Hasil Pencarian  ::  Simpan CSV :: Kembali

"Seiring dengan perkembangan zaman, seluruh aktivitas manusia tidak dapat terlepas dari peran energi listrik. DKI Jakarta merupakan kota terbesar di Indonesia yang memiliki beban puncak terbesar, yaitu senilai 4.355 MW. Beban puncak yang besar tersebut terjadi saat momen Lebaran 2023. Selain itu, terhitung sejak H-7 hingga H-1 Lebaran 2023, setidaknya terdapat 557 ribu kendaraan yang meninggalkan DKI Jakarta untuk pergi mudik ke kampung halaman. Jika peristiwa ini dikaitkan dengan beban puncak DKI Jakarta, yaitu suplai energi listrik yang besar tidak diikuti dengan permintaan energi listrik yang besar juga, maka akan menimbulkan masalah dalam sistem tenaga listrik, yaitu tegangan lebih atau overvoltage. Permasalahan overvoltage tersebut dapat diselesaikan melalui berbagai cara, salah satunya adalah dengan memasang perangkat pengendali daya reaktif atau var control. Perangkat pengendali daya reaktif yang kini menjadi tren di sistem tenaga listrik adalah Flexible AC Transmission System (FACTS). Agar penggunaan perangkat FACTS menjadi efektif dan efisien, maka hal yang perlu dilakukan adalah menentukan lokasi penempatan dan kapasitas perangkat FACTS tersebut. Proses penentuan kedua parameter tersebut bisa dilakukan dengan menggunakan algoritma optimisasi metaheuristik. Firefly Algorithm (FA) merupakan salah satu jenis algoritma optimisasi metaheuristic yang menirukan fenomena biologis yang terjadi pada sekelompok kunang-kunang (firefly). Hasil penelitian menunjukkan bahwa dengan menggunakan FA untuk menentukan lokasi penempatan dan kapasitas perangkat FACTS, yaitu Static VAR Compensator (SVC), maka lokasi serta lokasi yang paling optimal adalah pada bus 1PGSAN/I-5 dan sebesar 784.8829 MVAR. Penggunaan SVC tersebut menyebabkan penurunan deviasi tegangan seluruh bus sistem menjadi 6.5395%.

---

As time goes by, all human activities cannot be separated from the role of electrical energy. DKI Jakarta is the largest city in Indonesia which has the largest peak load, namely 4,355 MW. This large peak load occurred during Eid 2023. Apart from that, starting from D-7 to D-1 of Eid 2023, at least 557 thousand vehicles left DKI Jakarta to go home to their hometowns. If this event is associated with DKI Jakarta's peak load, namely a large supply of electrical energy that is not accompanied by a large demand for electrical energy, it will cause problems in the electrical power system, namely overvoltage. The overvoltage problem can be solved in various ways, one of which is by installing a reactive power control device or var control. The reactive power control device that is currently becoming a trend in electric power systems is the Flexible AC Transmission System (FACTS). In order for the use of the FACTS device to be effective and efficient, what needs to be done is to determine the placement location and capacity of the FACTS device. The process of determining these two parameters can be done using a metaheuristic optimization algorithm. Firefly Algorithm (FA) is a type of metaheuristic optimization algorithm that imitates biological phenomena that occur in a group of fireflies. The research results show that using FA to determine the placement location and capacity of the FACTS device, namely the Static VAR Compensator (SVC), the most optimal location and capacity is on the 1PGSAN/I-5 bus and is 784.8829 MVAR. The use of SVC causes a decrease in voltage deviation for all system buses to 6.5395%."

"Pada routing multi-hop, cluster head yang dekat dengan base station berperan sebagai node perantara bagi cluster head yang jauh dari base station untuk menyampaikan paket data dari node reguler ke base station. Cluster head sebagai relay akan menghabiskan energi lebih cepat sehingga menyebabkan masalah hotspot. Makalah ini mengusulkan algoritma routing multi-hop dinamis bernama Data Similarity Aware untuk Dynamic Multi-hop Routing Protocol DSA-DMRP untuk memecahkan masalah hotspot, meningkatkan masa hidup jaringan dan skalabilitas jaringan, dan memenuhi persyaratan aplikasi yang dipertimbangkan kesamaan data dari node yang berdekatan. DSA-DMRP menggunakan teknik agregasi fuzzy untuk mengukur kemiripan data mereka agar partisi jaringan menjadi cluster ukuran yang tidak sama. Dalam mekanisme ini, setiap node dapat mengenali dan mencatat simpul tetangga yang serupa. Selanjutnya, aturan K-hop Clustering Algorithm KHOPCA yang dimodifikasi digunakan untuk memilih cluster head dan membuat rute untuk transmisi intra cluster dan interkluster. DSA-DMRP dibandingkan dengan KHOPCA untuk menjustifikasi kinerjanya. Hasil simulasi menunjukkan bahwa, DSA DMRP dapat memperbaiki masa hidup jaringan dibanding KHOPCA, dan memecahkan masalah hotspot.

