Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTThe characteristics of decentralization, diversification, and dynamics of outsourcing resources put forward higher requirements for the supplier selection in manufacturing enterprises. For buildingmaterials equipment manufacturing enterprises, due to the complex product structure, the demand for outsourcing resources is very large. The traditional method is difficult to meet the needs of current outsourcer evaluation and selection. In order to solve the problem, this paper establishes an outsourcing supplier selection model based on the quality, price, delivery time, reliability, and availibility of outsourced suppliers. And then, a hybrid supplier selection algorithm based on Analytic Hierarchy Process AHP and Particle Swarm Optimization PSO is designed in this paper. Finally, the model and algorithm with genetic algorithm GA and ant colony optimization ACO. The experimental results show that the model can effectively improve the effectiveness and reliability of outsourcing supplier selection."

"Traveling Salesman Problem (TSP) adalah masalah mencari jalur terpendek untuk mengunjungi setiap simpul tepat satu kali kecuali simpul awal kunjungan jika diberikan himpunan simpul yang harus dikunjungi. Tiga modifikasi dilakukan pada skripsi ini untuk menyelesaikan masalah TSP dengan menggabungkan metode Ant Colony Optimization (ACO), Particle Swarm Optimization (PSO) dan 3-Opt Algorithm. ACO digunakan untuk mencari solusi TSP, PSO digunakan untuk mencari nilai paremeter terbaik 𝛼 dan 𝛽 yang digunakan pada ACO, dan 3-Opt digunakan untuk mengurangi total jarak tempuh solusi yang didapat dari ACO. Pada modifikasi pertama, 3-Opt digunakan untuk mengurangi total jarak tempuh dari solusi terbaik yang didapatkan setiap iterasi. Pada modifikasi kedua, 3-Opt digunakan untuk mengurangi total jarak tempuh seluruh solusi yang didapatkan pada setiap iterasi. Pada modifikasi ketiga, 3-Opt digunakan untuk mengurangi total jarak tempuh seluruh solusi yang berbeda yang didapatkan pada setiap iterasi.Hasil modifikasi diuji menggunakan 6 benchmark problems yang diambil dari TSPLIB dengan menghitung besarnya galat relatif terhadap best known solution dan running time percobaan. Setiap masalah diselesaikan dengan 10 kali percobaan, dengan masing-masing percobaan menggunakan 10 agen dan 50 iterasi. Hasil implementasi menunjukkan modifikasi pertama tidak memberikan hasil yang memuaskan, modifikasi kedua memberikan hasil yang memuaskan namun dengan running time yang cukup besar, serta modifikasi ketiga memberikan nilai galat yang tidak jauh berbeda dengan modifikasi kedua namun dengan running time yang jauh lebih kecil.

---

The Traveling Salesman Problem (TSP) is the problem of finding a shortest tour which visits all the vertices exactly once, except the first vertex, given a set of vertices. This thesis discusses three modification to solve TSP by combining Ant Colony Optimization (ACO), Particle Swarm Optimization (PSO) and 3-Opt Algorithm. ACO is used to find the solution of TSP, PSO is used to find the best value of parameters α and β that are used in ACO, and 3-Opt is used to reduce the total of tour length from the solution obtained by ACO. In the first modification, 3-Opt is used to reduce the total of tour length from the best solution obtained at each iteration. In the second modification, 3-Opt is used to reduce the total of tour length from the entire solutions obtained at each iteration. In the third modification, 3-Opt is used to reduce the total of tour length from different solutions obtained at each iteration.Results were tested using 6 benchmark problems taken from TSPLIB by calculating the relative error to the best known solution and the running time. Every problem was solved with 10 trials, where each trial uses 10 agents and 50 iterations. The implementation results showed the first modification did not provide satisfactory results, the second modification gave a satisfactory result, but the running time was quite large, and the third modification gave errors that were close to the second one but with smaller running time."

"Investor perlu memiliki strategi dalam menentukan harga opsi wajar untuk sebuah opsi. Salah satu strategi yang dapat digunakan adalah mempelajari model harga opsi Heston. Dalam model harga opsi diperlukan nilai-nilai parameter yang harus ditentukan terlebih dahulu melalui kalibrasi. Kalibrasi dapat dipandang sebagai masalah optimasi nonlinear, yakni dengan meminimumkan nilai fungsi objektif yang terkait. Algoritma Particle Swarm Optimization merupakan salah satu metode iteratif yang dapat digunakan dalam menentukan solusi masalah optimasi nonlinear. Selanjutnya hasil kalibrasi digunakan untuk menentukan harga wajar sebuah opsi. Data yang digunakan dalam penelitian ini adalah data 50 harga opsi pasar saham Apple Inc (AAPL). Berdasarkan hasil implementasi yang dilakukan, algoritma Particle Swarm Optimization menunjukkan kinerja yang cukup baik dalam aproksimasi nilai parameter model harga Opsi Heston.

