Particle Swarm Optimization

Top PDF Particle Swarm Optimization:

Particle Swarm Optimization

Particle Swarm Optimization

Particle Swarm Optimization | Particle Swarm Optimization (PSO) adalah salah satu teknik optimasi dan termasuk jenis teknik komputasi evolusi yang dikembangkan oleh Dr. Eberhart dan Dr. Kennedy pada tahun 1995. Metode ini memiliki sifat robust yang bagus untuk memecahkan persoalan yang mempunyai karakteristik nonlinear dan nondifferentiability, multiple optima, dimensi besar melalui adaptasi yang diturunkan dari teori psychology-sosial.

2 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

4.3 Prediksi Cuaca dengan menggunakan Jaringan Saraf Tiruan dan Particle Swarm Optimization (JST-PSO) Setelah melakukan prediksi cuaca menggunakan metode jaringan saraf tiruan, berikutnya dilakukan percobaan prediksi cuaca dengan menggunakan metode gabungan jaringan saraf tiruan dan particle swarm optimization. Hal ini dilakukan untuk mengetahui apakah metode gabungan dapat meningkatkan akurasi dan memperoleh bobot optimum dengan melihat nilai RMSE yang dihasilkan. Hal yang menjadi perbedaan antara kedua metode ini adalah pada algoritma pelatihannya. Pada me- tode artifical neural network yang digunakan sebagai algoritma pelatihan adalah algoritma Lavenberg-Marquadt, sedangkan pada metode gabungan yang digunakan sebagai algoritma pelatihan adalah metode optimasinya, yang dalam hal ini adalah algoritma Particle Swarm Optimization. Sama dengan metode sebelumnya, percobaan ini dilakukan dengan menggunakan variasi jumlah hidden node yang sama dengan metode jaringan saraf tiruan yaitu berjumlah 1 hingga 10 node.
Baca lebih lanjut

186 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

PENDAHULUAN  OPTIMASI PENJADWALAN MATA KULIAH DENGAN METODE PARTICLE SWARM OPTIMIZATION.

PENDAHULUAN OPTIMASI PENJADWALAN MATA KULIAH DENGAN METODE PARTICLE SWARM OPTIMIZATION.

Membangun sebuah perangkat lunak penjadwalan mata kuliah dengan menggunakan metode particle swarm optimization sehingga diperoleh kombinasi terbaik untuk pasangan mata kuliah dan dosen pengajar secara keseluruhan, tidak ada permasalahan bentrokan jadwal pada sisi mahasiswa, serta ketersediaan ruang yang cukup.

6 Baca lebih lajut

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

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

10. Kanthavel, K., Prasad, P.S.S., Vignesh K.P., 2012, A Study of Sweep Algorithm Based Candidate List Performance in Capacitated Vehicle Routing Problem using Nested Particle Swarm Optimization, European Journal of Scientific Research.

189 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.

Teknologi cerdas meniru manusia untuk belajar dari pengalaman mengatasi ketidaktepatan data, respon yang cepat terhadap situasi, dan menambah pengetahuan. Komputasi evolusioner menghasilkan suatu solusi pada ruang pencarian di dalam populasi. Komputasi evolusioner berbasis pada populasi untuk melihat solusi terbaik dari suatu ruang. Particle Swarm Optimization (PSO) merupakan teknik dari komputasi evolusioner yang cukup banyak digunakan (Devi dan Panigrahi, 2011)

13 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

Particle swarm optimization based approach for minimization power loss.

Particle swarm optimization based approach for minimization power loss.

In order to analyze the problem, some of control variables will be considered such as active and reactive power. In this paper, the main tool or technique that will be employed to analyse the loss minimization of power is belong to the Artificial Intelligence (AI) algorithm. The stochastic technique called, Particle Swarm Optimization (PSO) is employed. However, one of the classical method also be used in this paper which is called Newton-Raphson (NR) method. This is because, for the analysis process will be started by Newton-Raphson method and then the PSO method will employed based on the information that has been gathered from the results after Newton-Raphson method used.
Baca lebih lanjut

24 Baca lebih lajut

Segmentasi Pelanggan Menggunakan Metode Particle Swarm Optimization dan K-Means.

Segmentasi Pelanggan Menggunakan Metode Particle Swarm Optimization dan K-Means.

