PENGUJIAN PARAMETER ALGORITMA GENETIKA DAN FEED FORWARD NEURAL NETWORKS YANG DISIMULASIKAN PADA PERMAINAN ULAR KLASIK

Bisry, Ahmad (2024) PENGUJIAN PARAMETER ALGORITMA GENETIKA DAN FEED FORWARD NEURAL NETWORKS YANG DISIMULASIKAN PADA PERMAINAN ULAR KLASIK. Sarjana thesis, Universitas Siliwangi.

[img] Text
1 COVER.pdf
Download (572kB)
[img] Text
2 LEMBAR PENGESAHAN.pdf
Download (916kB)
[img] Text
3 LEMBAR PENGESAHAN PENGUJI.pdf
Download (911kB)
[img] Text
4 PERNYATAAN.pdf
Download (928kB)
[img] Text
5 ABSTRAK.pdf
Download (557kB)
[img] Text
6 MOTTO.pdf
Download (618kB)
[img] Text
7 KATA PENGANTAR.pdf
Download (630kB)
[img] Text
8 DAFTAR ISI.pdf
Download (567kB)
[img] Text
9 BAB I.pdf
Download (635kB)
[img] Text
10 BAB II.pdf
Download (1MB)
[img] Text
11 BAB III.pdf
Download (1MB)
[img] Text
12 BAB IV.pdf
Restricted to Repository staff only
Download (1MB)
[img] Text
13 BAB V.pdf
Restricted to Repository staff only
Download (558kB)
[img] Text
14 DAFTAR PUSTAKA.pdf
Download (672kB)
[img] Text
15 LAMPIRAN.pdf
Download (2MB)

Abstract

Konfigurasi parameter yang tepat merupakan awal dari penggunaan sebuah algoritma. Konfigurasi ini bertujuan untuk memaksimalkan kinerja dari suatu algoritma. Algoritma genetika dan neural networks merupakan kedua algoritma yang memerlukan pemilihan parameter yang tepat. Banyaknya penggunaan generasi dan populasi pada algoritma genetika, dan jumlah neuron pada layer neural networks dapat mempengaruhi performanya. Dalam permainan ular, performa di sini mencakup dari score yang didapat dan juga efisiensi runtime pada program. Berdasarkan hal itu, dilakukan pengujian parameter untuk menemukan konfigurasi yang tepat untuk memaksimalkan kinerja dari kedua algoritma. Permainan ular memiliki kinerja metrik yang jelas, seperti score dan beberapa rintangan yang ada sehingga digunakan sebagai model eksperimen dalam pengujiannya. Pengujian dilakukan sebanyak 60 kali eksperimen yang membandingkan jumlah generasi dan populasi, mutation chance, dan neuron pada hidden layer. Hasil penelitin menunjukan konfigurasi parameter dengan generasi lebih besar dari populasi adalah yang paling optimal. Konfigurasi ini menghasilkan skor yang hampir setara dengan generasi dan populasi sama besar, namun dengan runtime yang jauh lebih efisien. Pengujian mutation chance menunjukkan bahwa nilai 0.1% adalah yang terbaik dan ukuran hidden layer 16 neuron terbukti lebih efisien dibandingkan 24 neuron, baik dari segi skor maupun runtime. Kata kunci: Algoritma genetika, Neural networks, Perminan ular klasik, Mutation chance, Hidden layer, Neuron

Item Type: Thesis (Sarjana)
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik > Informatika
Depositing User: Lelis Masridah
Date Deposited: 13 Sep 2024 08:04
Last Modified: 13 Sep 2024 08:04
URI: http://repositori.unsil.ac.id/id/eprint/14358

Actions (login required)

View Item View Item