modified particle swarm optimization

Top PDF modified particle swarm optimization:

Hibridisasi Metode Fuzzy K-Nearest Neighbor Dengan Metode Modified Particle Swarm Optimization Pada Pengklasifikasian Penyakit Tanaman Kedelai

Hibridisasi Metode Fuzzy K-Nearest Neighbor Dengan Metode Modified Particle Swarm Optimization Pada Pengklasifikasian Penyakit Tanaman Kedelai

Pada penelitian ini MPSO (Modified Particle Swarm Optimization) yang merupakan varian lain dari PSO digunakan untuk mengoptimasi parameter Fk-NN. Penelitian ini membangun sebuah model untuk mengevaluasi pemberian kredit berbasis klasifikasi Fk- NN dan MPSO, dengan kata lain, pengoptimalan parameter Fk-NN oleh MPSO diharapkan meningkatkan akurasi klasifikasi.

7 Baca lebih lajut

OPTIMASI FUNGSI KEANGGOTAAN FUZZY BERBASIS ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION

OPTIMASI FUNGSI KEANGGOTAAN FUZZY BERBASIS ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION

Pada penelitian ini optimasi berbasis algoritma Modified Particle Swarm Optimization (MPSO) diterapkan untuk mengoptimasi fungsi keanggotaan fuzzy. Terdapat dua metode MPSO yang diterapkan yaitu metode Linear Decreasing Inertia Weight (LDIW) dan Constriction Factor Method (FCM). Masing-masing metode tersebut diuji dengan 10 kali percobaan pada dua jenis jumlah particle yaitu 50 dan 20 particle. Dari hasil pengujian diperoleh bahwa pada jumlah particle yang sama, CFM memperoleh nilai global best fitness yang lebih optimal daripapa metode LDIW. Pengujian sebanyak 10 kali percobaan dan menerapkan 50 particle, pada percobaan pertama diperoleh nilai global best fitness yaitu 1,4; 1,4; 2,36 dan 3,28 untuk masing-masing variabel produktifitas, keterisolasian, hubungan sosial dan aksesibilitas. Pengujian sebanyak 10 kali percobaan dan menerapkan 20 particle diperoleh nilai global best fitness yaitu 2,34; 2,40; 2,37 dan 3,36 untuk masing-masing variabel. Di sisi lain metode CFM memperoleh hasil konvergensi yang lebih cepat dari pada metode LIDW. Pengujian pada 100 swarm metode LDIW menemukan global best fitness pada swarm 91, 84, 54 dan 38 untuk masing- masing variabel, sementara dengan metode CFM menemukan global best fitness pada swarm 81, 23, 34 dan 23.
Baca lebih lanjut

10 Baca lebih lajut

Economic Dispatch Thermal Generator Using Modified Improved Particle Swarm Optimization

Economic Dispatch Thermal Generator Using Modified Improved Particle Swarm Optimization

Economic dispatch is used to divide the power to be generated by each generation of a number of existing plants to meet system load requirements are aimed at getting the minimum fuel costs. Therefore, to obtain the total minimum cost of fuel, the method Improved Modified Particle Swarm Optimization (MIPSO) in the calculation of economic dispatch with equality and inequality constraints is used. Equality constraints reflect a real balance of power and inequality constraints reflect the minimum and maximum generation that must be met in order to obtain the total minimum cost of fuel. Coal-fired optimized in this study is thermal power system 500 kV Java-Bali interconnection working at peak load.
Baca lebih lanjut

12 Baca lebih lajut

A 33kV Distribution Network Feeder Reconfiguration by Using REPSO for Voltage Profile Improvement.

A 33kV Distribution Network Feeder Reconfiguration by Using REPSO for Voltage Profile Improvement.

[6] Cui-Ru Wang and Yun-E Zhang, “Distribution Network Reconfiguration Based On Modified Particle Swarm Optimization Algorithm, ” International Conference on Machine Learning and Cybernetics, Aug. 2006, pp. 2077- 2078. [7] Y. Fukuyama. Et al., “Parctical distribution state estimation using hybrid particle swarm optimization”, Proc. Of IEEE Trans. on power engineering society winter meeting, Columbus, vol. 2, pp 815-820, 2001.

