011 Miu 11 1 Tri Aria
011 Miu 11 1 Tri Aria
bidang
TEKNIK
H a l a ma n 135
Majalah Ilmiah UNIKOM Vol.11 No. 1 Tri Rahajoeningroem & Muhammad Aria
H a l a m a n 136
Tri Rahajoeningroem & Muhammad Aria Majalah Ilmiah UNIKOM Vol.11 No. 1
H a l a ma n 137
Majalah Ilmiah UNIKOM Vol.11 No. 1 Tri Rahajoeningroem & Muhammad Aria
(4)
adalah vektor dua dimensi yang Clerc dan Kennedy [9] pada tahun 2002
memiliki nilai acak yang terdistribusi merata memperkenalkan penggunaan constriction
yang dibangkitkan setiap kali iterasi dimana factor pada update rule kecepatan. Tujuan
nilainya akan berada diantara rentang nilai penggunaan constriction factor adalah
0 dan 1. Sedangkan * adalah operator mencegah penambahan kecepatan partikel
perkalian vektor elemen per elemen. menuju nilai yang terlalu besar dan juga
Pada algoritma original PSO, setiap untuk mengendalikan konvergensi dari
partikel memiliki dua penarik pergerakan partikel.
Variabel constriction factor ini
yaitu dan . Tetapi ditambahkan pada persamaan (4) sehingga
berdasarkan beberapa penelitian menjadi
menunjukkan bahwa penarikan yang terlalu
kuat ke posisi akan mengakibatkan (7)
konvergensi yang terlalu cepat. Maka
diusulkanlah variasi dari original PSO yang
disebut sebagai local PSO.
H a l a m a n 138
Tri Rahajoeningroem & Muhammad Aria Majalah Ilmiah UNIKOM Vol.11 No. 1
pengontrol yang disebut sebagai inertia Fully Informed Particle Swarm Optimizer
weight untuk mengontrol diversifikasi dari (Fully Informed PSO)
original PSO. Maka persamaan (4) akan
menjadi Mendes [13] pada tahun 2004
mengusulkan algoritma yang bernama Fully
(9) Informed PSO, dimana suatu partikel akan
menggunakan informasi mengenai posisi
terbaik yang pernah dicapai oleh setiap
partikel.
Maka update rule yang digunakan adalah
dengan w(t) adalah inertia weight yang
biasanya memiliki nilai yang tergantung
(12)
dengan iterasi. Biasanya dan diset
bernilai 2.
Persamaan inertia weight yang digunakan
adalah
dimana tmax adalah waktu saat nilai w(t) = Tujuannya dari adalah
wmin. Variabel wmax dan wmin adalah nilai memberikan informasi mengenai kualitas
maksimum dan minimum dari inertia weight pengaruh .
yang dikehendaki.
Self Organizing Hierarchical Particle Swarm
Time-Varying Increasing Inertia Weight Optimizer with Time-varying Acceleration
Particle Swarm Optimizer (Increasing Inertia Coefficients (HPSOTYAC)
Weight PSO
HPSOTVAC diusulkan oleh Ratnaweera
Zheng [11] pada tahun 2003 meneliti [14] pada tahun 2004. Jika komponen
bahwa efek penambahan nilai inertia kecepatan suatu partikel menjadi nol, maka
weight, pada beberapa kasus, menjadikan kecepatannya akan diset ulang menjadi
hasil konvergensi yang lebih baik. Maka kecepatan maksimalnya. Nilai koefisien
persamaan inertia weight yang digunakan percepatan juga akan diadaptasikan sesuai
adalah dengan iterasi. Cognitive coefficient akan
berkurang dari nilai 2,5 menuju 0,5
(11) sedangkan nilai social coefficient akan
bertambah dari 0,5 menuju 2,5.
Nilai kecepatan maksimal pada
HPSOTVAC juga akan diadaptasikan dari
Time-Varying Stochastic Inertia Weight Parti- Vmax menjadi 0,1Vmax.
cle Swarm Optimizer (Stochastic Inertia
Weight PSO) Hierarchical Particle Swarm Optimizer
(Hierarchical PSO)
Eberhart dan Shi [12] pada tahun 2001
mengajukan variasi lainnya dari H-PSO diusulkan oleh Chen [15] pada
penggunaan inertia weight yaitu dengan tahun 2009. Pada H-PSO seluruh partikel
cara penentuan nilai inertia weight tersebut akan disusun berdasarkan suatu hirarki.
sacara acak dalam rentang 0.5 dan 10. Setiap partikel akan bertetangga dengan
H a l a ma n 139
Majalah Ilmiah UNIKOM Vol.11 No. 1 Tri Rahajoeningroem & Muhammad Aria
partikel yang berada pada hierarki diatasnya IMPLEMENTASI DAN ANALISA DATA
(disebut parent).
