Abstract:
Knapsack Sharing Problem (KSP) merupakan salah satu masalah
pengalokasian suatu sumber daya terbatas kepada beberapa pihak yang memiliki
kepentingannya masing-masing. Di dalam model KSP terdapat sebuah tas yang terbagi
menjadi kelas-kelas. Setiap kelas ingin memasukan benda-benda yang memiliki bobot
dan keuntungan yang berbeda-beda sebanyak mungkin. Tujuan dari model KSP adalah
untuk menyeimbangkan keuntungan yang bisa didapatkan oleh setiap kelas, maka fungsi
tujuan dari KSP adalah maksimasi nilai minimum dari keuntungan yang bisa didapat
setiap kelas. Solusi dari model KSP adalah kombinasi benda-benda yang diputuskan
masuk ke dalam tas.
Pada penelitian ini, algoritma Grey Wolf Optimizer (GWO) diadaptasi untuk
menyelesaikan KSP. Algoritma GWO terinspirasi dari strata sosial serigala dan kegiatan
berburu mangsa yang dilakukan oleh serigala. Algoritma GWO dirancang dengan
menggunakan invers sigmoid function untuk metode encoding dan sigmoid function untuk
metode decoding. Hal ini dilakukan agar proses pencarian yang dirancang untuk kontinu
dapat digunakan untuk masalah diskrit.
Rancangan algoritma GWO telah diimplementasikan pada 10 kasus benchmark
dengan 27 kombinasi parameter. Hasil implementasi menunjukkan bahwa GWO mampu
memberikan solusi optimal di 4 kasus benchmark. Performansi GWO dibandingkan
dengan Tabu Search (TS), Cuckoo Search (CS), dan Cat Swarm Optimization (CSO)
yang menunjukkan bahwa GWO lebih baik dari CS dan CSO tetapi lebih buruk dari TS.
Uji parameter dilakukan untuk 3 parameter yaitu jumlah populasi serigala (ssa), nilai awal
a (a) dan jumlah iterasi (l). Hasil uji menunjukkan bahwa parameter ssa berpengaruh
pada 4 kasus, parameter a berpengaruh pada 9 kasus, dan parameter l berpengaruh
pada 2 kasus. Terdapat juga pengaruh dari interaksi antara parameter ssa serta
pengaruh interaksi antara parameter a dan l masing-masing pada 2 kasus.