Travelling salesman problem merupakan permasalahan seorang salesman dalam menentukan rute perjalan yang dilalui untuk mengunjungi kota-kota untuk menjajakan barangnya. antara satu kota dengan kota lainnya telah diketahui jaraknya dengan, salesman harus dapat menentukan jarak tempuh dengan jarak tempuh minimum dengan aturan kota yang dilalui tersebut hanya dapat dikunjungi tepat satu kali oleh salesman. Penyelesaian masalah TSP salah satunya dengan menggunakan ANN (Artificial Neural Network) Kohonen Self-Organizing Map. Algoritma ANN merupakan metode yang meniru mekanisme biologis syaraf manusia. Pemilihan metode Kohonen Self-Organizing Map untuk menyelesaikan permasalahan NP-Hard dikarenakan kemampuannya dalam melakukan pemetaan dimensi tinggi ke dimensi yang lebih rendah tanpa merubah struktur suatu data. Namun terdapat beberapa kekurangan dalam pendekatan menggunakan metode SOM, salah satunya adalah menentukan parameter learning rate dan fungsi neighborhood untuk mendapatkan solusi global optimum. Pada penelitian ini dilakukan percobaan terhadap variasi nilai learning rate dan fungsi neighborhood untuk mengetahui pengaruh nilai parameter som dalam menghasilkan suatu solusi optimal. Pengujian pada penelitian ini menggunakan data eil51 dengan jumlah 51 kota TSPLIB. Hasil penelitian menunjukkan nilai parameter learning rate (alpha) terbaik yaitu 0.7 dengan jumlah iterasi sebanyak 680 dengan nilai error paling terkecil sebesar 3% dan nilai tetha adalah 0.5 dengan total jarak yang didapatkan 463 dengan error 8%.

Travelling salesman problem is a problem of a salesman in determining the journey traversed to visit cities to peddle goods. Among the cities with other cities with known distances, the salesman should be able to determine the distance to the minimum distance traversed by the city rules can only be visited exactly once by a salesman. Problem solving TSP one using ANN (Artificial Neural Network) Kohonen Self-Organizing Map. ANN algorithm is a method that mimics the human neural biological mechanisms. Selection methods Kohonen Self-Organizing Map to solve NP-hard problem because the ability to perform high-dimensional mapping to a lower dimension without changing the structure of the data. However, there are some shortcomings in the approach of using SOM, one of which is to determine the parameters of learning rate and neighborhood functions to get the global optimum solution. In this research, conducted experiments on the variation of the learning rate and neighborhood functions to determine the effect parameter values som in generating an optimal solution. Tests on this study uses data eil51 with the number 51 city TSPLIB. The results show the value of learning rate parameter (alpha) that is best 0.7 with the number of iterations as much as 680 with the smallest error value by 3% and tetha value is 0.5 with a total distance of 463 obtained with an error of 8%.