
ABSTRAK
Masalah optimasi skala besar menghadirkan tantangan yang berat dalam berbagai domain ilmiah dan teknik. Untuk mengatasi tantangan ini, algoritma kecerdasan komputasional berbasis populasi telah muncul sebagai alat ampuh yang mampu diparalelkan. Di antara algoritma ini, pengoptimal serigala abu-abu (GWO) menonjol karena kemampuannya untuk mensimulasikan struktur hierarkis dan perilaku berburu serigala abu-abu di alam liar dan telah berhasil digunakan untuk memecahkan beberapa masalah optimasi yang sulit. Namun, studi tentang penerapannya untuk memecahkan sistem persamaan nonlinier (NES), yang bisa dibilang salah satu kelas masalah numerik yang paling sulit, menimbulkan tantangan signifikan dalam hal efisiensi dan skalabilitas komputasi. Untuk mengatasi kesenjangan ini, artikel ini memperkenalkan implementasi paralel berbasis GPU baru dari algoritma GWO yang ditujukan untuk mengatasi tantangan khusus dalam mengoptimalkan NES skala besar dengan menggunakan kemampuan pemrosesan paralel GPU yang substansial. Versi GWO berbasis GPU dikembangkan menggunakan bahasa pemrograman Julia, dan kinerjanya dievaluasi dengan dua GPU kelas profesional: NVIDIA Tesla V100 SXM2 dengan VRAM 32 GB dan NVIDIA A100 PCIe dengan VRAM 80 GB. Pengujian melibatkan serangkaian NES yang kompleks dan dapat diskalakan dengan dimensi mulai dari 500 hingga 4000. Hasil yang diperoleh menunjukkan peningkatan kecepatan rata-rata mulai dari 154,9