OPTIMASI ALGORITMA ALGA UNTUK MENINGKATKAN LAJU KONVERGENSI
OPTIMASI ALGORITMA ALGA UNTUK MENINGKATKAN LAJU KONVERGENSI
Hari Santoso 1) , Lukman Fakih Lidimilah 2)
1 Manajemen Informatika, AMIK Ibrahimy Situbondo email: haripinter@gmail.com
2 Manajemen Informatika, AMIK Ibrahimy Situbondo email: luky.lukman7@gmail.com
Abstact
Artificial Algae Algorithm (AAA) is an optimization algorithm that has advantages of swarm algorithm model and evolution model. AAA consists of three phases of helical movement phase, reproduction, and adaptation. Helical movement is a three-dimensional movement with the direction of x, y, and z which is very influential in the rate of convergence and diversity of solutions. Helical motion optimization aims to increase the convergence rate by moving the algae to the best colony in the population. Algae Algorithm Optimization (AAA ') was tested with 25 objective functions of CEC'05 and implemented in case of pressure vessel design optimization. The results of the CEC'05 function test show that there is an increase in convergence rate at AAA ', but at worst condition of AAA' becomes less stable and trapped in local optima. The complexity analysis shows that AAA has the complexity of O (M3N2O) and AAA 'has the complexity of O (M2N2O) with M is the number of colonies, N is the number of algae individuals, and O is the maximum of the evaluation function. The results of the implementation of pressure vessel design optimization show that AAA's execution time increased 1,103 times faster than AAA. The increase in speed is due to the tournament selection process in AAA performed before the helical motion, whereas in AAA 'is done if the solution after movement is no better than before. At its best, AAA 'found a solution 4.5921 times faster than AAA. At worst, AAA 'stuck on local optima because helical movement is too focused on global best that is not necessarily global optima.
Keywords: artificial algae algorithm, optimization, convergence rate, pressure vessel design
lingkungan. AAA lebih stabil daripada Peran kecerdasan komputasional sangat
1. PENDAHULUAN
Artificial Bee Colony (ABC), Differencial penting sebagai alat bantu dalam pencarian
Evolution (DE), Ant Colony Optimization solusi dari berbagai permasalahan kompleks di
(ACO), dan Harmony Search (HS). Meskipun berbagai bidang, seperti penyelesaian kasus
AAA lebih stabil, gerakan alga yang dilakukan Optimal Power Flow (OPF) pada sistem
mempengaruhi laju kelistrikan [1] , analisis pembebanan ekonomis
dimaksudkan untuk penyusup jaringan komputer [3] , pengontrol
pada pembangkit termis [2] , sistem pendeteksi
Penelitian
ini
mengoptimasi gerakan heliks pada AAA kecepatan DC/DC converter [4] , dan masalah sehingga AAA memiliki laju konvergensi lebih
kompleks lainnya. Permasalahan kompleks baik. Gerakan heliks AAA terinspirasi oleh tersebut seringkali memiliki banyak kandidat
perilaku alga pada kehidupan nyata. Koloni solusi sehingga dibutuhkan algoritma yang
alga mencerminkan kandidat solusi, individu mampu memilih solusi optimal yang dikenal
alga mencerminkan dimensi ruang solusi, dan dengan algoritma optimasi [5] .
sumber cahaya sebagai target solusi. Pada AAA Hingga saat ini, penelitian terus dilakukan
versi standar, alga bergerak secara acak dan untuk memperoleh algoritma optimasi dengan
hanya dipengaruhi oleh koloni tetangga (local performa yang baik sebab setiap tidak semua
best ). Menurut peneliti, koloni alga akan masalah dapat diselesaikan dengan satu jenis
cenderung bergerak ke arah target solusi yang algoritma [6] . Perkembangan algoritma optimasi paling baik, yaitu koloni yang mendapatkan sudah sampai pada model hybrid [7] , yaitu cahaya paling kuat dalam populasi. Dalam hal
kombinasi antara model swarm dan model ini AAA dengan gerakan heliks menuju cahaya evolusi [8][9][10][11][12][13] , salah satunya adalah terkuat disebu t dengan AAAโ karena gerakan
Algoritma Alga (Artificial Algae Algorithm, alga pada AAAโ tidak hanya terpengaruh oleh AAA). Algoritma Alga [14] adalah algoritma koloni terbaik tetangga (local best) tetapi juga
yang terinspirasi perilaku alga dalam bergerak, bergerak menuju koloni terbaik dalam populas berkembang biak, dan beradaptasi dengan
(global best).
Jurnal Ilmiah Informatika
Volume 2 No. 1 / Juni 2017
Hasil optimasi akan ditentukan dengan
B. Tahap Evolusi
membandingan AAA dan AAA โ berdasarkan Koloni alga yang kehabisan energi akan pengujian 25 fungsi dari CECโ05 dan
mati, sedangkan koloni alga yang kuat akan implementasi pada kasus optimasi desain
berkembang biak dengan membelah diri. bejana tekan (pressure vessel) [15] . Performa
Kebugaran koloni alga ditentukan berdasarkan ditentukan berdasarkan laju konvergensi dan
laju perkembang biakannya. Laju perkembang kompleksitas waktu dalam menemukan solusi.
biakan alga ๐ ditentukan dengan Persamaan (4) Dengan optimasi ini, diharapkan terjadi
dengan laju peningkatan pada performa Algoritma Alga
yang
ditentukan
perkembangbiakan maksimum ๐ ๐๐๐ฅ pada sehingga dapat menjadi alternatif dalam
satuan waktu (1/waktu), kondisi alga S, dan K s pencarian solusi dari permasalahan kompleks
konstanta cairan (massa/volume).
dalam kehidupan sehari-hari. ๐ ๐๐๐ฅ ๐
2. METODE PENELITIAN
2.1 Algoritma Alga Koloni yang memiliki kebugaran tinggi akan bertahan hidup sedangkan koloni dengan
Algoritma Alga merupakan algoritma
kebugaran rendah akan mati. Tingkat optimasi yang terinspirasi oleh cara alga kebugaran koloni G dihitung
dengan bergerak, berkembang biak, dan beradaptasi. Persamaan (5) dan proses evolusi ditentukan Algoritma Alga mengombinasikan model pada Persamaan (6-8) dengan biggest adalah evolusi dan model swarm. Algoritma ini koloni terbugar, smallest koloni terlemah, dan merupakan algoritma dengan pendekatan
m adalah individu alga.
probabilistik dan mampu menyelesaikan masalah global optimization. Algoritma Alga terdiri dari tiga tahap yaitu pergerakan heliks, evolusi, dan adaptasi.
A. Tahap Gerakan Heliks Alga adalah sel tunggal yang memiliki
C. Tahap Adaptasi
klorofil sebagai penghasil energi sehingga alga Ketika koloni alga melemah, maka alga akan bergerak mendekati cahaya untuk
akan mencoba beradaptasi dengan lingkungan menghasilkan energi. Alga bergerak dengan
dengan menyesuaikan diri pada alga terbugar. cara melingkar seperti spiral yang disebut
Alga yang lemah diindikasikan dengan tingkat dengan gerakan heliks. Gerakan heliks adalah
kelaparan yang tinggi. Semakin jauh alga dari gerakan 3 dimensi, yaitu pada sumbu x, y dan
sumber cahaya dan semakin lama alga bergerak z. Setiap alga bergerak, alga akan kehilangan
akan menambah tingkat kelaparan alga. energi karena bergesekan dengan cairan sekitar
Tingkat kelaparan alga starving ditentukan sehingga energi yang dihasilkan juga akan
berdasarkan kebugaran alga yang didefinisikan berkurang selama perjalanan. Gerakan heliks
dengan persamaan (9-10). ditentukan dengan Persamaan (1-3).
