Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dengan berbagai kemajuan teknologi, transportasi tetap bertanggung jawab sebagai penyumbang polusi udara terbesar khususnya emisi CO2. Dampak emisi CO2 ini sangat berbahaya bagi kesehatan dan lingkungan. Sudah ada beberapa cara yang dilakukan untuk mengurangi dampak yang dihasilkan emisi CO2 pada kendaraan roda empat. Salah satunya dengan melakukan tes emisi. Prosedur tes emisi ini dilakukan dengan perilaku berkendara tetap yang menyebabkan tes ini tidak representative terhadap keadaan nyata di jalan, oleh karena itu dibutuhkan monitoring langsung pada perilaku berkendara yang berbeda-beda. Dengan memanfaatkan teknologi OBD II dan konsep IoT (Internet of Things), peneliti dapat melakukan pengembangan ke arah monitoring. Pengembangan dilakukan dengan cara menghubungkan OBD II dan Raspberry Pi ke kendaraan roda empat. Perhitungan emisi CO2 dilakukan dengan memanfaatkan data MAF yang diperoleh dari OBD II. Hasil perhitugan tersebut dikirim ke aplikasi Android melalui Cloud Server agar dapat dibaca oleh pengguna aplikasi Android tersebut. Untuk memverifikasi model perhitungan, pengetesan dilakukan pada Nissan Juke tahun 2015 dengan melakukan uji jalan sejauh 300km pada tiga perilaku berkendara yang berbeda. Emisi CO2 yang dihasilkan diukur menggunakan Portable CO2 Meters Detector Tvoc Hcho AQI Monitor dan dibandingkan dengan hasil uji pada aplikasi. Nilai error verifikasi pengukuran pada masing-masing perilaku berkendara yaitu 11,65 % untuk eco, 7,38% untuk Normal, dan 49,56% untuk Sport. pengetesan yang dilakukan juga menunjukkan bahwa model perilaku berkendara Eco memiliki tingkat emisi terendah dibanding dua perilaku berkendara lainnya dengan jumlah emisi CO2 yang dihasilkan sebesar 33.401,25 g sedangkan untuk Normal dan Sport masing-masing secara berurutan menghasilkan emisi CO2 sebesar 56.250,26 g dan 123.122,99 g. Kemudian apabila dihubungkan dengan parameter perilaku berkendara, perilaku berkendara Eco dengan interval nilai Accelerator Position 4,63% – 10,99% menghasilkan CO2 per detiknya sebesar 0,57 g/s – 1,93 g/s, perilaku berkendara Normal dengan interval nilai Accelerator Position 16,23% – 24,15% menghasilkan CO2 per detiknya sebesar 3,37 g/s – 5,09 g/s, dan perilaku berkendara Sport dengan interval nilai Accelerator Position 71,89% – 78,39% menghasilkan CO2 per detiknya sebesar 13,00 g/s – 14,24 g/s.

---

With various technological advances, transportation remains responsible as the biggest contributor to air pollution, especially CO2 emissions. The impact of CO2 emissions is very dangerous for health and the environment. There have been several ways to reduce the impact of CO2 emissions on four-wheeled vehicles. One of them is by conducting emission tests. This emission test procedure is carried out with a fixed driving behavior which causes this test not to be representative of the actual situation on the road, because of that we require direct monitoring of different driving behaviors. By utilizing OBD II technology and collaborating with the concept of IoT (Internet of Things) Researchers can make development towards monitoring. Development is carried out by connecting the OBD II and Raspberry Pi that has been programmed to calculate CO2 emissions. The calculation of CO2 emissions is done by calculating the MAF data that can be obtained from OBD II. The results of these calculations are sent to the Android application via Cloud Server so that they can be read by the application's users. To verify the calculation model, testing was done on the 2015 Nissan Juke by conducting a road test on three different driving behaviors. The resulting CO2 emissions are measured using Portable CO2 Meters Detector Tvoc Hcho AQI Monitor and compared with test results on the application. The verification error measurement value on each driving behavior is 11,65% for Eco, 7,38% for Normal, and 49,56% for Sport. The testing also shows that the Eco-driving behavior model has the lowest emission level compared to the other two driving behaviors with the amount of CO2 emissions produced of 33.401,25 g while for Normal and sport respectively produced CO2 emissions of 56.250,26 g and 123.122,99 g. Then when connected with driving behavior parameters, Eco-driving behavior with an interval value of Accelerator Position 4.63% - 10.99% produces CO2 per second of 0.57 g/s - 1.93 g/s, Normal driving behavior with an interval value Accelerator Position 16.23% - 24.15% produces CO2 per second of 3.37 g/s - 5.09 g/s and Sport driving behavior with an interval of Accelerator Position 71.89% - 78.39% produces CO2 per second of 13.00 g/s - 14.24 g/s."