14 Baca lebih lajut

CFBPSO sebagai Solusi Economic Dispatch pada Sistem Kelistrikan 500 kV Jawa-Bali

CFBPSO sebagai Solusi Economic Dispatch pada Sistem Kelistrikan 500 kV Jawa-Bali

Abstract -- The most substantial component of the operating cost of thermal generation is fuel costs. The problem of how to minimize the cost of fuel to determine the combination of the output power of each generating unit with the fulfillment of load constraint systems and limit the ability of each generating unit known as economic dispatch (ED). In this study, the proposed method Modified Improved Particle Swarm Optimization (MIPSO) approach Contriction Factor Based Particle Swarm Optimization (CFBPSO) then this approach is applied in 2 cases the power system in the case of IEEE 30 bus at loading 800 MW and 500 kV power system Jawa-Bali with 12058 MW peak load. The IEEE 30 bus simulation results, the method MIPSO with CFBPSO approach is able to produce the most optimal economic solution than IPSO approach and Quadratic Programming. For the case of 500 kV power system is Jawa- Bali, MIPSO method with this approach is also able to provide the most optimal solution compared with the real system PT. PLN (Persero).
Baca lebih lanjut

7 Baca lebih lajut

Complex Optimization problems Using Highly Efficient Particle Swarm Optimizer

Complex Optimization problems Using Highly Efficient Particle Swarm Optimizer

In this paper, we modified the traditional PSO (TPSO) algorithm with the dynamic transition strategy ofinertia factor, search space boundary andsearchvelocitythresholdbased on individual cognitionin each cycle,whichcan balance the global search ability and local search ability of particles, and has an excellent search performance to lead the search direction in early convergence stage of search process. Experimental results on several complexbenchmark functions demonstrate that this is a verypromisingway to improve the solution quality and rate of success significantly in optimizing complex engineering problems.
Baca lebih lanjut

8 Baca lebih lajut

PENDAHULUAN  OPTIMASI PENJADWALAN MATA KULIAH DENGAN METODE PARTICLE SWARM OPTIMIZATION.

PENDAHULUAN OPTIMASI PENJADWALAN MATA KULIAH DENGAN METODE PARTICLE SWARM OPTIMIZATION.

Berdasarkan uraian tersebut maka dalam skripsi ini akan dijelaskan bahwa dengan bantuan metode Particle Swarm Optimization (PSO) penyusunan penjadwalan mata kuliah dapat dioptimalkan. Program dapat mencari solusi penjadwalan yang dapat digunakan baik oleh dosen, kelas maupun ruangan yang terlibat dalam suatu mata kuliah.

6 Baca lebih lajut

1. ANALISIS PEMBANGKITAN JADWAL PERKULIAHAN DENGAN DISCRETE PARTICLE SWARM OPTIMIZATION.

1. ANALISIS PEMBANGKITAN JADWAL PERKULIAHAN DENGAN DISCRETE PARTICLE SWARM OPTIMIZATION.

19. Pang, W., Wang, Kang-ping, Zhou Chun-guang, Dong, Long-jiang, 2004, Fuzzy Discrete Particle Swarm Optimization for Solving Traveling Salesman Problem, IEEE, Proceedings of the Fourth International Conference on Computer and Information Technology (CIT’04).

189 Baca lebih lajut

Particle swarm optimization based approach for minimization power loss.

Particle swarm optimization based approach for minimization power loss.

In this case, non-linear technique must be employed. The non-linear or optimization problem that will be analysed in power system is in regard to loss minimization of power. Optimization techniques have been applied to power systems in a wide range of problems. Depending on the study focused, the optimization technique employed may take into account some simplifications on the set of equations. Such simplifications may simplify the solution, leading one to employ

24 Baca lebih lajut

i HALAMAN JUDUL - Prediksi Cuaca Untuk Peningkatan Keselamatan Penerbangan dengan Menggunakan Jaringan Saraf Tiruan dan Particle Swarm Optimization - ITS Repository

i HALAMAN JUDUL - Prediksi Cuaca Untuk Peningkatan Keselamatan Penerbangan dengan Menggunakan Jaringan Saraf Tiruan dan Particle Swarm Optimization - ITS Repository

