Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini mengevaluasi performa algoritma dekomposisi LU dengan batasan serta metode iterasi Conjugate Gradient Method (CGM) dalam menentukan konduktivitas termal aluminium dan besi menggunakan metode Inverse Heat Conduction Problem (IHCP). IHCP digunakan untuk menyelesaikan masalah konduksi panas dengan menentukan parameter yang tidak diketahui seperti kondisi batas dan konduktivitas termal bergantung pada temperatur. Algoritma dekomposisi LU dengan batasan diimplementasikan dalam IHCP 2D untuk mengoptimalkan perhitungan distribusi temperatur. Simulasi pada pelat aluminium menunjukkan kesalahan absolut maksimum 1,22%, sementara eksperimen dengan isolasi penuh menunjukkan 1,83%. Prediksi konduktivitas termal menggunakan tembakan 10, 50, dan 100 W/mK menghasilkan nilai konduktivitas aluminium antara 233,693 hingga 240,659 W/mK dengan kesalahan maksimum 1,83%, dan besi antara 78,84 hingga 80,38 W/mK dengan kesalahan maksimum 1,74%. Kesimpulannya, variasi material, nilai konduktivitas termal, fluks panas, dan kondisi sistem tidak berdampak signifikan pada prediksi konduktivitas termal. Peningkatan peralatan uji dan metode pengukuran yang lebih akurat diperlukan untuk aplikasi praktis.

---

This study aims to evaluate the performance of the LU decomposition algorithm with constraints and the Conjugate Gradient Method (CGM) iteration in determining the thermal conductivity of aluminum and iron materials using the Inverse Heat Conduction Problem (IHCP) method. IHCP is applied to solve heat conduction problems, determining unknown parameters such as boundary conditions and temperature-dependent thermal conductivity. In this research, the LU decomposition algorithm with constraints was implemented in a 2D IHCP to optimize forward calculations for temperature distribution. Simulations on aluminum plates showed a maximum absolute error of 1.22%, while experiments with full insulation showed 1.83%. Thermal conductivity prediction using shots of 10, 50, and 100 W/mK revealed values for aluminum ranging from 233.693 to 240.659 W/mK with a maximum error of 1.83%, and for iron from 78.84 to 80.38 W/mK with a maximum error of 1.74%. The study concludes that material variation, thermal conductivity values, heat flux, and system conditions do not significantly impact thermal conductivity prediction. Therefore, more accurate testing equipment and measurement methods are necessary for practical applications."

"Penelitian ini mengevaluasi performa dua metode utama untuk menentukan konduktivitas termal pada kuningan dan stainless steel menggunakan Inverse Heat Conduction Problem (IHCP) 2 dimensi: dekomposisi LU dengan batasan dan Algoritma iterasi Conjugate Gradient Method (CGM) dengan Backpropagation Learning. Tujuan penelitian adalah menganalisis dampak variasi material, konfigurasi insulasi, tebakan nilai awal konduktivitas termal, dan daya pemanas terhadap hasil akhir konduktivitas termal. Metode CGM dipilih karena efisiensinya dalam menangani sistem persamaan linier besar, sementara dekomposisi LU efektif untuk matriks pentadiagonal. Simulasi dan eksperimen dilakukan untuk memvalidasi metode ini, dengan variasi daya pemanas dan tebakan awal nilai konduktivitas termal. Hasil menunjukkan bahwa pada pelat kuningan, prediksi konduktivitas termal simulasi berada diantara 110,157-111,659 dengan kesalahan absolut maksimum sebesar 0,76% dan prediksi konduktivitas termal eksperimen berada diantara 109,802-111,382 dengan kesalahan absolut maksimum sebesar 1,08% sedangkan pada pelat stainless steel, prediksi konduktivitas termal simulasi berada diantara 13,502-13,933 dengan kesalahan absolut maksimum sebesar 1,99% dan prediksi konduktivitas termal eksperimen berada diantara 13,502-13,951 dengan kesalahan absolut maksimum sebesar 2,16%. Peningkatan daya pemanas tidak mempengaruhi nilai konduktivitas termal, tetapi tebakan awal konduktivitas termal mempengaruhi jumlah iterasi yang dibutuhkan untuk mencapai nilai konduktivitas termal yang akurat. Penelitian ini juga menyoroti batasan seperti analisis dalam kondisi steady-state dan skala laboratorium eksperimen. Rekomendasi untuk penelitian mendatang mencakup pengaturan sistem tertutup pada eksperimen untuk mengontrol suhu lingkungan serta penerapan algoritma machine learning guna meningkatkan akurasi prediksi konduktivitas termal material. Secara keseluruhan, penelitian ini menegaskan bahwa metode yang digunakan efektif dalam memprediksi konduktivitas termal kuningan dan stainless steel, meskipun material dengan konduktivitas rendah cenderung memiliki kesalahan yang lebih besar dalam pengukuran dengan metode IHCP.