"Sebuah perusahaan penerbangan negara memiliki rencana untuk membuka bisnis penerbangan baru, dari bisnis penerbangan charter dan pengangkutan minyak bumi, menjadi penerbangan reguler. Hal tersebut dipicu karena berkembangnya daerah kepulauan Indonesia dan meningkatnya jumlah pengguna pesawat terbang karena kondisi geografis Indonesia yang terpisah oleh perairan. Hal itu menjadi peluang bagi perusahaan penerbangan untuk memasuki pasar penerbangan reguler. Namun, perusahaan belum menetapkan daerah yang memiliki potensi menjadi tujuan penerbangan dan juga frekuensi penerbangan harian menggunakan pesawat ATR 72-600 dan CRJ1000. Kendala tersebut menjadi hambatan bagi perusahaan untuk melakukan ekspansi bisnis dan meningkatkan keuntungan perusahaan. Oleh karena itu, dibutuhkan sebuah model matematika yang dapat digunakan untuk menetapkan tujuan penerbangan dengan mempertimbangkan biaya operasional, pendapatan dan jumlah penumpang dari Jakarta menuju daerah destinasi. Multi objective goal programming MOGP adalah sebuah metode yang digunakan agar dapat menetapkan rute penerbangan yang optimal. Metode ini memiliki konsep meminimumkan deviasi antara kondisi riil, dengan hasil perhitungan. Hasil dari metode ini berupa tujuh bandar udara tujuan dari lima belas bandara rekomendasi perusahaan. Kemudian dilanjutkan dengan metode Integer linear Programming ILP untuk mengetahui frekuensi dan penugasan pesawat harian dengan meminimalkan biaya penerbangan per jam terbang. Sehingga, perusahaan dapat menjalankan ekspansi bisnisnya dengan optimal.

---

A state airline has plans to open a new aviation business, from charter charter business and petroleum transport, to a regular flight. This is triggered by the development of the Indonesian archipelago and the increasing number of aircraft users due to Indonesia 39 s geographical conditions separated by the waters. It becomes an opportunity for airlines to enter the regular airline market. However, the company has not set a region that has the potential to become a flight destination as well as daily flight frequencies using ATR 72 600 and CRJ1000 aircraft. These constraints become an obstacle for companies to expand business and increase corporate profits. Therefore, a mathematical model is needed that can be used to define the airline 39 s objectives by considering operational costs, revenue and passengers from Jakarta to destination areas.

Multi objective goal programming MOGP is a method used to establish an optimal flight route. This method has the concept of minimizing the deviation between real conditions, with the results of calculations. The results of this method are the seven aerodrome destinations of the fifteen airports the company recommends. Then proceed with Integer linear programming ILP method to know the frequency and daily plane assignment by minimizing flight cost per hour of flight. Thus, the company can run its business expansion optimally. "

"Sekuen konsensus adalah subsekuen yang paling sering muncul pada sekuen DNA. Sekuen ini berguna untuk menentukan letak dari protein. Dalam mencari sekuen konsensus harus memperhatikan posisi tiap basa dari sekuen DNA. Terdapat pola tertentuk untuk mentukan sekuen ini. Pencarian sekuen konsensus pada umumnya dilakukan dengan cara menyejajarkan subsekuen DNA dan memberikan skor, sekuen yang memberikan skor maksimum akan dijadikan sekuen konsensus. Pencarian skor maksimum ini dapat dilakukan dengan pemrograman linier. Dalam skripsi ini akan dibahas pencarian sekuen konsensus dan posisinya pada sekuen DNA dengan mencari skor maksimum menggunakan metode pemrograman linier.

---

Consensus sequence is the most frequent subsequences at DNA sequences. This sequence used to find binding site of protein. To searching consensus sequence it is important to consider location every nucleotides on DNA sequences. There is specific pattern to find this sequence. Searching consensus sequence commonly done by aligning DNA subsequences and giving score, a subsequence which give maximum score will be consensus sequence. Searching maximum score can use linear programming. In this paper will discuss how to find consensus sequence and its location on DNA sequence with searching maximum score using linear programming method."

"Discounted {0-1} Knapsack Problem (DKP) adalah perluasan dari {0-1} Knapsack Problem (KP). Pada DKP akan dipilih sebuah himpunan kelompok-kelompok barang, dimana setiap kelompok terdiri dari tiga barang dan paling banyak satu dari tiga barang dapat dipilih. Barang ketiga dalam setiap kelompok merupakan gabungan dari barang pertama dan barang kedua. Dengan menggunakan konsep inti alternatif, DKP dapat dipartisi ke dalam beberapa submasalah berdasarkan tipe-tipe kasusnya (tidak berkorelasi, berkorelasi lemah, dan berkorelasi kuat). DKP yang telah dipartisi ini disebut partitioned DKP. Jika kasus dari DKP diketahui berkorelasi lemah atau berkorelasi kuat, maka dapat dilakukan partisi lebih lanjut lagi untuk memperbaiki efisiensi solusinya. Baik DKP maupun partitioned DKP dapat diselesaikan dengan menggunakan pemrograman dinamik. Berdasarkan percobaan numerik, penyelesaian partitioned DKP lebih efisien daripada penyelesaian DKP untuk semua kasus DKP, dengan tingkat efisiensi sekitar 11,79% untuk kasus tidak berkorelasi, 30,28% untuk kasus berkorelasi lemah, dan 41,84% untuk kasus berkorelasi kuat.

