Pemodelan keputusan alokasi anggaran bantuan sosial berbasis Particle Swarm Optimization

Info proyek

• Bidang studiSosiologi dan Kebijakan Publik
• JenjangDisertasi (S3)
• Jenis metodeOptimasi
• Perkiraan pengerjaan± 7 hari kerja
• Perangkatnumpy (implementasi manual PSO); matplotlib
• HargaRp 450.000 - Rp 2.950.000

Tujuan analisis

Mencari nilai anggaran bantuan tunai dan anggaran pelatihan terbaik untuk mengoptimalkan jumlah keluarga terjangkau dengan Particle Swarm Optimization, lalu membandingkan skenario hasilnya.

Variabel

Contoh hasil

• 60.37Best objective
• 60.364Global optimum
• 0.01Gap to optimum %
• 14Particles
• 22Iterations
• 0.238Final spread

PSO (14 partikel, 22 iterasi) meminimalkan Jumlah keluarga terjangkau menjadi 60.37 pada Anggaran bantuan tunai = 42.91 dan Anggaran pelatihan = 106.71; selisih dari optimum global 0.01%.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Particle Swarm Optimization

Particle Swarm Optimization menggerakkan sekumpulan partikel di ruang solusi dengan memadukan pengalaman pribadi dan pengalaman kelompok terbaik. Cocok untuk optimasi kontinu nonlinear, termasuk penyetelan parameter model.

Langkah pengerjaan

1. 1Definisikan fungsi tujuan dan batas variabel
2. 2Inisialisasi posisi dan kecepatan partikel secara acak
3. 3Hitung fitness tiap partikel dan perbarui pbest serta gbest
4. 4Perbarui kecepatan dengan bobot inersia dan koefisien kognitif/sosial
5. 5Perbarui posisi dan jaga tetap di dalam batas
6. 6Ulangi sampai konvergen lalu plot kurva konvergensi

Asumsi yang perlu diperiksa

• Fungsi tujuan kontinu dan dapat dievaluasi berulang
• Parameter w, c1, c2 dipilih wajar (misalnya 0,7; 1,5; 1,5)
• Jalankan beberapa kali karena hasil bersifat stokastik

Membaca dan melaporkan hasil

Laporkan ukuran swarm, parameter PSO, solusi terbaik, nilai tujuan, dan kurva konvergensi. Bandingkan dengan metode lain agar efektivitasnya terlihat.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt

def sphere_shift(p):
    return ((p - np.array([1.5, -2.0])) ** 2).sum(axis=1) + 0.5 * np.sin(3 * p[:, 0]) ** 2

rng = np.random.default_rng(33)
n, dim, iters = 40, 2, 100
lo, hi = -10, 10
w, c1, c2 = 0.7, 1.5, 1.5
cash_aid_budget = rng.uniform(lo, hi, (n, dim))      # positions
v = rng.uniform(-1, 1, (n, dim))
pbest = cash_aid_budget.copy()
pbest_f = sphere_shift(cash_aid_budget)
gbest = pbest[pbest_f.argmin()].copy()
households_reached = []

for _ in range(iters):
    r1, r2 = rng.random((n, dim)), rng.random((n, dim))
    v = w * v + c1 * r1 * (pbest - cash_aid_budget) + c2 * r2 * (gbest - cash_aid_budget)
    cash_aid_budget = np.clip(cash_aid_budget + v, lo, hi)
    fit = sphere_shift(cash_aid_budget)
    better = fit < pbest_f
    pbest[better], pbest_f[better] = cash_aid_budget[better], fit[better]
    gbest = pbest[pbest_f.argmin()].copy()
    households_reached.append(pbest_f.min())

print("Best position:", gbest.round(4))
print("Best objective:", round(pbest_f.min(), 6))

plt.semilogy(households_reached)
plt.xlabel("Iteration"); plt.ylabel("Best objective")
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum