Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Lembaga pelatihan tempat dimana individu-individu akan diberikan pengetahuan khusus atau pelatihan yang berkaitan dengan bidangnya masing-masing memiliki karakteristik-karakteristik yang khusus dan tidak dimiliki oleh universitas, diantaranya adalah pada lembaga pelatihan fokus pada kebutuhan bisnis. Penjadwalan yang akurat, tepat dan menyeluruh sangat dibutuhkan pada suatu lembaga pelatihan, karena semakin tingginya kebutuhan akan pengetahuan dan keahlian-keahlian tertentu yang mau tidak mau harus dimiliki oleh setiap individu. Penjadwalan yang baik secara langsung akan berpengaruh pada meningkatnya kualitas individu-individu pada suatu lembaga atau perusahaan. Penjadwalan yang efisien akan dapat direalisasikan dengan menggunakan sebuah model matematis binary. Dalam penelitian ini, sebuah pengembangan model binary digunakan untuk membuat sebuah penjadwalan untuk pembelajaran kepemimpinan di lembaga pelatihan non universitas. Model ini mengoptimasi penjadwalan sehingga menjadi lebih efisien. Model dikembangkan berdasarkan masalah-masalah yang ada di lapangan dan diselesaikan menggunakan algoritma genetika dengan bahasa pemrograman Matlab. Model ini memberikan setiap pembelajaran pada kelas yang sesuai. Algoritma genetika dalam penelitian ini dapat menyelesaikan masalah penjadwalan kelas kepemimipinan dengan memenuhi batasan yang ada dengan optimal.

---

Training institutions where individuals will be given special knowledge or training related to their respective fields have special characteristics and are not owned by the university, among others, training institutions focus on business needs. Accurate, precise and comprehensive scheduling is needed in a training institution, because of the increasing need for certain knowledge and skills that must be owned by every individual. Good scheduling will directly affect the improvement of quality of individuals in an institution or company. Efficient scheduling will be realized using a binary mathematical model. In this study, a development of a binary model was used to make a scheduling for leadership learning in a non-university training institution. This model optimizes scheduling so that it becomes more efficient. The model was developed based on problems in the field and solved using genetic algorithms with the Matlab programming language. This model provides each learning in the appropriate class. The genetic algorithm in this study can solve the problem of scheduling leadership classes by optimally meeting existing constraints.

Abstrak :
Dalam dunia bisnis selalu terdapat aksi persaingan. Perusahaan yang memiliki daya saing yang tinggi maka akan mampu bertahan. Perkembangan jasa pelayanan maskapai penerbangan dari tahun ke tahun semakin menjadi perhatian masyarakat luas. Fenomena ini sudah banyak ditangani oleh perusahaan termasuk perusahaan penerbangan dalam negeri PT. X, namun penjadwalan yang kurang optimal masih menjadi penghambatnya. Masalah yang paling mendesak bagi maskapai PT. X adalah biaya operasional yang sangat tinggi melebihi nilai pemasukan perusahaan. Makalah ini menawarkan kerangka kerja bagi perusahaan penerbangan untuk menyusun penjadwalan awak pesawat, dengan menggunakan model optimasi yang optimal sambil mempertimbangkan serangkaian aturan dan batasan yang berlaku dalam penerbangan.

---

In the business world there is always competition action. Companies that have high competitiveness will be able to survive. The development of airline services from year to year is increasingly a concern of the public. This phenomenon has been handled by many airline companies including domestic airlines company PT. X, but less optimal scheduling is still a barrier. The most pressing issue for PT. X is that the operational costs exceed the company 39 s revenue. This paper offers a framework for airlines to develop aircraft scheduling schedules, using optimized optimization models while considering a set of rules and restrictions in flight.

Abstrak :
ABSTRAK
Pengiriman produk yang memiliki daya tahan atau shelf-life yang relatif terbatas secara optimal merupakan fokus dari penelitian ini. Karakteristik utama dari produk tersebut yaitu mudah rusak perishable dan terdeteriorasi dalam rentang waktu pengiriman tertentu. Produk yang mudah rusak perishable product tersebut telah menjadi persoalan utama dalam sistem distribusi cold chain yang dapat menyebabkan masalah ketidak efisiensian biaya pada proses pengirimanya. Dari persoalan tersebut, model matematika di desain melalui pengembangan vehicle routing problem, with soft time windows VRPSTW dengan mempertimbangkan kontribusi biaya energi terhadap fungsi tujuan. Pembuatan model matematika dilakukan melalui pemrograman komputer yang menggunakan Python 3.5 untuk mendapatkan hasil yang optimal. Agar solusi yangdihasilkan feasible pendekatan metaheuristik genetic algorithm dikembangkan dalam penelitian ini; hasil dari penelitian ini menyatakan bahwa algoritma tersebut mampu menghasilkan solusi yang lebih baik daripada algoritma mixed integer linear programming.

