Maintenance script: Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

2026-08-23T04:05:42Z

Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

← Revisi sebelumnya		Revisi per 23 Agustus 2026 04.05
Baris 1:		Baris 1:
			[[File:Travelling_salesman_problem_solved_with_simulated_annealing.gif\|thumb\|right\|280px\|Travelling salesman problem solved with simulated annealing]]

	'''Sepuh lindap berimak''' (, '''SA''') adalah salah satu [[algoritme]] untuk [[optimisasi]] yang bersifat awam. Berdasarkan [[probabilitas\|peluang]] dan [[mekanika statistik]], [[Algoritma\|algoritme]] ini dapat digunakan untuk mencari pendekatan terhadap solusi optimum [[global]] dari suatu permasalahan. Masalah yang membutuhkan pendekatan SA adalah masalah-masalah optimisasi kombinatorial, di mana ruang pencarian solusi yang ada terlalu besar, sehingga hampir tidak mungkin ditemukan solusi eksak terhadap permasalahan itu. [[Publikasi]] tentang pendekatan ini pertama kali dilakukan oleh S. Kirkpatrick, C. D. Gelatt dan M. P. Vecchi, diterapkan pada rancangan optimal [[hardware\|peranti keras]] [[komputer]], dan juga pada salah satu masalah klasik [[ilmu komputer]] yaitu ''[[Travelling\|Traveling]] Salesman Problem''.		'''Sepuh lindap berimak''' (, '''SA''') adalah salah satu [[algoritme]] untuk [[optimisasi]] yang bersifat awam. Berdasarkan [[probabilitas\|peluang]] dan [[mekanika statistik]], [[Algoritma\|algoritme]] ini dapat digunakan untuk mencari pendekatan terhadap solusi optimum [[global]] dari suatu permasalahan. Masalah yang membutuhkan pendekatan SA adalah masalah-masalah optimisasi kombinatorial, di mana ruang pencarian solusi yang ada terlalu besar, sehingga hampir tidak mungkin ditemukan solusi eksak terhadap permasalahan itu. [[Publikasi]] tentang pendekatan ini pertama kali dilakukan oleh S. Kirkpatrick, C. D. Gelatt dan M. P. Vecchi, diterapkan pada rancangan optimal [[hardware\|peranti keras]] [[komputer]], dan juga pada salah satu masalah klasik [[ilmu komputer]] yaitu ''[[Travelling\|Traveling]] Salesman Problem''.

Baris 17:		Baris 19:

	== ''Pseudo Code'' ==		== ''Pseudo Code'' ==

	<code>		<code>

Baris 52:		Baris 53:
	'''T = 0.9*T''': hanya merupakan salah satu contoh jadwal penurunan suhu. Sebenarnya tidak selalu harus seperti ini. Biasanya juga dalam implementasi SA, diadakan perulangan proses modifikasi dan ''update'' solusi sementara untuk suhu tertentu. (Jadi mestinya ada loop lagi di dalam ''while'' ini, untuk mengulang simulasi pada suhu yang sama).		'''T = 0.9*T''': hanya merupakan salah satu contoh jadwal penurunan suhu. Sebenarnya tidak selalu harus seperti ini. Biasanya juga dalam implementasi SA, diadakan perulangan proses modifikasi dan ''update'' solusi sementara untuk suhu tertentu. (Jadi mestinya ada loop lagi di dalam ''while'' ini, untuk mengulang simulasi pada suhu yang sama).

	== ~~Referensi~~ ==		== Sumber dan atribusi ==
	* S. Kirkpatrick and C. D. Gelatt and M. P. Vecchi, Optimization by Simulated Annealing, Science, Vol 220, Number 4598, pages 671-680, 1983. http://citeseer.ist.psu.edu/kirkpatrick83optimization.html.


			Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Simulated+annealing&oldid=29188001 Wikipedia bahasa Indonesia], revisi 29188001 (2026-05-02T15:36:28Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Gambar pada artikel ini bersumber dari Wikimedia Commons dan mengikuti ketentuan lisensi masing-masing berkas. Mohon gunakan konten dan media secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.

