Library Automation and Digital Archive
LONTAR
Fakultas Ilmu Komputer
Universitas Indonesia

Pencarian Sederhana

Find Similar Add to Favorite

Call Number Dis-57 (Softcopy Dis-48)
Collection Type Disertasi
Title Modifikasi particle swarm optimization dengan menetukan sub-arm secara adaptif untuk multi-odor source location
Author Didit Widiyanto;
Publisher Depok: Fakultas Ilmu Komputer, 2016
Subject
Location
Lokasi : Perpustakaan Fakultas Ilmu Komputer
Nomor Panggil ID Koleksi Status
Dis-57 (Softcopy Dis-48) TERSEDIA
Tidak ada review pada koleksi ini: 43666
ABSTRAK Nama : Didit Widiyanto NPM : 1106046452 Program Studi : Doktor Ilmu Komputer Title : Modifikasi Particle Swarm Optimization Dengan Menentukan Sub-swarm Secara Adaptif Untuk Multi-Odor Source Localization Penelitian ini mengusulkan metode Adaptive Niching PSO Semi-Supervised Extreme Learning Machine (ANPSO-SSELM) untuk membentuk niche baru secara adaptif. Pembentukan niche baru menggunakan data tidak berlabel tiga dimensi (jarak, sudut dan konsentrasi) yang diakuisisi dari area pencarian. Berdasarkan data tersebut, dalam penelitian ini pembelajaran Semi-supervised Extreme Learning Machine (SSELM) dilakukan dengan menggunakan klasifikasi Bayes untuk menyediakan data berlabel ―belong‖ dan ―notbelong‖. Parameter statistik rataan (μ) dan standard deviasi (σ) dari fungsi likelihood dalam klasifikasi Bayes yang ditentukan secara manual. Hasil pembelajaran SSELM adalah model terbaik SSELM dengan error rate terkecil 3.1% menggunakan perbandingan data pembelajaran tidak berlabel berbanding data berlabel adalah 70:30. Setelah dilakukan pembelajaran pada SSELM, algoritma ANPSO-SSELM dapat digunakan dengan memulai pergerakan robot mainswarm secara acak. Ketika robot-mainswarm menemukan konsentrasi plume, data tiga dimensi diestimasi oleh robot-mainswarm menggunakan SSELM, ke dalam kelas ―belong‖ atau ―not belong‖. Kelas ―belong‖ berarti ke odor sources (OS) yang dicari oleh niche yang ada. Jika hasilnya adalah kelas ―not belong‖, maka niche baru akan dibentuk. Selain itu tidak akan membentuk niche baru. Percobaan pada metode usulan pertama adalah pengujian Success Rate (SR) dengan pembanding algoritma ANPSO-Cth dan ANPSO-SUELM. ANPSO-Cth adalah adaptive niching yang menggunakan nilai ambang konsentrasi plume. Sedangkan algoritma ANPSO-SUELM menggunakan SUELM (ELM dengan pembelajaran supervised yang dilatih dengan 3% error-rate). Hasil pengujian menunjukkan metode ANPSO-SSELM memiliki akurasi terbaik dan stabil di area sempit. Sedangkan pada area luas, ANPSO-SSELM memiliki akurasi yang sama dengan ANPSO-SUELM. Metode usulan ke dua adalah plume tracking menggunakan ―Ignore gBest‖ (metode IgB) untuk peningkatan kecepatan pencarian OS. Metode IgB cenderung membuat robot PSO dari posisi gBest bergerak ke suatu radius tertentu dalam arah upwind (bertentangan dengan arah angin). Terdapat dua variasi metode IgB yang diusulkan.Metode pertama adalah ANPSO-SSELM-IgB1 yang menggunakan metode Ignore gBest dengan menambahkan term ke-4 pada persamaan kecepatan PSO. Sedangkan metode ke dua adalah ANPSO-SSELM-IgB2 yang memodifikasi social term dari persamaan kecepatan PSO. Hasil pengujian metode IgB menyatakan bahwa ANPSO-SSELM-IgB2 selalu lebih baik untuk pengukuran TC ketika dibandingkan dengan algoritma ANPSO-SSELM dan ANPSO-SSELM-IgB1. Kata Kunci : Particle Swarm Optimization, Concentration Threshold, Extreme Learning Machine, Robot Time, RMNPSO, dan Ignore gbest