Evolutionary computing is a problem to solve computer based optimization using evolutionary processes, such as natural selection, survival of the fittest, and reproduction. Some examples of evolution
| Main Author: | Habibi, AzwarRiza |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2015
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/155433/ |
Daftar Isi:
- Komputasi evolusioner merupakan pencarian solusi permasalahan optimimasi berbasis komputer yang menggunakan proses evolusi, seperti seleksi alami, bertahanan hidup dari yang terkuat, dan reproduksi. Beberapa contoh komputasi evolusioner yang sering digunakan, misalnya algoritma genetika (GA) , particle swarm optimization (PSO) , dan lain-lain . Modifikasi GA dengan penambahan PSO dapat meningkatkan kemampuan pencarian minimum lokal dan menghindari konvergensi dini. Penambahan proses mutasi PSO ke dalam kerangka GA , sehingga dapat meningkatkan konvergensi global maupun lokal. Neural network (NN) yang merupakan cara pengadopsian komputasi dari sistem kerja otak manusia yang digunakan untuk mengembangkan model algoritma baru untuk mencari solusi. Modifikasi conjugate gradient (CG)- Neural network (NN) merupakan salah satu bentuk modifikasi CG yang dapat menentukan arah gradient pada NN agar meningkatkan laju konvergensi dan waktu komputasi lebih singkat. Modifikasi CG-NN dengan menambahkan suatu nilai disebut adaptif gain pada fungsi aktifasi dapat meningkatkan waktu komputasi pada NN. Kombinasi CG-NN dengan penambahan bobot dengan PSO-GA merupakan proses penggabungan menggunakan organic-hybridzation , dimana solusi terbaik PSO-GA digunakan sebagai bobot pada metode CG -NN . Tujuan penggabungan pada penelitian ini adalah untuk mempercepat proses komputasi dalam mencari solusi pendekatan dan mendapatkan error yang minimum. Dengan menggunakan data jumlah penumpang penerbangan Juanda dan jumlah curah hujan di Indonesia sebagai data yang digunakan untuk simulasi metode CG-NN dengan penambahan bobot PSO-GA. Hasil implementasi program menggunakan data tersebut menunjukkan bahwa kombinasi CG-NN dan modifikasi PSO-GA memberikan hasil yang sangat mendekati solusi, yaitu dengan rata-rata error kurang dari