	~~== Sumber dan atribusi ==~~		<!-- WIKI_UNISSULA_PRESENTATION_V4 -->

	~~Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Simulated+annealing&oldid=29188001 Wikipedia bahasa Indonesia], revisi 29188001 (2026~~-05-~~02T15:36:28Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi~~-~~BerbagiSerupa (CC BY~~-~~SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.~~

Maintenance script: Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 29188001; atribusi sumber disertakan.

2026-08-23T03:26:16Z

Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 29188001; atribusi sumber disertakan.

Halaman baru

'''Sepuh lindap berimak''' (, '''SA''') adalah salah satu [[algoritme]] untuk [[optimisasi]] yang bersifat awam. Berdasarkan [[probabilitas|peluang]] dan [[mekanika statistik]], [[Algoritma|algoritme]] ini dapat digunakan untuk mencari pendekatan terhadap solusi optimum [[global]] dari suatu permasalahan. Masalah yang membutuhkan pendekatan SA adalah masalah-masalah optimisasi kombinatorial, di mana ruang pencarian solusi yang ada terlalu besar, sehingga hampir tidak mungkin ditemukan solusi eksak terhadap permasalahan itu. [[Publikasi]] tentang pendekatan ini pertama kali dilakukan oleh S. Kirkpatrick, C. D. Gelatt dan M. P. Vecchi, diterapkan pada rancangan optimal [[hardware|peranti keras]] [[komputer]], dan juga pada salah satu masalah klasik [[ilmu komputer]] yaitu ''[[Travelling|Traveling]] Salesman Problem''.

[[Annealing (metalurgi)|Sepuh lindap]] adalah satu teknik yang dikenal dalam bidang [[metalurgi]], digunakan dalam mempelajari proses pembentukan [[kristal]] dalam suatu [[materi|bahan]]. Agar dapat terbentuk susunan kristal yang sempurna, diperlukan pemanasan sampai suatu tingkat tertentu, kemudian dilanjutkan dengan pendinginan yang perlahan-lahan dan terkendali dari materi tersebut. Pemanasan materi di awal proses sepuh lindap, memberikan kesempatan pada [[atom|atom-atom]] dalam materi itu untuk bergerak secara bebas, mengingat tingkat [[energi|tenaga]] dalam kondisi panas ini cukup tinggi. Proses pendinginan yang perlahan-lahan memungkinkan atom-atom yang tadinya bergerak bebas itu, pada akhirnya menemukan tempat yang optimum, di mana [[Energi dalam|energi internal]] yang dibutuhkan atom itu untuk mempertahankan posisinya adalah minimum.

''Simulated Annealing'' berjalan berdasarkan [[analogi]] dengan proses ''annealing'' (sepuh lindap) yang telah dijelaskan di atas. Pada awal proses SA, dipilih suatu solusi awal, yang mewakilkan kondisi materi sebelum proses dimulai. Gerakan bebas dari atom-atom pada materi, diwakilkan dalam bentuk oprek terhadap solusi awal/solusi sementara. Pada awal proses SA, saat parameter suhu (T) diatur tinggi, solusi sementara yang sudah ada diperbolehkan untuk mengalami oprek secara bebas.

Kebebasan ini secara relatif diukur berdasarkan nilai fungsi tertentu yang mengevaluasi seberapa optimal solusi sementara yang telah diperoleh. Bila nilai fungsi evaluasi hasil oprek ini membaik (dalam masalah optimisasi yang berusaha mencari minimum berarti nilainya lebih kecil/''downhill'') solusi hasil oprek ini akan digunakan sebagai solusi selanjutnya.

Bila nilai fungsi evaluasi hasil oprek ini memburuk, pada saat suhu sepuh lindap masih tinggi, solusi yang lebih buruk (''uphill'') ini masih mungkin diterima, sedangkan pada saat suhu sepuh lindap sudah relatif rendah, solusi hasil oprek yang lebih buruk ini mungkin tidak dapat diterima. Dalam tahapan selanjutnya saat suhu sedikit demi sedikit dikurangi, maka kemungkinan untuk menerima langkah oprek yang tidak memperbaiki nilai fungsi evaluasi semakin berkurang. Sehingga kebebasan untuk mengoprek solusi semakin menyempit, sampai akhirnya diharapkan dapat diperoleh solusi yang mendekati solusi optimal. Pada [[temperatur|suhu]] rendah ini, SA biasanya menggunakan konsep [[:en:Hill climbing|''Hill-Climbing'']].

