Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 176992 dokumen yang sesuai dengan query
cover
Rifqi Satria Dinandra
Implementasi density based spatial clustering of application with noise dan genetic algorithm pada optimisasi portofolio dengan kendala = Implementation of density based spatial clustering of application with noise and genetic algorithm in portfolio optimization with constraint
"Pemilihan portofolio adalah salah satu bidang penelitian yang menarik dan penting di bidang keuangan karena masa depan dan ketidak beraturan pasar keuangan yang tidak dapat diprediksi. Setiap investor berharap mendapatkan tingkat pengembalian yang tinggi untuk portofolio mereka dengan risiko sekecil mungkin dan hal ini sulit dicapai, sehingga investor mencoba menyeimbangkan kinerja dan risiko portofolio melalui diversifikasi. Tujuan penelitian ini adalah untuk menyelidiki strategi pemilihan portofolio melalui metode clustering dan Genetic Algorithm. Clustering digunakan untuk diversifikasi portofolio dengan membentuk sekelompok aset homogen berdasarkan karakteristik rasio keuangan mereka. Ada tujuh rasio keuangan yang akan digunakan, yaitu EPS, PER, PEG, ROE, DER, Current Ratio, dan Profit Margin.
Dalam skripsi ini digunakan algoritma Density Based Clustering of Application with Noise sebagai metode clustering DBSCAN. Setelah fase clustering, Genetic Algorithm digunakan untuk membentuk portofolio optimum. Genetic Algorithm secara otomatis memilih portofolio dengan risiko dan pengembalian yang optimal berdasarkan hasil clustering dengan memutuskan aset dan bobot masing-masing yang akan dimasukkan dalam portofolio. Algoritma genetika didasarkan pada model Mean Variance Cardinality Constrained Portofolio Optimization MVCCPO dan disebut metode Genetic Algorithm dengan kendala. Metode ini berhasil memberikan tingkat pengembalian dan Sharpe ratio yang lebih tinggi 25,35 dan 17,20 dibandingkan dengan indeks S P 500 pada periode waktu yang sama dengan tingkat pengembalian dan Sharpe ratio masing-masing 12,34 dan 2,7.
Portfolio selection is one of the interesting and important fields of research in finance because of the unpredictable future and randomness of the financial market. Every investor is hoping to get a high rate of return for their portfolio with as little risk as possible, which is hard to achieve, so investors try to balance the performance and risk of the portfolio through diversification. The motivation of this research is to investigate the portfolio selection strategies through clustering method and application of genetic algorithm. Clustering is used to diversify the portfolio by forming a homogenous cluster of assets with respect to their financial ratios characteristic. There are seven financial ratio characteristics that is used, they are EPS, PER, PEG, ROE, DER, Current Ratio and Profit Margin.