D. Flowchart dan Pseudocode Algoritma Alga
Pada persamaan (1-3), x t i adalah koloni alga ke-i pada waktu ke-t. Koloni tetangga x i dipilih
dengan tournament selection dengan syarat x j โ x i dan individu alga k โ l โ m. Parameter ฮ
adalah gaya gesek cairan, sedangkan ๐ก ๐ (๐ฅ ๐ ) adalah gaya gesek yang dialami alga ke-i. Persamaan (1) adalah gerakan pada sumbu z, nilai p dipilih acak [-1,1]. Persamaan (2) adalah gerakan pada sumbu x dengan ฮฑ dipilih acak [0,2ฯ]. Persamaan (3) adalah gerakan pada
sumbu y dengan ฮฒ dipilih acak [0, 2ฯ]. Gambar 1. Flowchart AAA versi standar
Optimasi Algoritma Alga Untuk Meningkatkan Laju Konvergensi
konvergensi
menggambarkan grafik
Fungsi objektif untuk optimasi f(x), x=(x1,x2,...,xd)
perbandingan antara semilog selisih solusi dan
Inisialisasi populasi n koloni alga secara random
Hitung tingkat kebugaran (G) dari n koloni
target solusi
dengan fungsi evaluasi.
Tentukan parameter algoritma (shear force ฮ, loss of
Kompleksitas algoritma terkait kerumitan
energy e dan Adaptation parameter Ap)
algoritma ditinjau dari execution time.
While (t < MaxCalculation) Hitung Energi (E) dan gaya gesek koloni (ฯ) dari n koloni
2.3 Permasalahan Optimasi Desain Pressure
For i=1:n
Vessel
Tingkat kelaparan koloni (starving) = true
Pada
penelitian
ini, tujuan dari
While(E(x i ) > 0) Pilih koloni alga j dengan tournament selection
permasalahan desain pressure vessel adalah
Pilih tiga individu alga untuk pergerakan heliks
untuk menentukan ukuran dan dimensi
(k, l, m)
pressure vessel 3 dengan volume 21.24 m dan
bekerja pada tekanan 3000 psi (20.68 MPa)
๐ฅ ๐๐ ๐ก+1 =๐ฅ ๐๐ ๐ก + (๐ฅ ๐๐ ๐ก โ๐ฅ ๐๐ ๐ก )(โ โ ๐ ๐ก (๐ฅ ๐ )) cos ๐ผ
dengan cost yang rendah. Desain pressure
๐ฅ ๐๐ ๐ก+1 =๐ฅ ๐๐ ๐ก + (๐ฅ ๐๐ ๐ก โ๐ฅ ๐๐ ๐ก )(โ โ ๐ ๐ก (๐ฅ ๐ )) sin ๐ฝ
vessel tampak pada Gambar 3 berbentuk
ฮฑ,ฮฒ random[0,2ฯ] dan nilai p juga random Sudut [-1,1]
silinder dengan masing-masing tutup ujungnya
berbentuk setengah lingkaran. Hasil optimasi
Hitung solusi sesuai fungsi optimasi
i ) = E(x E(x i ) - (e/2) energi dipakai untuk
ditentukan oleh empat parameter, Ts (x 1 ) dan
bergerak
Th (x 2 ) masing-masing bernilai 1.125 inci dan
if solusi lebih baik dari sebelumnya
0.0625 inci, sedangkan jari-jari dalam bejana R
Ganti koloni i dan ganti tingkat kelaparan i = false
(x 3 ) dan panjang silinder L (x 4 ) tidak ditentukan
else
nilainya.
i )=E(x i )-(e/2) energi dipakai untuk E(x metabolisme
end if end While
if Tingkat kelaparan = true Naikkan nilai starving A(x i )
end if end For
Hitung tingkat kebugaran (G) seluruh populasi
Gambar 3. Skema desain pressure vessel
Pilih salah satu dimensi (individu alga) r untuk
dengan ketebalan Ts dan Th, diameter dalam
reproduksi
R dan panjang silinder L
smallest r = biggest t r if rand < Ap
Peneliti sebelumnya telah melakukan
starving t+1
= starving t + (biggest t - starving t ) x rand
penelitian tentang desain pressure vessel
end if
dengan berbagai parameter dan constrain. Hasil
pilih koloni terbaik sebagai solusi
end While
dari penelitian tersebut menyimpulkan bahwa range parameter, constrain, dan fungsi
Gambar 2. Pseudocode AAA versi standar minimasi ditentukan dengan ketentuan berikut: Parameter :
2.2 Pengujian 25 Fungsi Objektif CECโ05 x 1 โ [1.125, 12.5] granularity 0.0625 Pada dataset CECโ05 terdapat 25 jenis
x 2 โ [0.625, 12.5] granularity 0.0625 fungsi objektif yang terdiri dari 5 fungsi
x 3 โ [0.240]
unimodal dan 20 fungsi multimodal dengan tiga
x 4 โ [0.240]
jenis fungsi yaitu basic function, expanded
Constrain :
function , dan hybrid composition function.
g1 (x) = 0.0193x3 โ x1 โค 0
Performa algoritma ditentukan oleh tingkat
g2 (x) = 0.0095x3 โ x2 โค 0
3 (๐ฅ) = 750.0 ๐ฅ 1728.0 โ ๐๐ฅ 3 ๐ฅ 4 โ 3 ๐๐ฅ 3 โค0 (success rate dan success performance), laju
kesalahan (error), akurasi, tingkat keberhasilan
g4 (x) = x4 โ 240.0 โค 0
konvergensi, dan kompleksitas algoritma.
g5 (x) = 1.1 โ x1 โค 0
Tingkat kesalahan (error) terkait dengan
g6 (x) = 0.6 โ x2 โค 0
selisih antara hasil yang diperoleh algoritma
Fungsi minimasi :
dengan target solusi. Akurasi dan tingkat keberhasilan (success rate dan success
performance ) terkait dengan kemampuan Nilai optimum yang diperoleh yaitu f(x) = algoritma menemukan solusi atau tidak. Laju
7197.72893 dengan nilai parameter x 1 = 1.125,
Jurnal Ilmiah Informatika
Volume 2 No. 1 / Juni 2017
seperti Gambar 4B yang menunjukkan gerakan 43.6926562.
x 2 = 0.625, x 3 = 58.2901554, serta x 4 =
alga akan mengarah ke sekitar posisi alga terbaik (global best).
