Heuristik ketersediaan

Heuristik ketersediaan atau bias ketersediaan adalah jalan pintas mental yang mengandalkan contoh langsung yang terlintas dalam pikiran saat mengevaluasi topik, konsep, metode, atau keputusan tertentu. Heuristik ini didasarkan pada gagasan bahwa informasi yang mudah diingat dipandang lebih penting atau bermakna dibandingkan solusi alternatif yang sulit diingat. Ada bias yang melekat terhadap informasi yang baru diakses ketika mengambil keputusan. Ketersediaan mental atas konsekuensi suatu tindakan berhubungan positif dengan persepsi konsekuensi tersebut; Semakin mudah diingat, semakin besar pula dampak yang dirasakan. Orang cenderung mempercayai isi ingatan mereka, terutama ketika implikasinya tidak dipertanyakan, karena kesulitan mengingat informasi dapat mempengaruhi penilaian mereka.

Sejarah dan Ikhtisar

Pada akhir tahun 1960an dan awal tahun 1970an, Amos Tversky dan Daniel Kahneman mengembangkan konsep “heuristik dan bias” untuk penilaian dalam kondisi ketidakpastian. Bertentangan dengan pandangan sebelumnya tentang manusia sebagai aktor rasional, mereka menunjukkan bahwa penilaian dalam kondisi ketidakpastian sering kali mengandalkan penyederhanaan heuristik daripada pemrosesan algoritmik yang komprehensif.

Salah satu heuristik yang dipelajari Tversky dan Kahneman adalah “heuristik ketersediaan”, yang melibatkan pembuatan penilaian berdasarkan contoh yang mudah diingat. Heuristik ini digunakan ketika orang menilai frekuensi suatu peristiwa berdasarkan kemampuan mereka mengingat peristiwa serupa. Meskipun banyak penelitian telah dilakukan mengenai heuristik ketersediaan, masih terdapat perdebatan tentang proses yang mendasarinya.Penelitian menunjukkan bahwa memanipulasi pengalaman subjektif dapat mempengaruhi tingkat ingatan, dan sulit untuk membedakan apakah penilaian didasarkan pada pengalaman fenomenal partisipan atau hanya pada sampel informasi yang diingat yang bias. Beberapa tafsir menekankan bahwa penilaian seseorang selalu didasarkan pada apa yang terlintas dalam pikirannya, seperti ketika ditanya tentang kata bahasa Inggris yang mengandung huruf “at” atau “ak”.

Penelitian

Chapman (1967) mengidentifikasi bias dalam menilai frekuensi terjadinya dua peristiwa yang dikenal sebagai korelasi ilusi. Tversky dan Kahneman menjelaskan bahwa ketersediaan memberikan penjelasan alami atas efek korelasi ilusi. Mereka menunjukkan bahwa kekuatan hubungan antara dua peristiwa dapat menjadi dasar untuk mengevaluasi frekuensi terjadinya dua peristiwa secara bersamaan.

Dalam studi pertama heuristik ketersediaan Tversky dan Kahneman,peserta melebih-lebihkan jumlah kata yang dimulai dengan huruf "K" dan meremehkan jumlah kata yang memiliki huruf ketiga "K". Studi mereka juga mencakup temuan bahwa peserta cenderung memilih struktur visual dengan jalur yang tersedia lebih jelas, meremehkan hasil akhir dalam tugas estimasi, dan memperkirakan hasil perkalian berdasarkan urutan angka yang disajikan.Akibatnya, orang menjawab pertanyaan dengan membandingkan ketersediaan kedua kategori tersebut dan menilai seberapa mudah mereka mengingat peristiwa tersebut, yang terkadang menyebabkan kesalahan penilaian.

Penjelasan

Banyak penelitian telah berusaha untuk mengidentifikasi proses psikologis yang menghasilkan heuristik ketersediaan. Tversky dan Kahneman berpendapat bahwa jumlah contoh yang diambil dari ingatan digunakan untuk menyimpulkan frekuensi terjadinya suatu peristiwa. Dalam percobaan untuk menguji penjelasan tersebut, peserta mendengarkan daftar nama-nama terkenal dan diminta mengingat atau memprediksi jenis kelamin yang paling sering muncul.

Hasilnya menunjukkan bahwa nama orang terkenal lebih mudah diingat dan sebagian besar peserta salah menilai seberapa sering gender muncul. Schwarz dan rekannya mengusulkan akun kemudahan mengingat yang menggunakan kemudahan mengingat contoh, bukan jumlah contoh, untuk menyimpulkan frekuensi kelas tertentu.

Studi mereka menunjukkan bahwa kemudahan mengingat konten mempengaruhi penilaian; Lebih mudah mengingat 6 contoh dibandingkan 12. Penelitian yang dilakukan Vaughn (1999) melibatkan siswa yang diminta membuat daftar metode pembelajaran. Hasil penelitian menunjukkan bahwa siswa menggunakan heuristik ketersediaan berdasarkan jumlah metode pembelajaran yang mereka ikuti untuk memprediksi kinerja mereka tergantung pada tingkat ketidakpastian selama semester tersebut.

Disadur dari : en.wikipedia.org

Algoritma optimasi koloni semut

Dalam dunia ilmu komputer dan riset operasi, algoritma Ant Colony Optimization (ACO) menonjol sebagai teknik probabilistik untuk memecahkan masalah komputasi yang dapat direduksi menjadi menemukan jalur optimal dalam grafik. Inspirasi utama ACO berasal dari perilaku semut biologis, dimana komunikasi berbasis feromon sering dijadikan paradigma utama. Kombinasi semut buatan dan algoritma pencarian lokal telah menjadi pilihan pertama untuk berbagai tugas optimasi termasuk perutean kendaraandan perutean Internet.

Misalnya, optimasi koloni semut adalah suatu kelas algoritma yang terinspirasi oleh tindakan koloni semut. Semut buatan bertindak sebagai agen simulasi untuk menjelajahi ruang parameter guna menemukan solusi optimal, mirip dengan semut biologis yang mengeluarkan feromon untuk memandu semut lain menuju sumber daya.Dalam simulasi, semut buatan mencatat posisi dan kualitas solusi sehingga semut dapat menemukan solusi yang lebih baik pada iterasi berikutnya. Varian dari pendekatan ini adalah algoritma lebah, yang mencerminkan pola mencari makan lebah madu dan serangga sosial lainnya.

ACO pertama kali diusulkan oleh Marco Dorigo pada tahun 1992 dan pada awalnya dirancang untuk menemukan jalur optimal dalam grafik berdasarkan perilaku semut biologis. Seiring waktu, ide dasar ini berkembang untuk memecahkan berbagai masalah numerik dengan memanfaatkan berbagai aspek perilaku semut. Sebagai anggota keluarga algoritma koloni semut, metode kecerdasan gerombolan, dan optimasi metaheuristik, ACO melakukan pencarian berbasis model dan memiliki kesamaan dengan algoritma distribusi.

Gambaran Umum

Di alam, semut dari beberapa spesies awalnya berkeliaran tanpa pandang bulu dan, setelah menemukan makanan, kembali ke koloninya, meninggalkan jejak feromon. Jejak kaki ini menjadi petunjuk saat mencari semut lain; Jika mereka menemukan jejak, kemungkinan besar mereka akan mengikuti jejak feromon tersebut, kembali dan memperkuatnya ketika mereka akhirnya menemukan makanan (lihat komunikasi semut). Namun, seiring berjalannya waktu, jejak feromon tersebut menghilang sehingga mengurangi daya tariknya.Semakin lama semut menempuh jalur tersebut, semakin banyak waktu yang dimiliki feromon untuk menguap.

Rute yang lebih pendek lebih menarik karena lebih sering dilalui, sehingga kepadatan feromon lebih tinggi pada rute yang lebih pendek dibandingkan dengan rute yang lebih panjang.Penguapan feromon juga bermanfaat untuk menghindari konvergensi menuju solusi optimal lokal. Tanpa penguapan, jalur yang dipilih semut pertama kemungkinan besar akan terlalu menarik bagi semut berikutnya, sehingga sulit menjelajahi ruang solusi. Meskipun pengaruh penguapan feromon dalam sistem semut alami masih belum jelas, namun hal ini penting dalam sistem buatan.

Ketika semut menemukan jalur yang baik dari koloni menuju sumber makanan, semut lain umumnya cenderung mengikuti jalur tersebut, dan umpan balik positif pada akhirnya menyebabkan banyak semut mengambil jalur yang sama. Ide di balik algoritma koloni semut adalah untuk meniru perilaku ini melalui “simulasi semut” yang dijalankan di sekitar grafik yang mewakili masalah yang sedang dipecahkan.

Jaringan ambien objek cerdas

Pada saat “kecerdasan” tidak lagi terpusat tetapi dapat ditemukan pada objek-objek yang sangat kecil, diperlukan suatu konsep baru. Kini perlu ditinjau kembali konsep antroposentris yang sebelumnya memusatkan pengolahan data dan perhitungan kekuatan di unit kendali. Model otak manusia telah menjadi visi utama dalam pengembangan komputer. Namun, konsep ini berubah secara signifikan dengan munculnya jaringan objek cerdas dan sistem informasi generasi baru berbasis nanoteknologi. Meskipun perangkat kecil tidak menghasilkan kecerdasan tinggi secara individual, namun jika dihubungkan bersama, perangkat tersebut dapat menghasilkan kecerdasan kolektif, mirip dengan koloni semut atau lebah.