In this thesis, Density Based Clustering Algorithm with Application of Noise used as the clustering method DBSCAN. After the clustering phase, genetic algorithm used for portfolio selection. Genetic Algorithm automatically select the optimum risk and return portfolio based on the clustered asset by deciding which assets and their respective weights included in the portfolio. The genetic algorithm is based on the Mean Variance Cardinality Constrained Portofolio Optimization MVCCPO model and called a Constrained Genetic Algorithm. The method succesfully give a higher level of return 25,35 and Sharpe ratio 17,20 compared to S P 500 index in the same period of time 12.34 and 2.7 respectively."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2018
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Reiza Yusuf
Implementasi agglomerative clustering dan genetic algorithm pada optimisasi portofolio saham dengan kendala possibilistic = Implementation of agglomerative clustering and genetic algorithm on stock portfolio optimization with possibilistic constraints
"Optimisasi Portofolio bertujuan untuk melindungi investor dari segala risiko yang mungkin terjadi. Diversifikasi saham merupakan salah satu solusi untuk mengoptimalkan portofolio saham, dimana portofolio yang terdiversifikasi cenderung memiliki risiko yang lebih kecil dibandingkan dengan yang portofolio yang tidak terdiversifikasi. Agglomerative clustering merupakan salah satu metode hierarchical clustering. Untuk mengaplikasikan konsep diversifikasi, Agglomerative Clustering digunakan untuk mengelompokkan 40 saham berdasarkan pada 7 rasio finansial EPS, PER, PEG, ROE, DER, Current Ratio dan Profit Margin. Genetic algorithm GA adalah metode pencarian berdasarkan prinsip seleksi alam dan genetika. Setelah saham dikelompokkan, Genetic algorithm dengan heuristic crossover diaplikasikan pada tiap klaster untuk menentukan proporsi dari tiap saham. Dalam skripsi ini, model optimisasi possibilistic mean-semi-absolute deviation digunakan dimana kardinalitas, kuantitas, dan biaya transaksi dipertimbangkan sebagai kendala, dimana return dari aset diasumsikan merupakan bilangan fuzzy. Implementasi metode menghasilkan tingkat return 29.77 dan Sharpe Ratio 18.7097 yang lebih tinggi dibandingkan dengan indeks S P 500 pada periode waktu yang sama 12.34 dan 2.7 secara berurutan.
Portfolio optimization aims to protect investors against any risks which they may experience. Stock diversification is one of the solutions to optimize stock portfolio, where a diverse portfolio tends to have less risk then the undiversified one. Agglomerative clustering is one of hierarchical clustering method. To apply diversification concept, Agglomerative Clustering is used to cluster 40 different assets based on their financial ratio scores EPS, PER, PEG, ROE, DER, Current Ratio and Profit Margin. Genetic algorithms GA are search methods based on principles of natural selection and genetics. After the stocks are clustered, Genetic algorithm with heuristic crossover is applied on each cluster alongside to determine the weight of each stock. In this thesis, a possibilistic mean semi absolute deviation optimization model is used where cardinality, quantity, and transaction cost are considered as constraints, where the returns of risky assets are assumed as fuzzy numbers. The implementation shows that the method gave a higher level of return 29.77 and Sharpe ratio 18.7097 compared to S P 500 index in the same period of time 12.34 and 2.7 respectively."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2018
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Erica
Implementasi agglomerative clustering dan genetic algorithm pada optimisasi portofolio = Agglomerative clustering and genetic algorithm in portfolio optimization
"Diversifikasi portofolio telah dijadikan solusi dalam memitigasi risiko dalam berinvestasi. Tujuan utama diversifikasi portofolio adalah untuk mengurangi variansi return dibandingkan dengan investasi pada satu saham tertentu. Metode Clustering, misalnya Agglomerative Clustering, digunakan untuk mengelompokkan saham-saham ke dalam masing-masing klaster yang homogen berdasarkan risiko. Klaster-klaster yang terbentuk kemudian akan digunakan sebagai acuan diversifikasi portofolio. Objek yang digunakan dalam metode clustering adalah 7 skor rasio finansial PER, EPS, PEG, DER, ROE, Current Ratio dan Profit Margin dari setiap saham. Selanjutnya, proporsi dari setiap saham pembentuk portofolio ditentukan melalui aplikasi Genetic Algorithm ke masing-masing klaster.
Pada penelitian ini, metode Genetic Algorithm dibangun berdasarkan model MVCCPO sehingga membentuk metode Genetic Algorithm Constrained. Performa dari Agglomerative Clustering Genetic Algorithm Constrained yang dievaluasi menggunakan data aktual, menghasilkan portofolio yang mampu mengalahkan return portofolio pasar dan memiliki rata-rata return yang lebih besar dibandingkan dengan portofolio yang dikonstruksi dengan metode Genetic Algorithm saja. Namun, dengan hubungan linear antara risiko dan return, adalah masuk akal bahwa portofolio dengan return yang lebih besar akan memiliki risiko yang lebih besar pula.