Segmentasi pelanggan merupakan salah satu implementasi data mining. Segmentasi pelanggan membagi pelanggan ke dalam beberapa kelas untuk membantu perusahaan memahami karakteristik setiap pelanggannya. Tugas akhir ini menganalisa 33.441 baris data transaksi perusahaan yang ditransformasi ke dalam bentuk Recency, Frequency, dan Monetary (RFM). Metode clustering yang digunakan untuk melakukan segmentasi pelanggan adalah kombinasi dari Metode Particle Swarm Optimization (PSO) dan K-Means. Kombinasi kedua metode tersebut mengambil keunggulan dari masing-masing metode dan menghilangkan kelemahan yang dimiliki. Metode K-Means sangat sensitif dalam menentukan titik pusat karena dilakukan secara acak. Kelemahan pada titik pusat Metode K-Means tersebut dioptimasi dengan Metode PSO sehingga Metode K-Means dapat melakuan clustering secara lebih baik. Penelitian ini menggunakan beberapa jumlah cluster. Berdasarkan metode validasi cluster yang digunakan yaitu Metode Davies-bouldin Index (DBI) dan Silhouette Index cluster terbaik adalah cluster terbaik yang memiliki nilai Indeks DBI sebesar 0.5 dan nilai Indeks Silhouette sebesar 0.83.
Baca lebih lanjut

39 Baca lebih lajut

BAB 1 PENDAHULUAN  PENERAPAN PARTICLE SWARM OPTIMIZATION PADA CAPACITATED TEAM ORIENTEERING PROBLEM.

BAB 1 PENDAHULUAN PENERAPAN PARTICLE SWARM OPTIMIZATION PADA CAPACITATED TEAM ORIENTEERING PROBLEM.

Tinjauan pustaka berisi gambaran ringkas dari penelitian terdahulu yang pernah dilakukan yang berhubungan dengan permasalahan yang ditinjau pada penelitian ini. Pada Bab 2 juga terdapat landasan teori berisi teori-teori yang mendukung penelitian yang dilakukan mengenai Capacitated Team Orienteering Problem, Particle Swarm Optimization, dan pengenalan ET-Lib. Landasan teori diambil dari buku-buku referensi dan jurnal-jurnal yang berhubungan dengan penelitian ini.

4 Baca lebih lajut

PENENTUAN RUTE PARIWISATA KOTA BANDUNG MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION DETERMINING TOURISM ROUTE IN BANDUNG USING PARTICLE SWARM OPTIMIZATION ALGORITHM

PENENTUAN RUTE PARIWISATA KOTA BANDUNG MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION DETERMINING TOURISM ROUTE IN BANDUNG USING PARTICLE SWARM OPTIMIZATION ALGORITHM

Algoritma Particle Swarm Optimization (PSO) adalah salah satu algoritma komputasi yang mengadopsi perilaku makhluk hidup yang hidup dan bergerak secara berkawanan/berkelompok. Konsep PSO sangatlah sederhana karena PSO dapat diimplementasikan hanya dengan beberapa baris kode dan dalam waktu komputasi yang singkat. Terdapat objek dan operasi matematika pada metode Metode Particle Swarm Optimization

7 Baca lebih lajut

TEKNIK PENALTI PADA OPTIMISASI BERKENDALA MENGGUNAKAN PARTICLE SWARM OPTIMIZATION

TEKNIK PENALTI PADA OPTIMISASI BERKENDALA MENGGUNAKAN PARTICLE SWARM OPTIMIZATION

Constrained optimization is searching optimal solution by satisfying any constraints. Constrained optimization can be solved by exact method or heuristic method. In this research, we will apply heuristic method like Particle Swarm Optimization (PSO). PSO is optimization method inspired from the flock of fish or bird in searching food source. PSO can be applied on constrained optimization. In update particle position, in order that satisfying constraints, particle will be given penalty if the constraint isn’t satisfied. Simulations are applied on two optimization models. The simulations show that penalty technique can find the approaching optimal solution in constrained optimization.
Baca lebih lanjut

9 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

Currently Iris flowers are easily found in around the world with various species. In Greek Iris mean the goddess of the rainbow because Iris species has reached 260 to 300 various species with colorful and light flowers. Because of the large number of Iris species, it is necessary to classify the Iris species. To solve the problem, used the Learning Vector Quantization (LVQ) algorithm which will be optimization using the Particle Swarm Optimization (PSO) algorithm was used to classify species into Sentosa Iris, Virginica Iris and Versicolor Iris category where the species previously recorded on Iris dataset. Then the result of this study was compared with the classification using LVQ algorithm. The average accuracy obtained with PSO-LVQ algorithm is 93.334%, whereas the average accuracy with LVQ algorithm is 84.268%. The differece in accuracy is 9.066% it is mean PSO-LVQ algorithm give more a good provides result than LVQ algorithm.
Baca lebih lanjut

11 Baca lebih lajut

PENERAPAN PARTICLE SWARM OPTIMIZATION UNTUK SELEKSI ATRIBUT PADA METODE SUPPORT VECTOR MACHINE UNTUK PENENTUAN PENILAIAN KREDIT

