Abstract:
Dalam kehidupan nyata permasalahan kelangkaan sumber daya sering terjadi
sehingga pengalokasian sumber daya yang baik diperlukan untuk mendapatkan keuntungan
yang maksimal dari sumber daya yang terbatas tersebut. Permasalahan alokasi sumber daya
dapat dimodelkan dalam Knapsack Sharing Problem. Knapsack Sharing Problem (KSP)
adalah permasalahan pencarian kombinasi benda dengan keuntungan dan berat masingmasing
untuk dimasukan ke dalam wadah dengan kapasitas terbatas dengan tujuan
memaksimasi keuntungan grup benda terkecil. Kapasitas yang terbatas tersebut merupakan
sumber daya sedangkan benda merupakan penggunaan sumber daya.
Pada penelitian ini Binary Bat Algorithm (BBA) digunakan untuk menyelesaikan
permasalahan KSP. Binary Bat Algorithm adalah salah satu algoritma metaheuristik yang
terinspirasi dari pergerakan dan tingkah laku kelelawar dalam mencari mangsa. Setiap
kelelawar memiliki 3 fase pergerakan yang dimulai dari pergerakan dengan mengubah
frekuensi, pergerakan random walk, dan pergerakan random search. BBA dapat secara
otomatis menyeimbangkan eksplorasi dan eksploitasinya dengan mengubah parameter, BBA
juga menggunakan v-shaped transfer function untuk meningkatkan solusi. Pada BBA terdapat
5 parameter yaitu frekuensi maksimal, loudness awal, pulse rate awal, serta alfa dan gamma
yaitu konstanta perubahan loudness dan pulse rate.
Pada penelitian ini Binary Bat Algorithm dirancang untuk dapat menyelesaikan
permasalahan KSP dan selanjutnya diterapkan pada 10 kasus benchmark KSP. Parameter
yang paling berpengaruh adalah pulse rate yang berpengaruh pada 8 kasus dan dilanjutkan
dengan frekuensi maksimal dan loudness. Alfa dan gamma hanya berpengaruh pada 1 kasus.
Selain itu terdapat pula interaksi antar parameter. Interaksi yang paling banyak berpengaruh
adalah interaksi antara frekuensi maksimal dan pulse rate yang berpengaruh pada 6 kasus
benchmark. Solusi terbaik yang diperoleh BBA dalm setiap kasus dibandingkan dengan 4
algoritma metaheuristik lainnya yaitu Dragonfly Algorithm (DA), Cat Swarm Optimization
(CSO), Tabu Search (TS), dan Shark Smell Optimization (SSO). BBA berhasil mencapai solusi
optimal pada 6 kasus benchmark yang diujikan. Pada kasus yang tidak mencapai optimal
dihasilkan solusi yang mendekati optimal dengan error terbesar 0,85% dan error terkecil 0,05%
yang masih berada di bawah DA dan TS tetapi berada di atas SSO dan CSO.