Abstract:
Knapsack Sharing Problem (KSP) merupakan salah satu pemodelan masalah
pengalokasian sumber daya yang terbatas. KSP memodelkan masalah dengan tujuan
untuk menentukan kombinasi objek terbaik yang hendak dimasukan kedalam knapsack
agar setiap sub-knapsack (kelas) memiliki keuntungan yang sama rata dimana pada
setiap sub-knapsack sudah terdapat objek apa saja yang dapat dipilih.
Penelitian ini menggunakan Algoritma Shark Smell Optimization (SSO)untuk
menyelesaikan permasalahan Knapsack Sharing Problem. Algoritma SSO terinspirasi
dari perilaku hiu yang unggul saat memangsa dan kemampuannya untuk menemukan
mangsa pada area yang luas dalam waktu yang cepat berdasarkan kemampuan
penciumannya yang kuat. Terdapat dua pergerakan pada Algoritma SSO yaituforward
movement yang merupakan proses eksplorasi dan rotational movement yang merupakan
proses eksploitasi.
Algoritma SSO yang telah dirancang diterapkan pada 9 kasus KSP dengan 8
kombinasi parameter yang berbeda. Parameter koefisien kecepatan dan koefisien inersia
berpengaruh pada semua kasus, sedangkan parameter pembatas kecepatan hanya
berpengaruh pada kasus A05.1, A05C.1, B05C.1 dan B20.1. Selain itu terdapat pula
interaksi antar parameter pada semua kasus kecuali kasus A20.1 dan B20.1.Solusi yang
diperoleh dari semua kasus mendekati solusi optimal dengan selisih terkecil yaitu
sebesar 0,02% dan selisih terbesar yaitu 2,61%. Solusi yang dihasilkan dibandingkan
dengan Algoritma Cat Swarm Optimization (CSO), Algoritma Cuckoo Search (CS) dan
Algoritma Tabu Search (TS). SSO menunjukkan perfomansi yang lebih unggul
dibandingkan dengan CSO. Sedangkan dibandingkan dengan CS, SSO memiliki
perfomansi yang lebih unggul pada kasus dengan jumlah objek sebanyak 2500, namun
lebih buruk pada kasus dengan jumlah objek sebanyak 1000. Dibandingkan dengan TS,
SSO menunjukkan perfomansi yang sama hanya pada4 kasus, sehingga TS lebih unggul
dari SSO.