PENGARUH VARIABLE ACCELERATION FACTOR PADA PENGELOMPOKAN DOKUMEN TEXT BERBAHASA INDONESIA DENGAN DARWINIAN PARTICLE SWARM OPTIMIZATION ANT COLONY CLUSTERING

Ariadi Retno, Ely Setyo Astuti, Indra Dharma Wijaya

Abstract


ABSTRAK


Permasalahan pada metode Ant Colony Clustering (ACC) terdapat variabel yang nilainya jika tanpa optimasi akan bersifat statis. Tujuan diterapkan metode optimasi dan Variabel Acceleration (VA) diharapkan mendapatkan nilai Fmeasure yang lebih tepat. Metode optimasi pada penelitian ini diterapkan pada metode ACC dimana pada metode ACC terdapat variabel yang nilainya berpengaruh pada hasil akhir dari nilai F-Measure dari pengelompokan data teks berbahasa indonesia pada setiap iterasinya. Metode optimasi yang diterapkan adalah metode Darwinian Particle Swarm Optimization (DPSO) dimana metode optimasi tersebut menganalisa karakteristik data dengan nilai terburuk dengan karakteristik data yang memiliki nilai terbaik dengan harapan akan mendapatkan generasi nilai yang lebih baik pada iterasi selanjutnya. Variable Acceleration diterapkan pada metode optimasi DPSO agar mendapatkan nilai generasi yang lebih berkarakteristik sehingga mendapatkan nilai yang lebih tepat jika dibandingkan tanpa pengaruh VA. Berdasarkan hasil uji coba pada setiap metode dimana setiap metode dilaksanakan lima kali uji coba, pada ketiga metode yaitu metode semut dengan Particle Swarm Optimization (antPSO), metode semut dengan DPSO (antDPSO), metode semut dengan DPSO dengan pengaruh VA (antDPSOVA) memiliki rata-rata yaitu data dengan metode antPSO adalah 86% metode antDPSO adalah 87% metode antDPSOVA adalah 95% dengan karakteristik pengaruh dari metode VA adalah kecenderungan meminimumkan nilai dari F-measure pada setiap iterasinya.

Kata kunci: Darwinian Particle Swarm Optimization, Variable Acceleration, Algoritma Semut, DataTeks.

ABSTRACT

The problem with Ant Colony Clustering (ACC) method is the variable whose value if without optimization will be static. The purpose of applied optimization method and Variable Acceleration (VA) is expected to get a more appropriate Fmeasure value. The optimization method in this research is applied to ACC method where ACC method has variable whose value has an effect on the final result of F-Measure value from clustering of Indonesian text data on each iteration. The optimization method applied is Darwinian Particle Swarm Optimization (DPSO) method where the optimization method analyzes the data characteristic with the worst value with the data characteristic which has the best value in hopes of getting better value generation in next iteration.Variable   Acceleration is applied to DPSO optimization method in order to get more characteristic generation value so as to get more precise value when compared without VA influence. Based on test result on each method where each method is carried out five times trial, in the three method is ant method with Particle Swarm Optimization (antPSO), ant method with DPSO (antDPSO), ant method with DPSO with influence of VA (antDPSOVA) have mean that data with antPSO method is 86% antDPSO method is 87% antDPSOVA method is 95% with characteristic influence of VA method is the tendency to minimize the value of F-measure on each iteration.

Keywords : Darwinian Particle Swarm Optimization, Variable Acceleration, Ants Algorithm, Text Data.


References


Retno, A. T. H. “ Metode Algoritma Genetika dan Darwinian Particle Swarm Optimization dengan Variable Acceleration Factor Untuk Fungsi Multimodal “, Jurnal Simantec, Vol 5, 2016.

C.M.Bishop. Pattern Classification and Machine Learning, Springer, 2006.

R.O. Duda, P.E. Hart, dan D.G. Stork, Pattern Classification, Wiley, New York, 2001,.

Shukla, M. , Mishra, G.R., “DAPSO and PSO-VAF in Linear Phase

Digital Low Pass FIR Filter Design”, Circuits and Systems, Vol. 5, pp. 57-67, 2014.

Tillett, T., Rao, T.M. , Sahin, F. , Rao, R.,” Darwinian particle swarm Optimization”. In: Proceedings of the 2nd Indian international

conference on artificial intelligence, Pune, Índia, pp. 1474–1487, 2005.

Boryczka, U., Ant Clustering Algorithm, Intelligent Information Systems, Institute of Computer Science, University of Silesia, Sosnowiec, Poland, ISBN 978-83- 60434-44-4, pages 377–386, 2008




DOI: https://doi.org/10.21107/simantec.v6i1.3704

Refbacks

  • There are currently no refbacks.


Copyright (c) 2018 Jurnal Simantec



Indexed By