Perbandingan Kinerja Algoritma Genetika dan Algoritma Koloni Semut dalam Menyelesaikan Task Scheduling pada Indoor Farming

Abstract

Peningkatan kebutuhan pangan dan keterbatasan lahan mendorong penerapan indoor farming yang memerlukan penjadwalan tugas secara efisien. Penelitian ini bertujuan membandingkan kinerja Algoritma Genetika dan Algoritma Koloni Semut dalam menyelesaikan permasalahan task scheduling pada indoor farming. Metode penelitian menggunakan pendekatan eksperimental dengan data simulasi pada lima skenario jumlah target tanaman. Evaluasi dilakukan berdasarkan waktu komputasi, penggunaan memori, dan nilai makespan. Hasil penelitian menunjukkan bahwa Algoritma Genetika memiliki waktu komputasi dan penggunaan memori yang lebih rendah, sedangkan Algoritma Koloni Semut menghasilkan nilai makespan yang lebih kecil dan lebih konsisten. Temuan ini menunjukkan adanya kompromi antara efisiensi komputasi dan kualitas solusi. Hasil penelitian dapat menjadi referensi dalam pemilihan metode optimasi penjadwalan pada sistem indoor farming berbasis multi-agen.

The increasing demand for food and limited agricultural land have encouraged the adoption of indoor farming, which requires efficient task scheduling. This study compares the performance of Genetic Algorithm and Ant Colony Optimization in solving task scheduling problems in indoor farming. An experimental approach was conducted using simulated datasets across five planttarget scenarios. Performance was evaluated based on computation time, memory usage, and makespan. The results show that Genetic Algorithm requires lower computation time and memory consumption, while Ant Colony Optimization produces lower and more consistent makespan values. These findings indicate a trade-off between computational efficiency and solution quality. The study provides insights for selecting suitable optimization methods for multi-agent scheduling in indoor farming systems.