Weather has a significant role in aviation accidents that amounted to 23% of all flights. In an effort to reduce accidents requires a precise and accurate method of weather prediction, so that it can assist in making a decision before the flight or flight time is in progress. To solve this problem, research on weather prediction using a combined method of neural network and particle swarm optimization (ANN-PSO) was conducted. The best RMSE value using ANN-PSO combined method is found in the hidden node of 6 nodes in the predicted wind speed of 0.0721 and 9 nodes in the visibility prediction of 0.0837. It can be concluded from these results that Particle Swarm Optimization method can produce the optimum weight and can do weather prediction to improve flight safety, seen from root mean square error (RMSE) value produced by the combined method is similar to without using Particle Swarm Optimization method.
Baca lebih lanjut

186 Baca lebih lajut

TESIS  ANALISIS PEMBANGKITAN JADWAL PERKULIAHAN DENGAN DISCRETE PARTICLE SWARM OPTIMIZATION.

TESIS ANALISIS PEMBANGKITAN JADWAL PERKULIAHAN DENGAN DISCRETE PARTICLE SWARM OPTIMIZATION.

Metode traditional forward checking, metaheuristik, algoritma genetik, tabu search, PSO, pernah digunakan untuk meyelesaikan timetable. PSO (Particle Swarm Optimization) adalah salah satu algoritma terbaru dari algoritma swarm intelligence. PSO memiliki dasar kecerdasan yang baik. Algoritma DPSO (Discrete Particle Swarm Optimization) merupakan pengembangan dari algoritma PSO. PSO menggunakan perhitungan secara numerik, sedangkan DPSO menggunakan konsep permutasi. Masalah timetable dalam komputasi dapat dilihat sebagai masalah diskret sehingga algoritma DPSO dapat digunakan untuk menyelesaikan masalah timetable. Paper ini mencoba untuk mengaplikasikan algoritma DPSO untuk optimasi timetable perkuliahan. Teknik penyebaran data pada partikel dilakukan secara random. jumlah partikel dan jumlah pergerakan partikel (epoch) mendekati posisi terbaik cocok ditentukan sebelum melakukan generate timetable. Saat terjadi indikasi pelanggaran terhadap hard constraint, maka algoritma akan mendeteksi bagian dari partikel yang melanggar hard constraint untuk menghindari pelanggaran.
Baca lebih lanjut

13 Baca lebih lajut

2.1 ANALISIS PEMBANGKITAN JADWAL PERKULIAHAN DENGAN DISCRETE PARTICLE SWARM OPTIMIZATION.

2.1 ANALISIS PEMBANGKITAN JADWAL PERKULIAHAN DENGAN DISCRETE PARTICLE SWARM OPTIMIZATION.

PSO adalah salah satu algoritma terbaru dari Swarm Intelligence (SI), dibandingkan dengan Algoritma Genetik (GA) dan Simulated Annealing (SA) (Hsieh dkk, 2007., Huang dkk, 2011). PSO mirip dengan GA, hanya saja tidak memiliki operator seleksi, crossover dan mutasi (Mozafaria dkk, 2011., Chen, 2010). PSO telah berhasil didemonstrasi untuk optimasi numerik, dan dinyatakan bahwa PSO merupakan alternatif dari global optimization. Evolusi natural pada PSO diterapkan untuk memunculkan generasi baru dari calon solusi.

13 Baca lebih lajut

Fuzzy Clustering Image Segmentation Based on Particle Swarm Optimization

Fuzzy Clustering Image Segmentation Based on Particle Swarm Optimization

Image segmentation refers to the technology to segment the image into different regions with different characteristics and to extract useful objectives, and it is a key step from image processing to image analysis. Based on the comprehensive study of image segmentation technology, this paper analyzes the advantages and disadvantages of the existing fuzzy clustering algorithms; integrates the particle swarm optimization (PSO) with the characteristics of global optimization and rapid convergence and fuzzy clustering (FC) algorithm with fuzzy clustering effects starting from the perspective of particle swarm and fuzzy membership restrictions and gets a PSO-FC image segmentation algorithm so as to effectively avoid being trapped into the local optimum and improve the stability and reliability of clustering algorithm. The experimental results show that this new PSO-FC algorithm has excellent image segmentation effects.
Baca lebih lanjut