Contoh dari alam menunjukkan bahwa organisme yang sangat kecil, jika mengikuti aturan dasar yang sama, dapat menciptakan kecerdasan kolektif pada tingkat makroskopis. Koloni serangga sosial, bekerja sama dengan unit independen yang berperilaku sederhana, mewakili model masyarakat yang berbeda dengan manusia. Mereka bergerak untuk melakukan tugas dengan sedikit informasi. Analoginya dapat ditemukan pada jaringan benda-benda disekitarnya, dimana fleksibilitas dan kemampuan beradaptasi terhadap perubahan lingkungan sangatlah penting. Sama seperti koloni semut yang memiliki kemampuan beradaptasi dan kekuatan kolektif, jaringan seluler yang berkembang juga dapat memperoleh manfaat dari fleksibilitas serupa.Paket informasi yang bergerak melalui jaringan objek dapat dibandingkan dengan pergerakan semut yang bergerak melalui node dengan tujuan mencapai tujuan akhirnya secepat mungkin. Oleh karena itu, penggunaan konsep-konsep ini dalam situasi tertentu dapat membuka pintu menuju kecerdasan yang lebih tinggi dibandingkan dengan sistem terpusat tradisional.

Sistem Feromom Buatan

Sistem feromon buatan telah menjadi fokus penelitian karena komunikasi berbasis feromon telah terbukti menjadi salah satu alat komunikasi paling efektif yang banyak digunakan di alam. Serangga sosial seperti lebah, semut, dan rayap menggunakan feromon untuk berkomunikasi antar agen dan dalam kawanan agen. Efektivitas komunikasi ini mendorong penggunaan feromon buatan dalam pengembangan sistem robot gerombolan dan multi-robot.

Penerapan komunikasi berbasis feromon dapat dilakukan dengan berbagai metode, baik kimia maupun fisika. Contohnya adalah penggunaan cahaya yang diproyeksikan, seperti yang dijelaskan dalam artikel IEEE oleh Garnier, Simon et al. dari tahun 2007.Studi ini menjelaskan pengaturan eksperimental dengan mikrorobot otonom untuk menyelidiki komunikasi berbasis feromon. Pendekatan lain adalah dengan menyebarkan feromon melalui layar LCD horizontal, dan robot dilengkapi dengan sensor cahaya yang menghadap ke bawah untuk merekam pola pada permukaan di bawahnya. Meskipun mereka berhasil menciptakan kembali beberapa aspek komunikasi feromon alami, aplikasi ini gagal mereplikasi sepenuhnya kompleksitas seluruh sistem feromonseperti yang terlihat di alam.

Disadur dari : en.wikipedia.org

Anchoring Effect

Efek penahan, juga dikenal sebagai "achoring effect," adalah fenomena psikologis di mana penilaian atau keputusan individu dipengaruhi oleh suatu titik acuan atau "jangkar" yang mungkin sama sekali tidak relevan. Fenomena ini melibatkan penanganan numerik dan non-numerik. Dalam konteks penanganan numerik, setelah nilai jangkar ditetapkan, argumen berikutnya, perkiraan, atau keputusan seseorang dapat mengalami perubahan dari apa yang seharusnya terjadi tanpa jangkar tersebut. Sebagai contoh, seseorang mungkin lebih cenderung membeli mobil jika ditempatkan bersama model yang lebih mahal sebagai jangkar. Meskipun harga yang dibahas dalam negosiasi lebih rendah dari harga yang ditetapkan, itu mungkin tampak masuk akal atau bahkan murah bagi pembeli, meskipun sebenarnya masih lebih tinggi dari nilai pasar sebenarnya. Fenomena ini pertama kali dideskripsikan dalam konteks psikofisika, dan contohnya mencakup penilaian orbit Mars dengan menggunakan orbit Bumi sebagai jangkar. Efek penahan dapat memainkan peran dalam penilaian dan keputusan manusia, meskipun jangkauan pengaruhnya dapat bervariasi.

