Optimasi Multi-Objektif dan Eksplorasi Multi-Solusi

Rekayasa nyata hampir tidak pernah memiliki "satu-satunya solusi optimal". Ambil contoh desain airfoil superkritis:rasio lift-to-drag, kekuatan struktur, margin stall, dan biaya manufaktur/simulasi saling mengunci satu sama lain; meningkatkan rasio lift-to-drag sering kali berarti beban struktur dan biaya manufaktur ikut naik. Cara perumusan yang tepat untuk masalah semacam ini adalah:optimasi multi-objektifyang perlu dipetakan bukanlah satu titik tertentu, melainkan memetakan dan mendekati sebuah frontier Paretodi antara beberapa tujuan yang saling mengunci, lalu mempertahankan sekumpulan kandidat dengan orientasi berbeda dan trade-off masing-masing, serta menyerahkan penilaian nilai akhir kepada preferensi atau pakar domain di tahap berikutnya.

I. Pertama-tama pastikan: apakah ini benar-benar masalah multi-objektif

Prasyarat eksplorasi multi-solusi adalah "tujuan-tujuan memang saling bertentangan". Jika semua tujuan dapat diperbaiki secara bersamaan tanpa kompromi, masalah akan tereduksi menjadi satu tujuan, sehingga eksplorasi multi-solusi tidak diperlukan dan hanya membuang daya komputasi. Dasar penilaiannya bukanlah "jumlah tujuan lebih dari 1", melainkan:apakah memperbaiki salah satu tujuan pasti mengorbankan tujuan lain. Hanya ketika arahnya berlawanan dan saling bertukar untung-rugi, barulah terbentuk masalah multi-objektif yang sesungguhnya.

II. Dominasi Pareto dan Frontier Pareto

Kriteria intinya adalah dominasi Pareto: Solusi A mendominasi solusi B jika dan hanya jika A tidak lebih buruk daripada B pada semua tujuan (untuk setiap tujuan i berlaku fᵢ(A) ≤ fᵢ(B)), dan paling sedikit lebih baik secara ketat pada satu tujuan (terdapat j sehingga fⱼ(A) < fⱼ(B)). Setiap solusi yang terdominasi memiliki pengganti yang "paling tidak sama baiknya, dan lebih baik di suatu aspek", sehingga tidak layak dipertahankan. Semua solusi yang tidak didominasi oleh solusi mana pun membentuk frontier Pareto—solusi-solusi pada frontier saling non-dominan satu sama lain; mana yang lebih cocok bergantung pada preferensi, bukan pada matematika.

III. Biaya dari Penunggaltujuanan (Single-Objective-ization)

Metode skalarisasi seperti penjumlahan berbobot dan ε-constraint memampatkan tujuan vektor menjadi satu skalar—secara rekayasa praktis, tetapi biayanya sangat konkret:
· Menutupi struktur trade-off—begitu bobot ditetapkan, bentuk frontier dan arah alternatif menjadi tak terlihat, dan pengambil keputusan hanya melihat satu skor.
· Bobot harus ditentukan sebelumnya—padahal preferensi sebenarnya sering kali tidak dapat diformalkan sebelumnya, dan biasanya baru menjadi jelas secara bertahap pada tahap peninjauan.
· Cakupan terbatas—penjumlahan berbobot biasanya hanya dapat mencapai beberapa titik singgung tertentu pada frontier, dan sebagian segmen pada frontier non-konveks sulit dijangkau.
Begitu peninjauan berikutnya mengubah bobot, seluruh pencarian harus dijalankan ulang—ini justru kebalikan dari "sekali eksplorasi untuk mendapatkan kebebasan pengambilan keputusan berkali-kali".

IV. Penilaian Bersifat Dua Dimensi: Konvergensi dan Keanekaragaman

Kualitas himpunan solusi multi-objektif harus dinilai dari dua hal sekaligus:konvergensi(apakah himpunan solusi mendekati frontier sebenarnya) dankeanekaragaman(apakah solusi mencakup berbagai segmen frontier). Keduanya sering saling tarik-menarik: begitu tekanan seleksi terlalu condong ke "lebih baik", populasi akan runtuh ke satu titik atau segmen kecil pada frontier—terlihat konvergen dengan cepat, namun informasi trade-off menjadi hilang. Karena itu, keanekaragaman populasi perlu dipertahankan secara eksplisit, disertai tekanan seleksi seperti crowding distance, dekomposisi, dan berbasis indikator (seperti hypervolume).

