Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Pada penelitian ini dirancang High efficiency Concurent Multiband RF Power Amplifier Class-E dengan teknologi CMOS 0.18um type N, yang beroperasi pada frekuensi GSM 900 MHz, GSM 1800 MHz, WIMAX 2300 Mhz, dan LTE 2600 Mhz, dengan menggunakan dua metode perancangan. Rancangan pertama menggunakan metode multiband Class-E Power Amplifier yang konvensional, dan perancangan kedua dengan menambahkan rangkaian Driver Stage untuk menghasilkan Insertion loss yang lebih besar. input matching dan output matching dirancang dengan menggunakan komponen lumped. Tujuan dari perancangan ini adalah untuk mencapai Insertion loss (S21) bernilai lebih besar dari 15 dB dan Return loss (S11) dibawah -15 dB, Tegangan supply 5 Volt, memenuhi standar kestabilan (K > 1), dan Power Added Efficiency >50%, Rancangan ini disimulasikan menggunakan program Advanced Design System (ADS). Hasil simulasi perancangan dengan metode rangkaian driver stage mempunyai nilai S21 sebesar 21.934 dB, 25.581 dB, 21.798 dB, dan 19.997 dB pada frekuensi 900MHz, 1800MHz, 2300MHz, dan 2600MHz. Serta nilai S11 sebesar -15.270 dB, -24.404 dB, -19.974 dB, dan -16.584 dB pada frekuensi 900MHz, 1800MHz, 2300MHz, dan 2600MHz. Dan nilai maksimum PAE sebesar 52.98% pada frekuensi-frekuensi tersebut.

---

In this research is designed High efficiency Concurent Multiband RF Power Amplifier Class-E with 0.18𝜇m CMOS type N, which operates at GSM 900 MHz, GSM 1800 MHz, WIMAX 2300 MHz, and LTE 2600 MHz, using two method of design. First design is using a Conventional Multiband Power Amplifier Class-E and the second design is by adding a Driver Stage to the circuit to achieve much higher Insertion loss. The input matching and output matching is design using lumped component.

The aim of this design is to achieve result of Insertion loss) above 15 dB and Return loss below -15 dB, supply voltage 5 V, power added efficiency above 50%, this design is simulated using Advanced Design System (ADS).

The simulation results using a driver stage circuit shows that S21 of 21.934 dB, 25.581 dB, 21.798 dB, dan 19.997 dB was obtained at 900MHz, 1800MHz, 2300MHz, and 2600MHz. And S11 of -15.270 dB, -24.404 dB, -19.974 dB, and -16.584 dB was obtained at 900MHz, 1800MHz, 2300MHz, and 2600MHz. In terms of maximum PAE was obtain 52.98% at those frequencies."

"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. "

"

Salah satu teknik analisis yang dapat digunakan pada data mining dalam mengelompokkan data adalah Triclustering. Triclustering merupakan metode pengelompokan secara bersamaan pada data tiga dimensi yang terdiri dari observasi, atribut, dan konteks. Triclustering kerap digunakan pada bidang bioinformatika untuk mengelompokkan data ekspresi gen di titik waktu tertentu pada suatu kondisi eksperimen. Triclustering yang diajukan pada penelitian ini menggunakan metode Hybrid  – TRIMAX Binary Particle Swarm Optimization. Particle Swarm Optimization (PSO) adalah teknik pengelompokan yang terinspirasi oleh perilaku biologis populasi ikan atau kawanan burung yang bergerak untuk menuju sumber makanan. Setiap individu di dalam populasi disebut sebagai partikel yang didefinisikan sebagai kandidat solusi (tricluster). Istilah “Binary” mengartikan bahwa partikel yang bergerak di ruang pencarian berbentuk vektor biner (bit) yang bernilai 0 atau 1. Tahap inisiasi populasi dilakukan dengan menggunakan algoritma nodes deletion pada  – TRIMAX untuk menghasilkan populasi awal yang homogen.  Metode  – TRIMAX dapat menghasilkan tricluster dengan nilai Mean Residual Square (MSR) lebih kecil dari threshold 𝛿 sehingga dapat meningkatkan efektifitas komputasi dari metode Hybrid  – TRIMAX Binary Particle Swarm Optimization. Algoritma gabungan kemudian diimplementasikan pada data ekspresi gen tiga dimensi sel kanker pankreas PANC-1 yang diberikan obat kemoterapi ATO, JQ1, dan kombinasi keduanya pada 3 titik waktu. Diperoleh tricluster optimum dengan skenario  0,0003;  0,8;   0,2; dan tipe neighbourhood = “Gbest”. Tricluster tersebut memiliki nilai TQI sebesar 1,427E-09 dan volume tricluster sebesar 169.410. Berdasarkan tricluster optimum, diperoleh informasi mengenai kumpulan gen yang tidak merespon baik terhadap pengobatan JQ1 dan JQ1+ATO pada jangka waktu menengah dan panjang. Hasil analisis ontologi gen menunjukkan tiga aspek ontologi yang signifikan dengan p-value < 0,05, yaitu proses biologi, fungsi molekuler, dan komponen seluler. Diperoleh gen yang resisten terhadap pengobatan terlibat dalam proses biologi metabolisme sel dan pengembangan sel yang mempertahankan kehidupan sel. Pada aspek fungsi molekuler, gen berperan dalam proses pengikatan, seperti pengikatan ion, senyawa organik siklik, dan senyawa heterosiklik, serta aktivitas katalitik. Selain itu, juga ditemukan bahwa sebagian besar gen berlokasi pada sitoplasma, organel, dan nukleus dalam komponen seluler. Aspek-aspek dari ontologi gen dapat berkontribusi pada resistensi kumpulan gen dalam sel kanker PANC-1 terhadap pengobatan.

