Perpustakaan Digital ITB

Algoritma penyelesaian masalah optimisasi dapat dibagi menjadi dua kelompok, yaitu deterministik dan metaheuristik yang bergantung pada ada atau tidaknya proses pembangkitan bilangan acak. Kecerdasan swarm dan algoritma berbasis evolusi adalah bagian dari algoritma metaheuristik yang mendapat banyak perhatian akhir-akhir ini. Mengingat kompleksitas permasalahan dan tingkat ketidakpastian yang tinggi, algoritma dalam kelompok ini terbukti lebih handal dalam menyelesaikan permasalahan optimisasi di dunia nyata dibandingkan dengan teknik optimisasi konvensional yang deterministik. Pada aplikasi yang membutuhkan kecepatan optimisasi yang tinggi seperti aplikasi real-time, iterasi yang panjang sebanding dengan jumlah evaluasi fungsi yang banyak. Pada aplikasi seperti ini, solusi near-optimal diperoleh dengan cepat lebih diinginkan daripada solusi optimal sebenarnya. Pada penelitian ini akan dikembangkan Stingless Bee Algorithm numerik, terinspirasi dari perilaku Stingless Bee yang dapat digunakan untuk menyelesaikan permasalahan optimisasi numerik global dengan efisiensi yang tinggi untuk memperoleh solusi near-optimal dengan tetap mempertimbangkan kualitas solusi yang dihasilkan. Algoritma yang telah dikembangkan diujikan pada 50 fungsi pembanding yang sudah dikenal luas dan dibandingkan performansinya dengan algoritma Artificial Bee Colony (ABC) dan Stingless Bee Algorithm (SBA). Hasil percobaan menunjukkan SBA numerik terbukti dapat mengungguli ABC dan SBA pada kriteria Average function Evaluation to a Solution dan Sum of Errors pada 22 dan 31 fungsi pembanding sementara ABC unggul pada 9 dan 5 fungsi, SBA unggul masing-masing 1 fungsi. Hal menunjukkan kehandalan SBA numerik untuk memperoleh solusi lebih cepat. Pada kriteria Success Rate dan Final Error, ABC unggul pada 3 dan 15 fungsi pembanding sementara SBA numerik unggul pada 2 dan 11 fungsi, SBA unggul pada 1 dan 0 fungsi.