Analisis dan Implementasi Differential Evolution untuk Optimasi
Artificial Neural Network pada Prediksi Konsumsi Bahan Bakar
Minyak (Miles Per Gallon)

Mohd. Rizki Syaherli Chan

Informasi Umum

Kode

113108016

Klasifikasi

006.3 - Special Computer Methods- Artificial intelligence

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Artificial Intelligence

Dilihat

238 kali

Informasi Lainnya

Abstraksi

Manusia menggunakan berbagai macam kendaraan untuk bepergian dari satu tempat ke tempat lainnya. Salah satu jenis kendaraan tersebut adalah mobil. Mobil adalah kendaraan favorit yang digunakan oleh sebagian besar orang di seluruh dunia. Perusahaan-perusahaan pembuat mobil setiap tahunnya selalu memproduksi mobil dengan berbagai macam model dalam jumlah yang besar. Setiap merk mobil keluaran tahun tertentu memiliki jumlah konsumsi bahan bakar yang berbeda-beda, tergantung pada faktor-faktor yang berperan di dalam mesin mobil tersebut, seperti cylinder, displacement, acceleration, dan horse power. Bobot mobil juga mempengaruhi konsumsi bahan bakar. Dengan banyaknya jumlah mobil yang beredar, kebutuhan akan bahan bakar minyak juga besar. Hal ini dapat menimbulkan kelangkaan bahan bakar minyak. Untuk dapat mengurangi resiko kelangkaan bahan bakar minyak, perlu adanya konsumsi bahan bakar yang efisien, dan agar bahan bakar minyak dapat digunakan sehemat mungkin, perlu dilakukan prediksi pemakaian BBM. Selain itu, BBM yang digunakan seefisien mungkin dapat menghemat pengeluaran.<br><br>Pada tugas akhir ini digunakan algoritma differential evolution dalam menyelesaikan masalah prediksi non-time series untuk mengoptimasi bobot-bobot pada Artificial Neural Network (ANN) dan menentukan struktur ANN yang optimal, dalam melakukan prediksi konsumsi bahan bakar minyak pada mobil dalam satuan miles per gallon. DE merupakan salah satu metode Evolutional Algorithms (EAs). Namun berbeda dengan algoritma-algoritma evolusi lainnya seperti Genetic Algorithm atau Evolutionary Strategies dimana proses pembangkitan individu baru bersifat acak, DE membangkitkan individu baru menggunakan rumus tertentu dan bersifat semi terarah sehingga solusi optimum lebih cepat ditemukan. Pengujian dilakukan terhadap parameter-parameter pada DE dan jumlah hidden neuron. Perhitungan akurasi menggunakan data normalisasi dan data denormalisasi. differential evolution, prediksi non-time series, artificial neural network, miles per gallon.