---

Investors should have a strategy to determine a fair price for an option. One of the strategy that can be applied is by studing the Heston option pricing model. In the option pricing model, there are some required parameter values that should be determined by using the calibration. The calibration can be considered as a nonlinear optimization problem by minimizing the value of a related objective function. Particle swarm optimization algorithm is one of iterative methods that can be used in the calibration of model?s parameters. Furthermore, the results of calibration can be used to determine the price of an option. The data used in this research is consist of 50 stock market option prices of Apple Inc. Based on the results the implementation, particle swarm optimization algorithm shows a good performance."

"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."

"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."

"Komunikasi mmWave merupakan komunikasi yang menjanjikan dan menarik bagi kalangan akademik dan industri karena ketersediaan spektrum yang berlimpah, akan tetapi spektrum mmWave mmiliki karakteristik kanal propagasi yang buruk. Teknik beamforming dengan perarahan yang tinggi menjadi solusi yang efektif untuk hal tersebut. Penggunaan teknik tersebut memiliki masalah waktu tunda yang tinggi dalam mekanisme initial access (IA). Hal ini dapat berdampak pada kinerja yang buruk untuk dapat mendukung implementasinya di teknologi komunikasi saat ini, yaitu 5G low end-to-end latency. Metode meta-heuristic dengan menggunakan algoritma Genetic Algorithm (GA) merupakan salah satu metode yang telah dilakukan untuk menyelsaikan permaslahan tersebut. Namun, kinerja yang dihasilkan belum cukup baik dan masih dilakukan penelitian untuk menghasilkan peningkatan kinerja waktu tunda terbaik dengan meninjau pada algoritma berbasis alam. Pada penelitian ini, kami melakukan perancangan dan penentuan suatu algoritma berdasarkan algoritma berbasis alam yang memiliki kinerja lebih baik dari GA yang telah dilakukan untuk kasus IA pada komunikasi mmWave. Algoritma yang telah dirancang dan ditentukan adalah algoritma hybrid genetic algorithm and particle swarm optimization (HGAPSO). Hasil kinerja algoritma tersebut menunjukkan nilai kapasitas terbaik (Gbit/s) dan waktu tunda yang cukup rendah (jumlah iterasi) dibandingkan algoritma GA yang telah diajukan dan particle swarm optimization (PSO). Oleh karena itu, dapat disimpulkan bahwa HGAPSO merupakan algoritma yang memiliki kinerja lebih baik dari GA yang telah diajukan dan dapat menjadi algoritma alternatif untuk kasus IA pada komunikasi mmWave.

---

MmWave communication is a promising and attractive communication for academic and industry because of the abundant available spectrum, but mmWave spectrum has poor propagation channel characteristics. High beamforming technique is an effective solution for the problem. The technique has a high delay in the initial access (IA) mechanism. This can have an impact on bad performance to be able to support its implementation in current communication technology, namely 5G low end-to-end latency. The meta-heuristic method using the Genetic Algorithm (GA) is one of the methods that have been used to solve the IA problem. However, the performance result is not good enough and research is still being carried out to produce the best delay time performance improvement by using nature inspired algorithms. In this research, we design and determine an algorithm based on nature inspired algorithms that have better performance than the GA that has been proposed for the IA case in mmWave communication. The algorithm that has been designed and determined are the hybrid genetic algorithm and particle swarm optimization (HGAPSO). The performance of the algorithm shows the best capacity value (Gbit/s) and the delay time is quite low (number of iterations) compared to the GA algorithm that has been proposed and particle swarm optimization (PSO). Therefore, it can be concluded that HGAPSO is an algorithm that has better performance than the GA that has been proposed and can be alternative algorithm for the IA case in mmWave communication."

"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."

"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."

"This paper proposes a study on the comparison of particle swarm optimization with genetic algorithm for molten pool detection in fixed aluminum pipe welding. The research was conducted for welding of aluminum alloy Al6063S-T6 with a controlled welding speed and a Charge-couple Device (CCD) camera as vision sensor. Omnivision-based monitoring using a hyperboloidal mirror was used to detect the molten pool. In this paper, we propose an optimized brightness range for detecting the molten pool edge using particle swarm optimization and compare the results to genetic algorithm. The values of the brightness range were applied to the real time control system using fuzzy inference system. Both optimization methods showed good results on the edge detection of the molten pool. The results of experiments with control show the effectiveness of the image processing algorithm and control process."

"This paper proposes a study on the comparison of particle swarm optimization with genetic algorithm for molten pool detection in fixed aluminum pipe welding. The research was conducted for welding of aluminum alloy Al6063S-T6 with a controlled welding speed and a Charge-couple Device (CCD) camera as vision sensor. Omnivision-based monitoring using a hyperboloidal mirror was used to detect the molten pool. In this paper, we propose an optimized brightness range for detecting the molten pool edge using particle swarm optimization and compare the results to genetic algorithm. The values of the brightness range were applied to the real time control system using fuzzy inference system. Both optimization methods showed good results on the edge detection of the molten pool. The results of experiments with control show the effectiveness of the image processing algorithm and control process. "