Hasil Pencarian  ::  Simpan CSV :: Kembali

"Upaya pengembangan sistem deteksi kebocoran gas telah menjadi penelitian serius bagi banyak ahli di bidang komputasi, informatika dan fisika. Sistem deteksi gas menjadi kebutuhan mendesak saat ini mengingat banyaknya ancaman yang muncul dalam kehidupan masyarakat, seperti ancaman bom, kebocoran pipa gas, kebakaran hutan, dan lain sebagainya. Particle Swram Optimization (PSO) adalah salah satu algoritma yang handal untuk pencarian sumber gas. Penelitian ini akan menganalisa simulator 3D robot pencari sumber gas yang dibuat dengan menggunakan Open Dynamics Engine. Simulator ini merupakan pengembangan beberapa orang secara bertahap di mana terdapat beberapa variasi dalam implementasi algoritmanya. Penulis akan mencoba menganalisa kinerja setiap simulator ini. Riset robot pendeteksi gas ini dimulai oleh Wisnu Jatmiko yang berhasil mengembangkan sistem deteksi gas melalui modifikasi PSO dengan memanfaatkan mekanisme Detect and Response, penggunaan Charge Robot, dan pemanfaatan prinsip Wind Utilities. Pada penelitian selanjutnya, algoritma ini dikembangkan menjadi empat metode, yaitu metode penutupan sumber gas, metode peningkatan mekanisme DR-PSO dengan penambahan fase spread, metode pemanfaatan paralelisasi niche, dan metode penggunaan range global best.Penulis akan menganalisa performa robot dalam menutup semua kebocoran gas berdasarkan metode-metode tersebut. Analisa pertama dilakukan pada kasus dimana robot menggunakan metode penutupan sumber gas dan metode penigkatan mekanisme DR-PSO dengan penambahan fase spread namun belum mengenal paralel niche. Analisa kedua dilakukan pada kasus dimana robot menggunakan metode seperti pada analisa pertama namun dengan paralel niche. Analisa ketiga dilakukan pada kasus di mana robot menggunakan metode seperti pada analisa kedua namun dengan adanya tambahan sebuah robot yang menjadi pemimpin setiap niche.

---

Developing a gas leakage detection system has become a serious research for many experts in the field of computing, informatics and physics. Gas detection system is an urgent need especially nowadays considering the threats that appear in people's lives, such as bomb threats,gas leaks, forest fires, and so forth. Particle Swarm Optimization (PSO) algorithm is one of the algorithm to search the source of the gas leak. This research will analyze the performance of 3D robot simulators that search source of gas leak. This simulator is built using the Open Dynamics Engine. This simulator is developed by some people which are differs in the implementation of algorithm. The author tries to analyze the performance of each simulator. Research on robotic that serve as gas detection started by Wisnu Jatmiko when he successfully developed gas detection systems through PSO using the Detect and Response mechanisms, the use of Charge Robot, and the principles of Wind Utilities. On further research, algorithms were developed into four methods, namely methods of closing the gas source, methods of increasing DR-PSO mechanism with the addition of phase spread, the utilization of parallelization niche methods, and methods using of global best range. The author will analyze the performance of all robots in the gas leak detection based on these methods. The first analysis is done on cases where the robot using the method of closing the gas method and the improving of DR-PSO mechanism with the addition of spread phase but have not implemented parallel niche. On second analysis, conducted on cases where robots use the method which is similar to first analysis but with a parallel niche implemented. On third analysis, conducted on cases where robot uses methods such as on the second analysis but with the addition of a robot or more which is being the leader of each niche."

