ISSN 1412-2995 Jural ainda Volume 13(1): 10 16,2013 PENENTUAN PARAMETER JARAK ANTAR VEKTOR UNGGULAN PADA MODIFIKASI SPECIES-BASED DIFFERENTIAL EVOLUTION UNTUK OPTIMASI FUNGSI MULTIMODAL Said Iskandar Al Idrust "Jurusan Matematika FMIPA Universitas Negeri Medan, Jin. Willem Iskandar Pasar V,Medan 20221 Diterima $ Januar 2013, dsetujul untuk publikas 22 Februae 2013 Abstract— Pada saat ini optimasi mempunyai peranan penting dalam verbagai bidang. penelitian operasional, industri, Keuangan dan manajemen, Differential Evolution (DE), merupakan teknik pencarian ack menggunakan vektor sebagai alternatif penyetesaian dalam pencarian optimasi. DE bekerja sangat baik pada optimasi sebuah fungsi unimodal, pada fungsi multimodal dilakukan pembagian wwilayah fitness dengan dengan menggunakan niching method untuk mencari loka! optimum. Speces-based adalah salah satu metode nicking yang digunakan dalam optinasi multimodal. Metode ini membentuk banyak populasi dalam area fugsi dengan mempertahankan jarak (euclidean distance) dalam penempatan titik pusatnya atau disebut juga dengan species-seed. Setiap populasi memilki jréjari (7) antara vektor-vektor dav: titik pusat populasi. Pada tulisan int difelasken modifikasi untuk pengembangan Species-based yang tela ada untuk menentukans species-seed sebagai vektor unggulan yang disebar diseluruk area fungsi dengan imenentukan jarak ideal, hal ini bermanfaat untuk menghindari mencari species-seed secara berulang-ulang dan dapat menentukan jumlah individu dalam satu populast Die ae ersgan ja ideal yong sama. Dari hasil test frist sangat bak dan dengan sil guolution spect ‘yang diperoleh dari paper sebelumnya dengan species-based yang belunt based, vektor Aina Unt fags atu dimes dan du dimer has apt ganbrkan la dalam bentuk gambar graf fungsi Pendahuluan syarat tertentu. Pencarian solusi dengan Pada saat ini optimasi mempunyai -™enggunakan metode kalkulus—dasar peranan penting dalam berbagai_bidang penelitian operasional, industri, keuangan dan manajemen. Masalah optimasi_ merupakan permasalahan memaksimumkan atau pun atau terdeferensialkan serta atau tebakan awal. dapat digunakan secara ‘memerlukan fungsi objektif yang kontinu dan memiliki solusi Metode numerik tidak langsung untuk meminimumkan suatu. fungsi satu peubah atau banyak peubah, fungsi yang diteiti meliputi fungsi unimodal dan multimodal. optimum dapat dilakukan dengan cara kalkulus, numerik dan nilai acak (random search). Pencarian optimum — dengan menggunakan metode kalkulus dasar dan Dalam —mencari solusi solusi metode numerik harus memenuhi syarat- Cembaga Penaiian Universitas Negeri Medan mencari solusi optimum dari suatu fungsi objektif, Namum solusi optimum dapat diperoleh dengan mencari akar dari turunan pertama fungsi objektif secara numetik. Hal ini berarti penggunaan metode numerik untuk mencari solusi optimum juga membutuhkan keberadaan turunan pertama dari _fungsi objektif. Padahal dalam — kenyataannya seringkali ditemui permasalahanoptimasi dengan _fungsi_objektif_ yang diskrit, tidak 10Penestuan Parameter Jarak Astar Vektor Unggulan Pada Modifikast Species-Based Differential Evolution kontinu, tidak terdeferensialkan, memiliki gradien yang berfluktuasi sangat cepat, serta tidak tidak memiliki tebakan/solusi awal (8 Pada bahasan ini kita memanésatkan Differential Evolution (DE), metode ini menjalankan—teknik—pencarian—_acak menggunakan vektor sobagai_alternatif penyelesaian dalam pencarian optimum, DE merupakan salah satu algoritma evolusioner yang