2.4 Optimasi Gerakan Heliks Optimasi gerakan heliks pada AAAโ
didasarkan pada perilaku alami alga, yaitu koloni alga yang lebih dekat dengan cahaya akan memiliki kebugaran lebih baik dari alga yang jauh dari cahaya. Dengan demikian, setiap koloni alga akan cenderung mendekat dengan koloni alga terbaik untuk mendapatkan cahaya lebih banyak. Dalam hal ini, koloni terbaik dalam populasi disebut dengan global best, sedangkan koloni terbaik tetangga disebut dengan local best. Untuk mengoptimasi
gerakan heliks sesuai perilaku tersebut, maka Gambar 4. Gerakan heliks AAA versi standar tiga tahap yang harus dilakukan yaitu pemilihan
(A) dan setelah optimasi (B) local best dan global best, gerakan heliks, serta
Berdasarkan rancangan gerakan pada pengondisian gerakan alga.
Gambar 4B, gerakan heliks setelah optimasi
A. Pemilihan Global Best dan Local Best didefinisikan pada Persamaan (11-14). Pemilihan koloni alga sebagai local best
atau global best ditentukan setelah perhitungan fungsi objektif (minimasi atau maksimasi) yaitu saat inisialisasi koloni, setelah fase gerakan heliks, dan setelah fase adaptasi. Pemilihan local best dan global best saat inisialisasi dan setelah fase adaptasi dilakukan
Perubahan dilakukan pada x B , x b , dan x c dengan memilih koloni terbaik sebagai local
dengan x B adalah global best, x b adalah local best dan global best. Sedangkan pemilihan
best , dan x c rata-rata antara global best dan local best dan global best setelah gerakan heliks
local best . Koloni terbaik x B dan koloni terbaik ditentukan dengan 3 kriteria:
tetangga x c berubah selama perulangan t dengan ๏ท Jika alga menjadi lebih baik setelah
dimensi k, l, dan m yang merepresentasikan gerakaan heliks, maka jadikan sebagai
individu dalam koloni tersebut. koloni terbaik tetangga (local best);
๏ท Jika alga menjadi yang terbaik setelah C. Pengondisian Gerakan gerakan heliks, maka jadikan alga sebagai
Sebagaimana disebutkan bahwa gerakan koloni terbaik (global best);
heliks sangat berpengaruh pada keragaman ๏ท Jika alga tidak lebih baik setelah gerakan
solusi dan laju konvergensi, maka diperlukan heliks, maka local best dipilih dengan
aturan untuk mengondisikan gerakan agar AAA tournament selection .
tidak terjebak pada local optima. Berdasarkan Gambar 4, gerakan alga akan meningkatkan
B. Gerakan Heliks daya eksploitasi terhadap solusi terbaik dan Berdasarkan gerakan yang mereferensi pada
mengabaikan kandidat solusi lainnya. Oleh koloni alga terbaik (global best) dan koloni
sebab itu perlu pembatasan agar gerakan alga terbaik tetangga (local best), maka gerakan
tidak hanya menguat untuk mengeksploitasi, heliks hasil optimasi akan cenderung bergerak
tetapi juga untuk eksplorasi terhadap kandidat menuju posisi global best. Ilustrasi gerakan
solusi lainnya. Untuk membatasi daya tampak pada Gambar 4, A1 adalah alga yang
eksploitasi, perilaku berikut dapat diterapkan sedang bergerak, A2 local best dan A3 global
pada AAA:
best . Secara komputasi, gerakan heliks pada ๏ท Jika alga lebih baik setelah gerakan heliks, AAA tampak seperti Gambar 4A menunjukkan
energi yang dimiliki bertambah karena area gerakan berada di sekitar posisi awal alga
lebih dekat dengan cahaya. sejauh koloni tetangga (local best) yang
๏ท Jika alga menjadi yang terbaik, maka alga terpilih. Setelah optimasi, gerakan alga tampak
harus diam. Perilaku ini bertujuan agar
Optimasi Algoritma Alga Untuk Meningkatkan Laju Konvergensi
alga lain tidak terjebak jika solusi yang RAM 1 x DDR2 2 GB, dan harddisk Seagate ditemukan adalah local optima.
250 GB. Software yang digunakan adalah ๏ท Jika alga tidak lebih baik setelah gerakan
Matlab 2013a dengan bilangan random uniform heliks, maka alga terus bergerak hingga
menggunakan algoritma Substract With energinya
Borrow (SWB). Konfigurasi Algoritma Alga meningkatkan daya eksplorasi kandidat
yaitu 40 koloni, setiap koloni terdiri dari 4 solusi yang jauh dari solusi.
individu alga yang mewakili x 1-4 , konstanta Perilaku pengondisian tersebut diterapkan
gaya gesek cairan โ=2, parameter pengurangan saat pemilihan global best dan local best seperti
energi e = 0.3, dan parameter adaptasi Ap = 0.3. tampak dalam pseudocode pada Gambar 5.
Pada pengujian CECโ05, pengujian Flowchart AAA โ dapat dilihat pada Gambar 6.
dilakukan dengan varasi dimen 10, 30, dan 50 Keterangan yang digaris bawah adalah bagian
dengan maksimum fungsi evaluasi 100000, yang bertambah atau berubah setelah optimasi.
300000, dan 500000. Masing-masing fungsi dijalankan 25 kali dengan random state 1-25.
Pilih Alga t i Berdasarkan hasil pengujian, nilai error untuk Alga i t melakukan gerakan heliks
dimensi 10, 30, dan 50 bisa dilihat pada Tabel JIKA solusi(Alga i t ) lebih baik dari solusi(Alga i t-1 )
1, 2, dan 3.
Local_Best = Alga i t Tingkatkan nilai Energi_Alga i t agar lebih lama
Tabel 1. Perbandingan kesalahan (error) antara bergerak
AAA dan AAAโ pada fungsi F1-F25 dengan solusi(Global_Best)
JIKA solusi(Alga i t )
D=10 dan fungsi evaluasi 100000 Global_Best = Alga i t
Hilangkan Energi_Alga i t agar berhenti bergerak JIKA TIDAK
Local_Best dipilih dengan tournament selection Gambar 5. Pseudocode kriteria pemilihan
global best dan local best serta pengondisian gerakan alga
Tabel 2. Perbandingan kesalahan (error) antara AAA dan AAAโ pada fungsi F1-F25 dengan
D=30 dan fungsi evaluasi 300000
Tabel 3. Perbandingan kesalahan (error) antara AAA dan A AAโ pada fungsi F1-F25 dengan D=50 dan fungsi evaluasi 500000
Gambar 6. Flowchart Algoritma Alga setelah optimasi (AAA โ)
3. HASIL DAN PEMBAHASAN
Pengujian dalam penelitian ini dilakukan dengan membandingkan hasil solusi AAA dan AAA โ berdasarkan kasus minimasi desain pressure vessel . Spesifikasi komputer yang digunakan yaitu processor Core2 Duo 1.6 GHz,
Jurnal Ilmiah Informatika
Volume 2 No. 1 / Juni 2017
10, AAA mampu menyelesaikan 11 fungsi yang berbeda AAA cenderung lebih stabil
Berdasarkan Tabel 1, 2, dan 3, pada dimensi
lebih baik dari AAA. Akan tetapi, fungsi yang daripada AAAโ sebab dari dimensi rendah ke
mampu diselesaikan lebih baik dari AAA turun tinggi, fungsi yang mampu diselesaikan oleh
naik yang mengindikasikan bahwa AAAโ AAA m eningkat. AAAโ memiliki kecepatan
kurang stabil.