---

The Discounted {0-1} Knapsack Problem (DKP) is an extension of the {0-1} Knapsack Problem (KP). On DKP, it will be selected a set of item groups where each group consists of three items, and at most one of the three items can be selected. The third item in each groups is a combination of first item and second item. By using concept of alternative core, DKP can be partitioned to some sub problems based on types of DKP instances (uncorrelated, weakly correlated and strongly correlated).

If DKP is known as weakly correlated or strongly correlated, so it could be more partitioned for improving the solution efficiency. DKP and partitioned DKP could be solved by dynamic programming. Based on numerical experiments, solving partitioned DKP are more efficient than solving DKP for all cases of DKP, with efficiency level about 11.79% for uncorrelated instances, 30.28% for weakly correlated instances, and 41.84% for strongly correlated instances."

"Penjadwalan unit pembangkit menentukan unit yang hidup dan mati. Dari unit pembangkit yang hidup tersebut ditentukan besar pembebanan ekonomis pada masing-masing unit dengan memperhatikan kondisi optimal serta batasan-batasan (constrain) unit pembangkit. Operasi ekonomis adalah bagaimana mengatur karaktersitik-karakteristik masukan dan keluaran dari masing-masing pembangkit. Pada operasi sistem tenaga listrik, biaya bahan bakar menempati biaya yang terbesar (pembangkit termal) yaitu sekitar 60% dari biaya operasi secara keseluruhan. Pengendalian operasi ini menjadi hal yang sangat penting, optimalisasi satu persen saja untuk sistem berskala besar akan menghasilkan penghematan dalam orde milyaran rupiah pertahun. Apalagi jika berhasil dilakukan optimasi yang lebih besar dari itu. Tentunya akan memberikan penghematan yang lebih besar.

---

Scheduling generating units determine the unit on and off. From the number of units on, will be determined the least-cost dispatch of available generation to meet the electrical load. Economical operation is how to set the characteristics of the input and output of each plant. In the operation of electric power systems, fuel costs occupy the largest cost (thermal power plant) which is about 60% of the all operating costs. Controlling this, becomes very important. Optimizing one percent for large-scale system will result in savings the billions rupiah per year. Moreover, if we can optimize higher than that, it will provide greater savings."

"

Per tahun 2022, industri mi instan menjadi kontributor terbesar sektor industri makanan dan minuman. Penelitian ini membahas permasalahan pada proses penyediaan bahan baku di industri makanan dan minuman dengan objek penelitian mi instan. Pada permasalahan tersebut terjadi peningkatan total biaya penyediaan bahan baku dengan beberapa faktor penyebab berupa peningkatan harga bahan baku, kenaikan biaya pemesanan, dan ketidakoptimalan dalam membuat perkiraan jumlah produksi. Oleh karena itu, dibutuhkan manajemen persediaan yang baik dengan menentukan jumlah dan waktu pemesanan yang sesuai dengan jumlah permintaan. Penelitian ini menggunakan dua metode. Metode pertama adalah metode peramalan Winter’s Method untuk mendapatkan perkiraan jumlah permintaan pada periode mendatang. Untuk mengembangkan model matematika, digunakan metode Mixed Integer Linear Programming (MILP) untuk mendapatkan total biaya persediaan yang minimal. Pengolahan data dilakukan pada tujuh bahan baku pembuatan mi instan. Implementasi pengembangan model menghasilkan jumlah pemesanan sebesar Rp218.736.638 dan waktu pemesanan dilakukan mingguan sebanyak 35 kali secara keseluruhan.

---

As of 2022, the instant noodle industry has emerged as the foremost contributor to the food and beverage sector. This study delves into the predicaments encountered during the procurement process of raw materials within the food and beverage industry, with a specific focus on the context of instant noodles. The identified issue encompasses an escalating total cost of raw material procurement, attributed to several causal factors such as mounting raw material prices, increased ordering costs, and unoptimized production quantity estimations. Consequently, it necessitates the implementation of effective inventory management strategies by determining the optimal order quantities and ordering time in alignment with the demand volume. This research uses two methodologies. The initial approach employs the Winter’s Method forecasting technique to derive an approximation of the forthcoming demand volume. Subsequently, the development of a mathematical model incorporates the application of the Mixed Integer Linear Programming (MILP) method, aimed at minimizing the overall inventory costs. The data processing phase of this study is carried out on seven raw materials. The implementation of the model results in a total inventory cost of Rp218.736.638 and ordering time that is set in weekly interval amounting to 35 in total.

"