The purpose of portfolio diversification is to reduce the return rsquo s variance risk compared with a single stock investment or undiversified portfolio. The primary motivation of this research is to investigate the portfolio selection strategies through clustering and genetic algorithm. Clustering serves as a method to cluster assets with similar financial ratio scores the scores of EPS, PER, PEG, ROE, DER, Current Ratio and Profit Margin. By clustering method such as Agglomerative Clustering, stocks with similar risk profile are clustered together and the clusters produced can be used in diversifying portfolio. Genetic Algorithm will then be applied to each resulting cluster to obtain the optimal proportion of each stock in the portfolio.
The Genetic Algorithm used in this study is built from the MVCCPO model hence making it a Constrained Genetic Algorithm. The performance of Constrained Genetic Algorithm refined with Agglomerative Clustering in portfolio optimization, evaluated based on some actual datasets, gives a portfolio that beats the market and has bigger expected return than a portfolio constructed with only Genetic Algorithm. Due to the direct relationship of risk and return, it is logical to expect portfolio with a bigger return would have a bigger risk."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2017
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Muhammad Reza Ilham
Implementasi Density Based Spatial Clustering of Applications with Noise (DBSCAN) dan algoritme Multi-objective Co-variance Based Artificial Bee Colony (M-CABC) dalam masalah optimisasi portofolio = Implementation of Density Based Spatial Clustering of Applications with Noise (DBSCAN) and Multi-objective Co-variance Based Artificial Bee Colony (M-CABC) algorithm on portfolio optimization problem
"Guna mempersiapkan kebutuhan yang terencana dan tidak terencana di masa depan, perlu adanya investasi sejak dini. Dalam berinvestasi, seorang investor dihadapkan pada permasalahan dalam menentukan jumlah aset yang optimal dan proporsi modal pada masing-masing aset dalam menyusun portofolio investasinya. Masalah ini adalah masalah pengoptimalan portofolio. Dalam menyusun portofolio perlu dilakukan diversifikasi yaitu menggabungkan aset dengan karakteristik yang berbeda untuk mengurangi risiko investasi. Clustering dapat digunakan sebagai strategi diversifikasi. Tujuan dari penelitian ini adalah untuk mengetahui strategi diversifikasi aset dalam portofolio dengan metode clustering Density Based Spatial Clustering of Applications with Noise (DBSCAN) dan memilih aset serta menentukan proporsi modal yang optimal pada setiap portofolio aset penyusun portofolio dengan Multi- objektif algoritma metaheurysitic Co-variance. Berbasis Artificial Bee Colony (M-CABC). DBSCAN adalah algoritma clustering berbasis kepadatan cluster yang dirancang untuk membentuk cluster dan menemukan noise dalam data. Algoritma M-CABC merupakan pengembangan dari algoritma Artificial Bee Colony (ABC) dengan menambahkan konsep statistic covariance untuk mempercepat konvergensi. Aset yang digunakan dalam penelitian ini adalah saham. Kami menggunakan lima data portfolio saham dengan persentase saham yang memiliki mean return negatif untuk setiap data yang berbeda. Implementasi dilakukan dalam tiga kasus metode yang berbeda: optimalisasi portofolio saham tanpa DBSCAN, optimalisasi portofolio saham dengan DBSCAN tanpa noise, dan optimalisasi portofolio saham dengan DBSCAN dengan noise. Hasilnya adalah besarnya persentase saham yang memiliki mean return pada data negatif berpengaruh terhadap pemilihan metode yang digunakan untuk memperoleh portofolio dengan risiko terkecil.