dalam menemukan solusi yaitu pada dimensi
Tabel 4. Perbandingan Akurasi dan Tingkat Keberhasilan (Success Rate) Antara AAA dan AAAโ pada Dimensi 10
Success Fungsi
8.676240e+03 AAAโ 1785 2.131560e+03 1.823605e+02
8030 8.676240e+03 3.105445e+02
7.165084e+04 AAAโ 17126 2.123888e+04 2.281446e+03
2 AAA 63971 7.165084e+04 4.715393e+03
- AAAโ 27873 3.434124e+04 4.365355e+03
37392 AAAโ 3852 9.064200e+03 2.859775e+03
37392 6.546338e+03
9.064200e+03 6-8
9 AAA 16017 1.809628e+04 1.222460e+03
1.809628e+04 AAAโ 6160 1.321276e+04 8.338223e+03
1.572948e+04 10-14
15 AAA 23443 2.715180e+04 3.164469e+03
6.787950e+04 AAAโ 9106 1.763143e+04 9.372224e+03
6.296939e+04 16-25
Tabel 5. Perbandingan Akurasi dan Tingkat Keberhasilan (Success Rate) Antara AAA dan
AAAโ pada Dimensi 30
Fungsi Alg. Best
Mean
Std
Success Rate Success Performance
1 AAA 26897 2.898704e+04 9.588133e+02
2.898704e+04 AAAโ 7649 8.331600e+03 3.953127e+02
8.331600e+03 2-8
6.012088e+04 AAAโ 29337 5.334320e+04 2.646360e+04
9 AAA 49856 5.771604e+04 1.018365e+04
8.890533e+04 10-14 AAA
- AAAโ
15 AAA 74797 7.623650e+04 2.035760e+03
9.529563e+05 AAAโ 66012
1650300 16-25 AAA
- AAAโ
Optimasi Algoritma Alga Untuk Meningkatkan Laju Konvergensi
Tabel 6. Perbandingan Akurasi Dan Tingkat Keberhasilan (Success Rate) Antara AAA Dan
AAAโ pada Dimensi 50
Success Fungsi Alg.
1 AAA 47561 5.029632e+04 1.180371e+03
5.029632e+04 AAAโ 14148 1.582780e+04 6.457945e+02
1.582780e+04 2-8
1.877679e+05 AAAโ 186956
9 AAA 82477 9.012858e+04 4.209324e+03
4673900 10-25 AAA
baik yaitu 6297 sedangkan AAA adalah 6788. menunjukkan bahwa apakah algoritma mampu
Akurasi dan
tingkat
keberhasilan
Pada kondisi terbaik, AAAโ menemukan solusi menemukan solusi sebelum maksimum fungsi
pada fungsi evaluasi ke-9106 sedangkan AAA evaluasi atau tidak. Perbandingan akurasi AAA
menemukan solusi pada fungsi evaluasi ke- dan AAAโ dengan dimensi 10, 30, dan 50 dapat
23443. Namun pada dimensi 30, success dilihat pada Tabel 4, 5, dan 6. Berdasarkan
performance AAA lebih baik dari AAAโ meski Tabel 4, 5, dan 6 yaitu pada dimensi 10, dari 25
AAAโ menemukan solusi lebih cepat. Hal ini kali pengujian F1, AAA dan AAAโ sama-sama
memperkuat asumsi bahwa AAA lebih stabil memiliki success rate 100%, artinya 25 kali
dari AAAโ.
pengujian berhasil dan menghasilkan solusi Laju konvergensi digambarkan berdasarkan dengan error yang kecil. Akan tetapi, AAAโ
semilog dari perbedaan antara solusi yang lebih dulu menemukan solusi yaitu pada fungsi
dihasilkan algoritma dan target solusi yang evaluasi ke-1785 sedangkan AAA menemukan
diharapkan. Dari 25 pengujian tiap fungsi, yang solusi pada fungsi evaluasi ke-8030 yang
diambil adalah median dari ke-25 data tersebut. berarti AAAโ lebih cepat menemukan solusi.
Grafik laju kon vergensi AAA dan AAAโ untuk Success
performance menunjukkan F1-25 dengan dimensi 10, 30, dan 50 dapat
performa rata-rata terkait fungsi evaluasi yang dilihat pada Gambar 7 โ 81. dibutuhkan untuk menemukan solusi pada
Pada dimensi 10, laju konvergensi AAAโ fungsi tersebut. Pada dimensi 10 untuk F1,
lebih baik dari AAA pada 15 fungsi, yaitu AAA memiliki success performance sekitar
fungsi F1-5, F7, F9-11, F13, F14, F16, F17, 8676 yang berarti nilai tersebut adalah nilai
F24, dan F25. Sedangkan pada 10 fungsi fungsi evaluasi standar untuk menemukan
sisanya, yaitu F6, F5, F12, F15, dan F18-23 laju solusi khusus untuk F1. Sedangkan untuk
konvergensi AAAโ mengalami penurunan. AAAโ memiliki success performance lebih
Bahkan pada fungsi F12, F15, F18-21, dan F23 rendah yaitu sekitar 2132 yang berarti lebih
algoritma AAAโ terjebak pada local optima baik dari AAA karena membutuhkan nilai fev
yang ditandai dengan garis lurus memanjang yang lebih kecil. Pada fungsi F3, F4, F6-8, F10-
yang berarti hasil yang ditemukan oleh AAAโ
14, F16-25 masing- masing AAA dan AAAโ
tidak pernah berubah.
tidak menemukan solusi yang baik. Sehingga Pada dimensi 30, AAA dan AAAโ sama- nilai success rate dan success rate kosong.
sama terjebak di local optima pada fungsi F7,
F21, dan F23. Selain itu, AAAโ juga terjebak AAA memiliki success rate yang lebih tinggi
Berdasarkan Tabel 4, 5, dan 6, secara umum
pada local optima pada fungsi F6, F15, dan dari AAAโ pada setiap dimensi. Akan tetapi,
F23. AAAโ lebih baik di 13 fungsi yaitu fungsi AAAโ memiliki success performance yang
F2, F4, F7, F10, F13, F14, F16, F17, dan F21- lebih baik karena mampu menemukan solusi
25. Jika dibandingkan dengan dimensi 10, lebih cepat, meski hasil didapat kurang stabil
jumlah fungsi yang memiliki laju konvergensi sebagaimana ditunjukkan pada fungsi F15 pada
lebih dari AAA menurun dari 15 fungsi menjadi dimensi 10 dan 30. Pada dimensi 10, AAA
13 fungsi.
memiliki success rate 40% sedangkan AAAโ Pada dimensi 50, AAAโ lebih baik di 13 28%. Namun, success performance AAAโ lebih
fungsi yaitu fungsi F1-2, F4-5, F7, F10, F13-14,
Jurnal Ilmiah Informatika
Volume 2 No. 1 / Juni 2017
F16, F17, F22, F24, dan F25. Namun AAAโ Berdasarkan pengujian pada dimensi 10, 30, terjebak di local optima pada fungsi F7, F9,
dan 50, total fungsi yang mampu diselesaikan F15, F18-21, dan F23. Pada dimensi 50, AAA
AAAโ lebih baik dari AAA sejumlah 41 fungsi. terjebak pada local optima pada fungsi F7, F9,
Sedangkan laju konvergensi AAA yang lebih F10, F16, F18-21, dan F23. Dengan demikian,
baik dari AAAโ adalah 34 fungsi. Berdasarkan AAA dan AAAโ menjadi kurang stabil pada
data tersebut, secara umum AAAโ memiliki laju dimensi 50 dibandingkan dengan dimensi 10
konvergensi yang lebih baik dari AAA. dan 30.
