Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Mengoperasikan sistem tenaga dengan biaya optimal terus dikembangkan dengan berbagai metode, yang terbagi menjadi metode matematis dan heuristik. Salah satu metode heuristik adalah algoritma genetika, dalam penelitian ini dikombinasikan dengan desain eksperimen untuk mencari jumlah biaya pembangkitan minimal. Penelitian ini menjelaskan algoritma genetika dan penggunaannya untuk optimisasi biaya pembangkitan dalam studi kasus case ieee 30 busbar dan Sistem Transmisi Jawa Bali 500kV. Hasil ditunjukkan dan dibandingkan dengan metode matermatis dan heuristik lainnya, dimana pada kasus Jawa Bali 500kV dihasilkan biaya pembangkitan 19 lebih effisien dibandingkan kondisi awalnya dan 8 lebih efisien dibandingkan metode interior point. Hasil dari simulasi metode digunakan menunjukkan bahwa metode algoritma genetika dengan desain eksperimen menghasilkan optimalisasi biaya paling baik dibandingkan metode pembanding digunakan. ......Power system operation optimization continues to expand with various algorithms, which are divided into mathematical and heuristic methods. One of effective heuristic method is genetic algorithm, which is combined with design of experiment to find the amount of possible generation with the lowest cost. This study describes genetic algorithm and the use of minimizing the amount of generation costs case ieee 30 buses and 500kV System of Java Bali. The results is shown and compared to mathematical and another heuristic methods, which in the case of 500kV System of Java Bali the generation cost is 19 more efficient than initialisation condition and 8 lower cost than interior point method. The simulation result of the method shows that the genetic algorithm combined with design of experiment generated the best result than compared method.

Abstrak :
ABSTRAK Tesis ini membahas mengenai optimasi jaringan pipa untuk distribusi gas. Nilai investasi yang terkecil merupakan tujuan dari optimasi. Hal ini dapat diperoleh dengan menggunakan diameter pipa yang paling sesuai untuk jaringan pipa dengan total cost yang paling rendah. Algoritma genetik merupakan salah satu metode yang dapat digunakan untuk melakukan optimasi.

---

Abstract This thesis discusses the optimization of gas pipelines for distribution. The smallest investment value is the purpose of optimization. This can be obtained by using the most appropriate pipe diameter for the pipeline network and with the total lowest cost. Genetic algorithms are one of the methods that can be used to perform optimization.

Abstrak :
Electro discharge machining wire cut (EDM wire cut) is one of non-conventional machining process which is used by many manufacturer industries......

Abstrak :
Neuro fuzzy system has been shown to provide a good performance on chromosome classification but does not ofter a simple methods to obtain the accurate parameter values required to yield the best recognition rate.....

Abstrak :
Estimasi biaya proyek dengan akurasi yang tinggi pada tahap konseptual sangat penting dalam tahap perencanaan suatu proyek. Tetapi pada aplikasinya estimasi tahap ini ditemui beberapa kendala dalam melakukannya seperti keterbatasan definisi ruang lingkup dan kendala pada informasi yang tersedia. Pada penelitian ini akan dijelaskan pembuatan suatu model estimasi baru menggunakan metode Case-Based Reasoning (CBR) digabungkan dengan metode Genetic Algorithm (GA). GA digunakan untuk mengoptimasi proses retrieve pada metode CBR. Data yang digunakan untuk pembuatan model ini adalah data 55 Rusunawa di Indonesia untuk menunjukkan keuntungan dari metode yang digunakan. Rata-rata error yang dihasilkan dari model ini adalah sebesar 2,966%.

---

Project cost estimating with high accuracy in the conceptual phase of project development is essential for planning. But in its application, this estimation stage encountered some difficulties in doing such limited scope definition and constraints on available information. This research will be explained the creation of a new estimation model using the Case-Based Reasoning (CBR) method combined with Genetic algorithm (GA). GA is used to optimize the process of retrieving the CBR method. The data used for this modeling is the data of 55 low-cost apartment in Indonesia to demonstrate the advantages of the method used. The average error resulting from this model is 2,966%.

Abstrak :
Penelitian ini dilakukan untuk memperoleh jadwal operasi pasien elektif pada sebuah rumah sakit dengan sejumlah ruang operasi sehingga kendala ketersediaan dokter, kapasitas ruangan, dan keterdesakan waktu operasi bisa dipenuhi sebaik mungkin. Optimasi pernjadwalan dilakukan dengan algoritma genetika. Penelitian ini menghasilkan jadwal penggunaan kamar operasi yang cukup baik dalam memenuhi kendala. algoritma yang dihasilkan juga bisa menampung fleksibilitas data pasien, ruang operasi, rentang hari penjadwalan, ketersediaan dokter. ......Thus research aims to obtain optimum surgery schedule for elective patient for a hospital having several operating rooms so as to satisfy the constraints of surgeon availability, room capacity, and the urgency of some patient. Schedule optimization is achieved by usinf genetic algorithm. Resulting schedule is satisfactort in satisfying the constraints. the proposed alogrithm can alson accommodate flexibility in number of patients to be operated on, number of operating rooms used, the day spans of scheduling, and availability of the surgeons.