Temuan Experimental

Heuristik penahan, yang pertama kali diteorikan oleh Amos Tversky dan Daniel Kahneman, mencakup fenomena di mana penilaian atau keputusan seseorang dipengaruhi oleh titik acuan atau "jangkar" yang mungkin tidak relevan. Pada studi pertamanya, peserta diminta menghitung perkalian angka satu banding delapan dalam lima detik, dan hasilnya dipengaruhi oleh urutan perkalian awal. Penelitian lain menunjukkan bahwa referensi numerik, seperti B. Nomor jaminan sosial, tawaran atau perkiraan nilai suatu barang dapat terpengaruh. Contoh lainnya adalah efek penahan dalam memprediksi harga properti berdasarkan harga tertinggi pada suatu periode tertentu. Dalam perilaku pembelian saham, efek penahan ditemukan mempengaruhi harga pembelian saham pertama, yang menjadi acuan pembelian di masa depan.Efek penahan mencerminkan cara orang membuat perkiraan atau keputusan berdasarkan titik acuan yang mungkin tidak masuk akal namun tetap mempengaruhi persepsi terhadap nilai atau harga sesuatu.

Karakteristik

Kesulitan untuk menghidari

Berbagai penelitian menunjukkan bahwa efek penahan sulit dihindari. Misalnya, dalam sebuah penelitian, siswa diberi nomor palsu tentang Mahatma Gandhi dan diminta menebak kapan dia meninggal. Meskipun semua pernyataan yang dibuat salah, kedua kelompok membuat tebakan yang berbeda, sehingga menunjukkan adanya efek penahan.

Ada juga upaya untuk menghilangkan penyumbatan secara langsung. Dalam sebuah penelitian, peserta dihadapkan pada sebuah jangkar dan secara eksplisit diberitahu bahwa jangkar tersebut akan mempengaruhi respons mereka.Meskipun mereka menyadari adanya efek penahan, peserta masih melaporkan perkiraan yang lebih tinggi. Penelitian lebih lanjut menunjukkan bahwa meskipun ada insentif moneter, kebanyakan orang tidak dapat secara efektif mengurangi efek penahan tersebut.

Meskipun upaya telah dilakukan untuk mengurangi bias penahan, Strategi Pertimbangan Terbalik (COS) terbukti paling dapat diandalkan. COS mendorong individu untuk mempertimbangkan pilihan-pilihan yang bertentangan dengan persepsi dan keyakinan mereka, sehingga menghilangkan sikap-sikap sebelumnya dan membatasi dampak bias keputusan.

Daya Tahan Penahan

Daya tahan dari penahan, atau kegigihan dari efek penahan, telah terbukti cukup lama, menunjukkan bahwa pengaruhnya terhadap pengambilan keputusan terhadap suatu tujuan tidak berkurang seiring berjalannya waktu. Untuk menguji umur panjang efek penahan, serangkaian tiga percobaan dilakukan. Meskipun terdapat penundaan selama satu minggu pada sebagian populasi sampel, hasil serupa diperoleh untuk penilaian target yang bersifat segera dan tertunda. Hal ini menunjukkan bahwa informasi eksternal yang diperoleh selamauji coba yang tertunda memiliki pengaruh yang kecil dibandingkan dengan efek penahan yang dihasilkan sendiri, menunjukkan bahwa efek penahan mungkin mendahului durasi persiapan, terutama jika efek penahan terjadi selama penyelesaian tugas. Namun, penelitian selanjutnya yang meneliti ketahanan efek penahan yang efektif dalam jangka waktu yang lama menghasilkan hasil yang bertentangan.

Menahan Bias dalam Kelompok

Meskipun pepatah “dua kepala lebih baik daripada satu” sering kali mengarah pada asumsi bahwa kelompok pengambil keputusan lebih tidak memihak dibandingkan individu, hasil dalam hal ini tidak selalu konsisten. Beberapa kelompok mungkin memiliki kinerja yang lebih baik dibandingkan individu, namun kelompok juga mungkin memiliki bias yang sama atau lebih besar dibandingkan anggota individunya. Faktor-faktor seperti metode komunikasi, pemrosesan dan pengumpulan informasi yang diskriminatif dapat mengurangi kualitas proses pengambilan keputusan kelompok dan memperkuat bias yang sudah ada.

Alasan penangguhan kelompok tersebut belum sepenuhnya jelas. Penanda kelompok dapat muncul di tingkat kelompok atau sekadar mencerminkan penjangkar pribadi beberapa individu. Penelitian sebelumnya menunjukkan bahwa ketika diberikan jangkar sebelum percobaan, setiap anggota kelompok mengkonsolidasikan jangkarnya sendiri untuk mengambil keputusan tentang arah penempatan jangkar. Perbedaan antara bias penahan individu dan kelompok terletak pada kecenderungan kelompok untuk mengabaikan atau menolak informasi eksternal karena keyakinan terhadap proses pengambilan keputusan bersama.

Percobaan dilakukan untuk menguji bias penahan dalam kelompok dan mencari solusi untuk menghindari atau mengurangi efek penahan. Eksperimen menunjukkan bahwa kelompok memang dipengaruhi oleh jangkar, dan berbagai metode seperti: Pendekatan lain, seperti menggunakan kepemilikan proses dan motivasi melalui kompetisi daripada kerja sama, disarankan sebagai cara untuk mengurangi pengaruh jangkar dalam kelompok.

