Sintesis dan Karakterisasi C-Dot Berbahan Kimia, Limbah Oli dan Kayu Secang yang Diaplikasikan Sebagai Indikator Asam-Basa

Abstract

Algoritme Motivated Particle Swarm Optimization (MPSO) adalah algoritme yang dapat diterapkan untuk menyelesaikan masalah pencarian target, dimana setiap partikel dalam algoritme MPSO memiliki satu motivasi komputasional yang memungkinkannya memiliki perilaku yang berbeda. Algoritme MPSO menemukan lebih banyak target dan memberikan distribusi robot yang lebih merata dibandingkan dengan algoritme PSO dasar. Algoritme MPSO menggunakan topologi ring untuk komunikasi antar partikel. Pada dunia nyata, pola komunikasi topologi ring sulit untuk diimplementasikan karena terdapat keterbatasan jangkauan komunikasi. Motivated Guaranteed Convergence Particle Swarm Optimization (MGCPSO) merupakan algoritme pengembangan dari MPSO yang menggunakan topologi nearest neighbor, dimana setiap partikel akan terhubung dengan partikel lain yang berada dalam jangkauannya sehingga dapat diimplementasikan dalam dunia nyata. Algoritme MGCPSO memberikan kinerja yang lebih baik dibandingkan dengan algoritme MPSO dalam menemukan target dan mengalokasikan partikel ke target. Pada algoritme MPSO dan MGCPSO, setiap partikel hanya memiliki satu motivasi komputasional yang tetap. Hal ini mengakibatkan terdapat partikel yang cenderung terus melakukan eksplorasi dan tidak teralokasi pada target di akhir iterasi. Algoritme Adaptive MPSO merupakan pengembangan dari algoritme MPSO dengan menambahkan karakter adaptif yang memungkinkan setiap partikel memiliki motivasi komputasional yang berubah terhadap waktu. Algoritme Adaptive MPSO dapat meningkatkan efektivitas algoritme MPSO pada beberapa skenario. Penelitian ini akan mengembangkan algoritme MGCPSO dengan menambahkan karakter adaptif serta mempertimbangkan parameter robot e-Puck. Hasil pengujian menunjukkan algoritme Adaptive MGCPSO dengan karakter adaptif baru (AMGCPSO*) memiliki kinerja yang lebih baik daripada algoritme MGCPSO dan AMGCPSO ketika jarak antar target cukup berdekatan dan inisialisasi robot dilakukan pada satu titik di dekat batas ruang pencarian. Algoritme AMGCPSO* memiliki kinerja yang lebih baik dalam rata-rata jumlah target yang ditemukan dan memiliki persebaran robot terhadap target yang lebih merata daripada algoritme MGCPSO. Pada skenario lain yang diujikan, algoritme AMGCPSO* memiliki kinerja yang sama baiknya dibandingkan dengan algoritme MGCPSO dan AMGCPSO.