Algoritma ACO (Ant Colony Optimization)
Algoritma ACO (Ant Colony Optimization) adalah salah satu
algoritma yang digunakan untuk pencarian jalur. Contoh yang
dibahas kali ini adalah mengenai pencarian jalur yang melalui semua
titik tujuan dengan jarak paling rendah.
Ant Colony Optimization adalah teknik probabilitas untuk
menyelesaikan permasalahan, berdasarkan tingkah laku semut
dalam sebuah koloni yang mencari sumber makanan. Teknik ini
dapat digunakan untuk menemukan solusi dari permasalahan
kompleks untuk mendapatkan jalur optimal dalam grafik.
Algoritma PSO (Particle Swarm Optimization)
Algoritma PSO (Particle Swarm Optimization) adalah salah satu
algoritma optimasi yang dapat digunakan untuk pengambilan
keputusan. Tetapi bisa juga digunakan untuk pencarian jalur.
Contoh yang dibahas kali ini adalah mengenai pencarian posisi
dengan pengembalian nilai fungsi minimal. .
Particle Swarm Optimization adalah teknik optimasi dengan cara
menghitung secara terus menerus calon solusi dengan
menggunakan suatu acuan kualitas. Algoritma ini mengoptimasi
permasalahan dengan cara menggerakan partikel / calon solusi di
dalam ruang permasalahan menggunakan fungsi tertentu untuk
posisi dan kecepatan dari partikel. Pergerakan partikel dipengaruhi
oleh solusi terbaik partikel tersebut, dan solusi terbaik secara umum
yang didapatkan dari partikel lain. Sekumpulan partikel ini
dinamakan swarm, dan pada akhirnya swarm ini akan bergerak
menuju kepada solusi terbaik.
Salah satu pengembangan algoritma ini adalah algoritma MSO
(Multi Swarm Optimization), dimana digunakan lebih dari 1 swarm
untuk menyelesaikan permasalahan.
Algoritma CA (Cultural Algorithm)
Algoritma CA (Cultural Algorithm) adalah salah satu algoritma
optimasi yang dapat digunakan untuk pengambilan keputusan.
Contoh yang dibahas kali ini adalah mengenai pencarian posisi
dengan pengembalian nilai fungsi maksimal.
Diasumsikan ada sebaran titik 2 dimensi antara -2 sampai dengan 2
Fungsi yang diketahui adalah fungsi Himmelblau, dengan rumus f(x,
y) = (x^2+y-11)^2 + (x+y^2-7)^2
Tentukan posisi dimana fungsi tersebut mengembalikan nilai
maksimal
Fungsi Himmelblau adalah salah satu fungsi yang dapat digunakan
untuk mengoptimasi suatu permasalahan. Fungsi ini memiliki sebuah
nilai maksimum pada x = -0.270845, and y = -0.923039 dengan nilai
fungsi sebesar f(x,y) = 181.617, dengan asumsi bahwa rentang
minimal dan maksimal dari sebaran titik adalah -2 sampai dengan 2
Algoritma CMA-ES (Covariance Matrix Adaptation –
Evolution Strategy)
Algoritma CMA-ES (Covariance Matrix Adaptation – Evolution
Strategy) adalah salah satu algoritma optimasi yang dapat digunakan
untuk pengambilan keputusan. Contoh yang dibahas kali ini adalah
mengenai pencarian posisi dengan pengembalian nilai fungsi
maksimal.