In order to prepare for planned and unplanned needs in the future, it is necessary to invest from an early age. In investing, an investor is faced with problems in determining the optimal amount of assets and the proportion of capital in each asset in compiling his investment portfolio. This issue is a portfolio optimization problem. In compiling a portfolio, it is necessary to diversify, namely combining assets with different characteristics to reduce investment risk. Clustering can be used as a diversification strategy. The purpose of this study is to determine the diversification strategy of assets in portfolios with the Density Based Spatial Clustering of Applications with Noise (DBSCAN) clustering method and to select assets and determine the optimal proportion of capital in each portfolio compiler portfolio assets with the Multi-objective Co-variance metaheurysitic algorithm. . Based on Artificial Bee Colony (M-CABC). DBSCAN is a cluster density based clustering algorithm designed to form clusters and find noise in data. The M-CABC algorithm is a development of the Artificial Bee Colony (ABC) algorithm by adding the concept of statistical covariance to accelerate convergence. The assets used in this study are stocks. We use five stock portfolio data with the percentage of stocks that have a negative mean return for each of the different data. The implementation is carried out in three cases with different methods: optimization of stock portfolios without DBSCAN, optimizing stock portfolios with DBSCAN without noise, and optimizing stock portfolios with DBSCAN with noise. The result is the large percentage of stocks that have a mean return on negative data that affects the choice of the method used to obtain the portfolio with the smallest risk."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ervita Indah Pratiwi
Optimasi Rute Pengiriman Barang pada Tahap Last Mile dengan Sistem Truck-Drone Menggunakan Metode Mean Shift Clustering dan Algoritma Genetika = Optimizing Goods Delivery Routes at the Last Mile Stage with a Truck-Drone System Using Mean Shift Clustering Method and Genetic Algorithm
"Pengiriman barang dari depot terakhir menuju ke lokasi pelanggan adalah pengiriman last mile. Pengiriman last mile sering dianggap sebagai tahap yang paling mahal dan kurang efisien. Beberapa permasalahan yang dihadapi dalam pengiriman last mile adalah biaya yang tinggi, waktu pengiriman yang lama, dan kemungkinan barang rusak. Penggunaan sistem kendaraan truck-drone dalam pengiriman last mile dapat dijadikan sebagai solusi untuk mengatasi permasalahan dalam last mile. Tujuan dari penelitian ini adalah menemukan rute pengiriman barang yang meminimalkan biaya pengiriman dengan menggunakan sistem truck-drone dalam last mile. Pendekatan yang diusulkan untuk mencari rute optimal terdiri dari dua fase yaitu fase clustering dan routing. Dalam fase clustering menggunakan mean shift clustering untuk mengelompokkan lokasi pelanggan dan mencari lokasi parkir (pusat cluster). Dalam fase routing menggunakan algoritma genetika untuk menemukan rute optimal. Implementasi pada 90 pelanggan didapatkan penggunaan metode mean shift clustering diikuti oleh algoritma genetika, dapat menghasilkan rute optimal yang meminimalkan total biaya. Hal ini ditunjukkan dari penurunan biaya pada rute mean shift clustering mencapai 3,51% dibandingkan clustering dengan metode intuitif. Selain itu, analisis hasil juga mencerminkan bahwa penerapan mean shift clustering mampu mengurangi total jarak sebesar 27,93 % dan waktu tempuh sebesar 25,83 % delivery.