memiliki performansi Sebaik algoritma evolusioner yang lain seperti genetic algoritione (GA}2,34). DE pertama dikenalkan oleh Ken Price's dan Rainer stom pada tahun 1994 [4), kelebihan DE adalah pada evolusi yang dialami oleh setiap individu dalam populasi dimana diferensias\ dan crossover terjadi secara berurutan pada setiap individ yang terpilih acak dari poputasi setiap waktu. Parameter crossover diubah untuk mengetahul Pengaruhnya pada proses kemputasi. Hasil dari pengujlanmenunjukkan parameter crossover mana yang baik digunakan pada diferential evolution untuk permasatahan optimasi (3]. Dalam satu populasi nilai vektor yang dimiiiki setiap individu yang disebar secara acak akan berubah menjadi satu nilat vektor menuju. nilai yang terbaik yang pada akhinya menjadi solusi maksimum dan rainiinum pada fungsi. Walaupun terkesan sedethana DE dapat melokasilisir global optimum dengan sangat cepat dan akurat Ral Untuk dapat melokalisir maksimum dan minimum lokal paca fungsi multimodal fungsi ini dapat dibagi dalam beberapa wwilayah fitness dengan dengan menggunakan niching method [9]. Dengan metode ini setiap wilayah yang dilokalisasi dapat memberikan info nilat_vektor sebagai maksimum dan ‘minimum lokal. Untuk diterapkan metode ini perlu input syarat pendahtluan sebagai acuan letak antar populasi dalam satu wilayah yang telah berada dalam selang fungsi yang telah ditetapkan (1.4.5.67]. Untuk Optimasi Fungsi Mudltimedal Metode Penelitian 11. Differential Evolution Differential Evolution (DE) adalah sebuah metode yang dikembangkan oleh Kenneth Price dan dipublikasikan pada Oktober 1994 dalam majalah Dr, Dobb's Journal (Price et al, 2005). Metode ini merupakan metode optimasi matematis fungsi_muttidimensional dan termasuk dalam Kelompok evolutionary algorithin. Munculny‘a metode DE ini berawal dari usaha penyelesaian permasalahan fitting polinomial Chebycheo dan menghasilkan ide penggunaan perbedaanvektor untuk mengacak populasi vektor, Kermudian seiring dengan perkembangannys, dalam —ICEO (internationat — Contest. on Evolutionary Optimization) yang pertama, DE menjadi salah satu algoritma genetika terbaik dan dapat menemukan — global optimum yang multidimensi (yaitu menunjukkan lebih dari satu nilai optimurn) dengan probabiltas yang bak (3.4) Normpiaien de ¥ ¥ ¥ Gambar1 Skema differential evolution Langkah owal dari metode int adalah indsalisasi_vektor yang. dibangkitkan secara cal dalam area fangsi x, rand (OD, -%,,,.) a (dimensivektor) dan (juinlah vektor dalam satu D merupakan dimensi sebuah ia Ba dimana 1,2,.0 B81,2 NP populasi), ral SainclaT Volume 137 Nemor 1 | Paeet 2013 itSaid Iskandar Al ldrus vektor, NP adalah banyak vektor dalam sebuah populasi. Batas area fungst dar masing-masing Komponen vektor dapat ditulis,, dimana j+i,2,....D. Setelah diinisialisasi, DB akan memutasi dan me-rekombinasi_ populasi. awal untuk ‘menghasilkan populasi bar. Ve Frog tl Big Fag) @ dimana J, adalah vektor mutan, g adalah generasi vektor dalam proses mutasi, Faktor skala, F ¢ (0,1) adalah bilangan til positif yang mengontrol_perkembangan dari perubahon populasi yong dibangkitkan oleh dua bual vektor secara acak dipilih dati populasi. 