Intelijen bisnis

Tujuan dari penelitian ini adalah untuk menguji pengaruh sistem intelijen bisnis (BI) terhadap efek penahan dalam studi peer-review. BI mengacu pada seperangkat perangkat lunak dan layanan yang membantu perusahaan mengumpulkan informasi tentang kinerja bisnis. Pertanyaan utama penelitian ini adalah sejauh mana sistem BI dapat mengurangi bias kognitif, khususnya efek penahan, dalam proses pengambilan keputusan.

Variabel independen dalam penelitian ini adalah penggunaan sistem BI, sedangkan variabel dependennya adalah hasil proses pengambilan keputusan. Subyek diberikan jangkar yang dapat dipandang sebagai jangkar yang “masuk akal” dan “salah” ketika membuat keputusan prognostik.Hasil penelitian menunjukkan bahwa meskipun sistem BI mampu mengurangi dampak negatif dari false jangkar, namun tidak memberikan dampak yang signifikan terhadap dampak dari plausible jangkar. Hasil ini menunjukkan bahwa masyarakat masih rentan terhadap bias kognitif dalam konteks bisnis, bahkan ketika menggunakan teknologi canggih seperti sistem BI. Oleh karena itu, para peneliti merekomendasikan untuk mengintegrasikan peringatan dini mengenai efek penahan ke dalam sistem BI untuk mengurangi dampaknya terhadap pengambilan keputusan.

Disadur dari : en.wikipedia.org

Analytic Hierarchy Process

Dalam teori pengambilan keputusan, proses hierarki analitik (AHP), juga disebut proses hierarki analitik, adalah teknik terstruktur untuk mengorganisir dan menganalisis keputusan yang kompleks, berdasarkan matematika dan psikologi. Dikembangkan oleh Thomas L. Saaty pada tahun 1970-an; Saaty bermitra dengan Ernest Forman untuk mengembangkan perangkat lunak Expert Choice pada tahun 1983, dan AHP telah dipelajari dan disempurnakan secara ekstensif sejak saat itu. AHP merupakan pendekatan yang akurat untuk mengukur bobot kriteria keputusan. Pengalaman para ahli individu digunakan untuk memperkirakan besaran relatif faktor melalui perbandingan berpasangan. Setiap responden membandingkan kepentingan relatif dari setiap pasangan item dengan menggunakan kuesioner yang dirancang khusus. Kepentingan relatif dari kriteria dapat ditentukan dengan bantuan AHP dengan membandingkan kriteria dan, jika ada, subkriteria secara berpasangan oleh para ahli atau pengambil keputusan. Atas dasar ini, alternatif terbaik dapat ditemukan. 

Penggunaan dan aplikasi 

AHP ditargetkan untuk pengambilan keputusan kelompok, dan digunakan untuk situasi keputusan, di bidang-bidang seperti pemerintahan, bisnis, industri, kesehatan dan pendidikan. 

Daripada memberikan keputusan yang "benar", AHP membantu para pengambil keputusan untuk menemukan keputusan yang paling sesuai dengan tujuan dan pemahaman mereka terhadap masalah. AHP menyediakan kerangka kerja yang komprehensif dan rasional untuk menyusun masalah keputusan, untuk merepresentasikan dan mengkuantifikasikan elemen-elemennya, untuk menghubungkan elemen-elemen tersebut dengan tujuan secara keseluruhan, dan untuk mengevaluasi solusi-solusi alternatif. 

Pengguna AHP pertama-tama menguraikan masalah keputusan mereka menjadi hirarki sub-masalah yang lebih mudah dipahami, yang masing-masing dapat dianalisis secara independen. Elemen-elemen hirarki dapat berhubungan dengan aspek apa pun dari masalah keputusan-berwujud atau tidak berwujud, diukur dengan cermat atau diperkirakan secara kasar, dipahami dengan baik atau kurang baik-apa pun yang berlaku untuk keputusan yang sedang dihadapi. 

Setelah hirarki dibuat, para pengambil keputusan mengevaluasi berbagai elemennya dengan membandingkan satu sama lain dua per satu, sehubungan dengan dampaknya terhadap elemen di atasnya dalam hirarki. Dalam membuat perbandingan, pengambil keputusan dapat menggunakan data konkret tentang elemen-elemen tersebut, dan mereka juga dapat menggunakan penilaian mereka tentang makna dan kepentingan relatif elemen-elemen tersebut. Penilaian manusia, dan bukan hanya informasi yang mendasarinya, dapat digunakan dalam melakukan evaluasi. 