---

This research evaluates the performance of two primary methods for determining thermal conductivity in brass and stainless steel using the 2-dimensional Inverse Heat Conduction Problem (IHCP): LU decomposition with constraints and the iterative Conjugate Gradient Method (CGM) with Backpropagation Learning. The study aims to analyze the impact of material variation, insulation configuration, initial thermal conductivity guesses, and heating power on the final thermal conductivity results. CGM was chosen for its efficiency in handling large linear equation systems, while LU decomposition is effective for pentadiagonal matrices. Simulations and experiments were conducted to validate these methods, with variations in heating power and initial thermal conductivity guesses. The results show that for brass plates, simulated thermal conductivity predictions range between 110.157 and 111.659 with a maximum absolute error of 0.76%, and experimental predictions range between 109.802 and 111.382 with a maximum absolute error of 1.08%. For stainless steel plates, simulated thermal conductivity predictions range between 13.502 and 13.933 with a maximum absolute error of 1.99%, and experimental predictions range between 13.502 and 13.951 with a maximum absolute error of 2.16%. An increase in heating power does not affect the thermal conductivity values, but the initial thermal conductivity guesses influence the number of iterations required to achieve accurate thermal conductivity values. This research also highlights limitations such as the steady-state analysis and the laboratory-scale experiments. Recommendations for future research include implementing a closed-system setup in experiments to control ambient temperature and applying machine learning algorithms to improve the accuracy of thermal conductivity predictions. Overall, this study confirms that the methods used are effective in predicting the thermal conductivity of brass and stainless steel, although materials with low conductivity tend to have higher measurement errors with the IHCP method."

"Optimasi pada seleksi portofolio merupakan proses penting di mana investor memilih kombinasi aset yang dapat memberikan return maksimum dengan risiko minimum. Dalam mencari solusi optimal di antara portofolio yang besar, serta kompleksitas perhitungan yang meningkat seiring bertambahnya jumlah aset investasi, diperlukan metode numerik untuk menangani permasalahan tersebut. Salah satu pendekatan yang dapat digunakan untuk masalah dengan dimensi yang besar adalah metode konjugat gradien. Pada penelitian ini, dibentuk metode konjugat gradien hibrid IDY-MPRP dengan menggabungkan parameter koefisien dari metode konjugat gradien IDY dan metode konjugat gradien MPRP. Metode konjugat gradien IDY-MPRP terbukti memenuhi kondisi descent dan konvergen global untuk setiap iterasinya, serta didapat bahwa performa komputasinya lebih efisien dibandingkan dengan metode konjugat gradien IDY dan konjugat gradien MPRP dari segi banyaknya iterasi dan waktu CPU. Dengan menggunakan metode konjugat gradien hibrid IDY-MPRP, didapatkan penyelesaian masalah optimasi seleksi portofolio saham.

---

Portfolio optimization is an important process where investors select a combination of assets to achieve maximum returns with minimum risk. In searching for optimal solutions among large portfolios, and with the increasing complexity as the number of investment assets grows, requires numerical methods. One approach suitable for high-dimensional problems is the conjugate gradient method. The conjugate gradient method is an iterative technique that does not require the computation of the Hessian matrix. In this study, proposed the hybrid IDY-MPRP conjugate gradient method by merging coefficient parameters from the IDY and MPRP methods. The IDY-MPRP conjugate gradient method has been proven to satisfy descent conditions and global convergence at each iteration and it is more efficient than both the IDY and MPRP conjugate gradient methods in terms of iteration count and CPU time. Moreover, by using the IDY-MPRP conjugate gradient method has been shown to be effective in solving stock portfolio optimization problems."