122 dan 13 adalah indeks bilangan untuk membangkitkan vektor acak dari populasi Untuk melengkapi mutasi strategi pencasian iferensial, DE juga mempekerjakan crassoovr. fr. if (rand (0,1) SCR) a= = 8) “s 3, otherwise Dari persamaan datas, rand{0,1) adalah bilengan acak. CR adalah konstanta crossover yang ditentukan oleh pembuat model. Jika nilai random yang muncul lebih kecil_ dari parameter CR maka akan vektor yang baru akon di munculkan dari basil mutasi, sebaliknya make akan menggunakan vektor yang lama, maka dalam proses optimasi ini sebelum dilakukan mutasi harus memenuhi syarat dari parameter crossover. Hasil dari crossover akan diuji dengan hasil seleksi fungst Zig otherwise Sn {is LG, .)< Gy) @ Proses evolusi akan meagahasilkan satu nilai Konvergen, pada umumnya iterast akan berhent dengan kiteria yang ditentokan, nla fungsi, jumlah maksimum iterasi, dan epsilon anlar vehtor mendekat nol 3] 2.2. Species- Based Differential Evolution Species-based adalah salah satu metode nicking yang digunakan dalam optimasi multimodal, Metode ini membentuk banyak populasi dalam area fungsi dengan mempertahankan jarak (euclidean distance) dalam penempatan fitik pusatnya [2.4.5.6]. Setiap popnlasi smemiliki jari-javi (P) antara vektor-vektor dan. titik pusat populasi. Titik pusat ini disebut juga dengan species seed, Berikut adalah algoritma dari pembentukan species dalam satu populasi: 1. Sebar secara acak vektor dalam area fungsi 2,Sorting setiap nilai fungsi dari semua vektor yang ada, nilai fungsi yang terbaik maka vektornya adalah titik pusat dari populasi yang pertama, 3.Jika r adalah jartjari setiap populasinya, maka setiap vektor yang berada dalam radius y akan menjadi populasi daxi populasi yang pertama, 4. Sisa vektor yang ada kemudian di sorting seperti (angkah 2). Setelah didapat nila terbaik dilakukan (langkah 3). Maka akan didapat populasi yang ke-2, Begitu seterusnya, 5. Proses akan berhenti jika tidak ada lagi vektor yang akan di sorting, atau semua vektor sudah masuk kedalam salah satu popalasi, 6, Hitung jamlah vektor dalam populasi,jtka semua jumiahnya ideal minimal untuk poses DE (jumiah ideal minimal disesuaikan dengan fngsi optimasi, jika belum ideal maka dilakukan pembangkitan vektor secara acak dalam radius populsi 7.Semua populasi akan melakukan proses DE, hingga setiap populasi konvergen. 8, Berhentijika sudah mendapati kriteria yang dinginkan, Gambar 2 Iustrasi Species Based R Torval Singha | Volume 13] Nomor | | Paret 2013Penentuan Parameter Jarak Antar Vektor Unggulan Pada Modifitasi Species-Based Differential Evolution Dalam illustrasi ini dijelaskan bahwa si, dan s adalah vektor yang menjadi titik pusat dari populasi. Sedang p adalah vektor-vektor dalam populasi Fe a Sposemoed — |. ‘ona new pontine = }-—_! Gambar 2 Skema Species-hase Jumilah vektor dalam populasi bisa dipastikan tidak akan sama karena penyebarannya secaca acak dan faktor kedekatan dari setiap vektor terhadap titik pusatnya. Maka bisa jadi salah satu vektor akan mendapatkan vektor yang kurang ideal untuk melakukan proses differential evotntion(3] 3. Modifikasi Specis- Based Differential Eoviution Dengan Penentuan Jarak Antar Vektor Unggulan Pengembangan dilakukan dalam species ‘based agar pembentukan setiap populasi -memiliki langkah proses lebih efesien, adapun tujuannya adalah: Agar tidak terjadi sorting, yang berulang- ulang untuk mencazi spocies seed dalam optimasi. Untuk Optinasi Fungsi Multimodal 2. Agar jumlah vektor dalam populasi memilikijumlah ideal yang sama untuk proses differential eoohution 3. Agar penyebaran species seed lebih merata untuk menjangkau semua lokal optima Perubahsn mendasar dalam algoritma ini adalah dalam pembentukan species seed. Selanjuinya species seed saya sebut dengan vekior unggulan dimana vektor ini yang akan ‘menjadi pusat perubahanlangkobnya adalaki. 