Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pengambilan keputusan dalam perusahaan sangat penting untuk mencapai tujuan perusahaan, mengoptimalisasi biaya operasional, serta meningkatkan kualitas pelayanan terhadap konsumen. Analisis yang bersifat prediktif dapat dilakukan dengan melakukan pendekatan matematis sebagai salah satu sistem pendukung pengambilan keputusan, sehingga dapat di pilih keputusan yang paling tepat serta paling efektif dan berdampak besar terhadap permasalahan yang dihadapi, dan juga dapat mengurangi kerugian yang tidak diinginkan. Dalam penelitian ini, digunakan pemodelan markov untuk memprediksi usia operasi transformator, yaitu 34 tahun sebagai salah satu metode yang relevan dengan penerapan manajemen aset di PT. PLN (Persero) Transmisi Jawa Bagian Barat. Hasil pemodelan menunjukkan durasi pengoperasian transformator dari awal pemasangan sampai dengan fase disposal sehingga manajemen dapat melakukan langkah antisipatif untuk meminimalisir pemadaman listrik yang diakibatkan oleh penggantian peralatan, sehingga dapat meningkatkan kepuasan pelanggan serta meningkatkan keuntungan yang diperoleh perusahaan.<

---

Decision making in the company is very important to achieve company goals, optimize operational costs, and improve the quality of service to consumers. The analysis that can be done can be done using mathematically as one of the decision-making support systems, so the management can choose the most appropriate, most effective and highly impact decision on the problems that are faced by the company and can also reduce undesirable loses. In this study, markov modelling was used to predict the age of transformer operation, the result is 34 years as one method that is relevant to the application of asset management at PT. PLN (Persero) Transmission West Java. The modelling results show estimation of transformer life duration from the beginning of the installation to it end of life. It also making management able to make anticipatory steps to minimize the power outages that are included by equipment replacement, to increase customer satisfaction and increase the profits obtained by the company.

Abstrak :
Proses Markov yang dinyatakan dengan suatu probabilitas bersyarat P {Xn = in | Xn-1 = in-1, .., X1 = i1} = P {Xn = in | Xn-1 = in-1} dari suatu kejadian yang akan datang, jika diberikan suatu kejadian dimasa lalu dan keadaan sekarang X = i , adalah tidak bergantung pada kejadian dimasa lalu tetapi bergantung pada keadaan sekarang dari proses. Pengembangan sifat Markov ini berguna sekali dalam menganalisis suatu sistem antrian dengan pola kedatangan berkelompok dan kemampuan pelayanan sebesar k pada suatu unit waktu.

Abstrak :
Pembentukan dan perkembangbiakan sel tumor terjadi jika protein khusus yang mengatur pembelahan sel mengalami perubahan fungsi, ekspresi gen atau hilang keduanya. Salah satu protein penekan tumor yang berperan dalam pengendalian siklus sel adalah protein TP53. Pada sebagian besar perubahan genetik dalam tumor, baik delesi atau mutasi pada lebih dari 50% kanker pada manusia, ditemukan mutan TP53 yang merupakan faktor beresiko tinggi terhadap kanker. Oleh karena itu, penting untuk melakukan studi tentang pengelompokan interaksi protein-protein TP53. Interaksi protein secara umum disajikan dalam jaringan graf (graph network) dengan protein sebagai simpul dan interaksinya sebagai busur. Algoritma Markov Clustering (MCL) adalah satu metode graph clustering yang dibuat berdasarkan simulasi dari flow stokastik pada suatu graf. Dalam skripsi ini, dibahas mengenai implementasi algoritma MCL pada data interaksi protein-protein TP53 dengan menggunakan bahasa pemrograman Python. Algoritma MCL terdiri dari tiga operasi utama yaitu ekspansi, penggelembungan, dan pemotongan. Selanjutnya, dilakukan analisis hasil clustering dari simulasi algoritma MCL dengan menggunakan parameter ekspansi, penggelembungan dan faktor pengali yang berbeda-beda. Berdasarkan analisis hasil clustering yang dilakukan, algoritma MCL terbukti menghasilkan robust cluster dengan protein TP53 sebagai pusat cluster untuk setiap hasil clustering.

---

The formation and proliferation of tumor cells occurs if a special protein that regulates cell division changing the function, gene expression or lost both. One of the tumor suppressor protein that plays a role in controlling the cell cycle is the TP53 protein. In most of the genetic changes in the tumor, either deletions or mutations in more than 50% of human cancers, it found that mutant of TP53 is a high risk factor for cancer. Therefore, it is important to conduct studies on protein-protein interactions clustering of TP53. Protein interactions are generally presented in the graph network with proteins as nodes and interactions as edges. Markov Clustering (MCL) algorithm is a graph clustering method which is based on a simulation of stochastic flow on a graph. This minithesis discussed about the implementation of the MCL process on protein-protein interaction of TP53 data using the Python programming language. MCL algorithm consists of three main operations: expansion, inflation, and prune. Furthermore, the clustering simulation is using the different parameter of expansion, inflation and the multiplier factor. Based on the analysis of the clustering results, MCL algorithm is proven to produce robust cluster with TP53 protein as a centroid for each clustering results.

Abstrak :
[This book summarizes a line of research that maps certain classical problems of discrete mathematics and operations research, such as the Hamiltonian cycle and the Travelling Salesman problems, into convex domains where continuum analysis can be carried out., This book summarizes a line of research that maps certain classical problems of discrete mathematics and operations research, such as the Hamiltonian cycle and the Travelling Salesman problems, into convex domains where continuum analysis can be carried out.]

Abstrak :
This book focuses on the different steps involved in the conception, implementation and application of EDAs that use Markov networks, and undirected models in general. It can serve as a general introduction to EDAs but covers also an important current void in the study of these algorithms by explaining the specificities and benefits of modeling optimization problems by means of undirected probabilistic models. All major developments to date in the progressive introduction of Markov networks based EDAs are reviewed in the book. Hot current research trends and future perspectives in the enhancement and applicability of EDAs are also covered. The contributions included in the book address topics as relevant as the application of probabilistic-based fitness models, the use of belief propagation algorithms in EDAs and the application of Markov network based EDAs to real-world optimization problems.