4 F1-AAA' F1-AAA
4 F1-AAA' F1-AAA
4 F1-AAA' F1-AAA
5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 fungsi evaluasi (fev) 5 x 10 fungsi evaluasi (fev) x 10 fungsi evaluasi (fev) x 10 5
Gambar 7. Grafik laju konvergensi F1 dengan
Gambar 9. Grafik laju konvergensi F1 dengan D=10
Gambar 8. Grafik laju konvergensi F1 dengan
D=30
D=50
6 F2-AAA 6
6 F2-AAA
4 F2-AAA'
5 F2-AAA'
5.5 F2-AAA F2-AAA' 2
4 0 0.5 1 1.5 2 2.5 3 1.5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 fungsi evaluasi (fev) 5 x 10
-14 0 1 2 3 4 5 6 7 8 9 10 -1
fungsi evaluasi (fev)
x 10 5 fungsi evaluasi (fev) x 10 5
Gambar 10. Grafik laju konvergensi F2 dengan
Gambar 11. Grafik laju konvergensi F2 dengan
Gambar 12. Grafik laju konvergensi F2 dengan
D=10 D=30
D=50
9 9.5 F3-AAA
F3-AAA'
8.5 10 9 F3-AAA'
F3-AAA' F3-AAA
F3-AAA
4 0 0.5 1 1.5 2 2.5 6.5 0 5 3 0.5 1 1.5 2 2.5 3 3.5 4 4.5 fungsi evaluasi (fev) 5 x 10 fungsi evaluasi (fev)
x 10
Gambar 15. Grafik laju konvergensi F3 dengan
fungsi evaluasi (fev) x 10 5
Gambar 13.Grafik laju konvergensi F3 dengan
Gambar 14. Grafik laju konvergensi F3 dengan
D=10 D=30
D=50
6 F4-AAA
4 F4-AAA'
5.4 F4-AAA' F4-AAA
F4-AAA
F4-AAA'
4 0 0.5 1 1.5 2 2.5 3 4.5 0 5 0.5 1 1.5 2 2.5 3 3.5 4 4.5 fungsi evaluasi (fev) 5 x 10 fungsi evaluasi (fev) x 10 fungsi evaluasi (fev) x 10 5
Gambar 16. Grafik laju konvergensi F4 dengan
Gambar 17. Grafik laju konvergensi F4 dengan
Gambar 18. Grafik laju konvergensi F4 dengan
D=10 D=30 D=50
Optimasi Algoritma Alga Untuk Meningkatkan Laju Konvergensi
4 F5-AAA' F5-AAA
5 F5-AAA
4.9 F5-AAA
4.8 F5-AAA'
4.8 F5-AAA'
4 0.5 1 1.5 2 2.5 5 3 3.9 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 fungsi evaluasi (fev) 5 x 10 fungsi evaluasi (fev) x 10 fungsi evaluasi (fev) x 10 5
Gambar 19. Grafik laju konvergensi F5 dengan
Gambar 20. Grafik laju konvergensi F5 dengan
D=10 D=30
Gambar 21. Grafik laju konvergensi F5 dengan
D=50
F6-AAA'
F6-AAA
F6-AAA F6-AAA'
F6-AAA F6-AAA'
fungsi evaluasi (fev)
x 10 4 0 0.5 1 1.5 2 2.5 5 3 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 fungsi evaluasi (fev) x 10 fungsi evaluasi (fev) x 10 5
Gambar 22. Grafik laju konvergensi F6 dengan
Gambar 23. Grafik laju konvergensi F6 dengan
Gambar 24. Grafik laju konvergensi F6 dengan
D=10 D=30
D=50
3.6 F7-AAA
3.55 F7-AAA'
4.05 F7-AAA F7-AAA'
4.2 F7-AAA' F7-AAA
f( (x 3.35 (x 3.85 )- (x
lo g 3.3 (f g 3.8 (f g 3.25 3.95 lo 3.75 lo 3.9
3.6 0 0.5 1 1.5 2 2.5 3 3.75 0 1 2 3 4 5 6 7 8 9 10 fungsi evaluasi (fev)
fungsi evaluasi (fev)
x 10 4 fungsi evaluasi (fev) x 10 4
Gambar 25. Grafik laju konvergensi F7 dengan
Gambar 26. Grafik laju konvergensi F7 dengan
D=10 D=30
Gambar 27. Grafik laju konvergensi F7 dengan
D=50
F8-AAA 1.335
F8-AAA'
1.32 1.33 F8-AAA' F8-AAA
F8-AAA
1.33 F8-AAA'
g (f (x 1.31 )- (f g lo 1.315 lo lo
)- 1.32 (x
4 0 0.5 1 1.5 2 2.5 3 1.3 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 fungsi evaluasi (fev) 5 x 10 fungsi evaluasi (fev) x 10 5 fungsi evaluasi (fev) x 10 5
Gambar 28. Grafik laju konvergensi F8 dengan
Gambar 29. Grafik laju konvergensi F8 dengan
D=10 D=30
Gambar 30. Grafik laju konvergensi F8 dengan
D=50
2 F9-AAA' F9-AAA
2 F9-AAA' F9-AAA
F9-AAA 3 F9-AAA'
4 0 0.5 1 1.5 2 2.5 5 3 -0.5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 fungsi evaluasi (fev) 5 x 10
-14 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 -14
fungsi evaluasi (fev)
x 10
fungsi evaluasi (fev)
Gambar 31. Grafik laju konvergensi F9 dengan x 10 Gambar 32. Grafik laju konvergensi F9 dengan
Gambar 33. Grafik laju konvergensi F9 dengan
D=10 D=30 D=50
Jurnal Ilmiah Informatika
Volume 2 No. 1 / Juni 2017
F10-AAA
F10-AAA'
F10-AAA F10-AAA'
F10-AAA' F10-AAA
4 0.5 1 1.5 2 2.5 3 2.2 0 5 0.5 1 1.5 2 2.5 3 3.5 4 fungsi evaluasi (fev) 4.5 x 10 fungsi evaluasi (fev) x 10 fungsi evaluasi (fev) 5 x 10 5
Gambar 35. Grafik laju konvergensi F10 dengan
Gambar 34. Grafik laju konvergensi F10 dengan
D=10 D=30
Gambar 36. Grafik laju konvergensi F10 dengan
D=50
F11-AAA
1.75 F11-AAA
1.2 F11-AAA'
F11-AAA'
F11-AAA
1.95 F11-AAA'
f( x *) f( ) 1.85 )- f( 1.55
1.45 g lo 1.75
fungsi evaluasi (fev)
x 10 4 fungsi evaluasi (fev)
x 10 5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 fungsi evaluasi (fev) x 10 5
Gambar 37. Grafik laju konvergensi F11 dengan
Gambar 38. Grafik laju konvergensi F11 dengan
D=10 D=30
Gambar 39. Grafik laju konvergensi F11 dengan
5 F12-AAA
F12-AAA'
F12-AAA
F12-AAA'
F12-AAA' F12-AAA
4 0 0.5 1 1.5 2 2.5 3 5 4.5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 fungsi evaluasi (fev) 5 x 10 fungsi evaluasi (fev) x 10 fungsi evaluasi (fev) x 10 5
Gambar 40. Grafik laju konvergensi F12 dengan
Gambar 41. Grafik laju konvergensi F12 dengan
Gambar 42. Grafik laju konvergensi F12 dengan
D=10 D=30
D=50
3.5 F13-AAA 4
F13-AAA 3 3.5 1.5 F13-AAA'
2 F13-AAA
F13-AAA'
F13-AAA'
4 0 0.5 1 1.5 2 2.5 3 5 0 0 0.5 1 1.5 2 2.5 3 3.5 4 fungsi evaluasi (fev) 4.5 5 x 10 5 fungsi evaluasi (fev) x 10 fungsi evaluasi (fev) x 10
Gambar 44. Grafik laju konvergensi F13 dengan Gambar 45. Grafik laju konvergensi F13 dengan
Gambar 43. Grafik laju konvergensi F13 dengan
D=10 D=30
D=50
0.75 1.18 F14-AAA
0.7 F14-AAA'
1.17 F14-AAA' F14-AAA
F14-AAA
F14-AAA'
)- f( 1.14 (x f( 1.13 (x )-
lo g
(f 0.55 (f
(f
g lo 1.365 g lo