1. Membentuk vektor unggulan pertama. Pembentukan vektor unggulan ini akan dibangkitkan untuk pertama_kalinya, berbeda dengan algoritma pertama ‘yang dibentuk dati hasil terbaik soxting vektor yang telah dibangkitkan secara random. Vektor unggulan yang pertama berada ditengal-iengah selang fungsi, min ©aye max. (max, —min,) = Membentuk vekior unggulan ke-2, ke-3 dan seterusnya. Dalam algoritma ini kita mengatur jarak minimal antar vektor unggulansesuai_ dengan Kepentingan dan bentuk fungsi dalam optimasi, Vektor unggulan pertama menjadi acwan bagi vektor unggalan yang ke2 yang dibangkitkan secara acak, vektor unggulan kel dan ke-2 menjadi acuan bagi vekior unggulan ke- 3. Proses ini terus berlangsung sampai Ikriteria terntent, Jikajarak minimal tidak terpenuhi maka vektor yang dibangkitkan secara acak tidak menjadi veXtor —unggulan, —Jika_—_ kita smembangkitkan 100 vektor secara acak bisa jadi vektor unggulan yang terjadi lebih kecil dari 100. Bangkitkan vektor percobaan dengan elemen 34, 3,..¢4 x 6 =rand(0l) {max —min, +n, Jorval Santi [Volume 13] Nomor 1 T Maret 2013Said Iskandar Al Idrus nine ride of aren etn = random one indus! ‘Tabet 1. Standar Deviasi untuk jumlah ‘nevee function ¥ = cr tartare ten India become et specenseed {vaste ocal random “ Ingle in spaces base Tor every speciersent De teal soos Gambar3 Skema modifikasi Spucies-base as13,,3)=[S,-x,)° if dis,,2,)2dr then Z4-F, (8) P= 12.40 (banyaknva percobaai) dimana, " adalah vektor yang dlbangkitkaa secara acak, #1,2,...NPuegn Gumlah vektor unggulan), FP12,.0D (dimensi vektor), dist adalah jarak antar vektor unggulan, dr adalsh besaran jarak antar vektor. ‘Hasil dan Pembahasan ‘Test Fungsi {. LO) = exp(-2)" sine) ° dimana 0sx<2, jari-jari dalam species 1=0.25, dalam lima kali percobaan, jumlah sebaran 500 vektor di dapat: vektor dalam species Run Test | Standar Deviasi 1 16.9784177 2 16.7888852 3 17, 8063659 4 185652004 5 18.4571576 Rata-rata fumfah vektor unggulan yang. di peroleh dalam 5 percobaan adalah 6. n fy “ nt ‘Gambar 4 Bentuk fungsi(fi-dat), sebaran vektor unggulan(f4.dat), jumlah species dalam populasitf2.dat) dengan species- based Dengan pengembangan algoritma _setiap species-based: standar deviasi = 0 Gumlah species sama), jarak antar vektor unggulan = 025, jarijari dalam species » 0.15, jumlah veKtor unggulan yang dihasilkan ~ 7, jamlak individu dalam species =50, loan = GambarS Bentek fungsi(fl.dat) sebaran veltor ‘unggulan(22 dat), jumlah species dalam populasi(®.dat) dengan modifikast species-based i [inal Senta [Volume 13] Nomer 1 [Maret 2073Penentinm Parameter farak Asttar Vekfor Ungeutan Pada Modifikasi Species Basest Differential Evolution Setelah dilakukan DE terhadap keduanya didapat lokal optima yang sama. Tabel 2. Lokal Optima Fungsi 1 no |x 3) 1_| osis6 | 0.192986 2 | 1a7e58 | 0.0508361 3 | onsssi7 | 0.732619 4 [1.14806 | -0.0980486 5 | os7soss | -o.376012 6 | 181207 | -oe260913 vo I ‘i lokal optima Fungsi 7 Gambar 6 Posi Test Fungsi 2 FEY) = 200-08 yp MP Ory y= TP (0) dimana -64,y6, jari-jari dalam species 2, dalam lima kali percobaan, jumlah sebaran 2000 vektor di dapat ‘Tabel 3, Standar Deviasi untuk jumlah vektar dalam species Unik Optimasi Fungsi Multimodal Gambar 7 Bentuk fungsi(f1.dat, sebaran vektor unggulan(fd dat) dengan species-besed Gambar § Bentuk fuagsi(fl.dat), sebaran vektor unggulan({2.dat) dengan modifikasi spoetes-based Dengan pengembangan algoritma _setiap species-based. standac deviasi = 0 Gjumlah species sama), jarak antar vektor unggulan ~ 15, jarbjari dalam species = 05, jumlat vektor unggulan yang dihacilkan ~ 28, jumlah individu dalam species =50, Setelah dilakukan DE terhadap keduanya didapat lokal optima yang sama __Tabel 4. Lokal Optima Fungsi 2 Run Test | standarde Ea x fey) 1 34,11555, i -2,80512 3.13131 200 2 36,.80618 2 3 200 3. 