library(mosaicCalc)
## Loading required package: mosaic
## Registered S3 method overwritten by 'mosaic':
##   method                           from   
##   fortify.SpatialPolygonsDataFrame ggplot2
## 
## The 'mosaic' package masks several functions from core packages in order to add 
## additional features.  The original behavior of these functions should not be affected by this.
## 
## Attaching package: 'mosaic'
## The following objects are masked from 'package:dplyr':
## 
##     count, do, tally
## The following object is masked from 'package:Matrix':
## 
##     mean
## The following object is masked from 'package:ggplot2':
## 
##     stat
## The following objects are masked from 'package:stats':
## 
##     binom.test, cor, cor.test, cov, fivenum, IQR, median, prop.test,
##     quantile, sd, t.test, var
## The following objects are masked from 'package:base':
## 
##     max, mean, min, prod, range, sample, sum
## Loading required package: mosaicCore
## 
## Attaching package: 'mosaicCore'
## The following objects are masked from 'package:dplyr':
## 
##     count, tally
## The legacy packages maptools, rgdal, and rgeos, underpinning the sp package,
## which was just loaded, will retire in October 2023.
## Please refer to R-spatial evolution reports for details, especially
## https://r-spatial.org/r/2023/05/15/evolution4.html.
## It may be desirable to make the sf package available;
## package maintainers should consider adding sf to Suggests:.
## The sp package is now running under evolution status 2
##      (status 2 uses the sf package in place of rgdal)
## 
## Attaching package: 'mosaicCalc'
## The following object is masked from 'package:stats':
## 
##     D

Optimasi

Optimasi terdiri dari optimasi maksimum dan optimasi minimum tapi yang akan dibahas disini adalah optimasi maksimum

Optimasi mencari nilai terbesar adalah proses mencari nilai maksimum dari suatu fungsi atau kumpulan data.

Berikut adalah cara atau metode yang dapat digunakan untuk menemukan optimasi maksimum :

  1. Metode Brute Force Metode ini melibatkan pengujian semua kemungkinan nilai dalam rentang tertentu untuk menemukan nilai terbesar. Ini mungkin efektif untuk dataset kecil atau ketika tidak ada pengetahuan sebelumnya tentang struktur data. Tapi akan sulit untuk digunakan pada data yang besar.

  2. Algoritma Greedy Algoritma greedy adalah pendekatan berbasis heuristik yang berfokus pada pengambilan keputusan lokal yang tampaknya optimal pada setiap langkah. Ini dapat digunakan jika ingin mencari nilai terbesar dengan cepat, meskipun tidak selalu menghasilkan solusi global terbaik.

  3. Algoritma Divide and Conquer Algoritma ini membagi masalah menjadi submasalah yang lebih kecil, mencari solusi untuk setiap submasalah, dan kemudian menggabungkan solusi-solusi tersebut untuk mendapatkan solusi keseluruhan. Ini efektif untuk masalah yang dapat dibagi menjadi bagian yang lebih kecil.

  4. Algoritma Dinamis Algoritma dinamis mengandalkan penyimpanan hasil perhitungan sebelumnya untuk menghindari perhitungan yang berulang. Ini sangat berguna jika memiliki masalah optimasi yang melibatkan sejumlah besar submasalah yang tumpang tindih.

  5. Algoritma Optimasi Kombinatorial Untuk masalah optimasi kombinatorial yang kompleks, seperti masalah Traveling Salesman atau knapsack, dapat menggunakan algoritma khusus seperti algoritma genetika, algoritma pencarian berbasis populasi, atau algoritma berbasis perangkat keras.

  6. Metode Numerik Jika ingin mencari nilai maksimum dalam fungsi matematis kontinu dapat menggunakan metode numerik seperti metode gradien (gradient descent) atau metode Newton-Raphson untuk mencari titik stasioner (di mana gradien nol).

  7. Optimasi Global Untuk mencari nilai maksimum global dalam fungsi yang kompleks, mungkin perlu menggunakan teknik optimasi global seperti simulated annealing, algoritma genetika, atau particle swarm optimization.