---

In multi hop routing, cluster heads close to the base station role as intermediate nodes for farther cluster heads to relay the data packet from regular nodes to base station. The cluster heads as relays will deplete their energy more quickly that causes hot spot problem. This paper proposes a dynamic multi hop routing algorithm named Data Similarity Aware for Dynamic Multi hop Routing Protocol DSA DMRP to solve the hot spot problem, improve the lifetime and scalability of the network, and satisfy the requirement of applications that consider the data similarity of adjacent nodes. The DSA DMRP uses fuzzy aggregation technique to measure their data similarity degree in order to partition the network into unequal size clusters.

In this mechanism, each node can recognize and note its similar neighbor nodes. Next, the modified K hop Clustering Algorithm KHOPCA rules by adding a priority factor that considers residual energy and distance to the base station is used to select cluster heads and create the best routes for intra cluster and inter cluster transmission. The DSA DMRP was compared against the KHOPCA to justify the performance. Simulation results show that, the DSA DMRP can improve the network lifetime longer than the KHOPCA, and solve the hotspot problem."

"Firefly Algorithm (FA) adalah teknik optimisasi yang terinspirasi dari alam yang awalnya dirancang untuk memecahkan masalah optimisasi fungsi kontinu. Ada beberapa pendekatan yang menggunakan FA sebagai dasar metode untuk memecahkan masalah optimisasi diskrit, khususnya Traveling Salesman Problem (TSP). Dalam tesis ini, skema gerakan baru yang disebut dengan edge-based movement diajukan. Edge-based movement adalah sebuah operator mutasi yang menjamin bahwa perubahan suatu kandidat solusi akan menyerupai dengan solusi kandidat yang diinginkan. Hal ini membuat algoritma lebih berperilaku seperti FA. Kinerja Evolutinary Discrete Firefly Algorithm di ujicoba saat menggunakan edge-based movement, dan membandingkan hasilnya dengan metode sebelumnya. Simulasi komputer menunjukkan bahwa skema gerakan baru ini menghasilkan akurasi yang sedikit lebih baik namun dengan rata-rata waktu yang lebih cepat dengan nilai rata-rata faktor speedup 14,06 kali.

---

The Firefly Algorithm (FA) is a nature-inspired technique originally designed for solving continuous optimization problems. There are several existing approaches that apply FA also as a basis for solving discrete optimization problems, in particu-lar the Traveling Salesman Problem (TSP). In this thesis, a new movement scheme called edge-based movement is proposed. Edge-based movement is an operation which guarantees that a candidate solution more closely resembles another one. This leads to a more FA-like behavior of the algorithm. The performance of the Evolutionary Discrete Firefly Algorithm is investigated when using this new edge-based movement, and compare it against previous methods. Computer simulations show that the new movement scheme produces slightly better accuracy with much faster average time. The average speedup factor is 14.06 time"

"ABSTRAKProtein memiliki peranan yang sangat penting dalam kehidupan. Setiap proteinberinteraksi dengan protein-protein lain, DNA, dan molekul-molekul lainnya, sehinggaterbentuklah jaringan interaksi protein yang berukuran sangat besar. Untuk memudahkandalam menganalisisnya, diperlukan metode clustering. Algoritma Soft RegularizedMarkov Clustering (SR-MCL) merupakan pengembangan metode clustering yangmengurangi kelemahan dari Regularized Markov Clustering dan Markov Clustering.Namun, SR-MCL masih memiliki kelemahan yaitu parameter inflasi yang selaludimasukkan secara manual oleh peneliti. Penelitian ini, SR-MCL digabung denganAlgoritma Firefly yang selanjutnya disebut Firefly Soft Regularized Markov Clustering,dimana posisi setiap firefly menggantikan parameter inflasi. Posisi firefly akan terusdiperbaharui dan proses clustering akan terus dilakukan sampai memperoleh global chaoskurang dari threshold. FSR-MCL akan diterapkan secara paralel menggunakan OpenMP,yaitu setiap thread menjalankan SR-MCL dengan posisi setiap firefly yang berbeda.Proses clustering data HIV-1 diperoleh sembilan protein sebagai pusat cluster yangsangat berpengaruh dalam pembentukan dan penyebaran virus, yaitu TAT, REV, ENV,GAG, POL, VPU, VPR, NEF, dan VIF, serta didapat parameter inflasi terbaiknya 8,0dengan speed up 4,66 kali. Proses clustering data SC5314 diperoleh enam protein sebagaipusat cluster yang merupakan protein penting dalam penyebarannya, yaitu HSP90,CBK1, MED8, NOP1, CEK1, dan CDC4, serta didapat parameter inflasi terbaiknya 5,5dengan speed up 3,01 kali.