9 Baca lebih lajut

Arie Rachmad Syulistyo, et al., Particle Swarm Optimization 53

Arie Rachmad Syulistyo, et al., Particle Swarm Optimization 53

works” [2]. Deep learning is research intersection between many areas, such as neural networks, ar- tificial intelligence, pattern recognition, signal processing, optimization, and graphical model. Feedforward neural networks or Multilayer Per- ceptron (MLPs) with many hidden layers, which is often called Deep Neural Networks (DNN), is a good example of a model with deep architecture. Deep learning demonstrated impressive results and has been applied in several fields, like object recognition, computer vision, voice search, con- versational speech recognition, and language pro- cessing.
Baca lebih lanjut

7 Baca lebih lajut

KLASIFIKASI TINGKAT PENGETAHUAN IBU DALAM PEMBERIAN ASI EKSKLUSIF MENGGUNAKAN ALGORITMA DECISION TREE C4.5 BERBASIS PSO

KLASIFIKASI TINGKAT PENGETAHUAN IBU DALAM PEMBERIAN ASI EKSKLUSIF MENGGUNAKAN ALGORITMA DECISION TREE C4.5 BERBASIS PSO

Pemberian Air Susu Ibu (ASI) eksklusif di Indonesia masih sangat memprihatinkan dan perlu banyak mendapat perhatian dari semua pihak. Kesadaran ibu untuk memberikan ASI secara eksklusif masih sangat rendah dan menunjukkan penurunan dari tahun ketahun. Pada tahun 2008 cakupan ASI eksklusif di Indonesia hanya 24,3%, tahun 2009 adalah 34,3%, tahun 2010 hanya 15,3%, sedangkan target yang ingin dicapai adalah 80%. Rendahnya pemberian ASI eksklusif ini menjadi pemicu rendahnya status gizi bayi dan balita dan dapat menjadi penyebab tidak langsung kematian bayi. ASI memegang peranan penting untuk menjaga kesehatan dan kelangsungan hidup bayi karena ASI adalah makanan yang terbaik untuk bayi, oleh karena itu sangat disayangkan apabila sesudah persalinan ibu tidak memberikan ASI secara eksklusif atau bahkan menghentikan sama sekali pemberian ASI kepada bayinya. Hal demikian dapat terjadi karena beberapa faktor yaitu salah satunya adalah karena kurangnya tingkat pengetahuan ibu dalam pemberian ASI eksklusif. Dari kasus ini metode yang diusulkan adalah algoritma decision tree C4.5 berbasis particle swarm optimization (PSO) dengan harapan dapat menghasilkan akurasi yang baik untuk menentukan prediksi tingkat pengetahuan ibu dalam pemberian ASI eksklusif.
Baca lebih lanjut

5 Baca lebih lajut

Optimasi Komposisi Bahan Makanan bagi Pasien Rawat Jalan Penyakit Jantung dengan Menggunakan Algoritme Particle Swarm Optimization (PSO)

Optimasi Komposisi Bahan Makanan bagi Pasien Rawat Jalan Penyakit Jantung dengan Menggunakan Algoritme Particle Swarm Optimization (PSO)

1. Pada pengimplementasian algoritme particle swarm optimization (PSO) dengan permasalahan optimasi komposisi bahan makanan bagi pasien rawat jalan penyakit jantung ini dilakukan sesuai dengan cara kerja algoritme tersebut. Pada proses inisialisasi awal dari algoritmeparticle swarm optimization, penelitian ini menggunakan angka acak dimulai dari 1 sampai dengan 56. Selanjutnya angka acak tersebut akan dilakukan perhitungan pencarian nilai indeks bahan makanan sehingga nilainya sesuai dengan masing-masing bahan makanan yang digunakan. Pada proses perhitungan nilai fitness, dibutuhkan nilai selisih kandungan gizi dengan penalti, harga bahan makanan dan jumlah variasi. Setelah melakukan tahapan pengujian, maka dapat disimpulkan bahwa parameter particle swarm optimization yang sesuai untuk penelitian ini adalah jumlah partikel sebanyak 40, nilai ω max sebesar 0,75,
Baca lebih lanjut

