STUDI PERBANDINGAN ANTARA ALGORITMA BIVARIATE MARGINAL DISTRIBUTION DENGAN ALGORITMA GENETIKA
Teks penuh
Gambar
Dokumen terkait
Berdasarkan ketiga uji coba yang telah dilakukan terhadap setiap parameter algoritma genetika, maka diperoleh titik optimal untuk memperoleh nilai fitness terbaik,
Ukuran populasi (pop_size). Ukuran populasi mempengaruhi unjuk kerja yang baik dan keefektifan Algoritma Genetika. Algoritma Genetika dengan populasi yang kecil,
Parameter yang digunakan yaitu ukuran populasi dan ukuran generasi dengan hasil yang paling optimal dari pengujian yang telah dilakukan sebelumnya yaitu ukuran
Parameter algoritma genetika lainnya yang digunakan yaitu sesuai dengan hasil terbaik pengujian sebelumnya yaitu ukuran populasi 360, panjang kromosom 60, kombinasi
Parameter algoritma genetika yang paling optimal dalam penelitian tersebut untuk kasus optimalisasi saham adalah ukuran populasi 100, crossover rate (cr) 0,3
Berdasarkan ketiga uji coba yang telah dilakukan terhadap setiap parameter algoritma genetika, maka diperoleh titik optimal untuk memperoleh nilai fitness terbaik,
Berdasarkan ketiga uji coba yang telah dilakukan terhadap setiap parameter algoritma genetika, maka diperoleh titik optimal untuk memperoleh nilai fitness terbaik,
Dari hasil pengujian yang telah dilakukan, dapat disimpulkan bahwa nilai parameter algoritma genetika (ukuran populasi, generasi maksimum, crossover rate, dan mutation rate)
