PERBANDINGAN GENETIC ALGORITHM (GA) DAN ANT COLONY OPTIMIZATION (ACO) PADA SIMULASI OPTIMASI PENJADWALAN KORIDOR 5 BUS TRANS SULSEL RUTE UNHAS TAMALANREA – UNHAS GOWA

Bus Trans Sulsel Koridor 5 yang melayani rute Kampus Universitas Hasanuddin Tamalanrea–Kampus Universitas Hasanuddin Gowa menghadapi permasalahan ketidakseimbangan antara kapasitas layanan dan fluktuasi permintaan penumpang antara jam sibuk dan non-sibuk, sehingga menimbulkan kepadatan penumpang pada jam sibuk serta rendahnya utilisasi armada pada jam non-sibuk. Penelitian ini bertujuan menentukan konfigurasi operasional Bus Trans Sulsel Koridor 5 yang optimal serta membandingkan kinerja Algoritma Genetika (Genetic Algorithm/GA) dan Ant Colony Optimization (ACO) dalam menyelesaikan permasalahan tersebut. Model optimasi dibangun berdasarkan penentuan jumlah bus aktif (xt), jumlah trip pergi-pulang (qt), dan headway (ht) pada setiap periode operasional, dengan fungsi objektif berupa weighted-sum ternormalisasi dari biaya operasional, waktu tunggu penumpang, dan jumlah kursi kosong, ditambah penalti shortage, dengan kendala kapasitas trip harian (Σqt ≤ 60) dan hubungan qt ≤ kt·xt. Kedua metode diimplementasikan menggunakan bahasa pemrograman Python dan diuji pada data operasional aktual Koridor 5 (45 halte arah pergi, 37 halte arah pulang, 15 armada, kapasitas 40 penumpang per bus). Hasil penelitian menunjukkan bahwa GA dan ACO menghasilkan konfigurasi trip PP yang identik, yaitu [3, 10, 7, 3, 8, 5] untuk enam periode operasional (total 36 trip per hari), dengan headway seragam 10 menit pada hampir seluruh periode. Konfigurasi ini menurunkan biaya operasional harian sebesar 40% (dari Rp8.569.020 menjadi Rp5.141.412) dan meningkatkan load factor rata-rata dari 55,79% menjadi 92,99%, tanpa menimbulkan shortage. GA konvergen pada generasi ke-37 dengan nilai fungsi objektif 1,3339 dan waktu komputasi 183,17 detik, sedangkan ACO konvergen pada iterasi ke-13 dengan nilai fungsi objektif 1,3575 dan waktu komputasi 223,93 detik. Berdasarkan perbandingan sepuluh indikator kinerja, GA terbukti sedikit lebih efektif dibandingkan ACO, dengan selisih nilai fungsi objektif sekitar 1,74%, meskipun ACO tetap menjadi alternatif yang layak, terutama ditinjau dari utilisasi armada. Analisis sensitivitas menunjukkan bahwa armada eksisting mampu menampung pertumbuhan demand hingga 20% tanpa menimbulkan shortage, sementara evaluasi arah pulang menunjukkan potensi penurunan waktu tunggu penumpang sekitar 39–41%.