Abstrak :
ABSTRAK
Tesis ini menyajikan pemodelan berbasis Hierarchical Timed Colored Petri Net dan pendekatan optimasi Genetic Algorithm untuk alokasi sumber daya manusia dalam desain proses. Tujuan dari Genetic Algorithm adalah untuk menemukan alokasi sumber daya manusia yang memiliki total durasi most likely paling minimal dari proyek perancangan dan under time of resources paling minimal. Simulasi proses perancangan pada Hierarchical Timed Colored Petri Net didasarkan pada hasil alokasi sumber daya manusia dari Genetic Algorithm. Dengan menjalankan simulasi, bisa didapatkan most likely time, optimistic time, dan pessimistic time dari sebuah proyek desain. Dengan menggunakan Project Evaluation and Review Technique, dapat dihitung waktu yang diharapkan dan standar deviasi suatu proyek desain berdasarkan hasil simulasi. Dari hasil simulasi, dapat ditinjau kembali pekerjaan mana dari proses perancangan yang memiliki alokasi sumber daya manusia yang paling kritis.Studi kasus dalam tesis ini didasarkan pada proses perancangan salah satu perusahaan di Taipei, Taiwan. Hasil Genetic Algorithm memberikan 5 solusi terbaik untuk alokasi sumber daya dengan nilai fitness terbaik adalah 318,8. 5 solusi terbaik ini memiliki durasi proyek desain yang sama yaitu 204 hari. Setelah menjalankan simulasi model HTCPN, solusi 2 memiliki perkiraan waktu proyek desain paling minimal yaitu 208,5 hari. Solusi 2, 4, dan 5 memiliki pekerjaan paling kritis yang sama yaitu pekerjaan 20, pekerjaan 21, pekerjaan 24, pekerjaan 27, dan pekerjaan 34.

---

ABSTRACT
This thesis presents a Hierarchical Timed Colored Petri Net based modeling and Genetic Algorithm optimization approach for human resource assignment in a process design. The objective of the genetic algorithm is to find the human resource assignment that has the most minimal most likely total duration of the design project and the under time of resources. The simulating of the design process in Hierarchical Timed Colored Petri Net is based on the human resource assignment result of the genetic algorithm. By running the simulation, it can get the optimistic time, most likely time, and pessimistic time of a design project. Using project evaluation and review technique it can calculate the expected time and the standard deviation of a design project based on the simulation results. From simulation results, can be reviewed which job of a design process that has the most critical human resource assignment.A Case study in this thesis based on the design process of one of the companies in Taipei, Taiwan. The genetic algorithm results give the best 5 solutions of resource allocation with the best fitness value is 318.8. These 5 best solutions have the same most likely duration of design project which is 204 days. After running the simulation using HTCPN model, solution 2 have the most minimal expected time of a design project which is 208.5 days. Solution 2, 4, and 5 have the same most critical jobs which are job 20, job 21, job 24, job 27, and job 34.

Abstrak :
ABSTRAK
Kanker merupakan salah satu penyakit yang paling mematikan bagi manusia. Menurut WHO 2015 , kanker adalah penyebab kematian nomor 2 di dunia sebesar 13 setelah penyakit kardiovaskular. Salah satu hal yang dapat dilakukan untuk penelitian kanker menggunakan machine learning adalah melakukan pendeteksian jenis kanker dengan memanfaatkan microarray data. Microarray data yang memiliki banyak fitur. Itu merupakan salah satu kendala dalam penerapan teknik machine learning. Hal ini akan mempengaruhi perfoma atau keakuratan dari hasil klasifikasi pada data kanker. Oleh karena itu, metode pemilihan fitur diperlukan untuk meningkatkan perfoma dalam pendeteksian kanker. Dalam tugas akhir ini dilakukan perbandingan pemilihan fitur menggunakan Genetic Algorithm dan Laplacian Score. Fitur-fitur yang sudah terpilih pada data kanker kemudian digunakan dalam proses klasifikasi Support Vector Machines. Hasilnya, didapatkan akurasi terbaik saat dengan metode pemilihan fitur menggunakan Genetic Algorithm yaitu 98,69 dengan penggunaan 40 fitur untuk data kanker prostat dan 98,97 dengan penggunaan 30 fitur untuk data kanker kolon.

---

ABSTRACT
Cancer is one of the most deadly diseases for humans. According to the WHO 2015 , cancer is the causes of the death number two in the world by 13 after cardiovascular disease. Taking advantage from microarray data, machine learning methods can be applied to help cancer prediction according to its types. Microarray data has many features. It is one of the obstacles in the machine learning techniques. This will affect the performance or accuracy of the classification results on cancer data. Therefore, feature selection methods are required to increase performance in cancer prediction. This research proposed comparison of feature selection using Genetic Algorithm and Laplacian Score. Features that are already selected in the cancer data then used in the Support Vector Machines classification. The results show that the best accuracy obtained when using Genetic Algorithm with percentage of 98,69 by using 40 features for prostate cancer data and 98,97 by using 30 features for colon cancer data.