ALGORITMA EVOLUSI GENETIKA SEBAGAI FUNGSI OPTIMASI JARINGAN SARAF BUATAN

Reinforcement Learning (RL) pada Machine Learning memiliki masalah yang dikenal dengan istilah exploitation and exploration problem, yang membuat RL sering kesulitan mendapatkan konvergensi dalam proses trainingnya. Untuk itu penulis coba mengambil pendekatan lainnya dengan cara menggunakan Algoritma Evolusi Genetika sebagai fungsi optimasinya. Kesimpulan dari penelitian ini adalah algoritma evolusi genetika sangat efektif diterapkan sebagai fungsi optimasi pada Reinforcement Learning untuk membangun sistem trading saham berbasis kecerdasan buatan.