Penerapan Algoritma Variable Neighborhood Search untuk Optimasi Pemilihan Produk Skincare
Kata Kunci:
Variable Neighborhood Search, Random Search, Optimasi Pemilihan Produk Skincare, Jenis Kulit, Batas AnggaranAbstrak
Pertumbuhan industri skincare di Indonesia mendorong kebutuhan akan sistem pemilihan produk yang mampu membantu konsumen memilih kombinasi produk yang sesuai dengan jenis kulit dan batas anggaran. Penelitian terdahulu umumnya menggunakan pendekatan Multi-Criteria Decision Making (MCDM) dan Machine Learning yang hanya berfokus pada pemeringkatan produk atau prediksi kecocokan tanpa mempertimbangkan optimasi multi-produk secara bersamaan. Penelitian ini mengusulkan pendekatan optimasi menggunakan algoritma Variable Neighborhood Search (VNS) untuk menentukan kombinasi empat kategori produk skincare, facial wash, moisturizer, sunscreen, dan serum yang berdasarkan kecocokan jenis kulit dan batasan biaya. Dataset terdiri dari 173 produk skincare lokal yang diperoleh melalui web scraping dari situs Sociolla, kemudian melalui proses pembersihan data dan ekstraksi data jenis kulit dari deskripsi produk. Kinerja VNS dievaluasi dengan membandingkannya terhadap Random Search (RS) sebagai baseline, yaitu pemilihan acak dari himpunan solusi feasible yang sesuai jenis kulit dan tidak melampaui anggaran. Pada pengujian dan pembanding dilakukannya empat skenario yang dirancang berdasarkan jenis kulit berminyak dan kering dengan variasi anggaran Rp150.000 hingga Rp350.000. Hasil eksperimen menunjukkan bahwa VNS secara konsisten memberikan kinerja lebih unggul dibandingkan RS, ditandai dengan nilai SkinScore maksimum yaitu 1, efisiensi anggaran yang lebih baik, serta skor komposit yang lebih stabil pada seluruh skenarionya. Sementara itu, RS menghasilkan solusi yang lebih bervariasi dan kurang presisi dalam mendekati batas anggaran. Penelitian ini menunjukkan bahwa VNS merupakan pendekatan yang efektif dan dapat diandalkan untuk optimasi pemilihan kombinasi produk skincare berbasis kebutuhan konsumen dan keterbatasan biaya.Referensi
dan A. K. P. Direktorat Jenderal Industri Kecil, Menengah, “Kemenperin Gadang Potensi Industri Kosmetik Semakin Gemilang,” Ikm.Kemenperin.Go.Id. Accessed: Nov. 06, 2025. [Online]. Available: https://ikm.kemenperin.go.id/kemenperin-gadang-potensi-industri-kosmetik-semakin-gemilang
A. Short, “Skin care,” Adhesives Age. [Online]. Available: https://www.statista.com/outlook/cmo/beauty-personal-care/skin-care/indonesia
M. Y. A. Wahyuningrum, “Factors affecting the purchase decision of skincare products: Perspectives of promotion, product quality, and price,” J. Manag. Sci., vol. 8, no. 1, pp. 128–136, 2025, [Online]. Available: www.exsys.iocspublisher.org/index.php/JMAS
H. V.T.M, H. N.P, M. N.T.T, T. L.K, D. L.T.N, and M. T.N, “Factors affecting consumers’ repurchase intention toward skin care cosmetics: A cross - sectional study in Vietnam,” Heliyon, vol. 10, no. 11, p. e32285, 2024, doi: 10.1016/j.heliyon.2024.e32285.
R. Oliveira, J. Ferreira, L. F. Azevedo, and I. F. Almeida, “An Overview of Methods to Characterize Skin Type: Focus on Visual Rating Scales and Self-Report Instruments,” Cosmetics, vol. 10, no. 1, pp. 1–15, 2023, doi: 10.3390/cosmetics10010014.
G. R. D. Levrini and M. J. Dos Santos, “The influence of price on purchase intentions: Comparative study between cognitive, sensory, and neurophysiological experiments,” Behav. Sci. (Basel)., vol. 11, no. 2, 2021, doi: 10.3390/bs11020016.
I. Husein, D. Anggraini, and R. M. R. Siregar, “Decision Support System Selecting The Best Skincare Using The Oreste Method,” Mathline J. Mat. dan Pendidik. Mat., vol. 9, no. 2, pp. 575–590, 2024, doi: 10.31943/mathline.v9i2.635.
A. Sitorus and M. Fakhriza, “Decision Support System for Sunscreen Selection Based on Facial Skin Concerns Using the Analytic Network Process,” J. Appl. Informatics Comput., vol. 9, no. 4, pp. 1812–1816, 2025, doi: 10.30871/jaic.v9i4.10112.
J. Lee, H. Yoon, S. Kim, C. Lee, J. Lee, and S. Yoo, “Deep learning-based skin care product recommendation: A focus on cosmetic ingredient analysis and facial skin conditions,” J. Cosmet. Dermatol., vol. 23, no. 6, pp. 2066–2077, 2024, doi: 10.1111/jocd.16218.
W. Zhang, Y. Liu, C. Zhang, and W. Shen, “Superimposed Poisson Distribution Variable Neighborhood Search for Scheduling of Parallel Multi-track Shuttle Loop System,” Robot. Comput. Integr. Manuf., vol. 95, no. March, p. 103016, 2025, doi: 10.1016/j.rcim.2025.103016.