"Isi tesis ini mengenai pembuatan simulator 3D dari algoritma pencarian Particle Swarm Optimization untuk pencarian banyak sumber asap dengan menggunakan Open Dynamics Engine dan mengenai Dynamic Niche-PSO yang adalah algoritma baru sebagai modifikasi algoritma MPSO dari penelitian sebelumnya [1]. Versi simulator 2D untuk PSO ini telah dibuat penelitian sebelumnya ini. Pemodelan fisik 3D ini bertujuan untuk mengurangi gap antara perangkat lunak dan perangkat keras di dunia nyata.Salah satu bab adalah bab yang menjelaskan pembuatan model robot, asap dan sumbernya, dan medan dengan Open Dynamics Engine. Dilanjutkan dengan bab tentang cara pemakaian GUI simulator ini.Algoritma Dynamic Niche-PSO yang diajukan pada penelitian ini bertujuan untuk memperbaiki kelemahan algoritma PSO sebelumnya dimana 2 niche (kelompok agen) atau lebih masih ada kemungkinan untuk menuju sumber asap yang sama. Pada Dynamic Niche-PSO ini diperkenalkan robot baru, yaitu robot utama yang mempunyai arca ketertarikan. Pada Dynamic Niche-PSO ini juga robot netral dan bermuatan dapat berpindah keanggotaan dari satu niche ke niche yang lain apabila memasuki arca ketertarikan atau attract area dari robot utama niche yang lain ini.

---

The contents of this thesis are the development of 3D simulator for visualizing Particle Swarm Optimization algorithm for multi odor source localization using Open Dynamics Engine, and Dynamic Niche-PSO as modification of MPSO algorithm from previous research [1]. The 2D version of this MPSO is made in previous research. This 3D modeling has a purpose to reducegap between Software and Hardware in the real world.

One of chapters is explaining about how to make the model of robots, plumes and its sources, and field with Open Dynamics Engine. Continued with chapter explaining about how to use the GUI of this simulator.

Dynamic Niche-PSO algorithm proposed in this research has a purpose to refine the weakness of previous algorithm where 2 niches (group of agents) or more still have a probability to move toward the same odor source. There is newly introduced robot in this Dynamic Niche-PSO algorithm called main robot which has an attract area. In this Dynamic Niche-PSO also a neutral robot or a charge robot could become a member of another niche if it entered the attract area of main robot of this other niche."

"The contents of this thesis are the development of 3D simulator for visualizing Particle Swarm Optimization algorithm for Multi Odor Source Localization using Open Dynamics Engine, and Dynamic Niche-PSO as modification of MPSO algorithm from previous research [1]. The 2D version of this MPSO is made in previous research. This 3D physic modeling has a purpose to reduce gap between software and hardware in the real world. One of chapters is explaining how to make the model of robots, plumes and its sources, and field with Open Dynamics Engine. Continued with chapter explaining how to use the GUI of this simulator. Dynamic Niche-PSO algorithm proposed in this research has a purpose to refine the weakness of previous algorithm where 2 niches (group of agent) or more still have a probability to move toward the same odor source. There is newly introduced robot in this Dynamic Niche-PSO algorithm called main robot which has attract area. In this Dynamic Niche-PSO also a neutral robot or a charge robot could become a member of another niche if it entered the attract area of main robot of this other niche.

---

Isi tesis ini mengenai pembuatan simulator 3D dari algoritma pencarian Particle Swarm Optimization untuk pencarian banyak sumber asap dengan menggunakan Open Dynamics Engine dan mengenai Dynamic Niche-PSO yang adalah algoritma baru sebagai modifikasi algoritma MPSO dari penelitian sebelumnya [1]. Versi simulator 2D untuk PSO ini telah dibuat pada penelitian sebelumnya. Pemodelan fisik 3D ini bertujuan untuk mengurangi gap antara perangkat lunak dan perangkat keras di dunia nyata. Salah satu bab adalah bab yang menjelaskan pembuatan model robot, asap dan sumbernya, dan medan dengan Open Dynamics Engine. Dilanjutkan dengan bab tentang cara pemakaian GUI simulator ini. Algoritma Dynamic Niche-PSO yang diajukan pada penelitian ini bertujuan untuk memperbaiki kelemahan algoritma PSO sebelumnya dimana 2 niche (kelompok agen) atau lebih masih ada kemungkinan untuk menuju sumber asap yang sama. Pada Dynamic Niche-PSO ini diperkenalkan robot baru, yaitu robot utama yang mempunyai area ketertarikan. Pada Dynamic Niche-PSO ini juga robot netral dan robot bermuatan dapat berpindah keanggotan dari satu niche ke niche yang lain apabila memasuki attract area dari robot utama niche tersebut. "