Last-mile delivery is often considered the most expensive and less efficient stage. Some challenges in last-mile delivery include high costs, long delivery times, and the possibility of damaged goods. The use of a truck-drone system in last-mile delivery can be a solution to address these challenges. The objective of this research is to find delivery routes that minimize delivery costs using a truck-drone system in the last mile. The proposed approach to finding optimal routes consists of two phases: clustering and routing. In the clustering phase, mean shift clustering is used to group customer locations and identify parking locations (cluster centers). In the routing phase, a genetic algorithm is employed to find the optimal routes. The implementation on 90 customers showed that the use of mean shift clustering followed by a genetic algorithm could generate optimal routes that minimize the total cost. This is evident from the cost reduction in mean shift clustering routes by 3,51% compared to the initial clustering solution with intuitif method. Furthermore, the results analysis also reflects that the implementation of Mean Shift Clustering can reduce the total distance by 27.93% and travel time by 25.83%."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Very Dwi Vasiani
Optimisasi portofolio saham menggunakan indeks prioritas dan algoritma genetika = Stock portfolio optimization using priority index and genetic algorithm
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2016
S63204
UI - Skripsi Membership  Universitas Indonesia Library
cover
Abyan Pras Sahala
Implementasi algoritme improved quick artificial bee colony pada masalah optimisasi portofolio dengan kendala = Implementation of improved quick artificial bee colony on portfolio optimization problems with constraints
"Dalam berinvestasi, investor menginginkan portofolio optimal yang menghasilkan return tinggi dengan risiko yang rendah. Terdapat berbagai model optimisasi portofolio, salah satunya adalah model Mean-Variance (MV). Metode ini meminimalkan variansi portofolio yang merepresentasikan risiko dari sebuah investasi. Dalam menyelesaikan permasalahan optimisasi portofolio dapat digunakan metode heuristik, salah satunya adalah Artificial Bee Colony. Metode ini terinspirasi dari pergerakan koloni lebah madu dalam mencari makanan. Pada skripsi ini dibahas model optimisasi portofolio Cardinality-constrained Mean-variance(CCMV) yang memodifikasi model MV dengan menambahkan kendala kardinalitas, kendala kuantitas, serta parameter tingkat toleransi risiko investor. Untuk menyelesaikan masalah optimisasi portofolio menggunakan model CCMV, digunakan metode heuristik Improved Quick Artificial Bee Colony (iqABC) yang merupakan perkembangan metode ABC. Penggunaan metode iqABC dengan model CCMV menghasilkan portofolio dengan rata-rata return dan nilai sharpe ratio yang lebih baik dibandingkan dengan pasar.
In Investing, investor wants an optimal portfolio that generates high return with low risk. There are many portfolio optimization models, one of them is Mean-Variance (MV) model. This model minimizes the portfolio variances that represents the risk in investment. The Artificial Bee Colony (ABC) is an heuristic method to solve the portfolio optimization problems. This method inspired by the movement of honey bee colony when searching for foods. In this study, the Cardinality-constrained Mean-Variance (CCMV) model & Improved Quick Artificial Bee Colony (iqABC) method are used. In this case, the CCMV model is the modification of the MV model by adding the cardinality constraint, quantity constraints, and the investor risk tolerance parameter. Meanwhile, the iqABC method is the development of the ABC method. The used of iqABC method on CCMV model generates a portfolio that gives better returns and sharpe ratio compared to the market."
Depok: Universitas Indonesia, 2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Michael Yan
Implementasi algoritma multi-objective co-variance based artificial bee colony dalam masalah optimisasi portofolio = Implementation of multi objective co variance based artificial bee colony algorithm in portfolio optimization problem
"Masalah optimisasi portofolio adalah masalah untuk mencari portofolio dengan return maksimal dan risiko minimal. Pada skripsi ini, digunakan model optimisasi portofolio multi objektif. Algoritma Multi-objective Co-variance based Artificial Bee Colony M-CABC digunakan untuk menyelesaikan masalah optimisasi portofolio. Algoritma M-CABC merupakan pengembangan dari algoritma Artificial Bee Colony ABC menggunakan konsep kovariansi statistik dan dipakai untuk masalah optimisasi portofolio. Implementasi dilakukan dengan menggunakan lima sampel data OR-Lib; port1, port2, port3, port4, dan port5. Hasil yang didapat dibandingkan dengan unconstrained efficient frontier dari lima sampel data. Dari hasil simulasi, Algoritma M-CABC menghasilkan solusi yang cukup dekat dengan solusi pada unconstrained efficient frontier.