AHP mengubah evaluasi ini menjadi nilai numerik yang dapat diproses dan dibandingkan di seluruh rentang masalah. Bobot atau prioritas numerik diturunkan untuk setiap elemen hirarki, sehingga memungkinkan elemen yang beragam dan sering kali tidak dapat dibandingkan satu sama lain dengan cara yang rasional dan konsisten. Kemampuan ini membedakan AHP dari teknik pengambilan keputusan lainnya. 

Pada langkah terakhir dari proses ini, prioritas numerik dihitung untuk setiap alternatif keputusan. Angka-angka ini mewakili kemampuan relatif alternatif untuk mencapai tujuan keputusan, sehingga memungkinkan pertimbangan langsung dari berbagai tindakan. 

Meskipun dapat digunakan oleh individu yang bekerja pada keputusan langsung, Proses Hirarki Analitik (AHP) paling berguna di mana tim orang bekerja pada masalah yang kompleks, terutama yang memiliki risiko tinggi, yang melibatkan persepsi dan penilaian manusia, yang resolusinya memiliki dampak jangka panjang. 

Situasi keputusan yang dapat diterapkan AHP meliputi: 

• Pilihan - Pemilihan satu alternatif dari sekumpulan alternatif yang mungkin yang memenuhi kriteria tertentu. Misalnya, memilih metode produksi baru yang paling efektif. 
• Prioritas - Pengalokasian sumber daya terbatas di antara berbagai proyek atau tujuan. Misalnya, menentukan alokasi anggaran untuk departemen yang berbeda. 
• Analisis Kerentanan - Identifikasi area yang paling rentan terhadap gangguan atau risiko. Misalnya, menilai kerentanan infrastruktur kota terhadap gempa bumi. 
• Estimasi - Menilai kemungkinan hasil berbagai keputusan. Misalnya, memperkirakan dampak kebijakan lingkungan pada perekonomian. 
• Konsensus - Membangun kesepakatan di antara sejumlah pihak dengan kepentingan yang berbeda. Misalnya, menemukan solusi yang dapat diterima bersama untuk masalah lingkungan yang kompleks. 
• Pemecahan Masalah - Memprioritaskan masalah yang perlu diselesaikan dan menemukan solusi terbaik untuk mereka. Misalnya, menentukan strategi untuk meningkatkan produktivitas di tempat kerja. 
• AHP dapat menjadi alat yang sangat berguna dalam situasi-situasi ini karena memungkinkan para pengambil keputusan untuk memperhitungkan berbagai faktor dan nilai yang berbeda, dan juga karena mendorong komunikasi dan konsensus di antara para anggota tim atau para pemangku kepentingan yang berbeda.

Disadur dari : en.wikipedia.org

Simulated annealing

Simulated Annealing (SA) adalah algoritma optimasi generik. Berdasarkan probabilitas dan mekanika statistik, algoritma ini dapat digunakan untuk menemukan perkiraan solusi optimal global terhadap suatu masalah. Permasalahan yang memerlukan pendekatan SA adalah permasalahan optimasi kombinatorial dimana ruang pencarian solusi yang ada terlalu besar sehingga hampir tidak mungkin menemukan solusi yang tepat dari permasalahan tersebut. Pendekatanini pertama kali diterbitkan oleh S. Kirkpatrick, C.D. Gelatt dan M. P. Vecchi, diterapkan pada desain perangkat keras komputer yang optimal dan juga pada salah satu masalah klasik ilmu komputer, yaitu masalah penjual.

Annealing merupakan salah satu teknik terkenal di bidang metalurgi yang digunakan untuk mempelajari proses pembentukan kristal pada suatu material. Untuk membentuk struktur kristal yang sempurna, bahan perlu dipanaskan sampai tingkat tertentu kemudian didinginkan secara perlahan dan terkendali. Pemanasan material pada awal proses annealing memberikan peluang bagi atom-atom dalam material untuk bergerak bebas, mengingat tingkat energi pada keadaan panasini cukup tinggi. Proses pendinginan yang lambat memungkinkan atom-atom yang sebelumnya bergerak bebas akhirnya menemukan lokasi optimal di mana energi internal yang dibutuhkan atom untuk mempertahankan posisinya minimal.

