Postingan

Algoritma Ant Colony Optimization (ACO)

Gambar
Pengertian Algoritma Ant Colony Optimization (ACO) Algoritma Ant Colony Optimization (ACO) adalah salah satu metode optimasi berbasis metaheuristik yang terinspirasi oleh perilaku alami semut dalam mencari makanan.  Ant Colony Optimization (ACO) termasuk kelompok Swarm Intelligence, yang merupakan salah satu jenis pengembangan paradigma yang digunakan untuk menyelesaikan optimasi  dimana inspirasi yang digunakan untuk memecahkan masalah tersebut berasal dari perilaku kawanan (swarm) serangga. ACO pertama kali diperkenalkan oleh Marco Dorigo  pada awal tahun 1990-an dan sejak itu telah digunakan untuk menyelesaikan berbagai masalah optimasi yang kompleks, seperti masalah penjadwalan, perutean kendaraan,  Vehicle Routing Problem (VRP) , data mining dan masalah travelling salesman problem (TSP) . Prinsip Dasar Ant Colony Optimization ACO meniru cara semut menemukan jalur terpendek antara sarang mereka dan sumber makanan. Semut meninggalkan jejak feromon di sepanjang jalur yang mereka lal

Download F Tabel (tabel f)

 Download f Tabel signifikansi 0,05 Cara download f tabel yaitu dengan tekan pop-out , lalu klik tanda download

Agoritma Nearest Neighbor beserta Coding Matlab

Gambar
Pengertian Agoritma Nearest Neighbor Algoritma Nearest Neighbor adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat  dengan objek tersebut. Menurut Kusrini dan Emha (2009) algoritma nearest neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama  dengan berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada yang memiliki kesamaan. Prinsip dasar algoritma ini adalah untuk memprediksi atau mengklasifikasikan suatu titik data baru berdasarkan kesamaannya dengan titik data yang telah ada sebelumnya  dalam sebuah himpunan data.  Algoritma Nearest Neighbor memiliki fleksibilitas yang baik dan mudah untuk diimplementasikan, tetapi performanya dapat dipengaruhi oleh skala data dan  dimensi atribut. Selain itu, algoritma ini juga bisa menjadi komputasi secara intensif karena harus menghitung jarak antara titik data baru dengan setiap titik data  yang ada dalam him

Pengertian Travelling salesman problem (TSP)

Gambar
Pengertian Travelling Salesman Problem (TSP) Travelling Salesman Problem (TSP) adalah salah satu permasalahan klasik dalam bidang ilmu komputer dan optimisasi kombinatorial.  Dalam TSP, seorang salesman harus mengunjungi sejumlah kota yang berbeda tepat satu kali dan kembali ke kota asalnya, sehingga total jarak  yang ditempuhnya adalah minimum. Secara umum, TSP dapat dinyatakan sebagai berikut:  Diberikan sebuah himpunan kota dan jarak antara setiap pasangan kota, tujuan TSP adalah menemukan tur yang  melintasi setiap kota tepat satu kali dan kembali ke kota awal, dengan total jarak yang ditempuh adalah minimum. Karakteristik permasalahan  Travelling Salesman Problem Berikut ini karakteristik atau ciri-ciri dari permasalahan TSP: Perjalanan berawal dan berakhir dari dan ke kota awal. Ada sejumlah kota yang semuanya harus dikunjungi tepat satu kali. Perjalanan tidak boleh kembali ke kota awal sebelum semua kota tujuan dikunjungi Tujuan dari permasalahan ini adalah meminimalkan total ja

Algoritma Particle Swarm Optimization (PSO)

Gambar
Pengertian  Particle Swarm Optimization (PSO)   Particle Swarm Optimization (PSO) adalah sebuah algoritma metaheuristik yang terinspirasi oleh perilaku sosial dari sekumpulan entitas atau partikel dalam sebuah ruang pencarian. Algoritma ini pertama kali diperkenalkan oleh Kennedy dan Eberhart pada tahun 1995. Konsep dasar dari PSO adalah simulasi gerakan sekumpulan partikel dalam mencari solusi terbaik dalam ruang pencarian berdasarkan pengalaman individu dan pengalaman kolektif dari seluruh populasi partikel tersebut. Setiap partikel dalam PSO memiliki posisi dan kecepatan dalam ruang pencarian, dan mereka bergerak di sepanjang dimensi pencarian dengan tujuan untuk menemukan solusi yang optimal. Proses optimisasi dalam PSO dilakukan dengan memperbarui posisi dan kecepatan setiap partikel berdasarkan informasi terbaik yang ditemukan oleh partikel itu sendiri (pBest) dan oleh seluruh populasi partikel (gBest). Perubahan posisi dan kecepatan partikel ini dipengaruhi oleh faktor inersia,

Pengertian dan Cara Membuat F Tabel (tabel f)

Gambar
Pengertian F tabel  Tabel F , atau sering disebut sebagai F-tabel, adalah sebuah tabel statistik yang digunakan dalam analisis statistik untuk menentukan nilai kritis dari distribusi F. Distribusi F adalah distribusi probabilitas yang digunakan untuk menguji perbedaan signifikan antara varians dari dua sampel atau lebih. Tabel F digunakan dalam uji analisis varians (ANOVA) dan uji regresi untuk menentukan apakah perbedaan antara varians dari dua atau lebih kelompok adalah signifikan secara statistik. Tabel F memberikan nilai-nilai kritis untuk berbagai tingkat signifikansi (misalnya, 0.05 atau 0.01) dan derajat kebebasan antara kelompok dan dalam kelompok. Tingkat signifikansi mengukur seberapa besar peluang kita untuk menolak hipotesis nol yang menyatakan tidak ada perbedaan signifikan antara varians kelompok-kelompok tersebut. Sebagai contoh, jika Anda melakukan uji ANOVA untuk membandingkan rata-rata dari tiga kelompok atau lebih, Anda akan menggunakan nilai-nilai dari tabel F u

Cara Uji Korelasi Bivariate atau Korelasi Pearson

Gambar
Pengertian dan Cara Uji Korelasi Pearson dengan SPSS Pendahuluan Analisis hubungan antarvariabel secara garis besar ada dua, yaitu analisis korelasi dan analisis regresi. Kedua analisis tersebut saling terkait. Analisis korelasi menyatakan derajat keeratan hubungan antarvariabel, sedangkan analisis regresi digunakan dalam peramalan variable dependen berdasarkan variabel-variabel independennya. Dalam perhitungan korelasi, akan di dapat koefisien korelasi yang menunjukkan keeratan hubungan antar dua variable tersebut. Nilai koefisien korelasi berkisar antara 0 sampai 1 atau 0 sampai -1. Nilai semakin mendekati 1 atau -1 maka hubungannya semain erat, jika mendekati 0 maka hubungan semakin lemah. Tanda positif dan negatif menunjukkan arah hubungan. Tanda positif menunjukkan arah hubungan searah, artinya jika satu variabel naik, maka variabel yang lain juga naik. Tanda negatif menunjukkan hubungan berlawanan. Jika satu variabel naik, maka variabel yang lain turun. Ada beberapa macam koefisi