Data Mining , Optimasi dan Metaheuristik

Grafik Fungsi Multi Modal

Halaman  ini dibuat untuk mengekspresikan pemikiran dan ide, mengembangkan ilmu di bidang data mining dan optimasi terutama metaheuristik.

Optimasi

Optimasi adalah proses mencari solusi optimal (minimum atau maksimum) dengan memperhatikan batasan yang ada. Ada dua kategori utama masalah optimasi: optimasi tanpa konstrain(unconstrained optimization) dan optimasi dengan konstrain (constrained optimization). Optimasi dengan konstrain secara umum lebih sulit diselesaikan.

Kebanyakan masalah optimasi adalah masuk kategori kedua: optimasi dengan konstrain.

Optimasi menjadi penting di dunia modern dan makin penting. Ada dua pendekatan: optimasi eksak dan optimasi heuristik.

Banyak sekali permasalahan optimasi dalam kehidupan sehari-hari yang sulit diselesaikan dengan teknik kalkulus atau eksak/analitik.
Pendekatan metaheuristik, sebagai kelanjutan dari heuristik, muncul karena permasalahan riil yang ada tidak mudah diselesaikan dengan teknik yang berdasarkan kalkulus atau pendekatan eksak.

Kesulitan bisa dari segi waktu komputasi yang lama, atau penyelesaian melalui cara analitik tidak bisa dilakukan.

Hauristik dan Metaheuristik

Heuristik (heuristics) suatu teknik pendekatan atau coba-coba yang didesain untuk memecahkan masalah dengan sedikit mengabaikan apakah solusinya bisa dibuktikan benar, tetapi biasanya menghasilkan solusi yang bagus, dalam arti optimal mendekati optimal.
Heuristik dimaksudkan untuk mendapatkan hasil yang secara komputasi lebih cepat dengan konsekuensi mengurangi kepresisian atau akurasi. Jadi kecepatan penghitungan biasanya lebih baik (dibandingkan optimasi eksak) dengan sedikit mengorbankan akurasi.

Metaheuristik (metaheuristics), dalam definisi aslinya, adalah metoda untuk mencari solusi yang memadukan interaksi antara prosedur pencarian lokal dan strategi yang lebih tinggi untuk menciptakan proses yang mampu keluar dari titik-titik local optima dan melakukan pencarian di ruang solusi untuk menemukan solusi global.
Metaheuristik biasanya berupa prosedur umum yang bisa diterapkan untuk berbagai problem. Tentu saja diperlukan berbagai modifikasi agar suatu metoda metaheuristik sesuai dapat menyelesaikan masalah khusus yang dihadapi. Selain itu, dalam metaheuristik ada prosedur yang memanfaatkan satu atau lebih titik-titik tetangga (neighborhood structures) sebagai acuan menuju solusi lain. Di dalam metaheuristik biasanya ada heuristik di dalamnya. Sejalan dengan perkembangannya, metoda ini juga mencakup penggunaan strategi untuk mengatasi suatu pencarian baru dimana pencarian sering terjebak dalam local optima dalam suatu ruang solusi yang kompleks.

Ada dua kelas problem optimasi yaitu problem dengan variabel diskret dan problem dengan variabel kontinyu. Salah satu contoh yang sering ditemui untuk problem diskrit adalah traveling salesman problem: dimana seorang salesman harus mengunjungi sejumlah kota dan dia ingin mencari rute dengan jarak total minimum dimana dia harus mengunjungi setiap kota sekali saja sebelum kembali ke kota asal. Sedangkan contoh problem dengan variabel kontinyu adalah ketika seorang insinyur harus menentukan diameter pipa untuk sistem pemipaan sehingga ongkos pemasangan pipa ini minimum.

Ada karakteristik umum yang biasa dimiliki oleh pendekatan metaheuristik:

  1. Biasanya stokhastik: menggunakan bilangan random yang nilainya stokhastik untuk menentukan keputusan dalam salah satu langkah dalam algoritma. Ini memungkinkan untuk mengatasi permasalahan banyaknya kemungkinan solusi dalam masalah kombinatorial.
  2. Umumnya tidak mempunyai masalah dengan penghitungan gradient dari fungsi tujuan.
  3. Biasanya diinspirasi oleh analogi fisik (simulated annealing), biologi (evolutionary algorithms) atau ethology (ant colony, particle swarm).
  4. Mempunyai kelemahan umum: kesulitan mengatur nilai parameter   namun waktu komputasi  menjadi keunggulan dibanding optimasi eksak.