Diasumsikan ada sebaran titik 2 dimensi antara -2 sampai dengan 2
Fungsi yang diketahui adalah fungsi Himmelblau, dengan rumus f(x,
y) = (x^2+y-11)^2 + (x+y^2-7)^2
Tentukan posisi dimana fungsi tersebut mengembalikan nilai
maksimal
Fungsi Himmelblau adalah salah satu fungsi yang dapat digunakan
untuk mengoptimasi suatu permasalahan. Fungsi ini memiliki sebuah
nilai maksimum pada x = -0.270845, and y = -0.923039 dengan nilai
fungsi sebesar f(x,y) = 181.617, dengan asumsi bahwa rentang
minimal dan maksimal dari sebaran titik adalah -2 sampai dengan 2
Algoritma Kalman Filter
Algoritma Kalman Filter adalah salah satu algoritma yang digunakan
untuk memperkirakan hasil berikutnya berdasarkan data-data yang
sudah ada sebelumnya. Contoh yang dibahas kali ini adalah
mengenai memperkirakan penjualan pada periode berikutnya
berdasarkan data penjualan pada periode sebelumnya.
Algoritma ini biasanya digunakan untuk melakukan estimasi data
sebenarnya berdasarkan data observasi yang mengandung noise
dan beberapa faktor ketidaktepatan lainnnya, dan itulah arti kata
“Filter” pada algoritma ini. Tetapi dalam kasus ini, algoritma ini akan
digunakan untuk memprediksikan nilai kedepannya, yang diperoleh
dari nilai filter pada akhir perhitungan.
Algoritma Unscented Kalman Filter
Algoritma Unscented Kalman Filter adalah salah satu algoritma yang
digunakan untuk memperkirakan hasil berikutnya berdasarkan data-
data yang sudah ada sebelumnya. Contoh yang dibahas kali ini
adalah mengenai memperkirakan penjualan pada periode
berikutnya berdasarkan data penjualan pada periode sebelumnya.
Algoritma ini merupakan pengembangan dari Algoritma Kalman
Filter dan memiliki kedekatan dengan Algoritma Extended Kalman
Filter yang sudah dijelaskan sebelumnya. Algoritma ini bekerja
dengan menggunakan data sample yang disebut dengan sigma yang
kemudian akan dilakukan proses transformasi Unscented untuk
mendapatkan estimasi rata-rata dan kovarians non-linier. Langkah
perhitungan berikutnya adalah melakukan filter menggunakan
variabel tersebut.
Algoritma SCE (Shuffled Complex Evolution)
Algoritma SCE (Shuffled Complex Evolution) adalah salah satu
algoritma optimasi yang dapat digunakan untuk pengambilan
keputusan. Contoh yang dibahas kali ini adalah mengenai pencarian
posisi dengan pengembalian nilai fungsi maksimal.
Diasumsikan ada sebaran titik 2 dimensi antara -2 sampai dengan 2
Fungsi yang diketahui adalah fungsi Himmelblau, dengan rumus f(x,
y) = (x^2+y-11)^2 + (x+y^2-7)^2
Tentukan posisi dimana fungsi tersebut mengembalikan nilai
maksimal
Algoritma Extended Kalman Filter
Algoritma Extended Kalman Filter adalah salah satu algoritma yang
digunakan untuk memperkirakan hasil berikutnya berdasarkan data-
data yang sudah ada sebelumnya. Contoh yang dibahas kali ini
adalah mengenai memperkirakan penjualan pada periode
berikutnya berdasarkan data penjualan pada periode sebelumnya.
Algoritma ini merupakan pengembangan dari Algoritma Kalman
Filter yang sudah dijelaskan sebelumnya. Algoritma ini digunakan
dalam permasalahan non-linier, dan yang akan dilakukan algoritma
ini adalah melakukan linearisasi pada rata-rata dan kovarians non-
linier dan kemudian melakukan proses filter menggunakan variabel
tersebut.
Algoritma SFLA (Shuffled Frog Leaping Algorithm)
Algoritma SFLA (Shuffled Frog Leaping Algorithm) adalah salah
satu algoritma optimasi yang dapat digunakan untuk pengambilan
keputusan. Contoh yang dibahas kali ini adalah mengenai pencarian
posisi dengan pengembalian nilai fungsi maksimal.
