Penerapan algoritma Shark Smell Optimization dalam menyelesaikan Knapsack Sharing Problem

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.