Kecenderungan yang ada sekarang adalah adanya kombinasi/hybrid antar metoda. Dengan kombinasi ini diharapkan dapat diambil keunggulan dari suatu metoda dan secara simultan menghilangkan kekurangan dari metoda yang lain. Sudah banyak dilakukan hibridisasi antar metoda seperti GA dengan PSO atau Harmony Search dengan PSO.

Data Mining

Data Mining adalah bidang ilmu yang memadukan pengatahuan statistik, machine learning, database, dan visualisasi dalam menambang data berukuran besar untuk mendapatkan informasi, pola atau knowledge yang tersembunyi untuk membantu mengambil keputusan.

Data mining bukan proses deduksi atau expert system.

Data Mining bisa diterapkan untuk data text, numerik, gambar, data timeseries dan data spasiotemporal.

Data mining berbeda dengan statistik dalam hal ukuran data dan cara pendekatan. Statistik biasanya peduli dengan hubungan antar variabel dalam data, asumsi normalitas, dan asumsi lain sebuah model bisa diterapkan. Data mining biasanya lebih bersifat blackbox dan tidak terlalu memperdulikan distribusi data, hubungan antar variabel. Yang lebih diutamakan adalah adalah model bisa mewakili hubungan input dan output dan bisa dibuktikan kevalidannya.

 

(Pengelola Budi Santosa, dosen Teknik Industri, ITS. Menyelesaikan SD dan SMP di Polanharjo, Klaten. Alumni SMA 1 Klaten, menyelesaikan pendidikan S1 di ITB Bandung pada 1992. Kemudian melanjutkan S2 dan S3 di University of Oklahoma, USA, dari 1997-2005).

