Analisis Perbandingan Algoritma Particle Swarm Optimization (PSO), Honey Badger Algorithm (HBO), dan Driving Training Based Optimization (DTBO)

Abstract

Optimisasi adalah proses pencarian solusi ideal dari suatu permasalahan dengan memberikan beberapa solusi yang memungkinkan. Tujuan dari optimisasi adalah untuk mencari variabel- variabel keputusan berdasarkan batasan-batasan yang ada untuk mencapai solusi yang optimal. Salah satu metode yang biasa digunakan untuk melakukan optimisasi adalah dengan menggu- nakan algoritma metaheuristik. Contoh-contoh dari algoritma metaheuristik antara lain adalah Particle Swarn Optimization (PSO), Honey Badger Algorithm (HBA), dan Driving Training Based optimization (DTBO). Pada penelitian ini, penulis akan membandingkan performa ketiga algoritma tersebut dalam melakukan optimisasi pada sepuluh benchmark functions. Ketiga al- goritma tersebut akan dirancang dalam bahasa python, dijalankan sebanyak 1000 iterasi, lalu di lakukan pengulangan sebanyak 30 kali. Hasil akhir dari setiap pengulangan tersebut akan di- catat lalu dianalisis dengan menggunakan tujuh kategori yaitu mean, median, nilai terbaik, nilai terburuk, standar deviasi, standar error, dan mean absolute error. Setelah melakukan penelitian tersebut, penulis mendapat kesimpulan bahwa DTBO dan HBA memiliki performa lebih baik dibanding PSO. Selain itu, DTBO lebih unggul dalam melakukan optimisasi pada fungsi berdi- mensi banyak dan HBA lebih unggul dalam melakukan optimisasi pada fungsi yang berdimensi sedikit.