scholarly journals Prediksi Akurasi Kemenangan Pada Permainan Poker Menggunakan Algortima C5.0 Dan WIPSO

2021 ◽  
Vol 13 (1) ◽  
pp. 66-71
Author(s):  
M. Fariz Januarsyah ◽  
Ermatita Ermatita
Keyword(s):  
Particle Swarm Optimization ◽  
Particle Swarm ◽  
Swarm Optimization ◽  
Improved Particle Swarm Optimization

Di era teknologi informasi, banyak sekali data yang bisa diambil dari aktivitas manusia yang berbasis sistem komputer. Namun sistem tidak hanya terdapat pada komputer saja, akan tetapi disemua bidang kehidupan manusia, baik dari segi kesehatan, keamanan bahkan dalam game dimana kumpulan data dari kegiatan tersebut menjadi database yang dapat digunakan untuk mencari ilmu baru. Penelitian ini bertujuan untuk memprediksi akurasi permainan poker menggunakan algoritma Weight Improved Particle Swarm Optimization (WIPSO) untuk pemilihan atribut yang kemudian menggunakan algoritma C5.0 untuk memprediksi akurasi. Sebelum diolah, dataset akan diubah dari 11 atribut menjadi 6 atribut. Hasil penelitian ini menunjukkan bahwa akurasi kartu poker akan meningkat, jika menggunakan algoritma C5.0 akurasi yang diperoleh adalah 49.952% sedangkan akurasi yang diperoleh dengan algoritma C5.0 + WIPSO adalah 51.2%.

Compressed Sensing Image Reconstruction Based on Improved Particle Swarm Optimization Algorithm

2014 ◽  
Vol 599-601 ◽  
pp. 1453-1456
Author(s):  
Ju Wang ◽  
Yin Liu ◽  
Wei Juan Zhang ◽  
Kun Li
Keyword(s):  
Particle Swarm Optimization ◽  
Image Reconstruction ◽  
Compressed Sensing ◽  
Optimization Algorithm ◽  
Particle Swarm Optimization Algorithm ◽  
Matching Pursuit ◽  
Particle Swarm ◽  
Premature Convergence ◽  
Swarm Optimization ◽  
Improved Particle Swarm Optimization

The reconstruction algorithm has a hot research in compressed sensing. Matching pursuit algorithm has a huge computational task, when particle swarm optimization has been put forth to find the best atom, but it due to the easy convergence to local minima, so the paper proposed a algorithm ,which based on improved particle swarm optimization. The algorithm referred above combines K-mean and particle swarm optimization algorithm. The algorithm not only effectively prevents the premature convergence, but also improves the K-mean’s local. These findings indicated that the algorithm overcomes premature convergence of particle swarm optimization, and improves the quality of image reconstruction.

Sign in / Sign up

Export Citation Format

Share Document