< prev

Page 1Page 2Page 3Page 4Page 5Page 6Page 7Page 8Page 9Page 10Page 11Page 12

Page 3 of 12
next >

Majalah Ilmiah UNIKOM

Vol.11 No. 1

137

H a l a m a n

sehingga menjadi respon yang diinginkan

untuk filter adaptif. Sinyal error didefinisikan

sebagai :

Karena d(n) = b(n) + m(n), maka :

Sinyal error e(n) akan digunakan untuk

menyesuaikan nilai koefisien filter. Filter

adaptif akan berusaha untuk meminimalkan

nilai kuadrat rata-rata dari sinyal error e(n).

Particle Swarm Optimization (PSO)

Particle Swarm Optimization (PSO)

adalah salah satu algoritma optimasi

berbasis kecerdasan buatan terdistribusi

yang

diinspirasikan

oleh

kecerdasan

kumpulan burung dan ikan. Pergerakan

partikel akan ditentukan oleh nilai posisi

saat ini dan nilai kecepatan. Nilai posisi dari

partikel akan merepresentasikan solusi

yang mungkin pada kasus optimasi,

sedangkan nilai kecepatan digunakan untuk

merubah posisi partikel. Terdapat beberapa

algoritma PSO yang dikembangkan oleh

para peneliti. Algoritma-algoritma yang akan

diteliti pada penelitian ini ditunjukkan pada

Tabel 1 .

The Original Particle Swarm Optimization

Algorithm (Original PSO)

Algoritma Original PSO diperkenalkan oleh

J. Kennedy [6] pada tahun 1995. Algoritma

Original PSI dimulai dengan inisialisasi

populasi solusi (disebut particle) yang

dibangkitkan secara acak. Nilai dari fungsi

objektif partikel-partikel tersebut akan

mendeskripsikan

kualitas

dari

posisi

partikel atau alternatif solusi tersebut.

Setiap particel

t

memiliki

vektor

posisi

dan

vektor

e(n) = d(n) – y(n)

(2)

e(n) = b(n) + m(n) – y(n)

(3)

kecepatan

. Setiap particle juga akan

mencatat posisi terbaik yang pernah

dicapainya. Variabel yang digunakan untuk

mencatat posisi terbaik yang pernah dicapai

oleh suatu partikel biasanya menggunakan

vektor

. Nilai dari vektor ini akan

diperbaharui setiap kali partikel yang

bersangkutan memperoleh solusi yang lebih

baik.

Adapun

vektor

merepresentasikan posisi terbaik yang

pernah dicapai oleh suatu partikel dari

seluruh populasi.

Algoritma

PSO

akan

beriterasi

memperbaharui nilai posisi dan kecepatan

partikel higga kondisi berhenti tercapai.

Tri Rahajoeningroem & Muhammad Aria

Algoritma

Sumber pustaka

Original PSO

J. Kennedy, et al.

(1995)

Local PSO

R. Eberhart, et al.

(1995)

Canonical PSO

M. Clerc, et al.

(2002)

Decreasing Inertia

Weight PSO

Y. Shi, et al. (1999)

Increasing Inertia

Weight PSO

Y.L. Zheng, et al.

(2003)

Stochastic Inertia

Weight PSO

R. Eberhart, et al.

(2001)

Fully Informed PSO

R. Mendes, et. Al.

(2004)

Self-Organizing

Hierarchical PSO

with Time-Varying

Acceleration

Coefficients

A. Ratnaweera, et al.

(2004)

Hierarchical PSO

C.-C. Chen (2009)

Adaptive

Hierarchical PSO

S. Janson, et al.

(2005)

Estimation of

Ditribution PSO

M. Iqbal, et al

Tabel 1.

Beberapa algoritma PSO yang diteliti