Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : CYBERNETICS

Peningkatan Performansi Multi Objektif NSGA-II Dengan Operator Mutasi Adaptif Pada Kasus Portofolio Reksadana Saham Putri Yuli Utami; Yandra Arkeman; Agus Buono; Irman Hermadi
CYBERNETICS Vol 3, No 02 (2019): CYBERNETICS
Publisher : Universitas Muhammadiyah Pontianak

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29406/cbn.v3i02.2194

Abstract

Non-dominated sorting genetic algorihm (NSGA-II) merupakan salah algoritma pencarian solusi optimal dengan mengurutkan solusi berdasarkan pareto-front untuk mengindentifikasi feasible solutions. Performansi algoritme NSGA-II sangat dipengaruhi oleh operator parameter. Salah satu parameter adalah operator mutasi yang memegang kendali untuk diversitas kandidat solusi. Pada riset ini operator mutasi dibuat adaptif dengan menggunakan distribusi probabilitas polinomial (parameter nm). Parameter ini mengontrol kekutatan mutasi dan mengubah nilai mutasi secara adaptif serta mengubah probabilitas mutasi secara dinamik untuk mengatur banyaknya gen yang mengalami mutasi. Berdasarkan hasil penelitian nilai standar deviasi mutasi non-adaptif lebih kecil daripada mutasi adaptif. Nilai standar deviasi merepresentasikan varians sehingga mutasi adaptif memiliki varians yang beragam dibandingkan dengan mutasi non-adaptif. Mutasi adaptif dapat meningkatkan diversitas kromosom sehingga mencapai konvergensi kromosom agar terhindar dari konvergensi dini dengan waktu komputasi yang lebih efektif. Pada kasus portofolio reksadana saham menghasilkan standar deviasi yang lebih besar sehingga solusi yang dihasilkan semakin beragam.
Perbandingan Model Arima dan Deep Learning untuk Peramalan Kasus Covid-19 Izhan Fakhruzi; Alda Cendekia Siregar; Putri Yuli Utami; Rodibelle F Leona
CYBERNETICS Vol 6, No 02 (2022): CYBERNETICS
Publisher : Universitas Muhammadiyah Pontianak

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29406/cbn.v6i02.5557

Abstract

Jumlah kasus Covid-19 di kawasan Asia Tenggara terbilang tinggi. Di Asia Tenggara, Indonesia memiliki jumlah kasus dan kematian positif covid-19 tertinggi, diikuti oleh Filipina dan Malaysia. Penelitian ini bertujuan untuk menggunakan metode peramalan time series untuk memprediksi jumlah kasus Covid-19 sehingga akan membantu pemerintah di kawasan Asia Tenggara untuk membuat kebijakan berdasarkan hasil peramalan tersebut. Dua metode peramalan populer untuk data time series adalah Autoregressive Integrated Moving Average (ARIMA) dan Long Short Term Memory (LSTM). Kedua metode tersebut dibandingkan performa dan akurasinya untuk memprediksi jumlah kasus Covid-19. Hasil eksperimen menunjukkan bahwa LSTM mengungguli ARIMA dalam memprediksi jumlah kasus covid-19 di Asia Tenggara.