Analogi dari istilah “Frog Leap” juga digunakan dalam permainan
tradisional. Orang pertama akan membungkukan diri, kemudian
orang kedua yang berada dibelakang orang pertama akan
menggunakan punggung orang pertama untuk melompati orang
pertama tersebut. Selanjutnya orang kedua akan membungkukan diri,
kemudian orang pertama akan menggunakan punggung orang kedua
untuk melompati orang kedua tersebut. Demikian seterusnya sampai
permainan dihentikan. Dalam kasus ini, anak dari sebuah induk akan
melompati induk tersebut menuju solusi terbaik.Diasumsikan ada
sebaran titik 2 dimensi antara -2 sampai dengan 2
Fungsi yang diketahui adalah fungsi Himmelblau, dengan rumus f(x,
y) = (x^2+y-11)^2 + (x+y^2-7)^2
Tentukan posisi dimana fungsi tersebut mengembalikan nilai
maksimal
lgoritma AMO (Amoeba Method Optimization) / Nelder-
Mead Method
Algoritma AMO (Amoeba Method Optimization) / Nelder-Mead
Method adalah salah satu algoritma optimasi yang dapat digunakan
untuk pengambilan keputusan. Contoh yang dibahas kali ini adalah
mengenai pencarian posisi dengan pengembalian nilai fungsi
maksimal.
Amoeba Method Optimization, atau disebut juga dengan Nelder-
Mead Method dan Simplex Optimization, adalah metode numerik
umum yang digunakan untuk mencari nilai minimal atau maksimal
dari sebuah fungsi obyektif pada ruang multi dimensi. Simplex
Optimization bekerja dengan cara membentuk segitiga solusi yang
dikatakan sebagai solusi terbaik – lainnya – terburuk. Pada setiap
perhitungan, segitiga ini akan dihitung sehingga semakin mendekati
solusi yang terbaik. Apabila segitiga ini digambar secara berurutan
pada setiap perulangan, gerakan segitiga yang terjadi mirip dengan
pola gerakan Amoeba.
Diasumsikan ada sebaran titik 2 dimensi antara -2 sampai dengan 2
Fungsi yang diketahui adalah fungsi Himmelblau, dengan rumus f(x,
y) = (x^2+y-11)^2 + (x+y^2-7)^2
Tentukan posisi dimana fungsi tersebut mengembalikan nilai
maksimal
Algoritma Random Search: ASSRS (Adaptive Step Size
Random Search)
Algoritma Random Search adalah salah satu algoritma optimasi yang
dapat digunakan untuk pengambilan keputusan. Contoh yang dibahas
kali ini adalah mengenai pencarian posisi dengan pengembalian nilai
fungsi maksimal.
Algoritma ini memiliki beberapa variasi yaitu:
 FSSRS (Fixed Step Size Random Search)
 OSSRS (Optimum Step Size Random Search)
 ASSRS (Adaptive Step Size Random Search)
 ORSSRS (Optimized Relative Step Size Random Search)
Variasi yang dibahas kali ini adalah variasi ASSRS (Adaptive Step
Size Random Search). Akan terdapat 2 radius, yaitu radius normal
dan radius yang lebih besar. Solusi akan dihitung berdasarkan nilai
acak dalam masing-masing radius. Radius normal akan menjadi
radius yang lebih besar jika memenuhi syarat tertentu, dan radius
yang lebih besar akan diperkecil apabila memenuhi syarat tertentu.
Proses tersebut dilakukan sampai jumlah perulangan telah terpenuhi.
Algoritma Random Search: FSSRS (Fixed Step
Size Random Search)
Algoritma Random Search adalah salah satu algoritma optimasi yang
dapat digunakan untuk pengambilan keputusan. Contoh yang dibahas
kali ini adalah mengenai pencarian posisi dengan pengembalian nilai
fungsi maksimal.
Algoritma ini memiliki beberapa variasi yaitu:
 FSSRS (Fixed Step Size Random Search)
 OSSRS (Optimum Step Size Random Search)
 ASSRS (Adaptive Step Size Random Search)
 ORSSRS (Optimized Relative Step Size Random Search)
Variasi yang dibahas kali ini adalah variasi FSSRS (Fixed Step Size
Random Search). Pencarian acak dilakukan dari posisi terbaik yang
memiliki nilai radius yang tetap. Proses tersebut dilakukan sampai
jumlah perulangan telah terpenuhi.