Portfolio optimization problem is a problem to find portfolio with maximum return and minimum risk. In this skripsi, multi objective portfolio optimization model is used. Multi objective Co variance based Artificial Bee Colony M CABC algorithm is used to solve porto folio optimization problem. M CABC algorithm is developed from Artificial Bee Colony ABC algorithm using statistical co variance concept and is used for portfolio optimization problem. Implementation is done using five OR Lib data samples port1, port2, port3, port4, dan port5. Obtained results is compared with unconstrained efficient frontier of five data samples. From simulation results, M CABC algorithm gives solutions that is near solutions on the unconstrained efficient frontier."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2018
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Hilma Qonitah
Penerapan algoritma genetika dalam menyelesaikan permasalahan taxi sharing = Application of genetic algorithm method in solving a taxi sharing problem
"Pada skripsi ini akan dibahas konsep ride sharing pada taksi, atau disebut juga taxi sharing, yang merupakan salah satu upaya untuk mengatasi masalah kemacetan akibat kurang seimbangnya jumlah kendaraan yang beredar dengan kapasitas jalan yang dapat menampung kendaraan. Pada taxi sharing, penumpang taksi berbagi kendaraan taksi dan biaya perjalanan dengan penumpang lain yang memiliki tempat asal-tujuan yang sama/hampir sama dalam waktu perjalanan yang hampir bersamaan. Pemanfaatan taxi sharing yang mengoptimalkan utilisasi kendaraan taksi, selain dapat mengurangi jumlah kendaraan taksi yang dibutuhkan untuk melayani konsumen dan mengurangi biaya operasional taksi, juga dapat mengurangi penggunaan bahan bakar, yang pada akhirnya mengurangi emisi gas buang kendaraan. Untuk memaksimalkan penggunaan taxi sharing, maka diperlukan pengoptimalan rute taksi dalam melayani penumpang, dimana masalah pencarian rute taxi sharing yang optimal dalam skripsi ini akan dimodelkan dalam bentuk mixed integer programming problem. Permasalahan ini diselesaikan menggunakan algoritma genetika, yang lahir dari sebuah inspirasi teori evolusi Darwin. Algoritma ini digunakan untuk mencari pasangan penumpang yang berbagi layanan taksi dan rute taksi yang optimal. Hasil percobaan dengan menggunakan ukuran populasi (popsize) 10, jumlah generasi 50 dan 100, crossover rate (Cr) 0.7, dan mutation rate (Mr) 0.2 menunjukkan bahwa yang sebelumnya terdapat 8 permintaan taksi dan 8 taksi, operator taksi dapat mengurangi jumlah taksi yang beroperasi sebesar satu taksi. Taksi yang menggunakan konsep taxi sharing, yaitu taksi 5 akan melayani permintaan 2 dan 8, dengan urutan menjemput permintaan 2 lalu 8, lalu mengantarkan permintaan 2 kemudian 8, dengan biaya yang dibayarkan Rp4.200,00 untuk permintaan 2 dan Rp14.700,00 untuk permintaan 8. Maka dari itu, keuntungan operator taksi menjadi lebih besar, penumpang dapat menghemat biaya perjalanan, dan penggunaan kendaraan di jalan berkurang.