Paper yang ditulis

  • Budi Santosa, Rita Damayanti & Biswajit Sarkar, Solving multi-product inventory ship routing with a heterogeneous fleet model using a hybrid cross entropy-genetic algorithm: a case study in Indonesia, Production & Manufacturing Research, Volume 4, Issue 1, 2016
  • Budi Santosa & Ong Andre, Hybrid Differential Evolution-Variable Neighborhood Search to Solve Multiobjective Hybrid Flowshop Scheduling with Job-Sequence Dependent Setup Time, Lecture Notes on Computer Science 9712, Advances in Swarm Intelligence, Springer 2016.
  • Reina Angkiriwang, I Nyoman Pujawan & Budi Santosa,Managing uncertainty through supply chain flexibility: reactive vs. proactive approaches, Production & Manufacturing Research, Volume 2, Issue 1, 2014,
  • Yuhefizar Yuhefizar, Budi Santosa, I Ketut Eddy P., Yoyon K. Suprapto. Combination of Hierarchical and Non-Hierarchical Cluster Method for Segmentation of Web Visitors, Volume 11, Nomor 1, 2013,Telkomnika
  1. Budi Santosa,Muhammad A. Budiman, and Stefanus E. Wiratno, A Cross Entropy-Genetic Algorithm for m-Machines No-Wait Job-ShopScheduling Problem, Journal of Intelligent Learning Systems and ApplicationsAugust,2011
  1. Budi Santosa, Maria Krisnawati and Ahmad Rusdiansyah, Comparison of Cross Entropy And Differential Evolution Performance In Crew Rostering Problem, International Conference on Industrial Engineering  and Service Science, Surakarta, September 2011
  2. Widodo, E., Takahashi, K., Morikawa, K., Pujawan, I.N. and Santosa, B. (2011) ‘Managing sales return indual sales channel: its product substitution and return channel analysis, J.Industrial and Systems Engineering, Vol. 9, No. 1, pp.67-97
  3. Widodo, E., Takahashi, K., Morikawa, K., Pujawan, I.N. and Santosa, B. ‘Managing sales return indual sales channel: an analysis of primary versus secondary resale strategies’, J.Industrial and Systems Engineering, (article in press)
  4. Widodo, E., Takahashi, K., Morikawa, K., Pujawan, I.N. and Santosa, B. (2011) ‘Dual Sales Channel: Its emergence, current advancement, and future direction – A review’, TheProceedings of Industrial Eengineering and Service Science, Surakarta , Indonesia
  5. Widodo, E., Takahashi, K., Morikawa, K., Pujawan, I.N. and Santosa, B. (2011) ‘Adjusted Stackelberg profit-sharing for coordinating dual sales channel’, Proceedings of Asian Conference of Management Science and Applications, Sanya, Hainan, China
  6. Budi Santosa and Muhammad Arif Budiman, Simple Algorithm for Single Machine Total Weighted Tardiness Problem,International Conference  on Industrial Engineering  and Service Science, Surakarta, September 2011
  7. B Santosa, M. Krisnawati, A. Sunarto, K. Takahashi, and E. Widodo. Solving Airline Crew Rostering Problem Using Cross Entropy Method. Electronic ASOR Bulletin.  Volume 30, Nomor 2, 2011
  8. Andhika Eko Prasetyo, Budi Santosa and Stefanus Eko Wiratno. Cross Entropy Algorithm to Optimize the Indonesian Super League Match Schedule,International Conference on Industrial Engineering  and Service Science, Surakarta, September 2011
  9. Budi Santosa, Andiek Sunarto and Arief Rahman. Using Differential evolution method to solve crew rostering problem. Applied Mathematics, Vol 1, No 4, 2010
  10. Budi Santosa and Nur Hardiansyah , Cross Entropy Method for Solving Generalized Orienteering Problem, iBusiness,, 2, 342-347, 2010
  11. Budi Santosa, Application of the cross entropy method for support vector machine. Lecture Notes on Artificial Intelligent (LNAI) 5678, pp. 595–602, Springer-Verlag.2009
  12. Budi Santosa,  Mirsa Kencana Ningrum. Cat Swarm Optimization for Clustering. SOCPAR ’09 Proceedings of the 2009 International Conference of Soft Computing and Pattern Recognition . 2009
  13. Budi Santosa, Andiek Sunarto. Development of discriminat analysis using cross entropy. SOCPAR ’09 Proceedings of the 2009 International Conference of Soft Computing and Pattern Recognition . 2009
  14. Budi Santosa, Application of the Cross Entropy Method for Dual Lagrange Support Vector Machine, ADMA 2009, Beijing, (Lectures Notes in Artificial Intelligent, Springer 2009)
  15. Budi Santosa, Cross Entropy Method For Multiclass Support Vector Machine, ICTS 2009, International Conference, 4 Agustus, Surabaya.
  16. Budi Santosa, Seleksi Variabel Dengan Support Vector Machine Untuk Kasus Multi Kelas, National Conference On Computer Science & Information Technology VII, kampus UI Depok, 2007.
  17. Budi Santosa and Danusantoso, Determination of safety stocks using intelligent system bases forecasting techneque, Proceeding The International Conference Management BINUS 2008 “Optimizing business research & information technology for leveraging corporate sustainable”, Indonesia, November’ 11, BINUS University,  501-508
  18. Theodore B. Trafalis, Budi Santosa, and Michael B. Richman , “Learning Networks for Tornado Detection”, International Journal of General Systems,vol 35 no 1:93-107, 2006 .
  19. Poornima Balakrishna, Shivakumar Raman, Theodore B. Trafalis and BudiSantosa, “Support vector regression for determining the minimum zone sphericity” , The International Journal of Advanced Manufacturing Technology, 2006.
  20. Budi Santosa dan Theodore B. Trafalis, Robust Kernel-Based Regression ,WSEAS Transactions on Systems, Issue 2, Volume 5, February 2006,pp 424-430
  21. Theodore B. Trafalis, Budi Santosa, dan Michael B. Richman,”Feature Selection of Radar-Derived Attributes with Linear Programming Support Vector Machines and Branch and Bound Methods” Artificial Neural Network in Engineering Conference 2005,  St Louis, MO,USA, November 2005.
  22. B. Trafalis, B. Santosa, dan M.B. Richman, Feature Selection with Linear Programming Support Vector Machines and Applications to Tornado Prediction, WSEAS Transactions on Computers, Issue 8, Volume 4, August, 2005, pp 865-873.
  23. Budi Santosa, and Theodore B. Trafalis Robust Multiclass Kernel Based Classifiers, Computational Optimization and Applications, Springer Netherlands , Nov, Vol 38, issue 2, 261-279.
  24. Budi Santosa, Tyrrell Conway, dan T.B. Trafalis,A Hybrid Knowledge Based-Clustering Multi-Class SVM Approach for Genes Expression Analysis,(P.M. Pardalos, V. Boginski and A. Vazacopoulos, eds.), a book chapter, Data Mining in Biomedicine, Springer, 2007.
  25. Theodore B. Trafalis, Budi Santosa, dan Michael B. Richman, “Learning networks in rainfall estimation“, Computational Management Science,