Algoritma SCA (Sine Cosine Algorithm)
Algoritma SCA (Sine Cosine Algorithm) adalah salah satu algoritma
optimasi yang dapat digunakan untuk pengambilan keputusan.
Contoh yang dibahas kali ini adalah mengenai pencarian posisi
dengan pengembalian nilai fungsi maksimal.
Algoritma ini menggunakan 2 buah fungsi, yaitu fungsi sinus dan
kosinus dalam melakukan pergerakan dari masing-masing individu.
Pada awalnya, panjang gelombang sinus / kosinus akan bernilai
besar untuk memperluas ruang pencarian, kemudian semakin lama
semakin mengecil agar posisi dari sebuah individu sudah tidak
berpindah-pindah lagi.
Diasumsikan ada sebaran titik 2 dimensi antara -2 sampai dengan 2
Fungsi yang diketahui adalah fungsi Himmelblau, dengan rumus f(x,
y) = (x^2+y-11)^2 + (x+y^2-7)^2
Tentukan posisi dimana fungsi tersebut mengembalikan nilai
maksimal
OCR (Optical Character Recognition) dengan
teknik Back-Propagation
Algoritma DSA (Differential Search Algorithm): Hybrid-
DSA
Algoritma DSA (Differential Search Algorithm) adalah salah satu
algoritma optimasi yang dapat digunakan untuk pengambilan
keputusan. Contoh yang dibahas kali ini adalah mengenai pencarian
posisi dengan pengembalian nilai fungsi maksimal.
Algoritma ini memiliki beberapa variasi cara perhitungan
morfogenesis yaitu:
 B-DSA (BIJECTIVE DSA)
 S-DSA (SURJECTIVE DSA)
 E1-DSA (ELITIST DSA jenis pertama)
 E2-DSA (ELITIST DSA jenis kedua)
 Hybrid-DSA
Variasi yang dibahas kali ini adalah variasi Hybrid-DSA. Hybrid-
DSA adalah perpaduan antara metode B-DSA (BIJECTIVE DSA)
dan S-DSA (SURJECTIVE DSA). Sehingga dalam setiap
perulangan akan digunakan salah satu dari metode tersebut
Diasumsikan ada sebaran titik 2 dimensi antara -2 sampai
dengan 2
Fungsi yang diketahui adalah fungsi Himmelblau,
dengan rumus f(x, y) = (x^2+y-11)^2 + (x+y^2-7)^2
Tentukan posisi dimana fungsi tersebut
mengembalikan nilai maksimal
Algoritma CMA-ES (Covariance Matrix Adaptation –
Evolution Strategy)
Algoritma CMA-ES (Covariance Matrix Adaptation – Evolution
Strategy) adalah salah satu algoritma optimasi yang dapat digunakan
untuk pengambilan keputusan. Contoh yang dibahas kali ini adalah
mengenai pencarian posisi dengan pengembalian nilai fungsi
maksimal.
Diasumsikan ada sebaran titik 2 dimensi antara -2 sampai dengan 2
Fungsi yang diketahui adalah fungsi Himmelblau, dengan rumus f(x,
y) = (x^2+y-11)^2 + (x+y^2-7)^2
Tentukan posisi dimana fungsi tersebut mengembalikan nilai
maksimal
Fungsi Himmelblau adalah salah satu fungsi yang dapat digunakan
untuk mengoptimasi suatu permasalahan. Fungsi ini memiliki sebuah
nilai maksimum pada x = -0.270845, and y = -0.923039 dengan nilai
fungsi sebesar f(x,y) = 181.617, dengan asumsi bahwa rentang
minimal dan maksimal dari sebaran titik adalah -2 sampai dengan 2