== Pemodelan dengan SA ==
Menurut Kirkpatrick ada empat hal utama yang perlu diperhatikan dalam penggunaan SA untuk memodelkan suatu permasalahan:
* Pewakilan yang cermat dari konfigurasi dalam suatu permasalahan.
* Proses oprek, [[langkah acak]] atau perubahan apa yang harus dilakukan terhadap elemen-elemen konfigurasi untuk menghasilkan konfigurasi berikutnya.
* Fungsi evaluasi atau fungsi objektif yang dapat menyatakan baik-buruknya suatu solusi terhadap permasalahan
* Jadwal penurunan suhu dalam proses sepuh lindap, dan berapa lama proses ini harus dilakukan.

== ''Pseudo Code'' ==

<code>

SolusiSementara = Pilih Suatu Solusi Awal (Random Initialization)
NilaiEvaluasiSementara = Evaluasi(SolusiSementara)
T = Suhu awal

WHILE (belum tercapai konvergensi yang diinginkan):

'''
SolusiBaru = Modifikasi(SolusiSementara)
NilaiEvaluasiBaru = Evaluasi(SolusiBaru)
IF ( SolusiBaru lebih baik ):
SolusiSementara = SolusiBaru
NilaiEvaluasiSementara = NilaiEvaluasiBaru
ELSE:
Delta = SolusiBaru - SolusiSementara
IF exp(-Delta/T) > Random(0 ..1):
SolusiSementara = SolusiBaru
NilaiEvaluasiSementara = NilaiEvaluasiBaru
'''

T = 0.9*T // Turunkan suhu sesuai jadwal tertentu

</code>

=== Keterangan Pseudo Code ===
'''Evaluasi''': Fungsi evaluasi (cost function). Contoh dalam Traveling Salesman Problem (TSP) fungsi ini adalah jarak yang harus ditempuh oleh si penjaja keliling.

'''Modifikasi''' atau '''oprek''': Mekanisme sederhana untuk mengubah solusi yang sudah ada, untuk menghasilkan solusi baru yang berbeda tidak terlalu jauh dengan solusi yg sudah ada. Biasanya disebut neighbour solution. Contoh dalam TSP bila solusi sementara dari TSP dengan 3 kota adalah: A B C. Hasil fungsi modifikasi adalah solusi baru dengan urutan A C B.

'''exp(-Delta/T)''': Peluang bahwa langkah/solusi baru yang tidak lebih baik, akan diterima sebagai solusi sementara. Perhatikan tanda minus dalam kurung. Delta bernilai positif, yang berarti solusi baru pada tahap ini lebih buruk daripada solusi sementara yang sudah ada. Expresi ini menyatakan bahwa semakin buruk solusi baru, kemungkinan diterima sebagai solusi sementara semakin kecil. Namun, pada awal proses sepuh lindap, karena faktor T sebagai pembagi masih bernilai besar, peluang ini akan tetap cukup besar. Tidak demikian halnya setelah T menurun, dalam proses pendinginan.

'''T = 0.9*T''': hanya merupakan salah satu contoh jadwal penurunan suhu. Sebenarnya tidak selalu harus seperti ini. Biasanya juga dalam implementasi SA, diadakan perulangan proses modifikasi dan ''update'' solusi sementara untuk suhu tertentu. (Jadi mestinya ada loop lagi di dalam ''while'' ini, untuk mengulang simulasi pada suhu yang sama).

== Referensi ==
* S. Kirkpatrick and C. D. Gelatt and M. P. Vecchi, Optimization by Simulated Annealing, Science, Vol 220, Number 4598, pages 671-680, 1983. http://citeseer.ist.psu.edu/kirkpatrick83optimization.html.

== Sumber dan atribusi ==

Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Simulated+annealing&oldid=29188001 Wikipedia bahasa Indonesia], revisi 29188001 (2026-05-02T15:36:28Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.

Simulated annealing - Riwayat revisi

Maintenance script: Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

Maintenance script: Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 29188001; atribusi sumber disertakan.