"Pendistribusian BBM di Region Ambon memiliki tantangan berupa terbatasnya akses transportasi melalui jalur darat dikarenakan kondisi geografis yang terdiri dari pulau-pulau sehingga pendistribusain menjadi rumit dan mengalami keterlambatan penyaluran BBM. Sehingga diperlukakn rute distribusi yang optimal untuk memastikan penyaluran BBM tidak terlambat dan tidak ada kelangkaan BBM. Penelitian ini mengimplementasikan metode optimasi dengan mempergunakan algoritma Genetika dan Particle Swarm Optimization untuk pemilihan rute distribusi dengan tujuan meminimalisir jarak tempuh. Data jarak mil laut antar pelabuhan, kecepatan kapal pada tiap pelabuhan diolah menjadi sebuah model Asymmetric Travelling Salesman Problem (ATSP). Penerapan dua algoritma yaitu : Algorima Genetika dan particle swarm optimization dipergunakan untuk menyelesaikan model ATSP yang dibuat dengan fungsi objektif jarak tempuh yang seminimum mungkin. Variasi pada destinasi awal/akhir dari pemilihan rute juga dilakukan sebagai parameter uji tambahan dari setiap algoritma. Hasil penelitian menunjukkan bahwa algoritma genetika memberikan rute terpendek dan efisien dibandingkan particle swarm optimization pada setiap pemilihan rute yang dilakukan. Hal ini membuktikan bahwa algoritma genetika lebih efektif dalam menentukan rute pendistribusian BBM yang lebih pendek dan efisien.

---

The distribution of BBM in the Ambon Region has challenges in the form of limited access to transportation via land routes due to geographical conditions consisting of islands so that distribution becomes complicated and delays fuel distribution. So that an optimal distribution route is needed to ensure the distribution of fuel is not late and there is no shortage of fuel. This study implements an optimization method using the Genetic Algorithm and Particle Swarm Optimization for the selection of distribution routes with the aim of minimizing the distance traveled. Nautical mile distance data between ports, ship speed at each port is processed into an Asymmetric Traveling Salesman Problem (ATSP) model. The application of two algorithms, namely: Genetic Algorithm and particle swarm optimization is used to solve the ATSP model which is made with the objective function of the distance traveled as minimal as possible. Variations in the initial/final destination of the route selection are also performed as additional test parameters of each algorithm. The results showed that the genetic algorithm provides the shortest and most efficient route compared to particle swarm optimization for each route selection made. This proves that the genetic algorithm is more effective in determining the shorter and more efficient fuel distribution route."

"Kanker merupakan pertumbuhan sel abnormal di dalam tubuh yang tidak terkendali. Ketika kanker dimulai di paru-paru, hal ini dinamakan sebagai kanker paru-paru. Terdapat faktor-faktor tertentu yang meningkatkan risiko seseorang yang mengidap penyakit ini, yaitu dengan merokok (termasuk perokok pasif), riwayat kanker paru-paru dalam keluarga, terpapar radiasi, dan infeksi HIV. Penyakit ini dapat didiagnosis melalui image tests, diantaranya yaitu chest x-ray, CT scan, MRI scan, PET scan, dan bone scan. Meskipun diagnosa telah dilakukan dengan banyak cara, namun masih terdapat banyak kesalahan dalam mendiagnosa penyakit tersebut. Untuk mengatasi dan membantu hal tersebut, klasifikasi penyakit kanker paru-paru dapat dilakukan dengan menggunakan metode machine learning. Dataset yang akan digunakan untuk mengklasifikasikan penyakit ini berupa CT Scan yang didapatkan dari Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Metode klasifikasi yang digunakan adalah Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), dimana Particle Swarm Optimization-Genetic Algorithm (PSO-GA) digunakan untuk mengoptimisasi parameter pada Support Vector Machine (SVM). Untuk mengevaluasi hasil kinerja metode tersebut, akan dilihat nilai akurasi, presisi, recall, dan f1-score dan dibandingkan dengan metode SVM tanpa optimisasi. Dari hasil yang didapat, klasifikasi dengan menggunakan Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM) menghasilkan performa yang lebih baik jika dibandingkan dengan Support Vector Machine (SVM) tanpa optimisasi parameter.

