EVALUASI KINERJA VARIAN COOPERATIVE CO-EVOLUTION DALAM PENJADWALAN MATA KULIAH: PENDEKATAN CCABC DAN CCGA

Abstract

Algoritma cooperative co-evolution (CCA) telah menunjukkan efektivitas dalam menyelesaikan masalah optimasi kompleks dengan pendekatan divide-and-conquer. Penelitian ini melakukan studi komparatif antara dua varian CCA, yaitu Cooperative Coevolution Artificial Bee Colony (CCABC) dan Cooperative Coevolution Genetic Algorithm (CCGA), dalam konteks optimasi penjadwalan perkuliahan yang memiliki banyak constraint dan dimensi data. Eksperimen dilakukan menggunakan dua dataset dengan tingkat kompleksitas berbeda untuk mengevaluasi kinerja dan skalabilitas kedua algoritma. Hasil penelitian menunjukkan bahwa CCABC memperlihatkan superioritas dalam aspek konsistensi konvergensi dengan pola perbaikan gradual yang mencapai penurunan nilai fitness sebesar 27,4% pada dataset sederhana dan 18,2% pada dataset kompleks, meskipun membutuhkan waktu komputasi yang lebih tinggi. Sebaliknya, CCGA mendemonstrasikan efisiensi komputasional yang superior dengan karakteristik penurunan nilai fitness yang lebih agresif, mencapai perbaikan hingga 80,1% pada dataset sederhana dan 70,0% pada dataset kompleks. Kedua algoritma menunjukkan korelasi positif antara ukuran populasi dengan optimalitas solusi, namun dengan konsekuensi peningkatan beban komputasional. Temuan ini mengindikasikan bahwa pemilihan algoritma dalam implementasi praktis perlu mempertimbangkan trade-off antara kualitas solusi, konsistensi konvergensi, dan efisiensi komputasional sesuai dengan karakteristik permasalahan yang dihadapi.