---

ABSTRACT
Conveying product which has a limited shelf life optimally is the concern of this study. The main attribute of this product is perishable within a certain time frame. However,perishable product has a critical issue in the cold chain system which leads dispatching costs inefficiency problems. Regarding this problem, mathemetical model built thru extended a vehicle routing problem, with soft time windows VRPSTW by considering energy consumption cost to evaluate its contribution towards the objective function. Model building conducted into computer programming that uses Python Spyder 3 for generating feasible solution. For the sake of feasibility, a metaheuristic approach ofgenetic algorithms provided to find the best optimal solution the results diagnosed thatgenetic algorithms can generate best feasible solution efficiently with in a certain numberof variables in case of perishable product delivery.

Abstrak :
Kanker adalah salah satu penyebab kematian utama di dunia,dengan jumlah kematian sekitar sepuluh juta kematian setiap tahun. Kanker hati menempati peringkat keenam untuk jenis kanker yang umum terjadi pada pria dan wanita. Menurut penelitian, pendeteksian dini penting untuk mencegah penyebaran kanker ke organ lain. Hal ini menyebabkan penggunaan machine learning di bidang medis untuk mengklasifikasikan data kanker agar manghasilkan diagnosis yang tepat. Namun ada kalanya dibutuhkan lebih dari satu algoritma untuk meningkatkan akurasi. Maka dari itu, penelitian ini bertujuan untuk menganalisis pengaruh Genetic Algorithm sebagai penyetelan hyperparameter untuk nilai akurasinya, Penggunaan Random Forest dengan Genetic Algorithm sebagai penyetel hyperparameter memberikan akurasi sebesar 85% dengan data testing 90%. Sementara untuk Random Forest saja, hasil akurasi tertinggi adalah 73% dengan data testing sebesar 40%. ......Cancer is one of the leading causes of mortality worldwide, with approximately ten million deaths each year. Liver cancer is the sixth most common type that occurs in both men and women. According to scientific studies, early detection is important to prevent the spread of this ailment to other organs. This led to Machine Learning in medical fields for classifying cancer data to produce an accurate diagnosis. However, there are times where just one machine learning algorithm is not giving a good accuracy score. Therefore, this study aims to analyze the effect of using Genetic Algorithm as hyperparameter tuning in terms of the accuracy level. The usage of  Random Forest with Genetic Algorithm as the hyperparameter tuning algorithm gives the accuracy of 85% with 90% data testing. Meanwhile, with Random Forest alone, the highest accuracy score is 73% with 40% testing data.

Abstrak :
Dalam teori graf, masalah jalur terpendek merupakan suatu masalah pencarian jalur antara dua verteks sedemikian sehingga jumlah bobot dari busur penyusunnya adalah minimum. Masalah jalur terpendek ini salah satunya dapat ditemui pada jaringan data, yakni proses routing pada saat pengiriman data dari node sumber ke node tujuan. Terdapat beberapa algoritma atau metode yang dapat memecahkan masalah jalur terpendek ini, pada skripsi ini akan dibahas penerapan algoritma genetika yang didasarkan prinsip evolusi biologi dalam penyelesaian jalur terpendek. Operator dasar yang digunakan pada skripsi ini adalah roda roulette untuk reproduksi, order crossover untuk crossover, dan insertion mutation untuk mutasi. Kinerja algoritma genetika akan diuji dengan menggunakan data dari OR-Library. Berdasarkan hasil percobaan diperoleh bahwa algoritma genetika cukup baik untuk digunakan dalam penyelesaian masalah jalur terpendek. Selain itu, ditunjukkan bahwa perubahan nilai parameter algoritma genetika ternyata mempengaruhi kinerja algoritma genetika dalam memperoleh solusi. ......In graph theory, shortest path problem is a problem of finding a path between two vertices such that the total cost of the constituent edges is minimum. Shortest path problem can be found in data networks, namely routing process, when transmitting data from a source node to a destination node. There are several algorithms or methods that can solve this problem. In this final project, genetic algorithm based on principles of evolutionary biology is used to solve it. The basic operator for the genetic algorithm that used are the roulette-wheel for reproduction, order crossover, and insertion mutation. The performance of the genetic algorithm will be applied by using data from OR-Library. Based on the experiment result, the genetic algorithm is good enough to solve the shortest path problem. In addition, changes in values of parameters will affect the performance of the genetic algorithm in obtaining a solution.

