Article Sidebar
Download
Main Article Content
Abstract
Saat ini semakin banyak permasalahan pada kehidupan sehari-hari yang memerlukan pendekatan optimasi dalam penyelesaiannya. Pendekatan optimasi sendiri menyediakan banyak alternatif metode yang dapat dipilih
sesuai dengan karakteristik permasalahan yang akan diselesaikan. Penyelesaian permasalahan riil menggunakan pendekatan optimasi akan melibatkan model matematis. Model yang dibuat/digunakan akan
menentukan pada koridor teknik optimasi mana kita akan bekerja. Secara garis besar, permasalahan dalam teknik optimasi dapat berupa permasalahan (pemrograman) linier atau non linier. Sebenarnya kedua kelompok permasalahan ini masih memberikan ruang cukup luas bagi kegiatan riset yang bertujuan untuk merancang konsep atau metode penyelesaian yang lebih efisien. Namun pemrograman non linier menyisakan area yang lebih luas, mengingat model-model non linier seringkali memiliki bentuk yang lebih kompleks dan dinamis. Klas-klas pemrograman non linier dapat ditentukan dari bentuk Ddan karakteristik fungsi tujuan/obyekti serta dari keberadaan dan bentuk fungsi pembatasnya. Salah satu subklas dalam permasalahan pemrograman
nonlinier adalah masalah pemrograman kuadratik dengan fungsi obyektif berbentuk fungsi konveks. Penelitian ini membahas penggunaan recurrent neural network untuk menyelesaikan permasalahan minimisasi
pemrograman kuadratik dengan batasan linier. Recurrent neural network digunakan karena mempunyai kelebihan pada strukturnya yang lebih sederhana dan kompleksitas yang lebih rendah untuk diimplementasikan
daripada neural network yang digunakan sebelumnya untuk menyelesaikan permasalahan tersebut di atas. Ini menunjukkan bahwa recurrent neural network lebih stabil pada keadaan Lyapunov dan secara global mampumencapai konvergensi dalam waktu singkat.
sesuai dengan karakteristik permasalahan yang akan diselesaikan. Penyelesaian permasalahan riil menggunakan pendekatan optimasi akan melibatkan model matematis. Model yang dibuat/digunakan akan
menentukan pada koridor teknik optimasi mana kita akan bekerja. Secara garis besar, permasalahan dalam teknik optimasi dapat berupa permasalahan (pemrograman) linier atau non linier. Sebenarnya kedua kelompok permasalahan ini masih memberikan ruang cukup luas bagi kegiatan riset yang bertujuan untuk merancang konsep atau metode penyelesaian yang lebih efisien. Namun pemrograman non linier menyisakan area yang lebih luas, mengingat model-model non linier seringkali memiliki bentuk yang lebih kompleks dan dinamis. Klas-klas pemrograman non linier dapat ditentukan dari bentuk Ddan karakteristik fungsi tujuan/obyekti serta dari keberadaan dan bentuk fungsi pembatasnya. Salah satu subklas dalam permasalahan pemrograman
nonlinier adalah masalah pemrograman kuadratik dengan fungsi obyektif berbentuk fungsi konveks. Penelitian ini membahas penggunaan recurrent neural network untuk menyelesaikan permasalahan minimisasi
pemrograman kuadratik dengan batasan linier. Recurrent neural network digunakan karena mempunyai kelebihan pada strukturnya yang lebih sederhana dan kompleksitas yang lebih rendah untuk diimplementasikan
daripada neural network yang digunakan sebelumnya untuk menyelesaikan permasalahan tersebut di atas. Ini menunjukkan bahwa recurrent neural network lebih stabil pada keadaan Lyapunov dan secara global mampumencapai konvergensi dalam waktu singkat.