---

Cancer is an uncontrolled growth of abnormal cells in the body. When cancer starts in the lungs, it is referred as lung cancer. There are certain factors that increase a person's risk of this disease, such as smoking (including passive smoker), a family history of lung cancer, exposure to radiation, and HIV infection. This disease can be diagnosed through image tests, including chest x-ray, CT scan, MRI scan, PET scan, and bone scan. Although diagnosis has been made in many ways, there are still many errors in diagnosing the disease. To overcome and help this problem, the classification of lung cancer can be done by using machine learning method. The dataset that used to classify this disease is CT Scan obtained from Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The classification method that will be used is Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), where Particle Swarm Optimization-Genetic Algorithm (PSO-GA) was used to optimize the parameters of the Support Vector Machine (SVM). To evaluate the results of the performance of the method, values of accuracy, precision, recall, and f1-score will be seen and it will be compared with SVM without the optimization. From the results obtained, classification using Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO- GA-SVM) produces better performance compared to Support Vector Machine (SVM) without parameter optimization."

"Sistem manufaktur telah mengalami kemajuan menuju personalisasi massal dalam konteks Industri 4.0, yang memiliki implikasi besar terhadap efisiensi produksi dan kepuasan konsumen. Tujuan dari penelitian ini adalah untuk menentukan metaheuristik mana yang paling berhasil untuk mengatasi masalah penjadwalan job shop umum antara Genetic Algorithm (GA), Particle Swarm Optimization (PSO), dan Ant Colony Optimization (ACO). Masalah-masalah ini dikenal sebagai NP-hard, yang menuntut penggunaan pendekatan metaheuristik. Penelitian ini menilai kinerja setiap metaheuristik pada kumpulan data kecil, menengah, dan besar, dengan fokus pada indikator utama makespan. Hasilnya menunjukkan bahwa GA secara konsisten menawarkan solusi yang mendekati optimal, mengungguli PSO dan ACO. PSO menunjukkan potensi dalam kumpulan data yang lebih besar namun kurang konsisten, sedangkan ACO adalah yang paling tidak berhasil, sering kali menghasilkan nilai makespan yang lebih tinggi. Kesimpulannya, GA direkomendasikan untuk aplikasi masalah penjadwalan job shop karena keandalan dan efektivitasnya.

---

Manufacturing systems have progressed toward mass personalization in the context of Industry 4.0, with substantial implications for production efficiency and consumer satisfaction. The goal of this study is to determine which metaheuristic is most successful for addressing general Job Shop Scheduling Problems (JSSP) among Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Ant Colony Optimization (ACO). These issues are known to be NP-hard, demanding the use of metaheuristic approaches. The research assesses the performance of each metaheuristic on small, medium, and big datasets, with a focus on the key indicator of makespan. The results show that GA consistently offers near-optimal solutions, outperforming PSO and ACO. PSO demonstrated potential in larger datasets but lacked consistency, whereas ACO was the least successful, frequently producing higher makespan values. Consequently, GA is recommended for actual JSSP applications because of its dependability and effectiveness."

