Hasil Pencarian  ::  Simpan CSV :: Kembali

"Nowadays, the pursuance of sustainability obligates manufacturers to redesign products in order to reduce negative environmental impacts. However, only a few studies have simultaneously considered environmental sustainability and assemblability. To bridge this research gap, this study aimed to develop a redesign method based on modular product architecture. This method manages to support a sustainable product considering its materials, assembly sequence and line balance at initial design phase. This method begins with a current product analysis based on economic and environmental performances (i.e., total cost and CO2 emissions). Additionally, new materials and assembly methods are incorporated into redesigning a more sustainable product without compromising production performance. To ensure assemblability, the line balance of 60% is served as one of the constraints. This study applies the particle swarm optimization algorithm to calculate an optimal module organization along with assembly methods and assembly sequences. An air purifier case study is presented to demonstrate the benefits of the proposed method. As a result, the redesigned product can be more easily maintained during product usage and be recycled at the end of product life."

" PSS (Power system stabilizer) telah digunakan secara luas untuk memperbaiki stabilitas sistem tenaga listrik modern. Dalam makalah ini diusulkan perancangan sistematik PSS dengan Particle Swarm Optimization (PSO) sebagai metode optimasi penalaan parameter PSS. Penalaan parameter PSS dilakukan untuk mendapatkan sistem tenaga listrik yang stabil dan teredam secara optimal. Kriteria optimal yang digunakan dalam proses penalaan parameter adalah indeks performansi Integral of Time multiplied by Absolute Error (ITAE). Performansi dariPSS ini diujikan pada sistem tenaga listrik mesin tunggal dibawah gangguan kecil, kondisi beban dan parameter tertentu. Hasil analisa nilaieigen dan simulasi menunjukkan bahwa osilasi sistem tenaga listrik dapat teredam secara optimal melalui penalaan PSS berbasis PSO ini. Hasil simulasi juga menunjukkan bahwa performansi dinamik PSS berbasis PSO lebih baik dibandingkan PSS yang ditala secara konvensional.

---

AbstractPower system stabilizer (PSS) have been extensively used in modern power system for enhancing stability of the system. This paper presents a new systematic approach for the design of power systemstabilizer using PSO (Particle Swarm Optimization). The proposed approach employs PSO search for optimal setting of PSS parameters. The optimal criteria of the Integral of Time multiplied by AbsoluteError (ITAE) is used to search optimal setting. The performance of the proposed PSS under small disturbances, loading conditions and system parameters is tested. The eigenvalue analysis and simulationresults show the effectiveness of the PSO based PSS to damp out the system oscillations. It is found that the dynamic performance with the PSO based PSS shows improved results, over conventionally tunedPSS."

"Perkembangan platform transportasi online mengubah perilaku masyarakat, khususnya dalam layanan pesan-antar makanan online. Tingginya penggunaan layanan ini menimbulkan masalah terkait tingginya jumlah kurir plaform transportasi online yang harus beroperasi untuk memenuhi semua permintaan layanan. Salah satu solusi untuk mengatasi hal tersebut yaitu dengan menggabungkan dua permintaan pesanan (order) dari pelanggan yang lokasinya berdekatan, cukup dilayani oleh satu kurir dengan memperhatikan beberapa kendala sehingga tetap menguntungkan semua pihak. Pelanggan dalam penelitian ini mengacu pada merchant dan customer. Penggabungan dua pelanggan yang dilayani oleh satu kurir di sini disebut sebagai fitur double orders. Penelitian ini melakukan optimasi rute pesan-antar makanan pada layanan transportasi online yang mengimplempentasikan penggunaan fitur double orders dengan mempertimbangkan kepuasan pelanggan dan bertujuan meminimumkan biaya operasional. Kepuasan pelanggan yang dimaksud terkait dengan rentang waktu (time windows) pengambilan dan pengantaran makanan agar kualitasnya tetap terjaga. Kurir yang melewati rentang waktu yang telah ditetapkan akan dikenakan biaya penalti. Masalah optimasi rute layanan pesan-antar makanan ini dimodelkan dalam bentuk Vehicle Routing Problem Pickup Delivery with Time Windows (VRPPDTW), untuk penyelesaiannya digunakan metode Particle Swarm Optimization (PSO). Metode PSO adalah metode metaheuristik yang terinspirasi dari perilaku kawanan organisme (swarm) yang menyimpan informasi mengenai posisi (solusi) terbaik. Pada penelitian ini digunakan data yang terdiri dari 50 permintaan layanan pesan-antar makanan. Hasil yang diperoleh dari penerapan metode PSO untuk mengoptimasi rute kurir layanan pesan-antar dengan fitur double orders tersebut mampu mengurangi jumlah kurir yang beroperasi hingga 50% dan menghemat total biaya operasional yang harus dikeluarkan hingga 36.65%.

---

The development of online transportation platforms has changed public behavior, especially in online food takeaway-delivery services. The high demand for these services has led to issues related to the large number of online transportation platforms drivers needed in fulfilling all service requests. One solution to this problem is by combining two orders from clients located nearby which can be served by a single driver while considering several constraints to ensure it benefits all parties involved. In this study, clients refer to both merchant and customer. The process of combining two clients served by a driver is referred to as the double orders feature. This study focuses on optimizing food takeaway-delivery routes in online transportation services by implementing the double orders feature, considering clients satisfaction and aiming to minimize operational costs. Clients’ satisfaction here relates to the time windows for picking up and delivering food to ensure its quality is maintained. Drivers who exceed the designated time windows will incur penalty costs. The problem of optimizing food takeaway-delivery service routes is modeled as a Vehicle Routing Problem with Pickup and Delivery and Time Windows (VRPPDTW), and it is solved using the Particle Swarm Optimization (PSO) method. PSO is a metaheuristic method inspired by the behavior of swarms of organisms, which store information about the best positions (solutions). In this study, data consisting of 50 food takeaway-delivery requests is used. The results obtained from applying the PSO method to optimize drivers routes with the double orders feature show that it can reduce the number of operating drivers by up to 50% and save total operational costs by 36.65%."

