Modifikasi Ant Colony Optimization untuk Menyelesaikan Masalah Task Allocation dalam Skenario Bencana Tanah Longsor

Abstract

Task allocation merupakan permasalahan bagaimana mengalokasikan sejumlah agen ke task. Salah satu kasus riil permasalahan task allocation adalah masalah pengalokasian agen ke korban dalam skenario bencana tanah longsor. Pada beberapa kasus, area terjadinya bencana sulit dijangkau dan tidak dapat diprediksi. Oleh karena itu, sekelompok robot dapat digunakan untuk membantu manusia dalam proses penyelamatan korban. Pada skenario bencana tanah longsor ini, diasumsikan hanya terdapat satu task pada sistem dan lokasi task tersebut telah diketahui oleh agen. Terdapat sejumlah agen dengan kemampuan berbeda-beda yang diinisialisasi secara acak. Task dapat membutuhkan lebih dari satu kemampuan agen. Pada penelitian ini, sekumpulan agen diasosiasikan sebagai tim penyelamat dan task diasosiasikan sebagai korban bencana. Kelompok agen yang bergabung untuk menyelesaikan task disebut sebagai koalisi agen. Penelitian ini mengadopsi dan memodifikasi algoritme Ant Colony Optimization (ACO) yang digunakan pada penelitian sebelumnya untuk menyelesaikan task allocation pada skenario bencana tanah longsor. Dalam penelitian ini, matriks kemampuan agen disesuaikan berdasarkan keterampilan yang dibutuhkan tim penyelamat yang terdaftar dalam Badan Nasional Penanggulangan Bencana atau Basarnas. Selain itu, penelitian ini juga memodifikasi faktor efisiensi untuk meningkatkan performa algoritme ACO tersebut dalam menyelesaikan masalah task allocation pada skenario bencana tanah longsor. Modifikasi faktor efisiensi merupakan kontribusi utama pada penelitian ini. Faktor efisiensi pada penelitian terdahulu hanya mempertimbangkan jarak antar agen, sementara pada kasus skenario bencana tanah longsor ini, jarak antara agen dan task perlu dipertimbangkan untuk mengalokasikan agen secara efektif. Jadi, faktor efisisensi pada penelitian ini mencakup perhitungan jarak antar agen dan jarak agen ke task. Penelitian ini juga melihat pengaruh penambahan jumlah semut dan agen untuk menyelesaikan masalah task allocation dalam skenario bencana tanah longsor. Hasil simulasi mengindikasikan bahwa modifikasi algoritma ACO ini dapat meningkatkan performa algoritma ACO pembanding untuk menyelesaikan masalah task allocation pada skenario bencana tanah longsor. Hal tersebut dapat dilihat pada rata-rata total biaya perjalanan untuk setiap agen. Pada hasil uji terhadap variasi jumlah semut dan agen, secara umum, hasil simulasi menunjukkan bahwa penambahan jumlah semut dan agen meningkatkan rata-rata efisiensi algoritme tersebut.