"Kekurangan tenaga kerja gudang telah lama menjadi duri dalam rantai pasokan global, dan berdampak pada seluruh perusahaan serta pelanggannya. Untuk memenuhi permintaan yang tidak dapat diprediksi, perusahaan selama ini sangat bergantung pada pekerja harian, namun persentase penggunaannya yang tinggi perlu dihitung kembali karena perbedaan keterampilan dengan pekerja kontrak. Penelitian ini bertujuan untuk membuat model optimasi dengan menggunakan pendekatan goal programming dan particle swarm optimization (PSO) yang dapat menentukan jumlah tenaga kerja kontrak dan tenaga kerja harian yang dibutuhkan serta mengoptimalkan biaya tenaga kerja, sekaligus memastikan jumlah tenaga kerja harian tidak melebihi 10% dari jumlah total pekerja kontrak serta untuk meningkatkan produktivitas dan mengoptimalkan sumber daya di gudang. Hasilnya menunjukkan bahwa model tersebut dapat secara signifikan mengurangi penggunaan tenaga harian dan mengoptimalkan distribusi tenaga kerja, sehingga mengurangi total tenaga kerja yang dibutuhkan di gudang sekitar 25%. Selain itu, model optimalisasi juga menghasilkan penghematan biaya sekitar 29% dibandingkan dengan sistem alokasi tenaga kerja sebelumnya.

---

The shortage of warehouse labor has long been a thorn in the global supply chain, and it impacts the entire company as well as its customers. To meet unpredictable demand, companies have been heavily reliant on daily workers, but the high percentage of their use need to calculate again because of the difference skill with contractual worker. This research aim to create an optimization model using goal programming and particle swarm optimization (PSO) approach that can determine the required number of contract and daily workers and optimize the cost of labor, while ensuring that the number of daily workers does not exceed 10% of the total number of contract workers also to improve productivity and optimize resources in the warehouse. The results show that the model can significantly reduce the use of daily workers and optimize the distribution of manpower, resulting in a reduction of total manpower needed in the warehouse by around 25%. Moreover, the model optimization also leads to a cost savings of approximately 29% compared to the previous labor allocation system."

"Investasi saham merupakan salah satu jenis investasi yang paling populer karena saham memberikan tingkat keuntungan yang tinggi dibandingkan dengan jenis investasi lainnya, tetapi saham juga memiliki tingkat risiko yang tinggi. Fluktuasi harga saham memberikan peluang bagi investor untuk mendapatkan keuntungan yang tinggi. Dibutuhkan sebuah model prediksi harga saham untuk melihat pergerakan harga saham di masa yang akan datang, sehingga investor dapat menentukan waktu yang tepat untuk membeli, menahan, dan menjual saham mereka. Dengan demikian, mereka terlepas dari risiko kerugian dan memperoleh keuntungan yang besar. Terdapat beberapa studi yang membahas tentang prediksi harga saham menggunakan machine learning. Salah satunya yaitu menggunakan Support Vector Regression (SVR). Oleh karena itu, pada skripsi ini akan diuji penerapan SVR menggunakan Particle Swarm Optimization (PSO) sebagai seleksi fitur dalam memprediksi harga saham di Indonesia. Pada skripsi ini digunakan data historis saham harian dari Jakarta Stock Index dan beberapa saham pada sektor real estate dan properti. Beberapa indikator teknikal digunakan sebagai fitur dalam memprediksi harga saham. Studi ini menunjukkan bahwa prediksi harga saham menggunakan SVR dengan PSO sebagai seleksi fitur memiliki kinerja yang baik untuk semua data, fitur, dan jumlah data training yang digunakan pada skripsi ini memiliki nilai error yang kecil. Oleh karena itu, diperoleh model yang akurat untuk memprediksi harga saham di Indonesia.