J. Guo, J. Long, W. Y. Szeto, W. Tan, and S. Jian, “Vehicle routing in one-way carsharing service with ridesharing options: A variable neighborhood search algorithm,” Transp. Res. Part C Emerg. Technol., vol. 171, no. July 2024, 2025, doi: 10.1016/j.trc.2024.104983.
W. Zhang et al., “Deep Q-network assisted variable neighborhood search algorithm for berth allocation considering berth shifting in dry bulk terminals,” Swarm Evol. Comput., vol. 99, no. September, p. 102172, 2025, doi: 10.1016/j.swevo.2025.102172.
F. Hosseini, C. Prieto, and C. Álvarez, “Hyperparameter optimization of regional hydrological LSTMs by random search: A case study from Basque Country, Spain,” J. Hydrol., vol. 643, no. April, 2024, doi: 10.1016/j.jhydrol.2024.132003.
X. Chai, S. Li, and F. Liang, “A novel battery SOC estimation method based on random search optimized LSTM neural network,” Energy, vol. 306, no. March, p. 132583, 2024, doi: 10.1016/j.energy.2024.132583.
L. Radanovic, A. Mijovic, D. Urosevic, T. Davidovic, and R. Jovanovic, “General Variable Neighborhood Search for Maximum Diversity Problem with Capacity and Budget Constraints,” Expert Syst. Appl., vol. 267, no. November 2024, p. 126188, 2025, doi: 10.1016/j.eswa.2024.126188.
T. Jansen and C. Zarges, “Performance analysis of randomised search heuristics operating with a fixed budget ,” Theor. Comput. Sci., vol. 545, pp. 39–58, 2014, doi: 10.1016/j.tcs.2013.06.007.
I. D. Acheme and O. R. Vincent, Machine-learning models for predicting survivability in COVID-19 patients. Elsevier Inc., 2021. doi: 10.1016/B978-0-12-824536-1.00011-3.
M. Guo et al., “Normal Workflow and Key Strategies for Data Cleaning Toward Real-World Data: Viewpoint,” Interact. J. Med. Res., vol. 12, p. e44310, 2023, doi: 10.2196/44310.
A. M. Sharifnia, D. E. Kpormegbey, D. K. Thapa, and M. Cleary, “A Primer of Data Cleaning in Quantitative Research: Handling Missing Values and Outliers,” J. Adv. Nurs., pp. 1–6, 2025, doi: 10.1111/jan.16908.
J. Duque, A. Godinho, and J. Vasconcelos, “Knowledge data extraction for business intelligence A design science research approach,” Procedia Comput. Sci., vol. 204, no. 2021, pp. 131–139, 2022, doi: 10.1016/j.procs.2022.08.016.
R. B. Büchter, A. Weise, and D. Pieper, “Development, testing and use of data extraction forms in systematic reviews: a review of methodological guidance,” BMC Med. Res. Methodol., vol. 20, no. 1, pp. 1–14, 2020, doi: 10.1186/s12874-020-01143-3.
C. Wilbaut, R. Todosijevic, S. Hanafi, and A. Freville, “Variable neighborhood search for the discounted knapsack problem,” Appl. Soft Comput., vol. 131, p. 109821, 2022, doi: 10.1016/j.asoc.2022.109821.
L. Zhao and Q. Tang, “An augmented variable neighborhood search for mixed-model two-sided assembly line balancing considering PM scenarios,” Swarm Evol. Comput., vol. 97, no. January, p. 102043, 2025, doi: 10.1016/j.swevo.2025.102043.
P. Hansen, N. Mladenovic, R. Todosijevic, and S. Hanafi, “Variable neighborhood search: basics and variants,” EURO J. Comput. Optim., vol. 5, no. 3, pp. 423–454, 2017, doi: 10.1007/s13675-016-0075-x.
B. Yang et al., “Comprehensive overview of maximum power point tracking algorithms of PV systems under partial shading condition,” J. Clean. Prod., vol. 268, p. 121983, 2020, doi: 10.1016/j.jclepro.2020.121983.
J. Bergstra and Y. Bengio, “Random search for hyper-parameter optimization,” J. Mach. Learn. Res., vol. 13, pp. 281–305, 2012.
Brownlee J., “Hyperparameter Optimization With Random Search and Grid Search,” Machine Learning Mastery. Accessed: Nov. 12, 2025. [Online]. Available: https://machinelearningmastery.com/hyperparameter-optimization-with-random-search-and-grid-search/
S. R. Riady, R. Apriani, and J. Shadiq, “Implementation of Random Search Algorithm with FSSRS (Fixed Step Size Random Search) for Applicating the Patrol System Based on Mobile Computing,” Int. J. Adv. Data Inf. Syst., vol. 4, no. 2, pp. 107–115, 2023, doi: 10.25008/ijadis.v4i2.1303.
Y. Catherine Han, E. M. Dworak, M. Mansolf, R. C. Gershon, and A. J. Kaat, “Composite scores for the NIH Baby Toolbox,” Infant Behav. Dev., vol. 80, no. March, p. 102122, 2025, doi: 10.1016/j.infbeh.2025.102122.
Unduhan
Telah diserahkan
Diterima
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Jurnal Nasional Teknologi dan Sistem Informasi
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.
Kami menyatakan bahwa:
- Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
- Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
- Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.
Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.
Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.
Hak / Syarat dan Ketentuan yang dipertahankan :
- Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
- Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
- Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.
This work is licensed under a 