"Conjugate Gradient merupakan suatu metode optimasi yang dapat meminimasi suatu fungsi, dimana arab pencariannya berdasarkan arab konjugasi yang nilainya ortogonal. Karena sifat pencariannya yang ortogonal, sebingga membuat Conjugate Gradient dapat mencapai konvergensi pad a solusi yang dicari dengan cepat. Conjugate Gradient tidak banya dapat digunakan untuk menyelesakan fungsi yang Iinier, tetapi juga dapat digunakan untuk masalah non Iinier, salab satunya digunakan untuk pelatihan jaringan syaraf tiruan. Pada makalah ini, digunakan algoritma Conjugate Gradient Polak Ribiere dalam pelatiban jaringan syaraf tiruan sebagai sistem peramalan temperature udara. Data k1imatologi yang digunakan sebagai parameter masukan yaitu temperature udara, kelembaban, tekanan udara, curah bujan, lama penyinaran matabari, dan kecepatan an gin. Berdasarkan basil penelitian ini, kita dapat menginterpretasikan babwa sistem peramalan temperatur udara ini mengbasilkan akurasi lebib dari 90%."

"Optimasi merupakan tindakan untuk mencapai hasil yang terbaik. Dalam disiplin matematika, optimasi berfungsi untuk meminimumkan fungsi obejktif dengan atau tanpa kendala. Terdapat beberapa metode yang telah dikembangkan untuk menyelesaikan masalah optimasi tak berkendala. Melalui penelitian ini, diusulkan metode konjugat gradien hibrid untuk menyelesaikan masalah optimasi tak berkendala bernama metode konjugat gradien hibrid IDY-MHS (Dai-Yuan-Hestenes-Stiefel). Metode IDY-MHS telah dibuktikan memenuhi kondisi descent dan sifat konvergensi global. Kemudian, performa komputasi metode IDY-MHS dibandingkan dengan metode IDY dan MHS dari segi banyaknya iterasi dan waktu CPU. Berdasarkan hasil simulasi, metode IDY-MHS memiliki iterasi yang paling sedikit dan waktu CPU yang paling cepat dibandingkan dengan metode IDY dan MHS. Setelah itu, metode IDY-MHS diimplementasikan untuk menyelesaikan masalah seleksi portofolio saham.

---

Optimization is an action aimed at achieving the best possible outcome. In the discipline of mathematics, optimization serves to minimize the objective function with or without constraints. Several methods have been developed to solve unconstrained optimization problems. This research proposes a hybrid conjugate gradient method to solve unconstrained optimization problems, named the IDY-MHS hybrid conjugate gradient method (Dai-Yuan-Hestenes-Stiefel). The IDY-MHS method has been proven to satisfy the descent condition and global convergence properties. Subsequently, the computational performance of the IDY-MHS method is compared with the IDY and MHS methods in terms of the number of iterations and CPU time. Based on the simulation results, the IDY-MHS method has the fewest iterations and the fastest CPU time compared to the IDY and MHS methods. Following this, the IDY-MHS method is implemented to solve the stock portfolio selection problem.>"

"Data lifetime adalah waktu sampai terjadinya suatu kejadian yang menjadi objek observasi. Pemodelan dan analisis statistik dari data lifetime sangat penting dan dapat diterapkan dalam berbagai bidang, misalnya dalam bidang teknik, biologi, medis, epidemiologi, demografi, asuransi, dan finansial. Distribusi yang sering digunakan untuk memodelkan data lifetime adalah distribusi Weibull dan distribusi Lindley. Namun, kedua distribusi ini tidak dapat memodelkan fungsi hazard berbentuk bathub. Padahal, terdapat data dengan bentuk fungsi hazard yang berbentuk bathub, misalnya data pada bidang elektronik dan mesin. Oleh karena itu, skripsi ini menggunakan distribusi Weibull Lindley, di mana distribusi ini selain dapat memodelkan bentuk fungsi hazard berbentuk bathub, distribusi ini juga dapat memodelkan bentuk fungsi hazard monoton naik dan monoton turun. Selanjutnya, estimasi parameter distribusi dapat menggunakan metode maximum likelihood, namun seringkali fungsi likelihood dari suatu distribusi sulit diselesaikan secara analitik, sehingga dibutuhkan bantuan metode numerik untuk menyelesaikannya. Skripsi ini menggunakan metode numerik konjugat gradien, dimana metode ini memiliki keunggulan dalam hal simplisitas dan penggunaan memori yang rendah dibandingkan metode Newton-Raphson dan memiliki konvergensi yang lebih baik dibandingkan metode \emph{steepest descent}. Metode konjugat gradien mengalami pengembangan, yaitu metode konjugat gradien hibrid, yang bertujuan agar metode tersebut memiliki konvergensi dan akurasi yang baik. Pada skripsi ini, digunakan metode konjugat gradien hibrid Hestenes-Stiefel-Polak-Ribiere-Polyak (HS-PRP), yang merupakan bentuk hibrid dari metode konjugat gradien Hestenes-Stiefel (HS), Wei-Yao-Liu (WYL), dan Modified-Polak-Ribiere-Polyak (DPRP). Pada penelitian sebelumnya, terbukti bahwa efisiensi dari metode konjugat gradien hibrid HS-PRP dilihat dari banyaknya iterasi dan waktu komputasi lebih baik dibandingkan metode DPRP dan DHS. Berikutnya, skripsi ini membandingkan akurasi metode hibrid HS-PRP dengan metode DPRP dan Modified-Hestenes-Stiefel (DHS) dalam mengestimasi parameter distribusi Weibull Lindley pada data simulasi. Didapatkan bahwa metode konjugat gradien hibrid HS-PRP memiliki akurasi terbaik dibanding metode konjugat gradien pembanding lainnya. Oleh karena itu, metode konjugat gradien HS-PRP digunakan untuk membantu estimasi parameter distribusi Weibull Lindley pada data aplikasi waktu tunggu kerusakan pada lampu. Dapat disimpulkan bahwa distribusi Weibull Lindley merupakan distribusi terbaik dalam memodelkan data waktu tunggu kerusakan pada lampu dibandingkan distribusi pembentuknya, yaitu distribusi Weibull dan distribusi Lindley.

