Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"Optimisasi portofolio adalah masalah fundamental pada lingkungan keuangan, dimana investor membentuk portofolio yang sesuai dengan yang diharapkan dengan mendapatkan return optimal dan risiko minimal. Pada skripsi ini, membahas masalah optimisasi portofolio dengan kendala di bidang keuangan seperti biaya transaksi, kardinalitas, dan kuantitas dibawah asumsi bahwa return dari aset berisiko adalah bilangan fuzzy. Karena hal tersebut, digunakan model optimisasi portofolio yaitu, mixed integer model nonlinear programming problem. Pertama, data saham di diversifikasi berdasarkan 7 skor rasio finansial EPS, PER, PEG, ROE, DER, Current Ratio dan Profit Margin dengan Agglomerative Clustering untuk menghasikan klaster yang homogen berdasarkan risiko. Selanjutnya, setiap klaster dicari proporsi dalam portofolio dengan menggunakan algoritme heuristik yaitu modified artificial bee colony MABC algorithm, dimana pada algoritme tersebut terdapat proses inisialisasi populasi yang dibangun berdasarkan pendekatan chaotic initialization. Pada akhirnya, return yang dihasilkan dibandingkan dengan S P 500 index return 12,34 dan Sharpe ratio 2,7 . Hasil dari performa Agglomerative Clustering Modified Artificial Bee Colony Algoritm yang dievaluasi menggunakan data aktual, menghasilkan nilai tertinggi dari rata-rata return sebesar 29,96 dan Sharpe ratio sebesar 17,562.

---

Portfolio optimization problem is a fundamental matter in the financial environment, where the investors form a satisfactory portfolio by obtaining optimal return and minimal risk. In this undergraduate thesis, we discuss the portfolio optimization problem with real world constraints such as transaction costs, cardinality, and quantity under the assumption that the returns of risky assets are fuzzy numbers. Thus, a mixed integer model nonlinear programming problem is discussed. At first, stock data is diversified based on their financial ratio scores the scores of EPS, PER, PEG, ROE, DER, Current Ratio and Profit Margin by using agglomerative clustering to produce a homogeneous cluster. Next, weight of each stock in the stock portfolio are determined using a modified artificial bee colony MABC algorithm, where in the algorithm there is a process of chaotic initialization approach. Finally, the obtained return will be compared to both the S P 500 index return 12,34 and Sharpe ratio 2,7. The results form the performance of Modified Artificial Bee Colony Algoritm with Agglomerative Clustering in portfolio optimization, evaluated based on some actual dataset show that the higher level of return is 29,96 and Sharpe ratio is 17,562."

"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."

"Kereta listrik adalah salah satu mode transportasi yang paling banyak digunakan oleh masyarakat Indonesia. Selain biayanya yang ekonomis, kereta listrik dapat mengantarkan penggunanya ke tujuan dengan lebih cepat dibandingkan kendaran lain seperti mobil atau motor yang rentan terjebak kemacetan lalu lintas. Mengingat kebergantungan masyarakat yang cukup besar terhadap kereta lisrik, maka dibutuhkan penelitian lebih lanjut untuk meningkatkan tingkat efisiensinya. Salah satu bentuk peningkatan efisiensi adalah dengan mengurangi nilai energi yang dihabiskan oleh kereta listrik saat beroperasi. Pengoptimalan kereta listrik dalam segi konsumsi energi dapat dilakukan dengan bantuan algoritma Artificial Bee Colony (ABC). Algoritma ABC adalah algoritma yang meniru perilaku koloni lebah madu dalam mencari solusi. Skripsi ini menunjukkan hasil pengaplikasian algoritma ABC dalam menemukan solusi berupa nilai konsumsi energi terkecil.

---

An electric train is one of the most widely used modes of transportation used by Indonesians. Aside from being economical, an electric train can take their users to their destinations quicker than vehicles such as cars or motorbikes which are prone to getting stuck in traffic jams. Given how dependent the community is on electric trains, further research is needed to increase the level of efficiency. One form of increasing the efficiency of an electric train is to reduce the value of the energy consumed by the electric train while operating. Optimizing electric trains in terms of energy consumption can be done with the help of the Artificial Bee Colony (ABC) algorithm. The ABC algorithm is an algorithm that mimics the behavior of honeybee colonies in finding solutions. This thesis shows the results of applying the ABC algorithm in finding a solution in the form of the smallest energy consumption value."

"ABSTRAKVehicle Routing Problem (VRP) merupakan masalah kritis dan penting dalam bidang logistik untuk mendesain suatu jaringan transportasi yang efektif dan efisien. Di antara berbagai jenis VRP, Capacitated Vehicle Routing Problem (CVRP) telah banyak dipelajari secara luas oleh banyak peneliti karena dalam prakteknya sangat relevan dengan operasi logistik. Namun, CVRP yang bertujuan meminimalkan perjalanan jarak keseluruhan atau meminimalkan waktu perjalanan ternyata tidak memenuhi persyaratan terbaru yaitu Green Logistics, yang memperhatikan pengaruh terhadap lingkungan. Pada skripsi ini mempelajari CVRP dari perspektif lingkungan yang disebut Environmental Vehicle Routing Problem (EVRP) dengan tujuan mengurangi dampak buruk pada lingkungan yang disebabkan oleh routing dari kendaraan. Dalam skripsi ini, pengaruh lingkungan diukur melalui jumlah emisi yang dikeluarkan pada saat melakukan aktifitas logistik. Salah satu teknik yang dapat digunakan untuk menyelesaikan masalah EVRP adalah dengan menggunakan metode metaheuristik yaitu algoritma Hybrid Artificial Bee Colony (HABC). Algoritma HABC merupakan modifikasi dari algoritma Artificial Bee Colony (ABC) dengan algoritma Clarke-Wright Savings untuk pembentukan rute awal.

---

ABSTRACT

The vehicle routing problem (VRP) is a critical and vital problem in logistics for the design of an effective and efficient transportation network. Among the various types of VRP, Capacitated Vehicle Routing Problem (CVRP) has been studied extensively because in practice it is very relevant to logistics operations. However, CVRP aimed at minimizing traveling distance or minimize overall travel time did not meet the latest requirements of Green Logistics, which pay attention to the effect on the environment. In this thesis studied the CVRP from an environmental perspective, called the Environmental Vehicle Routing Problem (EVRP) with the aim of reducing the adverse effect on the environment caused by the routing of vehicles. In this research, the environmental influence is measured through the amount of the emission , which is a widely acknowledged criteria and accounts for the major influence on environment. A hybrid artificial bee colony algorithm (HABC) is designed to solve the EVRP model. The artificial bee colony is a swarm intelligent, which mimics the foraging behavior of a honey bee swarm. An hybrid artificial bee colony algorithm is also proposed to improve the solution quality of the original version. HABC algorithm is a modification of the algorithm Artificial Bee Colony (ABC) algorithm Clarke-Wright Savings as the formation of the initial route."

"ABSTRAKKanker merupakan penyebab utama kematian kedua di seluruh dunia sehingga mengakibatkan kanker menjadi salah satu prioritas masalah dalam kesehatan. Di Indonesia, tercatat bahwa kanker payudara dan kanker paru-paru memiliki angka kejadian dan kematian tertinggi bagi wanita dan pria WHO, 2014 . Untuk menangani hal tersebut, dalam tugas akhir ini diusulkan suatu metode untuk mengklasifikasikan data kanker menggunakan Support Vector Machines SVM dengan pemilihan fitur berdasarkan Artificial Bee Colony ABC dan Global Artificial Bee Colony GABC pada data kanker payudara dan paru-paru berbasis microarray. Hasil yang diperoleh menunjukkan bahwa metode pemilihan fitur ABC dan GABC memberikan hasil rata-rata akurasi yang lebih tinggi dibandingkan tanpa dilakukan pemilihan fitur dalam klasifikasi data kanker. Untuk pemilihan fitur, metode GABC memberikan hasil yang lebih unggul yaitu dengan akurasi tertinggi 99,99 dengan 10 fitur untuk data kanker paru-paru dan 96,4286 dengan 10 fitur untuk data kanker payudara selama 3 kali running sedangkan metode ABC memberikan rata-rata akurasi tertinggi 99,99 dengan 20 fitur untuk data kanker paru-paru dan 96,4286 dengan 10 fitur untuk data kanker payudara selama 5 kali running.

---

ABSTRACTCancer is the second leading cause of death globally, so that cancer becomes one of priority problems in health. According to WHO on 2014, Indonesia has breast cancer and lung cancer that is the highest incidence and death rates for women and men. To overcome it, in this research, we proposed method to classify cancer data using Support Vector Machines SVM with features selection based on Artificial Bee Colony ABC and Global Artificial Bee Colony GABC on breast and lung cancer based on microarray data. The results show that ABC and GABC as features selection method produced higher average classification accuracy than without no features selection. For features selection methods, the GABC method provides higher results with the highest 99,99 with 10 features for lung cancer data and 96,4286 with 10 features for breast cancer data for 3 times of runs while ABC method provides 99,99 with 20 features for data lung cancer and 96,4286 with 10 features for breast cancer data for 5 times of runs."

