Kontrol & Parameter

Studi Kasus: Volume Kendaraan

45
30
65
80

Mode historis memuat data asli lalu lintas dari persimpangan jalan berdasarkan file traffic.csv.

Mode ini menyesuaikan kepadatan kendaraan dan tema visual secara dinamis, menguji ketangguhan AI merespons kondisi nyata.

Pilih Algoritma

Parameter Hill Climbing

Parameter Simulated Annealing

Parameter Genetic Algorithm

Animasi Persimpangan 4 Arah

1.0x
Fase: Utara-Selatan (Hijau)
Waktu: 0s
Antrean: 0 Mobil
Live Fitness: 0.00
Utara
-- s
Antrean: 0
Selatan
-- s
Antrean: 0
Timur
-- s
Antrean: 0
Barat
-- s
Antrean: 0

Hasil Analisis & Grafik

Algoritma Terbaik Otomatis

Berdasarkan waktu pemrosesan dan fitness minimum, algoritma pemenang adalah:

Genetic Algorithm
Kualitas Solusi (Fitness) -- Lebih kecil = Lebih baik
Waktu Eksekusi -- Kecepatan kalkulasi

Grafik menunjukkan penurunan nilai fitness (total antrean tertunda) seiring bertambahnya iterasi/generasi.

Kiri: Grafik Cooling Schedule (Suhu vs Iterasi). Kanan: Distribusi penerimaan solusi buruk oleh Boltzmann probability.

Membandingkan nilai fitness individu terbaik vs. nilai rata-rata keseluruhan populasi per generasi.

Perbandingan performa side-by-side: Kualitas Solusi (Fitness - lebih rendah lebih baik) dan Durasi Eksekusi (ms - lebih cepat lebih baik).

Tabel Perbandingan Kinerja Algoritma

Algoritma / Varian Kualitas Solusi (Fitness) Waktu Proses (ms) Iterasi / Generasi Solusi Durasi [U, S, T, B] (detik) Kemampuan Keluar Local Optima
Simple Hill Climbing -- -- -- -- Sangat Rendah Terjebak pada local optima pertama
Steepest-Ascent Hill Climbing -- -- -- -- Rendah Eksplorasi searah, cepat terjebak
Stochastic Hill Climbing -- -- -- -- Sedang Terbantu toleransi acak probabilistik
Simulated Annealing -- -- -- -- Tinggi Boltzmann probabilistik sangat baik untuk lolos
Genetic Algorithm -- -- -- -- Sangat Tinggi Crossover, mutasi, & multi-agen menghindari local optima