PENERAPAN PARTICLE SWARM OPTIMIZATION UNTUK SELEKSI ATRIBUT PADA METODE SUPPORT VECTOR MACHINE UNTUK PENENTUAN PENILAIAN KREDIT

Algoritma Particle swarm optimization PSO pertama kali diusulkan oleh Kennedy dan Eberhart pada tahun 1995. Particle swarm optimization (PSO) adalah jenis algoritma kecerdasan yang berasal dari perilaku kawanan burung mencari makan (Yun, Qiu-yan & Hua, 2011). Dapat diasumsikan dengan sekelompok burung yang secara acak mencari makanan di suatu daerah. Hanya ada satu potong makanan di daerah yang dicari tersebut. Burung-burung tidak tahu di mana makanan tersebut. Tapi mereka tahu seberapa jauh makanan tersebut dan posisi rekan-rekan mereka. Jadi strategi terbaik untuk menemukan makanan adalah dengan mengikuti burung yang terdekat dari makanan (Abraham, Grosan & Ramos, 2006). Untuk menemukan solusi yang optimal, maka setiap partikel akan bergerak kearah posisi yang terbaik sebelumnya (pbest) dan posisi terbaik secara global (gbest). Modifikasi kecepatan dan posisi tiap partikel dapat dihitung menggunakan kecepatan saat ini dan jarak pbest i,d ke
Baca lebih lanjut

9 Baca lebih lajut

BAB 1 PENDAHULUAN  ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK MENYELESAIKAN TEAM ORIENTEERING PROBLEM WITH TIME WINDOWS.

BAB 1 PENDAHULUAN ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK MENYELESAIKAN TEAM ORIENTEERING PROBLEM WITH TIME WINDOWS.

Landasan teori berisi teori-teori yang mendukung penelitian yang dilakukan mengenai Orienteering Problem, Orienteering Problem With Time Windows, Particle Swarm Optimization, dan pengenalan ET- Lib. Referensi diambil dari buku-buku dan jurnal- jurnal yang berhubungan dengan penelitian ini. BAB 4 DATA

10 Baca lebih lajut

ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK MENYELESAIKAN TEAM ORIENTEERING PROBLEM WITH TIME  ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK MENYELESAIKAN TEAM ORIENTEERING PROBLEM WITH TIME WINDOWS.

ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK MENYELESAIKAN TEAM ORIENTEERING PROBLEM WITH TIME ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK MENYELESAIKAN TEAM ORIENTEERING PROBLEM WITH TIME WINDOWS.

Syukur dan terima kasih kepada Allah Bapa, Putra, dan Roh Kudus atas kasihnya yang berlimpah diberikan sehingga penulis dapat menyelesaikan Tugas Akhir dengan judul “Algoritma Particle Swarm Optimization untuk Menyelesaikan Team Orienteering Problem With Time Windows”. Tugas Akhir ini ditulis sebagai salah satu

11 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

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

Optimasi Jaringan Syaraf Tiruan Backpropagation Menggunakan Particle Swarm Optimization untuk Deteksi Penderita Penyakit Jantung.

Optimasi Jaringan Syaraf Tiruan Backpropagation Menggunakan Particle Swarm Optimization untuk Deteksi Penderita Penyakit Jantung.

Pada penelitian ini diusulkan implementasi jaringan syaraf tiruan dengan metode pelatihan backpropagation yang bobotnya dioptimasi menggunakan particle swarm optimization guna mendapatkan hasil iterasi yang lebih baik untuk melakukan deteksi penderita jantung atau bukan berdasarkan variabel tertentu.

7 Baca lebih lajut

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

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

Neural network attracts plenty of researchers lately. Substantial number of renowned universities have developed neural network for various both academically and industrially applications. Neural network shows considerable performance on various purposes. Nevertheless, for complex applications, neural network’s accuracy significantly deteriorates. To tackle the aforementioned drawback, lot of research- es had been undertaken on the improvement of the standard neural network. One of the most pro- mising modifications on standard neural network for complex applications is deep learning method. In this paper, we proposed the utilization of Particle Swarm Optimization (PSO) in Convolutional Neural Networks (CNNs), which is one of the basic methods in deep learning. The use of PSO on the training process aims to optimize the results of the solution vectors on CNN in order to improve the recog- nition accuracy. The data used in this research is handwritten digit from MNIST. The experiments exhibited that the accuracy can be attained in 4 epoch is 95.08%. This result was better than the conventional CNN and DBN. The execution time was also almost similar to the conventional CNN. Therefore, the proposed method was a promising method.
Baca lebih lanjut

7 Baca lebih lajut

Show all 1638 documents...