for the Digital Preservation of Cultural Heritage with Community Participation” in 7th International ConferenceI, Nicosia, 2018, pp. 560-671.

106