4 0 0.5 1 1.5 2 2.5 5 1.345 3 0 0.5 1 1.5 2 2.5 3 3.5 4 fungsi evaluasi (fev) 4.5 x 10 fungsi evaluasi (fev) x 10 fungsi evaluasi (fev) 5 5
Gambar 47. Grafik laju konvergensi F14 dengan x 10 Gambar 48. Grafik laju konvergensi F14 dengan D=10 D=30 D=50
Gambar 46. Grafik laju konvergensi F14 dengan
Optimasi Algoritma Alga Untuk Meningkatkan Laju Konvergensi
3.2 F15-AAA
3.2 F15-AAA
3.2 F15-AAA
3 F15-AAA'
3 F15-AAA'
3.1 F15-AAA'
1.6 0 1 2 3 4 5 6 7 8 9 10 1.4 0 0.5 1 1.5 2 2.5 3 2.3 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 fungsi evaluasi (fev)
x 10 4 fungsi evaluasi (fev)
x 10 5 fungsi evaluasi (fev) x 10 5
Gambar 49. Grafik laju konvergensi F15 dengan
Gambar 50. Grafik laju konvergensi F15 dengan
Gambar 51. Grafik laju konvergensi F15 dengan
D=10 D=30
D=50
2.9 F16-AAA
2.8 F16-AAA'
3.1 F16-AAA F16-AAA'
3.1 F16-AAA' F16-AAA
4 0.5 1 1.5 2 2.5 3 2.2 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 fungsi evaluasi (fev) 5 x 10 fungsi evaluasi (fev) x 10 5 fungsi evaluasi (fev) x 10 5
Gambar 52. Grafik laju konvergensi F16 dengan
Gambar 53. Grafik laju konvergensi F16 dengan
Gambar 54. Grafik laju konvergensi F16 dengan
D=10 D=30
D=50
3.4 F17-AAA 3.6
3 F17-AAA
3.2 3.4 F17-AAA' 2.8 2.7 3 ) 3.2 *) x
2.9 F17-AAA'
F17-AAA'
F17-AAA
4 0.5 1 1.5 2 2.5 3 2.2 5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 fungsi evaluasi (fev) 5 x 10 fungsi evaluasi (fev) x 10
fungsi evaluasi (fev)
x 10 5
Gambar 55. Grafik laju konvergensi F17 dengan
Gambar 56. Grafik laju konvergensi F17 dengan
Gambar 57. Grafik laju konvergensi F17 dengan
D=10 D=30
3.3 F18-AAA
F18-AAA'
F18-AAA
F18-AAA'
F18-AAA 3.2
F18-AAA'
f( )- g (f lo 2.8 lo g (f 3.05 (f (x g lo 3.05
4 1 2 3 4 5 6 7 8 9 4 10 2.95 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 fungsi evaluasi (fev) 5 x 10 fungsi evaluasi (fev) x 10
fungsi evaluasi (fev)
x 10 5
Gambar 58. Grafik laju konvergensi F18 dengan
Gambar 59. Grafik laju konvergensi F18 dengan
Gambar 60. Grafik laju konvergensi F18 dengan
D=10 D=30
D=50
F19-AAA'
3.15 F19-AAA
F19-AAA' F19-AAA
3.2 F19-AAA
F19-AAA'
g (f lo 3.05 (x g (f lo 3.05
4 0.5 1 1.5 2 2.5 2.95 5 3 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 fungsi evaluasi (fev) 5 x 10
fungsi evaluasi (fev)
x 10
Gambar 63. Grafik laju konvergensi F19 dengan D=10 D=30 D=50
fungsi evaluasi (fev) x 10 5
Gambar 61. Grafik laju konvergensi F19 dengan
Gambar 62. Grafik laju konvergensi F19 dengan
Jurnal Ilmiah Informatika
Volume 2 No. 1 / Juni 2017
F20-AAA
F20-AAA F20-AAA'
F20-AAA'
3.15 F20-AAA' F20-AAA
)- (x 2.95 )-
g (f
2.9 g (f lo (x lo 3.05 (f (x g 3.05
4 0 0.5 1 1.5 2 2.5 3 5 2.95 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 fungsi evaluasi (fev) 5 x 10 fungsi evaluasi (fev) x 10 fungsi evaluasi (fev) x 10 5
Gambar 64. Grafik laju konvergensi F20 dengan
Gambar 65. Grafik laju konvergensi F20 dengan
Gambar 66. Grafik laju konvergensi F20 dengan
D=10 D=30
D=50
3.3 F21-AAA 3.4 F21-AAA
3.3 F21-AAA
3.2 F21-AAA'
3.2 F21-AAA'
3.3 F21-AAA'
4 0 1 2 3 4 5 6 7 8 9 10 4 2.6 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 fungsi evaluasi (fev) 5 x 10 fungsi evaluasi (fev) x 10 fungsi evaluasi (fev) x 10 5
Gambar 67. Grafik laju konvergensi F21 dengan
Gambar 68. Grafik laju konvergensi F21 dengan
Gambar 69. Grafik laju konvergensi F21 dengan
D=10 D=30
D=50
3.35 F22-AAA 3.35 F22-AAA
3.25 F22-AAA
3.2 F22-AAA'
3.3 F22-AAA'
3.3 F22-AAA'
f( (f g (x 3.05 (x )- 3.15 (x )- 3 3.15 (f 3.1 (f
4 0 0.5 1 1.5 2 2.5 3 2.95 5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 fungsi evaluasi (fev) 5 x 10 fungsi evaluasi (fev) x 10 fungsi evaluasi (fev) x 10
Gambar 70. Grafik laju konvergensi F22 dengan
Gambar 71. Grafik laju konvergensi F22 dengan
Gambar 72. Grafik laju konvergensi F22 dengan
D=10 D=30
D=50
3.2 F23-AAA
3.15 3.15 F23-AAA F23-AAA'
F23-AAA
F23-AAA'
F23-AAA'
(x )- 2.95 (x )- 2.95 g 2.9 (f
2.85 lo 2.85 lo 2.9
4 0 1 2 3 4 5 6 7 8 9 4 2.7 10 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 fungsi evaluasi (fev) 5 x 10 fungsi evaluasi (fev)
x 10
Gambar 75. Grafik laju konvergensi F23 dengan
fungsi evaluasi (fev) x 10 5
Gambar 73. Grafik laju konvergensi F23 dengan
Gambar 74. Grafik laju konvergensi F23 dengan
D=10 D=30
D=50
3.1 F24-AAA' F24-AAA
3.2 F24-AAA' F24-AAA
F24-AAA F24-AAA'
*) ) x 2.9 x ) 3.15 f( )- 2.8
4 1 2 3 4 5 6 7 8 9 10 3 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 fungsi evaluasi (fev) 5 x 10 fungsi evaluasi (fev) x 10 4 fungsi evaluasi (fev) x 10 5
Gambar 78. Grafik laju konvergensi F24 dengan D=10 D=30 D=50
Gambar 76. Grafik laju konvergensi F24 dengan
Gambar 77. Grafik laju konvergensi F24 dengan
Optimasi Algoritma Alga Untuk Meningkatkan Laju Konvergensi
F25-AAA' F25-AAA
3.2 F25-AAA
3.3 F25-AAA
F25-AAA'
F25-AAA'
(x 3.05 )- f(
3.05 lo g 3.15
0 1 2 3 4 5 6 7 8 9 10 2.95 4 0 0.5 1 1.5 2 2.5 5 3.05 3 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 fungsi evaluasi (fev)
Gambar 79. Grafik laju konvergensi F25 dengan
x 10
fungsi evaluasi (fev)
fungsi evaluasi (fev) x 10 5
Gambar 80. Grafik laju konvergensi F25 dengan
x 10
Gambar 81. Grafik laju konvergensi F25 dengan
D=10 D=30 D=50
populasi. Fungsi ini memiliki kompleksitas seberapa rumit sebuah algoritma sehingga
Kompleksitas algoritma
menentukan
O (M).