---

One of the analysis techniques that can be used in data mining to group data is Triclustering. Triclustering is a method of simultaneously grouping three-dimensional data consisting of observations, attributes, and context. Triclustering analysis is often used in the field of bioinformatics to group gene expression data at certain time points under experimental conditions. The triclustering analysis proposed in this study used the Hybrid  – TRIMAX Binary Particle Swarm Optimization method. Particle Swarm Optimization (PSO) is a clustering technique inspired by the biological behavior of fish populations or flocks of birds that move towards food sources. Each individual in the population is referred as particles which are defined as candidate solutions (tricluster). The term "Binary" means that the particles move in the search space in the form of binary vectors (bits) with a value of 0 or 1, the number "1" represents that an individual is present in the particle. The population initialization stage is carried out using the nodes deletion algorithm in δ-TRIMAX to produce a homogeneous initial population.  The δ-TRIMAX method can generate a tricluster with a Mean Residual Square (MSR) value smaller than the threshold 𝛿 so that it can increase the computational effectiveness of the Hybrid δ-TRIMAX Binary Particle Swarm Optimization method. The combined algorithm then implemented on three-dimensional gene expression data of PANC-1 pancreatic cancer cells given ATO, JQ1, and a combination of both chemotherapy drugs at three time points. The optimum tricluster was obtained with scenario  0,0003;  0,8;   0,2; and neighborhood type = "Gbest". The tricluster has a TQI value of 1.427E-09 and a tricluster volume of 169,410. Based on the optimum tricluster, information was obtained about the gene pools that did not respond well to JQ1 and JQ1+ATO treatment in the medium and long term. The results of gene ontology analysis showed three significant ontological aspects with p-value <0.05, namely biological processes, molecular functions, and cellular components. It was found that treatment-resistant genes are involved in the biological process of cell metabolism and cell development that maintains cell life. In the aspect of molecular function, genes play a role in binding processes, such as ion binding, cyclic organic compounds, and heterocyclic compounds, as well as catalytic activity. In addition, it was also found that most genes are located in the cytoplasm, organelles, and nucleus in cellular components. These aspects of the gene ontology may contribute to the resistance of the gene pool in PANC-1 cancer cells to treatment.

"

"Sistem tenaga listrik merupakan sistem yang dapat mengalirkan daya listrik dari pusat pembangkit ke konsumen melalui 3 subsistem (pembangkit listrik, sistem transmisi, dan sistem distribusi). Ketika daya listrik melewati saluran transmisi yang panjang maka akan terjadi tegangan jatuh pada saluran transmisi. Namun, saat kondisi beban rendah seperti Perayaan Hari Raya Idul Fitri, tegangan di sisi penerima pada saluran transmisi masih tetap tinggi sehingga menimbulkan permasalahan, yaitu tegangan lebih. Hal tersebut disebabkan karena arus beban lebih kecil daripada arus pengisian (arus kapasitor) pada saluran transmisi. Tegangan lebih dapat diselesaikan dengan menggunakan static var compensator (SVC) karena SVC dapat menyerap daya reaktif dari bus pada sistem menggunakan thyristor controlled reactor (TCR). Penelitian ini menggunakan algoritma particle swarm optimization (PSO) dalam menentukan kapasitas SVC yang optimal untuk tujuh skenario yang telah ditentukan berdasarkan lokasi peletakan. Penelitian ini menghasilkan dua keluaran, yaitu profil tegangan di seluruh bus dan total rugi-rugi daya aktif pada saluran transmisi. Seluruh skenario berhasil memperbaiki profil tegangan di seluruh bus pada Subsistem Mandirancan. Total rugi-rugi daya aktif di saluran transmisi pada Subsistem Mandirancan mengalami peningkatan dari kondisi awal sebesar 4.97% saat mengatur kapasitas SVC 1, 4.97% saat mengatur kapasitas SVC 2, 5.20% saat mengatur kapasitas SVC 3, 4.98% saat mengatur kapasitas SVC 1 dan SVC 2, 3.54% saat mengatur kapasitas SVC 1 dan SVC 3, 3.62% saat mengatur kapasitas SVC 2 dan SVC 3, dan 3.02% saat mengatur kapasitas SVC 1, SVC 2, dan SVC 3.

---

The power system is a system that can deliver electrical power from the generating center to consumers through 3 subsystems (power plant, transmission system, and distribution system). When electric power passes through a long transmission line, there will be a voltage drop on the transmission line. However, during low load conditions such as the Eid Celebration, the voltage on the receiving side of the transmission line is still high, causing problem, namely overvoltage. This is because the load current is smaller than the charging current (capacitor current) on the transmission line. Overvoltage can be solved by using a static var compensator (SVC) because SVC can absorb reactive power from the bus in the system using a thyristor controlled reactor (TCR). This study uses the particle swarm optimization (PSO) algorithm to determine the optimal SVC capacity for seven scenarios that have been determined based on the location of the placement. This study produces two outputs, which are voltage profiles at all buses and total active power losses on transmission lines. All scenarios succeeded in improving the voltage profile at all buses in the Mandirancan Subsystem. The total active power losses on the transmission line in the Mandirancan Subsystem increased from the initial condition of 4.97% when setting the sizing of SVC 1, 4.97% when setting the sizing of SVC 2, 5.20% when setting the sizing of SVC 3, 4.98% when setting the sizing of SVC 1 and SVC 2, 3.54% when setting the sizing of SVC 1 and SVC 3, 3.62% when setting the sizing of SVC 2 and SVC 3, and 3.02% when setting the sizing of SVC 1, SVC 2, and SVC 3."

"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."

"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."

"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."

"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."