Hirarki partikel akan didefinisikan oleh Untuk pengujian, akan digunakan
height h, branching degree d, jumlah parameter-parameter PSO seperti yang
maksimum children pada setiap node dan ditunjukkan pada Tabel 2 berikut.
jumlah node m yang akan ada pada hirarki.
Pada HPSO digunakan hirarki yang memiliki Table 2. Seting parameter PSO yang
jumlah children yang sama untuk setiap digunakan
node-nya. Hanya node-node terbawah saja
yang boleh memiliki jumlah children yang Algoritma Seting
lebih sedikit.
Posisi baru dari suatu partikel akan Original
Cognitive component =
ditentukan berdasarkan posisi terbaik dari 2.05
PSO
partikel tersebut dan posisi terbaik dari
Social component = 2.05
parent. Jika suatu partikel mencapai nilai
yang lebih baik dari parent, maka partikel Cognitive component =
dan parent partikel tersebut akan bertukar 2.05
Local PSO
posisi pada hirarki.
Social component = 2.05
Adaptive Hierarchical Particle Swarm Opti- Number of Neighborhood = 3
mizer (AH-PSO) Cognitive component =
2.05
Diusulkan oleh Jansen dan Middendorf Canonical
[16] pada tahun 2005. Pada AH-PSO, PSO Social component = 2.05
branching degree dari hirarki akan Constriction factor = 0.729
dikurangkan sedikit demi sedikit selama Number of Neighborhood = 3
iterasi berlangsung. Branching degree akan
dikurangkan berdasarkan variabel kadapt Cognitive component =
sehingga nilai minimum dmin tercapai. Decreasin
2.05
Pengurangan akan dilakukan setiap fadapt. g Inertia Social component = 2.05
Weight Initial inertia weight = 0.9
Estimation of Distribution Particle Swarm Final inertia weight = 0.4
Optimizer (EDPSO) Number of Neighborhood = 3
H a l a m a n 140
Tri Rahajoeningroem & Muhammad Aria Majalah Ilmiah UNIKOM Vol.11 No. 1
Algoritma Seting
Cognitive component =2
(13)
H a l a ma n 141
Majalah Ilmiah UNIKOM Vol.11 No. 1 Tri Rahajoeningroem & Muhammad Aria
KESIMPULAN
H a l a m a n 142
Tri Rahajoeningroem & Muhammad Aria Majalah Ilmiah UNIKOM Vol.11 No. 1
Tabel 3 Hasil pengujian implementasi beberapa algoritma PSO pada kasus ANC
Algoritma MSE
Mean 6,60 x 10-2
Original PSO Min 2,04 x 10-2
Max 1,60 x 10-1
Mean 6,05 x 10-2
Local PSO Min 2,03 x 10-2
Max 2,28 x 10-1
Mean 1,13 x 10-1
Canonical PSO Min 2,03 x 10-2
Max 3,57 x 10-1
Mean 6,55 x 10-2
Decreasing Inertia
Min 2,04 x 10-2
Weight
Max 2,47 x 10-1
Mean 4,28 x 10-2
Increasing Inertia
Min 2,15 x 10-2
Weight
Max 1,08 x 10-1
Mean 5,37 x 10-2
Stochastic Inertia
Min 2,03 x 10‑2
Weight
Max 1,24 x 10-1
Mean 7,09 x 10-2
Fully Informed PSO Min 2,03 x 10-2
Max 1,87 x 10-1
Mean 9,17 x 10-2
Self Organizaing
Min 2,07 x 10-2
Hierarchical PSO
Max 2,81 x 10-1
Mean 5,15 x 10-2
Hierarchical PSO Min 4,11 x 10-2
Max 9,41 x 10-2
Mean 7,93 x 10-2
Adaptive Hierarchical
Min 2,07 x 10-2
PSO
Max 3,39 x 10-1
Mean 3,87 x 10-2
Estimation of
Min 2,05 x 10-2
Distribution PSO
Max 1,04 x 10-1
H a l a ma n 143
Majalah Ilmiah UNIKOM Vol.11 No. 1 Tri Rahajoeningroem & Muhammad Aria
H a l a m a n 144
Tri Rahajoeningroem & Muhammad Aria Majalah Ilmiah UNIKOM Vol.11 No. 1
H a l a ma n 145
Majalah Ilmiah UNIKOM Vol.11 No. 1
H a l a m a n 146