PEMODELAN ALGORITMA OPTIMISASI DARI
PERILAKU BURUNG ENGGANG
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Kalimantan
Author
Fahdian, Ali
Subject
TK Electrical engineering. Electronics Nuclear engineering
Datestamp
2021-06-15 06:27:30
Abstract :
Pertumbuhan industri 4.0 mengalami perkembangan yang sangat pesat hampir diseluruh dunia. Salah satu pertumbuhan yang paling berkembang pada saat ini adalah artificial intelligence (AI), penggunaan AI dapat digunakan untuk menyelesaikan permasalahan komputasi. Pada era saat ini untuk menyelesaikan permasalahan komputasi sangat dibutuhkan hasil pengerjaan yang cepat, efisien dan memilik hasil keluaran yang optimal. umusan masalah penelitian ini adalah bagaimana memodelkan perilaku Enggang menjadi algoritma optimisasi dan bagaimana hasil dari algoritma tersebut. Tujuan dari penelitian ini adalah untuk memahami prinsip dasar algoritma optimisasi, mengetahui akurasi nilai dan kecepatan proses algoritma optimisasi Enggang yang telah dimodelkan serta mengetahui hasil uji perbandingan dengan algoritma optimisasi pembanding lainnya (Particle Swarm Optimization, Ant Lion Optimizer, Grasshopper Optimization Algorithm, dan Bat Algorithm). Pemodelan perilaku Enggang sebagai algoritma optimisasi ini dilakukan dengan metode observasi pada Enggang dengan memperhatikan perilaku unik Enggang yang kemudian dimodelkan menjadi pemodelan matematis. Hasil dari penelitian algoritma optimisasi Enggang dengan pengujian fungsi uji unimodal (Booth, Matyas, dan Three Hump Camel) dan multimodal (Alpine N.1, Bartels Conn, dan Bohachevsky N.2) sebanyak 1000 iterasi dan 30 kali pengulangan didapatkan hasil waktu penyelesaian secara berturut turut. Hasil waktu unimodal yaitu 2.136827013 detik, 2.278424273 detik, dan 2.322210183 detik. Untuk hasil multimodal yaitu 2.908008773 detik, 2.14901837 detik, dan 2.65938265 detik. Pada hasil iterasi didapatkan nilai pengujian fungsi uji unimodal Booth dengan mencapai nilai 0.0018 pada iterasi 978, Matyas mencapai0 pada iterasi 957, Three Hump Camel mencapai 0 pada iterasi 992, dan fungsi uji multimodal Alpine N.1 mencapai nilai 3.6E-124 (3,6.10-124) pada iterasi ke 1000, Bartels Conn mencapai 1 pada iterasi ke 48, dan pada Bohachevsky N.2 mencapai 0,18 pada iterasi ke 28 konstan pada iterasi ke 1000.
Pertumbuhan industri 4.0 mengalami perkembangan yang sangat pesat hampir diseluruh dunia. Salah satu pertumbuhan yang paling berkembang pada saat ini adalah artificial intelligence (AI), penggunaan AI dapat digunakan untuk menyelesaikan permasalahan komputasi. Pada era saat ini untuk menyelesaikan permasalahan komputasi sangat dibutuhkan hasil pengerjaan yang cepat, efisien dan memilik hasil keluaran yang optimal. umusan masalah penelitian ini adalah bagaimana memodelkan perilaku Enggang menjadi algoritma optimisasi dan bagaimana hasil dari algoritma tersebut. Tujuan dari penelitian ini adalah untuk memahami prinsip dasar algoritma optimisasi, mengetahui akurasi nilai dan kecepatan proses algoritma optimisasi Enggang yang telah dimodelkan serta mengetahui hasil uji perbandingan dengan algoritma optimisasi pembanding lainnya (Particle Swarm Optimization, Ant Lion Optimizer, Grasshopper Optimization Algorithm, dan Bat Algorithm). Pemodelan perilaku Enggang sebagai algoritma optimisasi ini dilakukan dengan metode observasi pada Enggang dengan memperhatikan perilaku unik Enggang yang kemudian dimodelkan menjadi pemodelan matematis. Hasil dari penelitian algoritma optimisasi Enggang dengan pengujian fungsi uji unimodal (Booth, Matyas, dan Three Hump Camel) dan multimodal (Alpine N.1, Bartels Conn, dan Bohachevsky N.2) sebanyak 1000 iterasi dan 30 kali pengulangan didapatkan hasil waktu penyelesaian secara berturut turut. Hasil waktu unimodal yaitu 2.136827013 detik, 2.278424273 detik, dan 2.322210183 detik. Untuk hasil multimodal yaitu 2.908008773 detik, 2.14901837 detik, dan 2.65938265 detik. Pada hasil iterasi didapatkan nilai pengujian fungsi uji unimodal Booth dengan mencapai nilai 0.0018 pada iterasi 978, Matyas mencapai0 pada iterasi 957, Three Hump Camel mencapai 0 pada iterasi 992, dan fungsi uji multimodal Alpine N.1 mencapai nilai 3.6E-124 (3,6.10-124) pada iterasi ke 1000, Bartels Conn mencapai 1 pada iterasi ke 48, dan pada Bohachevsky N.2 mencapai 0,18 pada iterasi ke 28 konstan pada iterasi ke 1000.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
