ALGORITMA ANT COLONY UNTUK PENENTUAN RUTE PERJALANAN DINAMIS BERDASARKAN INFORMASI LALU LINTAS DARI TWITTER

Abstract

Penggabungan metode pencarian rute pemadaman kebakaran dengan algoritma koloni semut dan metode menganalisis peristiwa Twitter di jalan raya menjadi dasar dari masalah yang akan dipelajari. Hasil ekstraksi fitur data Twitter diklasifikasikan dengan Support Vector Machine setelah itu diimplementasikan dalam metode Simple Additive Weightning dalam menghitung bobot jalur dengan kriteria jarak, kemacetan dan banyak percabangan. Bobot jalur digunakan sebagai nilai pheromone awal serta untuk mengurangi jumlah node pada simulasi menggunakan metode Ant Colony. Hasil validasi SVM dengan Crossfold menghasilkan nilai akurasi terbesar adalah 97,9% untuk pembagian data latih : data test sebesar 6:4 dengan 2 kesalahan prediksi macet (+1) di kelas tidak macet (-1) pada confusion matrix. Simulasi pemilihan jalur mobil damkar dari Bulu lor ke Pleburan dengan Ant Colony didapatkan hasil jarak terpendek sebesar 19.9 km dan waktu komputasi 50 detik, sedangkan Ant Colony dengan pengurangan jumlah node didapatkan waktu komputasi 14 detik dengan jarak tempuh 4,7 km, sehingga didapatkan pengurangan komputasi sebesar 36 detik atau 51% dan pengurangan jalur tempuh 15,2 km atau 61%. Ant Colony dengan optimasi MinMax memberikan hasil waktu komputasi terbaik sebesar 13,47 detik dengan jumlah iterasi 200 dan jumlah node sejumlah 10 buah dengan total jarak 4,7 km Kata kunci : Penambangan Data, Ant Colony, Simple Additive Weightning, Support Vector Machine Combining the fire extinguishing route search method with the Ant Colony algorithm and the method of analyzing Twitter events on the highway is the basis of the problem to be studied. Twitter data feature extraction results are classified with Support Vector Machine after it is implemented by the Simple Additive Weightning method in calculating the weight of the path with the criteria of distance, congestion and many branches. Path weights are used as initial pheromone values and to reduce the number of nodes in the simulation using the Ant Colony method. The results of SVM validation with Crossfold produce the greatest accuracy value is 97.9% for the division of training data: a test data of 6: 4 with 2 confusion matrix prediction jammed (+1) in the nonjammed class (-1). Simulation for the selection of damkar car lines from Bulu lor to Pleburan with Ant Colony obtained the shortest distance 19.9 km and computing time 50 seconds, while Ant Colony with a reduction in the number of nodes obtained computing time 14 seconds with distance of 4.7 km, so we get a computational reduction by 36 seconds or 51% and 15.2 km reduction or 61%. Ant Colony with MinMax optimization gives the best computation time of 13.47 seconds with 200 iterations and 10 nodes with a total distance of 4.7 km Keywords: Data Mining, Ant Colony Clustering, Simple Additive Weightning, Support Vector Machine