"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. "

"ABSTRAKSetiap bank pasti memiliki aktivitas pemberian kredit. Bank memiliki beberapa kriteria untuk menentukan apakah kredit akan diberikan atau tidak karena setiap kredit yang diberikan memiliki risiko dimana kredit tersebut tidak dikembalikan. Dengan kata lain, bank perlu menganalisis pengaju kredit sebelum memberikan kredit. Pemberian kredit merupakan salah satu kasus klasifikasi biner. Klasifikasi data pengaju kredit dapat menolong bank dalam memberi pertimbangan apakah pengaju kredit tersebut dapat mengembalikan kredit yang diberikan atau tidak. Support Vector Machines SVM merupakan salah satu teknik klasifikasi biner yang efektif dengan prinsip structural risk minimization. Metode SVM dikembangkan menjadi metode Fuzzy Support Vector Machines FSVM sehingga pengaruh data outlier dalam mencari solusi hyperplane dapat diperkecil. Metode Adaptive Particle Swarm Optimization APSO merupakan metode ekstensi dari Particle Swarm Optimization PSO . Pada metode FSVM berbasis APSO, APSO digunakan dalam memberikan nilai fuzzy dengan mencari titik pusat kelas setiap atribut yang dapat menghasilkan tingkat akurasi terbaik. Dalam penelitian ini, metode FSVM berbasis APSO dapat menghasilkan tingkat akurasi tertinggi dalam setiap pengolahan data. Tingkat akurasi tertinggi yang dicapai pada penelitian ini adalah sebesar 75,67 dengan metode FSVM berbasis APSO menggunakan training data sebesar 70 dan kernel linier.

---

ABSTRACTEvery bank has loaning activities. Banks have several criteria for determining whether credit will be given or not because every credit loan has a risk that the credit might not be returned. In other words, banks need to analyze the credit applicant before granting the loan. Credit loan is a case of binary classification. The classification from applicant rsquos data might be helpful for the bank in consideration whether the applicant will return the loan or not. Support Vector Machines SVM is a classification technique based on structural risk minimization which is effective for binary classification. This method was developed into Fuzzy Support Vector Machines FSVM , which is able to minimize the influence of outlier in finding the best hyperplane. Adaptive Particle Swarm Optimization APSO is an extension of Particle Swarm Optimization PSO. In APSO based FSVM, APSO is used to determine the fuzzy score by finding the class center of each attribute that may give the highest accuracy. In this paper, APSO based FSVM can give the highest accuracy for each process. The highest rate of accuracy is 75,67, which used APSO based FSVM with 70 of training data and linear kernel."

"The 0-1 multidimensional knapsack problem (MKP) has been proven it belongs to difficult NP-har combinatorial optimization problems. There are various search algorithms based on population concept to solv these problems. the particle swarm optimization (PSO) technique is adapted in our stucy, which proposes a novel PSO algorithm, namely, the binary PSO based on surrogate information with proportional acceleration coefficients (BPSOSIPAC). the proposed algorithm was tasted on 135 benchmark problems from the OR-Library to validate and demonstrate the efficiency in solving multidimensional knapsack problems. The result were then compared with those in the other nine existing PSO algorithms. The simulation and evaluation result showed that the proposed algorithm, BPSOSIPAC, is superior to the of successful runs, average eror (AE) , mean absolute deviation, mean absolute percentage error, last error, standard deviation, best profit, mean profit, worst profit, AE of the best profit (%), AE of the mean profit deviaton. "

"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."

"ABSTRAKJurnal ini menyajikan perancangan sistem mekanikal dan elektrikal, proses manufaktur dan perakitan, dan proses pengukuran dan parameterisasi mobile microrobot untuk sistem vision control dan sistem kolaborasi swarm intelligence. Robot terdiri dari dua roda dimana rodanya saling bergerak secara independen dan disertai dengan sistem komunikasi nirkabel yaitu dengan menggunakan wifi. Sistem kendali pada robot menggunakan sistem vision control dimana kamera menangkap gambar dari robot yang kemudian diproses dengan menggunakan matlab, rangka robot harus dirancang dengan baik agar sistem vision control dapat mengenali robot. Data perintah yang dihasilkan oleh matlab kemudian disimpan pada web server yang selanjutnya robot membaca data dari web server yang kemudian diubah oleh microcontroller menjadi sinyal yang akan mengaktifkan aktuator dan sistem koordinasi antar robot menggunakan sistem swarm intelligence untuk menyelesaikan sebuah permasalahan.

---

ABSTRACTThis paper presents the mechanical and electrical design, manufacturing and assembly process, and mobile microrobot measurement and parameterizing process for vision control system and swarm intelligence collaboration system. The robots consist of two wheels in which the wheels can move independently and the robots is equipped with wireless communication system by using a Wi Fi. The robots use vision control system in which the camera takes the robot images and it rsquo s processed using matlab, the chassis must be designed well so that vision control system can recognize the robot. The command data that generated by matlab is stored at web server, the data that stored at web server is read by microcontroller and changed into a signal to activate the actuators and the coordination system between robots using swarm intelligence system to solve a problem."

"This book constitutes the proceedings of the 8th International Conference on Swarm Intelligence, held in Brussels, Belgium, in September 2012. This volume contains 15 full papers, 20 short papers, and 7 extended abstracts carefully selected out of 81 submissions. The papers cover various topics of swarm intelligence."