10 Baca lebih lajut

Penerapan Algoritme Particle Swarm Optimization-Learning Vector Quantization (PSO-LVQ) Pada Klasifikasi Data Iris

Penerapan Algoritme Particle Swarm Optimization-Learning Vector Quantization (PSO-LVQ) Pada Klasifikasi Data Iris

2.4 Particle Swarm Optimization (PSO) Particle Swarm Optimization (PSO) merupakan metode optimasi yang diperkenalkan Kennedy dan Eberhart tahun 1995 berdasarkan penelitian dengan melihat perilaku kawanan burung. Setiap partikel pada Particle Swarm Optimization memiliki kecepatan partikel yang dinamis sesuai dengan perilaku historis mereka. Maka dari itu, partikel berkecenderungan untuk bergerak menuju daerah pencarian yang lebih baik selama proses pencarian. Dalam algoritme PSO terdapat beberapa proses sebagai berikut: 1. Inisialisasi
Baca lebih lanjut

11 Baca lebih lajut

Optimasi Fungsi Keanggotaan Fuzzy Inference System Tsukamoto dengan Particle Swarm Optimization pada Penentuan Jumlah Produksi Gula (Studi Kasus : Pabrik Gula Kebonagung Malang)

Optimasi Fungsi Keanggotaan Fuzzy Inference System Tsukamoto dengan Particle Swarm Optimization pada Penentuan Jumlah Produksi Gula (Studi Kasus : Pabrik Gula Kebonagung Malang)

Production is an activity that resulted in goods and services with the usage of resources called production factor. The usual factors for sugar productions is farming area, sugar cane rendement, sugar cane amount, amount of labors, mechine operations, supporting materials and grinding time. Based on previous studies, the major factors that applies to PG. Kebonagung Malang are sugar cane amount, rendement, labor, and machine operations. Studies that estimate sugar production amount already exist, but it’s st ill not optimal. This research was meant to optimize the estimation of sugar production of PG. Kebonagung Malang with particle swarm optimization method to optimize tsukamoto fuzzy inference system. Testing was done with varying particle counts and varying iteration. Computation speed decreases when the number of iterations and particles count increases. Every test with different particle count and iterations results in different fitness value.
Baca lebih lanjut

7 Baca lebih lajut

Analisis Galat Fungsi Keanggotaan Fuzzy Pada Metode Mamdani Dan Metode Sugeno

Analisis Galat Fungsi Keanggotaan Fuzzy Pada Metode Mamdani Dan Metode Sugeno

Fuzzy membership function generation using particle swarm optimization.. International Journal of Open Problem Computational Mathematic31 : 28-41.[r]

3 Baca lebih lajut

PENENTUAN KELAYAKAN KREDIT BANK MENGGUNAKAN NAIVE BAYES CLASSIFIER BERBASIS PARTICLE SWARM OPTIMIZATION.

PENENTUAN KELAYAKAN KREDIT BANK MENGGUNAKAN NAIVE BAYES CLASSIFIER BERBASIS PARTICLE SWARM OPTIMIZATION.

Salah satu teknik klasifikasi data mining adalah Naïve Bayes Classifier (NBC) , namun hasil akurasinya masih kurang dibanding algoritma C4.5 dan neural network. NBC unggul jika diterapkan pada data ukuran besar, namun lemah pada seleksi atribut. Artikel ini berisi tentang penggunaan algoritma Particle Swarm Optimizatin (PSO) untuk membobot atribut guna meningkatkan nilai akurasi NBC. Penelitian ini menggunakan data set publik German Credit Data. Proses validasi menggunakan tenfold-cross validation, sedangkan pengujian modelnya menggunakan confusion matrix dan kurva ROC. Hasilnya menunjukan akurasi NBC meningkat dari 73,70% menjadi 78,00% setelah dikombinasikan dengan PSO.
Baca lebih lanjut

5 Baca lebih lajut

Show all 2585 documents...