---

Stock investing is one of the most popular types of investments since it provides the highest return among all investment types, although it is associated with considerable risk. Fluctuating stock prices provide an opportunity for investors to make a high profit. A stock price prediction model is needed to see future stock price movements, so investors can decide the right time to buy, hold, and sell their stocks which regardless of the risk of loss and gain a big profit. Several studies have focused on the prediction of stock prices using machine learning. One of them is Support Vector Regression (SVR). Therefore, this study examines the application of SVR using Particle Swarm Optimization (PSO) as feature selection in predicting Indonesian stock price. This thesis used historical daily stock data from Jakarta Stock Index (JKSE) and several real estates and property stock sectors. Some technical indicators are used as a feature in predicting stock price. The study found that stock price prediction using SVR with PSO as feature selection showed good performances for all data, features and the amount of training data used by the study have relatively low error probabilities. Therefore, an accurate model is obtained to predict stock price in Indonesia."

"Vehicle Routing Problem with Time Windows menjadi suatu permasalahan bagi perusahaan saat ini dimana biaya logistik yang semakin tinggi. Penentuan rute yang tepat untuk distribusi barang sangat dibutuhkan untuk menekan biaya bahan bakar kendaraan. Penyelesaian VRPTW ini menggunakan algoritma metaheuristic: Tabu Search, Particle Swarm Optimization dan Simulated Annealing. Penelitian ini membandingkan karakter dari ketiga algoritma tersebut. Dimana hasil tabu search memberikan nilai yang mayoritas optimal dibandingkan ketiganya. Tetapi untuk iterasi pendek, PSO memberikan nilai yang cepat menuju optimal.

---

Vehicle Routing Problem with Time Windows become main problem to company when dealing with distribution cost that comes bigger. Determining best routing to distribute goods or service can help reduce distribution cost. This research using metaheuristic algorithm: Tabu Search, Particle Swarm Optimization dan Simulated Annealing to solve VRPTW. This research benchmark that three algorithm. The conclusion is tabu search bring best solution for long iteration. But for short iteration, PSO bring better solution."

"ABSTRAKUpaya untuk memperkecil resiko negatif dalam suatu proyek menjadi tugas berat bagi jajaran manajer. Biaya kontinjensi sebagai cadangan keuangan dalam menghadapi resiko perlu diatur sedemikian rupa agar tidak terlalu sedikit yang berakibat pada kerugian finansial dan juga tidak terlalu tinggi berakibat pada mahal dan tidak atraktifnya harga proposal . Bersamaan dengan upaya menurunkan biaya kontinjensi, terdapat pula kenaikan biaya penanganan resiko. Dihadapkan pada hubungan berbanding terbalik tersebut, jajaran manajer diharuskan melakukan pengaturan kontinjensi dan biaya penanganan resiko sehingga dengan anggaran yang terbatas dapat dicapai kombinasi yang optimal, terlebih untuk mengelola jumlah resiko yang tidak sedikit. Melalui studi ini, sebuah model matematika dikembangakan dengan memadukan fungsi matriks resiko dan algoritma Particle Swarm Optimization PSO . Hasilnya menunjukkan bahwa PSO dapat menyelesaikan problema minimisasi anggaran tanpa melanggar batasan yang ditetapkan. Selain itu, model yang diajukan pun dapat menjadi rekomendasi untuk pemilihan strategi penanganan resiko.

---

ABSTRACT

Reducing negative risk and the associated contingency cost in a project becomes a challenging task for managers. Inadequate and excessive contingency can lead to budget overrun and bidding loss, respectively. In the other hand, lowering the contingency also needs risk handling cost which will, in turn, be added to project budget. Within limited budget, managers should make an optimum adjustment between reduction of contingency and the increase of risk handling cost from multiple risk items with different levels. This study proposes a mathematical model in combination with risk matrix function and performed the computation using Particle Swarm Optimization PSO algorithm. The computation result demonstrated that PSO could solve the adjustment problem without any violation to the model rsquo s constraints. Besides minimizing risk contingency while keeping total budget at lowest amount, the proposed model could also provide recommendations for appropriate risk response strategy either acceptance, mitigation, transference or avoidance ."