---

Lifetime data is the time until an event occurs which is the object of observation. Modeling and statistical analysis of lifetime data is very important and can be applied in various fields, for example in engineering, biology, medicine, epidemiology, demography, insurance and finance. Distributions that are often used to model lifetime data are the Weibull distribution and the Lindley distribution. However, these two distributions cannot model a tubular hazard function. In fact, in reality there is data with a hazard function in the form of a tub, for example data in the field of electronics and machinery. Therefore, modifications were made to the distribution, one of which was by carrying out a compounding process between the Weibull and Lindley distributions to produce the Weibull Lindley distribution. Apart from being able to model the form of a tubular hazard function, the Weibull Lindley distribution can also model the form of a monotonically increasing and monotonically decreasing hazard function. Furthermore, distribution parameter estimation can use the maximum likelihood method, but often the likelihood function of a distribution is difficult to solve analytically, so the help of numerical methods is needed to solve it. This thesis uses conjugate gradient method, where this method has advantages in terms of simplicity and low memory usage compared to Newton-Raphson method and has better convergency compared to steepest descent method. One form of development of the conjugate gradient method is the hybrid conjugate gradient method, which aims to ensure that the method has good convergence and accuracy. In this thesis, the Hestenes-Stiefel-Polak-Ribiere-Polyak (HS-PRP) hybrid gradient conjugate method is used, which is a hybrid form of the Hestenes-Stiefel (HS), Wei-Yao-Liu (WYL), and Modified-Polak-Ribiere-Polyak (DPRP) gradient conjugate methods. In previous research, it was proven that the efficiency in terms of iteration number and computation time of the HS-PRP conjugate gradient hybrid method was better than the DPRP and Modified-Hestenes-Stiefel (DHS) methods. Next, this thesis compares the accuracy of the HS-PRP hybrid method with the DPRP and DHS methods in estimating Weibull Lindley distribution parameters on simulated data. It was found that the HS-PRP hybrid gradient conjugate method had the best accuracy compared to other comparative gradient conjugate methods. Therefore, the HS-PRP conjugate gradient method is used to assist in estimating the Weibull Lindley distribution parameters on application data for lamp failure waiting times. It can be concluded that the Weibull Lindley distribution is the best distribution in modeling data on waiting time for damage to lamps compared to its forming distribution, Weibull distribution and Lindley distribution."