Abstrak :
Demam Berdarah termasuk penyakit yang paling umum terjadi di negara tropis seperti Indonesia dan sering berakibat fatal dalam kesehatan. Prediksi dini terhadap jumlah kasus Demam Berdarah merupakan salah satu kunci untuk menanggulangi risiko penyebarannya dalam masyarakat dan dapat membantu pihak-pihak yang terkait seperti Dinas Kesehatan Daerah dalam membuat kebijakan dan rencana pencegahan. Pada tugas akhir ini, untuk angka insiden DBD diprediksi menggunakan metode Artificial Neural Network dengan dua algoritma berbeda untuk proses training ANN, yaitu Backpropagation (ANN-BP) dan Genetic Algorithm (ANN-GA). Penggunaan GA dalam training ANN bertujuan untuk membandingkan dengan BP yang cenderung tidak menemukan minimum global dari fungsi errornya. Variabel prediktor yang digunakan adalah jumlah insiden dan variabel cuaca sebelumnya yang terdiri dari temperatur, kelembapan, dan curah hujan. Variabel prediktor ditentukan dengan mencari time lag dari masing-masing variabel prediktor terhadap jumlah insiden menggunakan korelasi silang. Model yang dibentuk dievaluasi dengan Mean Squared Error, dan hasil prediksi dievaluasi menggunakan Mean Squared Error, Root Mean Squarred Error, dan Mean Absolut Error. Pada tugas akhir ini metode ANN-BP menghasilkan hasil prediksi jumlah insiden DBD kumulatif lebih baik dibandingkan metode ANN-GA pada kota madya Jakarta Pusat, Jakarta Selatan, dan Jakarta Utara, dengan selisih MSE berturut-turut 3,966; 50,162; 23,933; selisih RMSE masing-masing 0,232; 1,742; 1,304; dan selisih MAE masing-masing 0,496; 0,901; 0,734. Sedangkan pada Jakarta Barat dan Jakarta Timur metode ANN-GA menghasilkan hasil prediksi jumlah insiden DBD kumulatif lebih baik dibandingkan metode ANN-BP, dengan selisih MSE berturut-turut 16,915; 37,621; selisih RMSE masing-masing 0,484; 1,44; dan selisih MAE masing-masing 0,319; 0,739. ......Dengue Fever is one of the most common diseases in tropical countries like Indonesia and is often fatal in health. Early prediction of the number of Dengue Fever cases is one of the keys to overcoming the risk of its spread in the community and can assist related parties such as the District Health Office in making policies and prevention plans. In this final project, the DHF incidence rate is predicted using the Artificial Neural Network method with two different algorithms for the ANN training process, namely Backpropagation (ANN-BP) and Genetic Algorithm (ANN-GA). The use of GA in ANN training aims to compare with BP which tends not to find a global minimum of its error function. The predictor variables used are the number of incidents and previous weather variables consisting of temperature, humidity, and rainfall. Predictor variables are determined by finding the time lag of each predictor variable to the number of incidents using cross correlation. The model formed was evaluated with Mean Squared Error, and the predicted results were evaluated using Mean Squared Error, Root Mean Squared Error, and Mean Absolute Error. In this final project, the ANN-BP method produces a prediction of cumulative DHF incidents that is better than the ANN-GA method in the cities of Central Jakarta, South Jakarta, and North Jakarta, with a MSE difference 3.966, 50.162, 23.933, respectively, the difference in RMSE each city is 0.232, 1.742, 1.304, respectively and the MAE difference 0.496, 0.901, 0.734, respectively. Whereas in West Jakarta and East Jakarta the ANN-GA method produces a better prediction of cumulative DHF incidents compared to the ANN-BP method, with a MSE difference 16.915, 37.621, respectively, the difference in RMSE each city is 0.484, 1.44, respectively, and the MAE difference of each city is 0.319, 0.739, respectively.