berpengaruh pada waktu eksekusi algoritma
b) GreatnessOrder(), fungsi ini untuk
mengurutkan tingkat kebugaran koloni alga kompleksitas algoritma antara AAA dan AAAโ
tersebut. Tabel 7 adalah perbandingan
parameter tertentu. pada dimensi 10, 30, dan 50. 2 Kompleksitas untuk fungsi ini yaitu O(M ).
berdasarkan
Tabel 7. Perbandingan Waktu Eksekusi AAA FrictionSurface(), fungsi ini untuk
c)
dan AAAโ pada Dimensi 10, 30, dan 50 menghitung gaya gesek pada permukan Berdasarkan CECโ05 cairan yang dialami oleh alga. Kompleksitas untuk fungsi ini adalah O(M).
d) TournamentSelection(), fungsi untuk memilih koloni terbaik tetangga (local best)
dengan teknik tournament selection. T0 adalah waktu eksekusi program sesuai
Kompleksitas untuk fungsi ini yaitu O(M). pada panduan CECโ05. Untuk meningkatkan
Berdasarkan perhitungan tersebut, AAA akurasi, nilai T0 adalah rata-rata dari 500 kali
memiliki kompleksitas O(M 3 N 2 O) sedangkan eksekusi. T1 adalah waktu eksekusi fungsi F3
2 AAAโ memiliki kompleksitas O(M 2 N O). sebanyak 200000 kali sesuai dimensi D. Untuk
Proses yang membuat AAA lebih kompleks meningkatkan akurasi, nilai T1 pada dimensi dari AAAโ yaitu proses tournamen selection. yang berbeda diambil rata-rata dari 100 kali Pada AAA proses tournament selection eksekusi. T2 adalah waktu eksekusi algoritma AAA atau AAAโ untuk menyelesaikan dilakukan setiap koloni bergerak, sedangkan
pada AAAโ proses tersebut hanya dilakukan
fungsi F3 dengan maksimum evaluasi 200000
ketika solusi lebih buruk dari sebelumnya. pada setiap dimensi D. Untuk meningkatkan
Pada implementasi optimasi desain pressure
akurasi, nilai T2 adalah rata-rata dari 100 kali vessel, eksekusi sebanyak 500 kali dengan eksekusi algoritma pada setiap dimensi D.
random seed 1-500 dan masing-masing Nilai (T2-T1)/T0 menunjukkan seberapa
eksekusi maksimal 40000 kali fungsi evaluasi kompleks algoritma tersebut jika ditinjau dari
(fev). Hasil pengujian tersebut menghasilkan
segi waktu. Semakin tinggi nilai (T2-T1)/T0
laju konvergensi seperti pada Gambar 82. menandakan semakin lama waktu yang
dibutuhkan untuk mengeksekusi algoritma AAA
4 AAA'
tersebut. Berdasarkan Tabel 7, waktu eksekusi AAAโ lebih kecil dari AAA yang berarti proses 2
)- x pada AAA lebih kompleks dari AAAโ jika ) f( *) 0 (x
(f ditinjau dari waktu eksekusi. g lo -2
Algoritma AAA memiliki tiga parameter,
yaitu jumlah koloni alga (M), jumlah individu
pada tiap koloni (N), dan jumla maksimum
fungsi evaluasi (fev) 2 2.5 3 3.5 4 evaluasi (O). Terdapat empat fungsi pendukung 4 x 10 dalam perhitungan AAA, yaitu:
Gambar 82. Laju konvergensi AAA dan AAA โ
a) CalculateGreatness(), fungsi ini untuk pada kasus pressure vessel dengan maksimum menghitung kebugaran koloni dalam
40000 fungsi evaluasi
Jurnal Ilmiah Informatika
Volume 2 No. 1 / Juni 2017
Grafik laju konvergensi menyatakan perbandingan semilog selisih antara median hasil f(x) dan target f(x*) terhadap fungsi evaluasi. Grafik pada Gambar 82 menunjukkan laju konvergensi AAAโ lebih baik dari AAA 4
karena pada fev=1.6x10 sudah terjadi konvergensi. Detail hasil dan waktu eksekusi pada fungsi evaluasi 2000 dan 40000 tampak pada Tabel 8. Tabel 9 menunjukkan parameter x 1-4 , konstanta y 1-2 , constrain g 1-6 , dan hasil f(x) terbaik, sedangkan Tabel 10 menunjukkan perbandingan waktu perolehan solusi pada kondisi terbaik AAA dan AAA โ.
Berdasarkan Tabel 7 dan 10, pada jumlah fungsi evaluasi yang sama, AAA โ 1.103 kali lebih cepat dari AAA. Hal ini disebabkan proses tournamen selection pada AAA dilakukan setiap gerakan heliks, sedangkan
pada AAA โ dilakukan jika solusi tidak lebih
baik setelah gerakan heliks. Pada kondisi
terbaik, AAA โ lebih cepat 4.921 kali dalam menemukan solusi. Sedangkan pada kondisi
Tabel 10. Perbandingan Waktu Perolehan
Solusi Terbaik Berrdasarkan Ramdom
terburuk, AAA โ terjebak dalam local optima
Seed dan Fungsi Evalusasi AAA dan
AAAโ
yaitu pada 7903.67564. Hal ini disebabkan
AAA โ terlalu kuat dalam mengeksploitasi
Fungsi Waktu kandidat solusi (global best) yang belum tentu
Random
Algoritma
Evaluasi (s) sebagai solusi terbaik (global optima). Namun
Seed
38200 9.626130 demikian, AAA โ memiliki laju konvergensi
AAA
8240 1.956132 yang lebih baik dari AAA pada kasus optimasi
AA Aโ
desain pressure vessel.