V. Makna Rekayasa: Posisi Pengambilan Keputusan Bergeser

Makna rekayasa dari multi-objektif adalah perubahan pembagian kerja: optimizer hanya bertanggung jawab menghasilkankelompok kandidat yang dapat dibandingkan, sedangkan pemilihan akhir dilakukan oleh preferensi atau pakar domain; optimizer tidak boleh konvergen terlalu dini atas nama pengambil keputusan. Alasan praktis mempertahankan kelompok kandidat yang beragam adalah "lindung nilai"—ketika preferensi tidak diketahui, berubah sesuai konteks, atau ketika kendala akan direvisi pada tahap implementasi, kelompok solusi yang beragam lebih bernilai daripada satu "solusi optimal" tunggal. Hal ini sejalan dengan mekanisme sedimentasi bahwa "perubahan kandidat harus lulus kompilasi, pengujian, dan penerimaan sebelum diterima": pertahankan dulu sekumpulan kandidat, lalu biarkan verifikasi dan preferensi menentukan siapa yang masuk ke versi final.

Kesesuaian pada Antarmuka Implementasi

Pada tingkat implementasi, masalah multi-objektif harus didefinisikan sebagaifungsi evaluasi bernilai vektor(mengembalikan beberapa nilai tujuan sekaligus) danhimpunan solusi kandidatsebagai output, bukan fitness skalar dengan satu nilai kembalian. Jumlah nilai kembalian fungsi evaluasi menentukan dimensi tujuan, dan struktur output menentukan apakah keanekaragaman dapat dipertahankan.

Frontier Pareto dan Relasi Dominasi

Diagram sebar menggunakan dua tujuan yang saling mengunci sebagai koordinat, membedakan solusi terdominasi dari frontier Pareto: solusi-solusi pada frontier saling non-dominan, dan memperbaiki salah satu tujuan pasti mengorbankan tujuan lainnya. Karena itu, optimizer menghasilkan sekumpulan kandidat dengan orientasi berbeda dan menyerahkan pemilihan akhir kepada preferensi atau pakar domain.

Soal 1

Mengenai penentuan relasi dominasi Pareto, pernyataan yang benar adalah:

Solusi A mendominasi solusi B selama ia lebih unggul pada satu tujuan tertentu saja.

Jika dua solusi masing-masing unggul pada tujuan yang berbeda, maka yang lebih baik mendominasi yang lain.

Solusi terdominasi pasti tidak layak, sehingga harus dihapus dari himpunan kandidat.

Solusi A mendominasi solusi B jika dan hanya jika A tidak lebih buruk daripada B pada semua tujuan, dan lebih baik secara ketat pada paling sedikit satu tujuan.

Soal 2

Sebelum menjalankan penyelesaian multi-objektif, dasar kunci untuk menilai apakah suatu masalah benar-benar bersifat "multi-objektif" adalah:

Arah antartujuan berlawanan; memperbaiki satu tujuan pasti mengorbankan tujuan lainnya.

Apakah penjumlahan berbobot digunakan untuk melakukan skalarisasi.

Apakah skala masalah melampaui daya komputasi satu mesin.

Jumlah tujuan lebih dari 1.

Soal 3

Mengenai metode skalarisasi seperti penjumlahan berbobot dan ε-constraint, penilaian yang benar adalah:

Solusi hasil skalarisasi pasti mencakup seluruh segmen frontier.

Selama bobot yang diambil cukup banyak, skalarisasi dapat menggantikan eksplorasi multi-objektif secara setara.

Skalarisasi menutupi struktur trade-off, dan mensyaratkan bobot ditentukan sebelumnya, padahal preferensi sebenarnya sering kali tidak dapat diformalkan sebelumnya.

Skalarisasi hanya mengganti representasi, tanpa kehilangan informasi trade-off apa pun.

Soal 4

Saat menilai himpunan solusi algoritma multi-objektif, hubungan antara "konvergensi" dan "keanekaragaman" adalah:

Keduanya sering saling tarik-menarik; mengejar konvergensi secara berlebihan mudah membuat populasi runtuh ke segmen tertentu pada frontier.

Selama konvergensinya baik, keanekaragaman dapat diabaikan.

Keanekaragaman hanya memengaruhi efek visualisasi, tidak berkaitan dengan kualitas himpunan solusi.

Keduanya sepenuhnya independen dan dapat mencapai optimal masing-masing secara bersamaan.

Soal 5

Menurut makna rekayasa dari optimasi multi-objektif, pembagian kerja antara optimizer dan pengambil keputusan seharusnya adalah:

Optimizer harus mengonvergensi populasi ke satu titik pada tahap awal pencarian untuk menghemat daya komputasi.