This research will discuss about the implementation of taxi ride sharing system or taxi sharing as an attempt to find a solution for traffic jam problem that caused by an unequal number of public transportation units operated in the street and the lack of street capacity which supposed to facilitate it. With the present of taxi sharing system, consument can share their taxi trip with others passengers that going on to same direction at the same time. This solution can give benefit for consuments by sharing the trip cost while at the same time benefitted the public transportations provider to optimalized the utilization of the taxi units and cut off operationalization cost, benefitted society by minimalize the number of cars in the streets and reducing air polution from gasoline consumption. To make this taxi sharing system works it also needed an optimalization in taxi route for each trip service. This research will be trying to solved this challenges by examines the taxi-sharing route services through Mixed Integer Programming Problems. This process will be carried using a genetics algorythm which inspired from Darwin's theory of evolution. This algorithm is aiming to be effectively find and match pairs of passengers who use taxi sharing system and taxi routes. The experiment by using population size (popsize) of 10, number of generations 50 and 100, crossover rate (Cr) 0.7, mutation rate (Mr) 0.2 shows that from 8 taxi units to accomodate 8 taxi requests that have been received before, the taxi provider supposedly be able to effectively reduce the number of taxis into only 7 taxis to carry all of the sharing system passengers that requesting. A taxi that uses taxi sharing system will serve request number 2 and request number 8, by picking up request 2 then 8, then delivering request 2 then 8, with fees paid Rp4.200,00 for request 2 and Rp14.700,00 for request 8. Therefore, the profit of the taxi provider is greater, the passengers can save their trip costs, and the use of vehicles on the road can be decreased."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ariani Amalia
Desain penjadwalan proyek perancangan pesawat terbang menggunakan metode design structure matrix dan genetic algorithm = Scheduling of aircraft design project using design structure matrix and genetic algorithm
"Proyek pengembangan pesawat terbang adalah proyek yang membutuhkan anggaran besar, teknologi tinggi dan dipengaruhi oleh faktor ketidakpastian yang besar. Proyek pengembangan pesawat terbang harus memiliki koordinasi yang baik antar aktivitas untuk mencapai waktu yang ditargetkan.
Tujuan dari penelitian ini adalah mendesain penjadwalan proyek perancangan pesawat terbang untuk mendapatkan durasi tersingkat proyek secara keseluruhan. Data yang digunakan dalam penelitian ini adalah data desain struktur pesawat terbang untuk fase konseptual pada salah satu proyek desain pesawat terbang di Indonesia. Data yang digunakan hanya mencakup data dependensi aktivitas, jumlah sumber daya yang tersedia dan durasi aktivitas.
Penelitian ini menggunakan kombinasi metode Design Structure Matrix DSM dan Genetic Algorithm GA untuk meperoleh penjadwalan proyek yang optimal. Metode DSM digunakan untuk mengidentifikasi aliran informasi antar-aktivitas proyek dan metode GA digunakan untuk mengoptimalkan urutan aktivitas.
Hasil output dari pemodelan DSM menjadi input untuk pemodelan GA. Pemodelan GA mempertimbangkan data rework, yang merupakan hasil output DSM, durasi aktivitas dan batasan sumber daya manusia saat mengoptimasi urutan aktivitas proyek. Analisis komparatif dilakukan antara penjadwalan berdasarkan kombinasi metode DSM dan GA dengan penjadwalan berdasarkan metode tradisional, Metode CPM.
Dibandingkan dengan metode CPM, kombinasi metode DSM dan GA menghasilkan durasi total proyek yang lebih singkat dengan mengoptimalkan urutan aktivitas yang mempertimbangkan batasan sumber daya manusia.
The aircraft development project is a mega project that requires huge budget, high technology and influenced by high uncertainty factor. The aircraft development project must have good coordination between the activities in order to achieve the targeted time.
The purpose of this research is to minimize the overall duration of aircraft design project. This research use dataset from an aircraft design project in Indonesia. The data used in this research was the dataset of aircraft structure design in conceptual phase. The dataset only include tasks precedence dependency, number of resource available and activity duration.
This research proposes a combination method of Design Structure Matrix DSM and Genetic Algorithm GA for aircraft design project scheduling. DSM is used to identify the information flow between project activities and GA is used to optimize the task sequence.
The output result of DSM modeling becomes the input for GA modeling. GA considers the output of DSM, which is rework data, activity duration and human resources constraint during task sequence optimization. A comparative analysis was conducted between the schedule based on DSM and GA and schedule based on traditional method, the Critical Path Method.
Compared to the CPM method, DSM and GA produce a shorter overall project duration by optimizing task sequences that consider human resource constraints. This research is useful for design projects scheduling with limited resources that can be obtained by using alternative methods other than traditional methods. "
Depok: Fakultas Teknik Universitas Indonesia, 2018
T51063
UI - Tesis Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>