35,18391 3 | 3.77931 200 4 33.43832 4 | 358843 200 3 36,65883 > 0.270845 | -0.923039_} 18.3835. Rata-rata jumlah vektor unggulan yang di petoleh dalam 5 percobaan adalah 23.2 Jintal See TWetume 131 Nomar T [Maret 2015 16Said Iskandar Al fares Gambar 9. Posisi tokal optima Fungsi 2 Kesimpulan Dati basil kedua algoritma dapat mapulan bahwwa 1. Sebelum — dimofikasi _species-based memilifi standar deviasi yang besar, dan Gibutuhkan komplesitas yang tinggi untuk dapa_mensortir setiap species untuk mencari jumlah species yang, bbetum ideal 2. Untuk species yang memiliki terlalu besar jumlah individu, juga merupakan kendala iri dalam melakakun tersenk proses differential evolution, 3. Setelsh dilakukan modifikasi, jumloh, vektor unggulan yang dipercleh tidak berbeda jah, dan standar deviasi-0 arena jumlah species yang sama, ini memudahkan dalam proses. aifferentiat evolution, berarti proses running program lebih efesien. 4. Jarak antec vektor unggulan dan jarijari dalam species berperan penting dalam nencati semua lokal optimasi S.Hasil jumlah tokal optima yang diperoleh sama. Saran Dalam penelitian lebih Tanjut, agar duit jarak idea! antar vektor unggutan can jari-jari species untuk fungsi lainya, dan dapat dinji pada fungsi yang memiliki dimensi D>? Daftar Pustaka IT] B. ¥. Qu, P. N. Sugathan, Senior Member, IBEE, and J. J. Liang, 212. Differential Evolution with Neighborhood Mutation for Muitimodal Optinization. (EEE Transaction 2 (3) 4) (5 (6 v7 Bi 1 on Evolutionary Computation, Vol. 16 No.5, pp. 601-613. Jani Ronkkonen, 2009. Thesis for the degree of Doctor of Science (Technology) Continuous Multimodal Global Optimization With Differentiat Evotution-Based Methods, Act Universitatis Lappeenrantaensis. Kenneth ViPrice. Rainer M. Storn, Jouni A. Lampinen, 2005. Differential Evolution: A Pratical Approach to Global Optimization. Springer. Li, X. 2005, Efcient differential evolution using speciation for multimodal function optimization. In Proceedings ‘of the Conference on Genetic and Evolutionary Computation (GECCO 2005) (Washington DC, USA, 2005), pp, 873 880. Michael G, Epitropakis, Vassilis P. Plagianakos, and Michael N. Vrahatis, 2012. Multimodal Optimization Using Niching Differential Evolution With Index- Based Neighborhoods. WCCT 2012 IEEE World Congress. on Computational Intelligence, June, 10-28, Brisbane, Australia Miyuki Shibasoko, Akica Hara, Takumi fchimura, and Tetsuyuki Takahama, 2007. Species-based Differential Lxolution with Switeting Search Strategies for Muitimodat Function Optimization. TEER, Congress on Evolutionary Computation (CEC 2007), pp. 1183 - 1190. Na Li, Yuansian Li, Zhigua Muang, and Yong Wang. 2011. Niche Differential Evolution Aigoritton and Its Application in Multimodal Function Optimization, Advanced Materials Research Vols. 308- 310 (2011) pp. 2481-2435 Rene Thomsen. 2004. Multimodal Optirtiaation Using Crowuting-Basest Differential Evolution, Evolutionary Computation, CEC2004. Congress on (Volume2), pp 1382 - 1389. Somir W. Mahfoud. 1995, Niching Methods for Genetic Algorithms. Department of General Engineering, University of General Engineering, University of {lions at Urbana-Champaign 6 Jural Saini | Volume [3] Nomor 1 | Maret 2073