"ABSTRAKOptimalisasi portofolio bertujuan agar investor mendapatkan return tertinggi dan mendapatkan risiko terendah. Untuk mencapai tujuan ini, investor melakukan diversifikasi untuk meningkatkan kinerja portofolio dengan meminimalkan risiko portofolio. Pada penelitian ini digunakan algoritma Iterative K-Means -+ sebagai metode clustering dan Ant Colony Optimization (ACO). Pengelompokan digunakan untuk diversifikasi portofolio berdasarkan rasio keuangan masing-masing saham. K-Means berulang -+ ini memperbaiki solusi dari K-Means dengan menghapus 1 cluster (minus), membagi 1 cluster (plus) dan re-clustering di setiap iterasi. Setelah pengelompokan, beberapa saham dipilih dan bobotnya ditentukan dengan metode metaheuristik, yaitu:Algoritma Ant Colony Optimization (ACO). Hasil numerik dari metode ini dievaluasi dengan data yang sebenarnya.ABSTRACTPortfolio optimization aims for investors to get the highest return and get the lowest risk. To achieve this goal, investors diversify to improve portfolio performance by minimizing portfolio risk. In this study, the Iterative K-Means -+ algorithm was used as a clustering method and Ant Colony Optimization (ACO). Grouping is used to diversify the portfolio based on the financial ratios of each stock. Iterative K-Means --+ this improves the solution of K-Means by removing 1 cluster (minus), dividing 1 cluster (plus) and re-clustering in each iteration. After grouping, several stocks are selected and their weights are determined by the metaheuristic method, namely:Ant Colony Optimization (ACO) Algorithm. The numerical results of this method are evaluated with actual data."

"Salah satu masalah yang dihadapi dalam Supply Chain Management adalah pencarian jalur. Jalur terbaik tidak hanya tergantung pada jarak, tetapi juga variabel lain, seperti: kualitas perusahaan yang terlibat, kualitas produk yang dikirimkan, dan nilai lain yang dipengaruhi oleh pengukuran kualitas. Umumnya, Ant Colony Optimization bisa mencari jalur terbaik yang hanya memiliki satu jalur objektif. Tapi akan sulit untuk diadopsi, karena dalam kasus nyata, jalur supply memiliki banyak jalur dan tujuan (khususnya pasokan minyak kelapa sawit berbasis bioenergi). Tujuan dari penelitian ini adalah untuk meningkatkan Ant Colony Optimization dalam menyelesaikan masalah jalur supply dengan menggunakan Fuzzy Ant Colony Optimization. Tujuan pengembangan Fuzzy Ant Colony Optimization dijelaskan disini, yaitu digunakan untuk mencari jalur supply terbaik.

---

AbstractOne of problem faced in supply chain management is path searching. The best path depend not only on distance, but also other variables, such as: the quality of involved companies, quality of delivered product, and other value resulted by quality measurement. Commonly, the ant colony optimization could search the best path that has only one objective path. But it would be difficult to be adopted, because in the real case, the supply path has multi path and objectives (especially in palm oil based bioenergy supply). The objective of this paper is to improve the ant colony optimization for solving multi objectives based supply path problem by using fuzzy ant colony optimization. The developed multi objectives fuzzy ant colony optimization design was explained here, that it was used to search the best supply path."

"Permasalahan optimisasi portofolio merupakan topik penelitian yang cukup banyak dibahas dalam bidang keuangan. Model yang biasa digunakan dalam permasalahan tersebut adalah model mean variance yang berfokus pada expected return dan risiko tanpa mempertimbangkan kendala yang terdapat dalam masalah sebenarnya. Pada skripsi ini digunakan model optimisasi portofolio yang mempertimbangkan kendala seperti kendala kardinal dan kendala kuantitas atau biasa dikenal dengan model Mean Variance Cardinality Constrained Portofolio Optimization MVCCPO. Pada skripsi ini menggunakan metode e-New Local Search based Multiobjective Optimization Algorithm yang menonjolkan metode local search dan non dominated sorting didalamnya. Hasil dari penelitian ini menunjukan bahwa metode e-NSLS cukup baik digunakan dalam permasalahan optimisasi portofolio.

---

Portfolio optimization problem is common research topic in finance. The model that usually used of this problem is Markowitz mean variance model focus in expected returns and risks, without conidering constraints in real life. In this thesis used a more realistic portfolio optimization problem, such as cardinality and quantity constraints, which is called Markowitz mean variance cardinality constrained portfolio optimization problem MVCCPO problem. This thesis used an algorithm which is based on a multiobjective local search schema and non dominated sorting. The result of this is simulation is good enough to use e NSLS in portofolio optimization."