---

ABSTRACTProtein has a very important role in life. Each protein interacts with other proteins, DNA,and other molecules, resulting in a very large protein-protein interaction. To make it easierto analyze it, clustering method is needed. Soft Regularized Markov Clustering (SRMCL)algorithm is a development of clustering method that reduces the weakness ofRegularized Markov Clustering and Markov Clustering. However, SR-MCL still has aweakness that is the parameter of inflation that is always entered manually by researchers.This study, SR-MCL combined with Firefly Algorithm, hereinafter called Firefly SoftRegularized Markov Clustering, where the position of each firefly replace the parametersof inflation. The firefly position will continue to be updated and the clustering processwill continue until the global chaos is less than the threshold. FSR-MCL will be appliedin parallel using OpenMP, ie each thread runs SR-MCL with the position of each differentfirefly. The process of clustering the HIV-1 data obtained by nine proteins as the centerof the cluster is very influential in the formation and spread of the virus, namely TAT,REV, ENV, GAG, POL, VPU, VPR, NEF, and VIF, and got the best inflation parameter8.0 with speed up 4.66 times. SC5314 data clustering process obtained six proteins as thecenter of the cluster which is an important protein in its spreading, namely HSP90, CBK1,MED8, NOP1, CEK1, and CDC4, and got the best inflation parameter 5.5 with speed up3.01 times."

"Hujan deras di suatu daerah tertentu dapat mengakibatkan banjir di daerah tersebut. Banjir merupakan peristiwa tergenangnya air di suatu daerah akibat peningkatan volume air. Akibat tingginya air yang tergenang dan bahaya lainnya, korban banjir perlu berpindah ke suatu lokasi evakuasi. Untuk menuju ke lokasi evakuasi yang telah disediakan, para korban harus melintas di jalan yang aman. Pencarian rute evakuasi yang aman adalah masalah penting untuk menyelamatkan korban banjir sehingga mereka dapat mencapai pusat evakuasi dengan selamat. Pencarian rute evakuasi terkait dengan obstacle di jalan yang akan dilintasi. Jalan yang licin, tingginya genangan air di jalan, sungai yang terletak dekat dengan jalan yang akan dilalui korban banjir, drainase saluran air dan kerentanan korban menjadi pertimbangan dalam memilih rute untuk menuju ke lokasi evakuasi. Terdapat beberapa permasalahan pada pemilihan rute yang aman yaitu: (1) bagaimana memperhitungkan obstacle di jalan yang akan dilewati (2) bagaimana memilih prioritas rute yang akan dilewati dengan adanya obstacle yang ditemui. Solusi yang diusulkan untuk menangani permasalahan yang dihadapi adalah (1) memperhitungkan obstacle jalan dengan memberikan bobot obstacle. Metode pembobotan kriteria Analytical Hierarchy Process (AHP) dan logika fuzzy digunakan untuk memperhitungkan nilai bobot obstacle (2) permasalahan pemilihan prioritas rute akan diselesaikan dengan menggunakan metode Multi-Criteria Decision Making (MCDM), yaitu Analytical Hierarchy Process (AHP), Fuzzy Analytical Hierarchy Process (Fuzzy AHP) dan Hibrid AHP Weight Aggregated Sum Product Assessment berbasis logika Fuzzy (WASPAS-F) dan integrasi logika Fuzzy pada algoritma firefly (FuFA).Prioritas rute untuk evakuasi korban banjir yang dicari dengan menggunakan metode yang diusulkan dalam penelitian ini merupakan rute optimal karena memiliki nilai bobot terkecil. Prioritas rute yang dicari dengan metode AHP memberikan rekomendasi rute yang sama dengan pencarian rute dengan metode Fuzzy AHP. Besaran nilai bobot rute yang dihasilkan antara kedua metode berbeda. Pada pencarian prioritas rute dengan pengembangan metode Hibrid Fuzzy AHP WASPAS-F memberikan rekomendasi prioritas rute yang sama dengan metode AHP dan Fuzzy AHP. Tahap terakhir adalah pencarian prioritas rute dengan integrasi logika fuzzy pada algoritma firefly (FuFA). Hasil simulasi menunjukkan bahwa integrasi logika fuzzy pada algoritma firefly mampu memberikan rekomendasi prioritas rute yang memiliki bobot obstacle yang kecil dan jumlah path yang sedikit.