Simulated Annealing berjalan berdasarkan analogi dengan proses annealing yang telah dijelaskan di atas. Pada awal proses SA, dipilih suatu solusi awal, yang merepresentasikan kondisi materi sebelum proses dimulai. Gerakan bebas dari atom-atom pada materi, direpresentasikan dalam bentuk modifikasi terhadap solusi awal/solusi sementara. Pada awal proses SA, saat parameter suhu (T) diatur tinggi, solusi sementara yang sudah ada diperbolehkan untuk mengalami modifikasi 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 modifikasi ini membaik (dalam masalah optimisasi yang berusaha mencari minimum berarti nilainya lebih kecil/downhill) solusi hasil modifikasi ini akan digunakan sebagai solusi selanjutnya. Bila nilai fungsi evaluasi hasil modifikasi ini memburuk, pada saat temperatur annealing masih tinggi, solusi yang lebih buruk (uphill) ini masih mungkin diterima, sedangkan pada saat temperatur annealing sudah relatif rendah, solusi hasil modifikasi yang lebih buruk ini mungkin tidak dapat diterima.

Dalam tahapan selanjutnya saat temperatur sedikit demi sedikit dikurangi, maka kemungkinan untuk menerima langkah modifikasi yang tidak memperbaiki nilai fungsi evaluasi semakin berkurang. Sehingga kebebasan untuk memodifikasi solusi semakin menyempit, sampai akhirnya diharapkan dapat diperoleh solusi yang mendekati solusi optimal. Pada temperatur rendah ini, SA biasanya menggunakan konsep Hill-Climbing.

Disadur dari: https://id.wikipedia.org/wiki/Simulated_annealing

Feasible Region

Dalam optimasi matematis, wilayah, himpunan, ruang pencarian, atau ruang solusi yang layak adalah himpunan semua titik yang mungkin (kumpulan nilai dari variabel yang dipilih) dari suatu masalah optimasi yang memenuhi batasan masalah tersebut. , yang mungkin mengandung kesenjangan, persamaan dan ketidaksetaraan. pembatasan bilangan bulat. Ini adalah rangkaian solusi pertama yang mungkin untuk mengatasi masalah tersebut sebelum mempersempit kelompok kandidat.

Misalnya, pertimbangkan masalah meminimalkan fungsi sehubungan dengan variabel dan , tunduk pada dan Di sini himpunan layak adalah himpunan pasangan (x,y) yang nilai x paling sedikit 1 dan paling banyak 10 dan nilai y paling sedikit 5 dan paling banyak 12. Himpunan masalah yang layak terpisah dari fungsi tujuan, yang menyatakan kriteria yang akan dioptimalkan dan yang dalam contoh di atas adalah

Dalam banyak permasalahan, himpunan layak mencerminkan batasan bahwa satu atau lebih variabel tidak boleh negatif. Untuk permasalahan pemrograman yang hanya menggunakan bilangan bulat, himpunan bilangan bulat (atau bagiannya) adalah himpunan yang diperbolehkan. Dalam permasalahan program linier, himpunan layak adalah politop cembung: wilayah ruang multidimensi yang batasnya dibentuk oleh bidang hiper dan simpulnya adalah simpul.

Kepuasan kendala adalah proses menemukan titik di wilayah yang layak.

Daerah fisibel tertutup dari masalah program linier dengan tiga variabel adalah polihedron cembung.

Himpunan layak cembung

Dalam masalah pemrograman linier, serangkaian kendala linier menghasilkan wilayah layak cembung dari nilai-nilai yang mungkin untuk variabel-variabel tersebut. Dalam kasus dua variabel daerah ini berbentuk poligon sederhana cembung.

Himpunan layak cembung adalah himpunan yang ruas garis yang menghubungkan dua titik layak hanya melalui titik layak lainnya dan tidak melalui suatu titik di luar himpunan layak tersebut. Himpunan layak cembung muncul dalam banyak jenis masalah, termasuk masalah program linier, dan sangat menarik karena masalah dengan fungsi tujuan konveks yang dimaksimalkan umumnya lebih mudah diselesaikan jika ada solusi cembung. set yang diizinkan, dan setiap maksimum lokal juga merupakan maksimum global.

Tidak ada set yang layak

Jika kendala dari masalah optimasi saling bertentangan, tidak ada titik yang memenuhi semua kendala dan dengan demikian wilayah yang layak adalah himpunan nol. Dalam hal ini masalah tidak memiliki solusi dan dikatakan tidak layak.

Himpunan layak terbatas (atas) dan himpunan layak tak terbatas (bawah). Set di bagian bawah berlanjut selamanya ke arah kanan.

Himpunan layak terbatas dan tidak terbatas

Himpunan layak terbatas (atas) dan himpunan layak tak terbatas (bawah). Set di bagian bawah berlanjut selamanya ke arah kanan.