"Seleksi portofolio merupakan proses penting dalam manajemen investasi, di mana investor memilih kombinasi aset keuangan untuk dimasukkan ke dalam portofolio. Tujuan dari seleksi portofolio adalah untuk menciptakan kombinasi aset yang dapat memberikan return maksimum dan/atau risiko yang minimum. Dalam kasus portofolio berdimensi besar, di mana terdapat banyak aset yang harus dimasukkan, pencarian solusi optimal dapat menjadi tantangan karena kompleksitas perhitungan seiring dengan bertambahnya dimensi. Oleh karena itu, dibutuhkan metode numerik yang efisien untuk menyelesaikannya. Salah satu metode numerik yang dapat digunakan untuk menyelesaikan permasalahan berdimensi besar adalah metode konjugat gradien. Metode konjugat gradien merupakan metode iteratif yang efisien, karena tidak membutuhkan perhitungan matriks Hessian. Sampai saat ini, metode konjugat gradien terus dikembangkan untuk meningkatkan efisiensinya, diantaranya adalah metode konjugat gradien Improved Fletcher-Reeves (IFR) dan metode konjugat gradien Modified-Polak-Ribi`ere- Polyak (MPRP). Salah satu cara untuk meningkatkan efisiensi metode konjugat gradien adalah dengan mengkombinasikan dua parameter metode konjugat gradien. Pada penelitian ini, dibentuk metode gradien konjugat hibrid IFR-MPRP dengan mengkombinasikan parameter metode konjugat gradien IFR dan metode konjugat gradien MPRP. Berdasarkan analisis konvergensi, metode konjugat gradien hibrid IFR-MPRP yang dibentuk memenuhi descent condition dan sifat konvergensi global. Kemudian, efisiensi dari metode konjugat gradien hibrid IFR-MPRP diuji dengan menggunakan 134 fungsi tes dan diperoleh hasil bahwa metode hibrid IFR-MPRP unggul dibandingkan metode konjugat gradien IFR dan MPRP. Selain itu, metode konjugat gradien hibrid IFR-MPRP juga terbukti efektif dalam menyelesaikan masalah seleksi portofolio saham.

---

Portfolio selection is an important process in investment management, where investors choose a combination of financial assets to include in a portfolio. The aim of portfolio selection is to create a combination of assets that can provide maximum return and/or minimum risk. In the case of large-dimension portfolios, where there are many assets to include, finding the optimal solution can be challenging due to the complexity of the calculations as the dimensions increase. Therefore, an efficient numerical method is needed to solve it. One numerical method that can be used to solve large dimensional problems is the conjugate gradient method. The conjugate gradient method is an efficient iterative method, because it does not require the calculation of the Hessian matrix. To date, conjugate gradient methods continue to be developed to increase their efficiency, including the Improved Fletcher-Reeves (IFR) and Modified Polak-Ribière-Polyak (MPRP) methods. One way to increase the efficiency of the conjugate gradient method is to combine two parameters of the conjugate gradient method. In this research, a hybrid IFR-MPRP conjugate gradient method is created by combining the parameters of the IFR method and the MPRP method. Based on convergence analysis, the proposed IFR-MPRP hybrid gradient conjugate method satisfies the descent condition and global convergence properties. Then, the efficiency of the IFR-MPRP hybrid gradient conjugate method is tested using 134 test functions and showed that the proposed method is superior to the IFR and MPRP gradient conjugate methods. In addition, the IFR-MPRP hybrid conjugate gradient method is also proven effective in solving stock portfolio selection problems."

"Fluida yang di dalamnya tersuspensi partikel padat berukuran nanometer disebut sebagai fluida nano. Partikel nano yang tersuspensi merubah morfologi dari cairan dasarnya dan meningkatkan perpindahan energi di dalamnya. Ukuran dan fraksi volume partikel nano merupakan parameter kunci yang mempengaruhi segi termal dan konduktivitas termal fluida nano. Semakin kecil ukuran partikel nano yang tersuspensi, pengaruh perpindahan energi akibat gerak acak partikel menjadi dominan, sehingga pengaruh ini dapat digunakan untuk memprediksi konduktivitas termal fluida nano. Di dalam skripsi ini penulis mencoba menurunkan persamaan untuk memprediksi konduktivitas termal fluida nano dengan rnemperhitungkan pengaruh gerak brown dan faktor kenaikan temperatur, At N. Dari pengukuran karakteristiknya, fluida nano besar kemungkinan dapat dijadikan fluida kerja, oIeh karena itu perlu diteliti mengenai mekanisme perpindahan kalor konveksi pada fluida ini, karena parameter koefisien konveksi memegang peranan penting dalam proses perpindahan kalor secara konveksi. Dalam skripsi ini, untuk menentukan nilai koefisien konveksi fluida nano digunakan korelasi Dittus-Boelter, Sieder-Tate dan Petukhov pada fluida nano A1203-Air. Hasil prediksi menunjukkan bahwa koefisien konveksi fluida nano meningkat terhadap koefisien konveksi fluida dasarnya, yaitu air."