Perpustakaan Digital ITB

Pertumbuhan armada taksi listrik di Indonesia menghadapi kendala operasional akibat keterbatasan infrastruktur Stasiun Pengisian Kendaraan Listrik Umum (SPKLU). Mekanisme alokasi antrean fisik maupun pemesanan statis belum efisien karena tidak peka terhadap tingkat urgensi dan tidak dapat merealokasi slot yang telah terisi. Pendekatan automated negotiation bilateral multi-isu berbasis Deep Learnable Strategy Templates (DLST) mampu menghasilkan strategi negosiasi yang adaptif dan interpretable, namun tidak memodelkan perilaku lawan secara eksplisit sehingga rentan terhadap non-stasioneritas lingkungan dan kegagalan kesepakatan (kolaps). Penelitian ini mengusulkan integrasi Model-Based Opponent Modeling (MBOM) ke dalam kerangka DLST (MBOM-DLST). MBOM mensimulasikan recursive imagination untuk menghasilkan Imagined Opponent Policies (IOP) dan menerapkan Bayesian mixing untuk merepresentasikan dinamika policy lawan bagi aktor DLST. Penelitian ini menggunakan Design Science Research Methodology (DSRM). Agen dievaluasi pada simulasi alokasi charging port antara pihak armada taksi (fleet) dan SPKLU. Hasil eksperimen menunjukkan bahwa integrasi MBOM ke dalam DLST berhasil meningkatkan keandalan pencapaian kesepakatan (deal-rate), menurunkan risiko kegagalan negosiasi, serta mengoptimalkan utilitas operasional fleet dibandingkan kerangka DLST murni tanpa opponent modeling.