Himpunan yang dapat diwujudkan bisa terbatas atau tidak terbatas. Misalnya, himpunan nilai realisasi yang ditentukan oleh himpunan batasan {x ≥ 0, y ≥ 0} tidak terhingga karena tidak ada batasan jarak yang dapat ditempuh dalam arah tertentu selama berada dalam rentang nilai realisasi tetap. Sebaliknya, himpunan kemungkinan yang dibentuk oleh himpunan batasan {x ≥ 0, y ≥ 0, x + 2y ≤ 4} adalah terbatas karena amplitudo pergerakan ke segala arah dibatasi oleh batasan tersebut.

Untuk masalah program linier dengan n variabel, kondisi yang diperlukan tetapi tidak cukup untuk membatasi himpunan kemungkinan adalah jumlah batasan paling sedikit n + 1 (seperti yang ditunjukkan pada contoh di atas).

Ketika himpunan kemungkinan tidak terbatas, optimalitas mungkin terjadi atau tidak tergantung pada spesifikasi fungsi tujuan.Misalnya, jika wilayah layak ditentukan oleh himpunan batasan {x ≥ 0, y ≥ 0}, maka permasalahan pemaksimalan x + y adalah suboptimal karena setiap solusi yang mungkin dapat diperbaiki dengan meningkatkan x atau y; Namun jika permasalahannya meminimalkan x + y, maka terdapat permasalahan optimal (terutama pada (x, y) = (0, 0)).

Solusi kandidat

Dalam optimasi dan cabang matematika lainnya, serta dalam algoritma pencarian (cabang ilmu komputer), solusi kandidat adalah anggota dari himpunan solusi yang mungkin dalam domain yang mungkin dari suatu masalah tertentu. Solusi kandidat tidak harus berupa solusi yang mungkin atau masuk akal terhadap suatu masalah, namun hanya solusi yang memenuhi semua batasan; yaitu, dalam serangkaian solusi yang mungkin. Algoritma untuk menyelesaikan berbagai jenis masalah optimasi sering kali mereduksi himpunankemungkinan solusi menjadi subkumpulan solusi layak yang poin-poinnya tetap menjadi solusi layak, sementara solusi lain yang mungkin kemudian dikeluarkan sebagai kandidat.

Ruang semua kandidat solusi sebelum mengecualikan titik layak disebut wilayah layak, himpunan layak, ruang pencarian, atau ruang solusi. Ini adalah himpunan semua solusi yang mungkin yang memenuhi kondisi batas masalah. Kepuasan Kendala adalah proses menemukan titik-titik dalam suatu himpunan yang mungkin.

Algoritma genetika

Dalam kasus algoritma genetik thm, solusi kandidat adalah individu dalam populasi yang dikembangkan oleh algoritma.

Kalkulus

Dalam kalkulus, pencarian solusi optimal dilakukan dengan menggunakan uji turunan pertama: turunan pertama dari fungsi yang dioptimalkan ditetapkan sama dengan nol, dan nilai apa pun dari variabel terpilih yang memenuhi persamaan ini diperlakukan sebagai kandidat solusi (sementara mereka yang tidak dikecualikan dari daftar peringkat). Solusi potensial mungkin bukan solusi aktual dalam beberapa hal. Pertama, ini mungkin merupakan titik terendah ketika bertujuan untuk mencapai titik tertinggi (atau sebaliknya), dan kedua, mungkin tidak memberikan titik terendah atau tertinggi pada, melainkan sebuah pelana atau titik balik ketika ada jeda sementara dalam pertumbuhan lokal. . Jika tidak, fungsinya akan hilang. Solusi kandidat tersebut dapat dikecualikan dengan uji turunan kedua, yang pemenuhannya cukup untuk membuat solusi kandidat setidaknya optimal secara lokal.Ketiga, solusi potensial mungkin optimal secara lokal namun tidak optimal secara global.

Dalam mengambil antiturunan dari monomial bentuk  solusi kandidat menggunakan rumus kuadratur Cavalieri adalah Kandidat solusi ini sebenarnya benar kecuali jika

Pemrograman linier

Serangkaian kendala pemrograman linier pada dua variabel menghasilkan wilayah nilai yang mungkin untuk variabel tersebut. Masalah dua variabel yang dapat diselesaikan akan memiliki wilayah layak dalam bentuk poligon sederhana cembung jika dibatasi. Dalam algoritma yang menguji titik-titik yang layak secara berurutan, setiap titik yang diuji pada gilirannya merupakan solusi kandidat.

Dalam metode simpleks penyelesaian masalah program linier, sebuah simpul dari politop yang layak dipilih sebagai kandidat solusi awal dan diuji optimalitasnya; Jika ditolak sebagai titik optimal, simpul-simpul tetangga dianggap sebagai kandidat solusi berikutnya. Proses ini berlanjut hingga solusi yang diusulkan dianggap optimal.

Disadur dari : https://en.wikipedia.org/wiki/Feasible_region#Candidate_solution