Optimizer menghasilkan sekumpulan kandidat non-dominan yang dapat dibandingkan, dan pemilihan akhir diserahkan kepada preferensi atau pakar domain.

Pengambil keputusan harus memberikan semua bobot terlebih dahulu, jika tidak optimasi tidak dapat dimulai.

Optimizer langsung menghasilkan satu solusi optimal tunggal agar pengambil keputusan tidak ragu-ragu.

Studi Kasus: Trade-off Multi-Objektif pada Airfoil Superkritis

Baca skenario, lalu jawab pertanyaannya.

Sebuah tim penerbangan akan merancang airfoil superkritis untuk sayap generasi baru. Solusi kandidat harus memenuhi empat indikator sekaligus: rasio lift-to-drag (semakin besar semakin baik), massa struktur (semakin kecil semakin baik), margin stall (semakin besar semakin baik), serta biaya manufaktur dan simulasi (semakin kecil semakin baik). Meningkatkan rasio lift-to-drag sering disertai kenaikan beban struktur, dan untuk memperkuat margin stall sering kali rasio lift-to-drag justru dikorbankan; selain itu, anggaran simulasi terbatas sehingga tim tidak mungkin menjalankan ulang pencarian berkali-kali. Rencana awalnya adalah menggunakan satu set bobot yang telah ditentukan untuk menggabungkan keempat indikator menjadi satu skor total, lalu menghasilkan satu "airfoil optimal" tunggal untuk diajukan ke peninjauan.

1. Mengapa kelompok indikator ini membentuk masalah multi-objektif yang sesungguhnya? Jika hanya menggunakan satu skor total berbobot untuk menghasilkan satu "airfoil optimal" tunggal, risiko konkret apa yang akan muncul pada tahap peninjauan?

Jawaban:
Karena arah antartujuan berlawanan dan saling mengunci: peningkatan rasio lift-to-drag mengorbankan kenaikan beban struktur dan biaya manufaktur; margin stall dan rasio lift-to-drag juga saling berebut; perbaikan salah satu indikator menuntut indikator lain untuk mengalah, sehingga tidak dapat diperbaiki secara bersamaan tanpa kompromi—karena itu ini adalah masalah multi-objektif yang sesungguhnya. Risikonya adalah: skor total berbobot memampatkan struktur trade-off menjadi satu skalar, menutupi informasi "indikator mana yang mengalah berapa banyak"; bobot harus ditentukan sebelumnya, padahal preferensi sebenarnya di ruang peninjauan sering kali baru menjadi jelas pada saat itu; begitu peninjauan menyesuaikan bobot, seluruh pencarian perlu dijalankan ulang, sedangkan anggaran simulasi sama sekali tidak memungkinkan. Kesimpulannya: skalarisasi membuat optimizer melakukan penilaian nilai atas nama pengambil keputusan ketika informasi masih kurang.

2. Jika beralih ke optimasi multi-objektif dan mempertahankan sekumpulan kandidat non-dominan, jelaskan bagaimana fungsi evaluasi dan struktur output harus didefinisikan, serta bagaimana pemilihan diselesaikan di ruang peninjauan.

Jawaban:
Fungsi evaluasi harus diubah menjadi bentuk bernilai vektor: untuk setiap airfoil kandidat x, kembalikan kuadruplet (rasio lift-to-drag, massa struktur, margin stall, biaya manufaktur dan simulasi), bukan satu fitness skalar; struktur output harus berupa himpunan solusi kandidat, yakni sekumpulan solusi frontier Pareto yang saling non-dominan. Pada tingkat algoritma, keanekaragaman populasi perlu dipertahankan secara eksplisit, disertai tekanan seleksi yang digerakkan crowding distance, dekomposisi, atau hypervolume, guna menghindari populasi runtuh ke satu segmen pada frontier, sehingga ujung dan bagian tengah frontier sama-sama memiliki solusi representatif. Di ruang peninjauan, pemilihan dilakukan langsung dari kelompok kandidat sesuai preferensi sebenarnya: jika lebih mementingkan keandalan struktur, pilih yang massa strukturnya lebih rendah; jika lebih mementingkan efisiensi aerodinamis, pilih yang rasio lift-to-drag-nya lebih tinggi. Dengan demikian, satu kali eksplorasi dapat menopang banyak pengambilan keputusan, sehingga ketika preferensi berubah sesuai konteks atau kendala direvisi pada tahap implementasi, tim tetap memiliki solusi alternatif yang dapat digunakan.