Kursus Optimasi Multi-Objektif: NSGA-II, MOPSO & Algoritma Hybrid (Python)
Kuasai optimasi multi-objektif: front Pareto dan fungsi uji ZDT/DTLZ, NSGA-II dan MOPSO dari nol, merancang algoritma hybrid dengan langkah PSO dan pencarian lokal, metrik hypervolume, IGD, spread, sampai studi kasus 200 variabel dengan uji statistik.
Materi mengikuti seri video Kursus Algoritma Metaheuristik Hybrid untuk Optimasi Multi-Objektif Skala Besar (6 modul). Modul 1 bisa ditonton gratis.
Hasil yang Dicapai
- 11× — IGD hybrid lebih kecil dari NSGA-II (200 variabel)
- 100 vs 300 — Generasi untuk mencapai front ZDT: hybrid vs NSGA-II
- p = 0,00016 — Uji Wilcoxon 10 percobaan
- 4 fungsi uji — ZDT1, ZDT2, ZDT3, DTLZ2
Apa yang Dipelajari
- Pareto & Dominasi: Konsep dominasi, front Pareto, dan fungsi uji ZDT/DTLZ.
- NSGA-II dari Nol: Non-dominated sorting, crowding distance, SBX, mutasi polinomial.
- MOPSO: Arsip Pareto, pemilihan pemimpin, dan turbulensi.
- Algoritma Hybrid: SBX + langkah PSO + pencarian lokal dengan evaluasi yang sama.
- Metrik Kinerja: Hypervolume, IGD, dan spread.
- Skala Besar & Statistik: 200 variabel, 10 percobaan, dan uji Wilcoxon.
Untuk Siapa?
- Mahasiswa S1/S2 (skripsi & tesis) — Kerangka penelitian optimasi multi-objektif lengkap: metode pembanding, metode usulan, eksperimen, dan evaluasi siap bab 4.
- Peneliti & dosen — Kode Python yang rapi dan mudah diganti data, parameter, atau metodenya untuk publikasi.
- Praktisi & engineer — Memahami cara kerja optimasi multi-objektif dari teori sampai implementasi yang bisa dicoba sendiri.
- Developer & data scientist — Praktik Python pada studi kasus nyata, bukan sekadar contoh mainan.
Dataset dan file project tersedia khusus untuk pelanggan premium. Butuh pendampingan riset? Lihat jasa riset optimasi multi-objektif.