Bimbingan Tugas Akhir dan Thesis

  • PENGEMBANGAN ALGORITMA SIMULATED ANNEALING PADA PERMASALAHAN HYBRID FLOWSHOP SCHEDULING UNTUK MINIMASI MAKESPAN DAN TOTAL TARDINESS, Ainur Rofiq 2013
  • ARTIFICIAL IMMUNE SYSTEM UNTUK PENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS, Sas Wachid
  • Pengembangan Algoritma Ant Colony Optimization (ACO) dalam Penyelesaian Capacitated Location Routing Problem (CLRP), Moch Noor Rogam, 2012
  • Aplikasi Metode Particle Swarm Optimization (PSO) Dalam Clustering ( Studi Kasus : Penentuan karakteristik Segmentasi Pasar Pulsa Di Surabaya Timur )  Nanik Utami
  • Aplikasi Algoritma Differential Evolution Untuk Permasalahan Kompleks Pemilihan Portofolio, Irmaduta Fahmiari, 2010
  • ALGORITMA CROSS ENTROPY UNTUK OPTIMALISASI PENJADWALAN PERTANDINGAN KOMPETISI LIGA SUPER INDONESIA, PRASETYO, ANDHIKA EKO, 2012
  • PENJADWALAN TRUK PADA SISTEM CROSS DOCKING DENGAN PENYIMPANAN SEMENTARA DENGAN ALGORITMA HYBRID CROSS ENTROPY – GENETIC ALGORITHM PENELITI : Pristi Dwi Puspitasari, 2011
  • PENGEMBANGAN ALGORITMA DIFFERENTIAL EVOLUTION DAN BOTTLENECK HEURISTIK UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN MULTI-OBJECTIVE HYBRID FLOWSHOP UNRELATED PARALLEL MACHINES, RAHMAN, RIZA AULIYA, 2014
  • PENGGUNAAN METODE CODEQ UNTUK MENYELESAIKAN PERMASALAHAN CAPACITATED VEHICLE ROUTING PROBLEM, YUDHISTIRA GIRI NARENDRA, 2011.
  • ARTIFICIAL PARTICLE SWARM OPTIMIZATION WITH HEURISTIC PROCEDURE TO SOLVE MULTI-LINE FACILITY LAYOUT PROBLEM,MUSTAKIM, ACHMAD,2014
  • Pengembangan Algoritma Biogeography-based Optimization (BBO) untuk Penyelesaian Single Machine Total Weighted Tardiness Problem (SMTWTP) Ade Lia D. Safitri, 2012
  • “PENERAPAN METODE CROSS ENTROPY DALAM PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (Study Kasus : Distribusi Koran Jawa Pos Surabaya)” Gladiez Florista Rera , 2010

 

Ada 5 buku yang sudah ditulis

1.  Metoda metaheuristik, Konsep dan Implementasi, Guna Widya, 2011

2. Manajemen proyek, Konsep dan implementasi, 2008, Edisi 2, Graha Ilmu

3.  Data Mining, Teknik Pemanfaatan Data untuk keperluan Bisnis, Graha Ilmu, 2007

4. Data Mining Terapan dengan Matlab, 2007, Graha Ilmu

5. Matlab untuk statistika dan optimasi, Graha Ilmu 2008

contact : budi_s@ie.its.ac.id, bsantosa@gmail.com

Metaheuristikmini data mining teknik pemanfaatan ManPro cover teori dari PSO simplepso
MatLab



3 thoughts on “Data Mining , Optimasi dan Metaheuristik

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s