Metode Particle Swarm Optimization (PSO) dalam implementasi Maximum Power Point Tracking (MPPT) sering mengalami keterbatasan dalam kondisi partial shading karena kecenderungannya terjebak pada titik Local Maximum Power Point (LMPP), sehingga tidak mampu mencapai Global Maximum Power Point (GMPP) secara optimal. Penelitian ini mengembangkan algoritma current sensorless Maximum Power Point Tracking (MPPT) untuk meningkatkan efisiensi sistem photovoltaic dengan menghilangkan sensor arus, sehingga dapat mengurangi biaya dan kompleksitas perangkat keras. Estimasi arus dilakukan menggunakan model state-space pada konverter synchronous buck-boost, dengan memanfaatkan tegangan input untuk mengestimasi arus induktor, serta membandingkan tegangan kapasitor dan output sebagai umpan balik kontrol. Metode Flying Squirrel Search Optimization (FSSO) digunakan untuk mengoptimalkan proses pelacakan daya maksimum, khususnya pada kondisi partial shading. FSSO menyebarkan duty cycle secara merata dan memilih solusi terbaik sebagai pohon hickory dan acorn, dengan mekanisme eksplorasi dan eksploitasi melalui pembaruan posisi musiman. Seasonal update dengan Lévy flight diterapkan saat sistem terjebak pada lokal maksimum, sedangkan gliding movement digunakan dalam kondisi normal untuk mempercepat konvergensi. Hasil pengujian menunjukkan bahwa pada kondisi non-shading, sistem mampu mencapai daya keluaran mendekati titik daya maksimum (GMPP) dengan akurasi rata-rata 97.02% dan waktu tracking antara 21.44 hingga 25.79 detik. Pada kondisi partial shading (33.3%), algoritma FSSO menunjukkan performa yang jauh lebih unggul dibandingkan PSO, dengan akurasi hingga 99.74% dan daya keluaran yang stabil mendekati GMPP di berbagai tingkat iradiasi rendah. Dengan demikian, algoritma FSSO berbasis current sensorless ini terbukti mampu meningkatkan efisiensi pelacakan daya, menjaga kestabilan output.