---

Heavy rain in a particular area can cause flooding in that area. Flooding is an event where water is inundated in an area due to an increase in the volume of water. Due to high standing water and other hazards, flood victims need to move to an evacuation location. To get to the evacuation location that has been provided, the victims must pass on a safe road. Searching for safe evacuation routes is an important issue to save flood victims from reaching evacuation centres safely. Search for evacuation routes has related to obstacles on the road to be crossed. Slippery roads, high puddles of water on the streets, rivers located close to the streets that flood victims will pass, drainage of waterways, and victims' vulnerability are considered in choosing a route to get to the evacuation location. There are several problems in choosing a safe route: (1) how to take into account the obstacles on the road (2) how to choose the priority route to be traversed with the obstacles encountered. The proposed solutions to the problems encountered are (1) calculating the road barriers to be solved by giving the obstacles weights. The Analytical Hierarchy Process (AHP) criterion weighting method and fuzzy logic are used to calculate the weight of the obstacle (2) the route priority selection problem will be solved using the Multi-Criteria Decision Making (MCDM) method, namely the Analytical Hierarchy Process (AHP). Fuzzy Analytical Hierarchy Process (Fuzzy AHP) and Weight Aggregated Sum Product Assessment based on Fuzzy logic (WASPAS-F) and Fuzzy Logic Integration in Firefly Algorithm has been implemented in the research The priority route for the evacuation of flood victims sought using the method proposed in this study is the optimal route because it has the smallest weight value. The route priority searched by the AHP method provides the same route recommendations as the route search using the Fuzzy AHP method. The magnitude of the resulting route weight value between the two methods is different. In the route priority search with the Hybrid Fuzzy AHP method development, WASPAS-F provides the same route priority recommendations as to the AHP and Fuzzy AHP methods. The last stage is route priority search with fuzzy logic integration in the firefly algorithm (FuFA). The simulation results show that the integration of fuzzy logic in the firefly algorithm can provide recommendations for route priorities with a small obstacle weight and a small number of paths."

"Di era digital dengan pertumbuhan data yang sangat pesat, pengelolaan database menjadi semakin penting untuk mendukung kinerja sistem secara efektif dan efisien. Optimasi database melalui tuning parameter menjadi sangat penting dalam menangani volume data yang kian besar dari tahun ke tahun. Akan tetapi, proses tuning manual akan sangat kompleks dan memakan waktu karena melibatkan banyak parameter yang saling mempengaruhi dengan nilai yang bersifat diskrit dan kontinyu. Untuk mengatasi hal tersebut, penelitian ini mengusulkan implementasi auto tuning pada database MongoDB, yang merupakan database populer untuk NoSQL. Algoritma Hybrid Firefly dan Particle Swarm Optimization (FAPSO) akan digunakan untuk melakukan tuning parameter pada database. Penelitian ini akan dilakukan dengan dua skema database yaitu single node mode dan cluster mode. Untuk mengevaluasi hasil kinerja algoritma tersebut, akan dilihat rata-rata latensi dan throughput yang akan dibandingkan dengan nilai hasil dari algoritma firefly, PSO, dan parameter default dari database. Hasil dari penelitian menunjukkan bahwa algoritma FAPSO memberikan performa terbaik dalam pengujian kueri find() baik pada single node dan cluster mode dengan rataan latensi lebih rendah berturut-turut 7,43% dan 4,16% dari parameter default, serta throughput tertinggi hingga 42548,94 ops/detik pada skema single node dan 38245,91 pada skema cluster. Pada pengujian kueri lookup(), FAPSO unggul dalam beban kerja yang lebih rendah untuk kedua skema basis data dengan rataan latensi lebih rendah 0,23% dari parameter default dan throughput hingga 12338,05 ops/detik pada skema single node.

---

In this digital era with rapid data growth, database management has become increasingly important to support system performance effectively and efficiently. Database optimization through parameter tuning is important in handling the growing volume of data year by year. However, manual tuning processes are very complex and time consuming, because they involve numerous interdependent parameters with both discrete and continuous values. To address this issue, this research proposes the implementation of auto-tuning on MongoDB, which is a popular NoSQL database. Hybrid Firefly and Particle Swarm Optimization (FA-PSO) algorithm will be used to perform parameter tuning on the database. This research will be conducted on two database schemes, single-node mode and cluster mode. To evaluate the performance of the algorithm, the average latency and throughput will be measured and compared with the firefly algorithm, PSO, and default parameters of the database without tuning. The results of this research show that the FAPSO algorithm gives the best performance in find() query testing in both single node and cluster mode with an average of latency of 7,43% and 4,16% respectively from the default parameters, as well as the highest throughput of up to 42548,94 ops/sec on single node scheme and 38245,91 on the cluster scheme. On lookup() query tests, FAPSO excels in lower workloads for both database schemas with an average latency of 0.23% lower than default parameters and a throughput of up to 12338,05 ops/sec on the single node scheme. "