4. KESIMPULAN
Tabel 8 Perbandingan Hasil AAA dan AAAโ
Algorithm (AAA) untuk Kasus Pressure Vessel pada Fungsi
Artificial
Algae
merupakan algoritma optimasi dengan model Evaluasi 20000 Dan 40000
swarm yaitu gerakan heliks dan model evolusi
yaitu dengan reproduksi dan adaptasi. Pada
penelitian ini dilakukan optimasi terhadap Terbaik
Solusi
gerakan heliks untuk meningkatkan laju AA Aโ
konvergensi, khususnya pada kasus optimasi Terburuk
desain pressure vessel . Optimasi yang AA Aโ
dilakukan yaitu menggerakkan alga menuju Rata-rata
AA Aโ koloni terbaik dalam populasi (global best). 7205.05995 7204.84851 Std
Berdasarkan pengujian CECโ05, AAAโ AA Aโ
mengalami peningkatan laju konvergensi
Waktu Eksekusi
namun terjadi penurunan kestabilan algoritma. Rata-rata
AAA
Hal tersebut dapat dianalisis berdasarkan AA Aโ
beberapa indikator berikut: AAA
a) Dalam kondisi terbaik, AAAโ lebih cepat menemukan solusi. Namun dalam kondisi
terburuk, AAAโ terjebak dalam local optima .
Tabel 9. Perbandingan Parameter X 1-4 ,
Konstanta Y 1-2 , Constrain G 1-6 , dan Hasil
b) Seiring peningkatan dimensi, kualitas hasil
F(X) Antara AAA Dan AAAโ Pada Kasus
cenderung fluktuatif. Pada dimensi 10,
Desain Pressure Vessel dengan Fungsi
AAAโ mampu meyelesaikan 11 fungsi lebih
Evaluasi 20000 Dan 40000
baik dari AAA. Pada dimensi 30, kemampuan AAAโ menurun sehingga
Optimasi Algoritma Alga Untuk Meningkatkan Laju Konvergensi
mampu menyelesaiakn 8 fungsi lebih baik Practival Approach . Boca Raton, CRC dari AAA. Sedangkan pada dimensi 50,
Press.
AAAโ kembali menyelesaikan 11 fungsi [6] Binitha S. & S.S. Sathya. 2012. A Survey lebih baik dari AAA.
of Bio inspired Optimization Algorithms .
c) Kompleksitas waktu (running time) pada International Journal of Soft Computing AAAโ turun menjadi 76.15% dari AAA,
and Engineering (IJSCE), Vol,2, Issue-2. pada dimensi 10 turun menjadi 82.70% dari
[7] K.T. Meetei. 2014. A Survey: Swarm AAA, dan pada dimensi 50 turun menjadi
Intelligence vs. Genetic Algorithm . 78.89% dari AAA.
International Journal of Science and
d) Kompleksitas algoritma AAA adalah Research (IJSR), hlm. 231-235.
3 2 2 O(M 2 N O) dan AAAโ adalah O(M N O). [8] Rashmi A. Mahale & S.D.Chavan. 2012.
A Survey: Evolutionary and Swarm Based Pada kasus pressure vessel dengan jumlah Bio-Inspired Optimization Algorithms . fungsi evaluasi 20000 dan 40000, AAA โ 1.103 International Journal of Scientific and kali lebih cepat dari AAA. Sedangkan pada Research Publications Vol.2, Issue 12. kasus terbaik, untuk menemukan solusi AAA โ
4.921 kali lebih cepat dari AAA. Pada kasus Xin-She Yang, 2014. Swarm Intelligence
[9]
Based Algorithms: A Critical Analysis . terburuk, AAA โ terjebak dalam local optima. Evolutionary Intelligence Vol.7, hlm. 17- Hal ini disebabkan gerakan heliks terlalu fokus
28.
pada global best yang belum tentu adalah
global optima . Dengan demikian, penelitian ini Millie Pant & Radha Thangaraj. 2007. A
[10]
New Particle Swarm Optimization with dapat dilanjutkan dengan meningkatkan
Crossover . International eksplorasi terhadap kandidat solusi selain Conference of Advanced Computing and global best , sehingga AAA โ memiliki laju Communications (ADCOM), hlm. 81 konvergensi yang baik tanpa terjebak pada
Quadratic
โ86.
local optima . Sabine Helwig, Frank Neumann, dan Rolf
Particle Swarm
5. Optimization with Velocity Adaptation REFERENSI .
Handbook of Swarm Intelligence Vol.8 of [1] Taqiyuddin dan Sasongko P.H. 2013. the series Adaptation, Learning, and Studi Optimal Power Flow pada Sistem
Optimization, hal. 155-173. Kelistrikan 500 kV Jawa-Bali dengan
[12] Swagatam Das & Ajith Abraham. 2006. Menggunakan
Synergy of Particle Swarm Optimization Optimization (PSO) . Jurnal Nasional
Particle
Swarm
Evolutionary Algorithms for Teknik Elektro dan Teknologi Informasi
with
Intelligent Search and Optimization . (JNTETI) Vol. 2 No. 3.
of IEEE International [2] A.S. Sinaga. 2014. Pembebanan Congress on Evolutionary Computation
Proceedings
Ekonomis dengan Pengendalian Emisi
Vol.1, hlm. 84-88.
pada Pembangkit Termis Menggunakan [13] Kedar N.D. & Raghav P.P. 2014. Synergy Algoritma Evolusi Diferensial . Jurnal
of Differential Evolution and Particle Nasional Teknik Elektro dan Teknologi
Swarm Optimization . Proceedings of the Informasi (JNTETI) Vol.3 No.2.
Third International Conference on Soft [3]
A.A. Aburomman & Mamun Bin Ibne R. Computing for Problem Solving Vol.258
2016. A Novel SVM-kNN-PSO Ensemble of the series Advances in Intelligent Method For Intrusion Detection System .
Systems and Computing, hlm. 143-160. Applied Soft Computing Vol.38, hlm.
[14] Sait Ali Uymaz, Gulay Tezel, & Esra Yel. 360-372.
2015. Arti๏ฌcial Algae Algorithm (AAA) for [4] M. Ranjani & P. Murugesan. 2015. nonlinear global optimization , Applied Optimal Fuzzy Controller Parameters
Soft Computing Vol.31, hlm. 153-171. Using PSO For Speed Control of Quasi-Z
G.C. Onwubolu & B.V. Babu. 2004. New Source DC/DC Converter Fed Drive .
[15]
Optimization Techniques in Engineering . Applied Soft Computing Vol.27, hlm.
Springer, Berlin. Germany. 332-356.
[5] Ruhul A. Sarker & Charles S. Newton. 2008. Optimization Modelling : A