METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION DENGAN VARIABLE ACCELERATION FACTOR UNTUK FUNGSI MULTIMODAL

Ariadi Retno Tri Hayati

Abstract


ABSTRAK

Penerapan metode optimasi untuk mengotomatisasi parameter dimana semakin sedikit kesalahan saat proses pembelajaran maka dengan harapan semakin mendapatkan nilai yang diharapkan.  Pada metode optimasi dengan algoritma genetika mencari nilai optimasi dengan proses mutation dan crossover agar mendapatkan nilai yang tepat sedangkan pada metode Particle Swarm Optimization menerapkan pencarian arah nilai yang akan dioptimasi dengan velocity. Pada penelitian sebelumnya menerapkan kedua metode dengan harapan mendapatkan nilai optimasi yang lebih baik dengan menerapkan karakter proses pencarian nilai yang dioptimasi dengan masing-masing metode. Selanjutnya, penggabungan proses metode dari kedua metode optimasi dianalisa dengan menelaah karakter dari setiap gen untuk mendapatkan optimasi gen yang lebih baik dengan menerapkan konsep Darwinian GA-PSO (DGA-PSO) ternyata kesalahan untuk nilai variabel yang dioptimasi berkurang jika dibandingkan dengan kesalahan dengan metode GA-PSO. Pada penelitian ini mengembangkan metode optimasi dari penelitian sebelumnya dengan pengaruh variabel acceleration factor (VA). Berdasarkan hasil uji coba pada penelitian ini maka didapatkan bahwa hasil penghitungan dengan menerapkan metode GA-DPSO yang dipengaruhi variabel acceleration factor (GA-DPSO-VA) menghasilkan nilai kesalahan minimum atau paling sedikit jika dibandingkan dengan GA-DPSO,GAPSOVA dan GAPSO untuk penerapan analisa di fungsi multimodal pada setiap iterasinya.

Kata kunci: Algoritma Genetika, Particle Swarm Optimization, MultiModal Function, Variable Acceleration Factor.

 

ABSTRACT

Application of optimization methods to automate parameter where the fewer mistakes during the learning process it with the hopes of getting the expected value. In the optimization method and genetic algorithm are looking for value optimization with mutation and crossover process in order to get the right value while the Particle Swarm Optimization methods of finding direction applying the value to be optimized with velocity. In previous studies applying both methods in hopes of getting a better value optimization by implementing code search process value is optimized by each method. Furthermore, the incorporation process of the method of the optimization methods is analyzed by examining the characteristics of each gene to obtain optimization better genes by applying Darwinian concept GA-PSO (DGA-PSO) turned out to be a mistake for the variable values that are optimized reduced when compared to an error by the method GA -PSO. In this research to develop methods of optimization of previous studies the influences of acceleration factor (VA). Based on trial results on this study, it was found that the calculation results by applying the GA-DPSO influenced variable acceleration factor (GA-DPSO-VA) generating an error value minimum or at least when compared with the GA-DPSO, GAPSOVA and GAPSO for application analysis in multimodal function at each iteration.

Keywords:  Genetic Algorithm, Particle Swarm Optimization, Multimodal Function, Variable Acceleration Factor



References


Ariadi Retno Tri Hayati Ririd, Pengembangan Metode Algoritma Genetika dan Darwinian Particle Swarm Optimization Untuk Fungsi Multimodal,2013

Mudit Shukla, G. R. Mishra,DAPSO

and PSO-VAF in Linear Phase Digital Low Pass FIR Filter Design, Circuits and

Systems, 2014, 5, 57-67

Suyanto (2005), Algoritma Genetika dalam MATLAB.

Kao, Y.T. dan Zahara (2008), E., “A hybrid genetic algorithm and particle swarm optimization for multimodal functions”, Applied Soft Computing 8 849–857.

Tillet, Jasson, Rao, Ferat Sahin (2003), “Darwinian Particle Swarm Optimization”.




DOI: https://doi.org/10.21107/simantec.v5i3.2385

Refbacks

  • There are currently no refbacks.


Copyright (c) 2016 Jurnal Simantec



Indexed By