Apa itu Particle Swarm Optimization (PSO)?

Apa itu PSO? Particle Swarm Optimization adalah algoritma optimasi metaheuristik berbasis populasi yang bekerja dengan menyebarkan sekumpulan calon solusi, yang disebut partikel, ke dalam ruang pencarian, lalu menggerakkan setiap partikel pada setiap iterasi menurut gabungan tiga dorongan: momentum arah geraknya sendiri, tarikan menuju posisi terbaik yang pernah dicapainya, dan tarikan menuju posisi terbaik yang pernah dicapai seluruh kawanan. Algoritma ini diilhami perilaku sosial kawanan burung dan gerombolan ikan, hanya memerlukan evaluasi fungsi tujuan tanpa perlu turunannya, dan seluruh mekanismenya termuat dalam dua persamaan pembaruan yang sederhana. Kesederhanaan itu justru menimbulkan persoalan pedagogis, karena sebagian besar bahan ajar memperkenalkan PSO langsung melalui kode program sehingga mekanisme internalnya tetap menjadi kotak hitam bagi pemula. Artikel tutorial ini menjawab pertanyaan pembuka di atas dengan pendekatan yang sepenuhnya dapat ditelusuri secara manual. Tujuan tulisan ini ada tiga: menurunkan persamaan pembaruan kecepatan dan posisi beserta makna setiap sukunya, menyajikan dua simulasi perhitungan lengkap yang dapat direproduksi dengan pensil dan kertas, serta menghubungkan simulasi tersebut dengan implementasi Python yang ringkas dan siap pakai. Pendekatan yang digunakan adalah pembekuan bilangan acak: seluruh nilai r1 dan r2 ditetapkan pada tabel tertentu sehingga setiap angka dalam makalah bersifat deterministik dan dapat diverifikasi pembaca. Studi kasus pertama adalah minimisasi fungsi satu variabel dengan tiga partikel selama tiga iterasi. Studi kasus kedua adalah function fitting, yaitu pencocokan model garis lurus terhadap empat titik data, dengan partikel berdimensi dua yang merepresentasikan kemiringan dan titik potong. Hasil kedua simulasi menunjukkan perilaku konvergensi yang jelas: pada kasus pertama nilai fitness global terbaik menurun dari 2 menjadi 1,015625 terhadap optimum sejati 1, sedangkan pada kasus kedua jumlah kuadrat galat menurun dari 1 menjadi 0,300504 hanya dalam tiga iterasi, sangat dekat dengan solusi kuadrat terkecil sebesar 0,3 pada koefisien 1,7 dan 1,5. Simulasi juga memperlihatkan dua fenomena penting yang jarang ditampilkan secara eksplisit, yaitu lenyapnya suku kognitif dan sosial ketika sebuah partikel bertepatan dengan posisi terbaiknya, dan konvergensi prematur seluruh kawanan pada satu titik. Kesimpulannya, PSO dapat dipahami secara utuh melalui aritmetika dasar tanpa mengorbankan ketepatan, dan kerangka verifikasi ganda antara perhitungan tangan, solusi analitik, serta keluaran program terbukti efektif sebagai alat ajar sekaligus sebagai prosedur pengujian implementasi.