Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Reduced Gradient adalah salah satu metode optimasi dimana pada persamaan yang terbentuk akan terjadi pengurangan komponen Gradient-nya. Dalam skripsi ini, akan dibahas penggunaan metode Reduced Gradient ini untuk mengoptimasi daya pembangkitan tenaga listrik. Optimasi yang dilakukan adalah optimasi antara daya yang dibangkitkan terhadap biaya yang dibutuhkan untuk pembangkitan tersebut dalam suatu sistem tenaga listrik. Sistem tenaga listrik yang dimaksud merupakan sistem yang terdiri dari pembangkit, bus (beban, pembangkit, gabungan beban dan pembangkit), dan saluran transmisi. Untuk dapat melakukan proses optimasi melalui perhitungan dengan menggunakan metode ini, diperlukan adanya suatu formulasi masalah dengan menggunakan program matematik non linier dimana formulasi tersebut akan mengandung variabel-variabel yang digunakan sistem tersebut dan memiliki hubungan fungsional. Perhitungan yang dilakukan dengan metode ini adalah melalui proses iterasi untuk memperoleh fungsi tujuan yang paling optimal. Untuk mempermudah proses perhitungan yang dilakukan, terlebih dahulu akan dilakukan penyederhanaan persamaan dengan menghilangkan suku-suku tertentu dari persamaan tersebut yang akan diperhitungkan kemudian. Daya yang dibangkitkan oleh sebuah pembangkit memiliki batasan minimal dan maksimal. Oleh karena itu, dalam proses optimasi yang dilakukan, nilai yang diperoleh akan optimal jika berada di dalam batasan-batasan yang diberikan. Setelah nilai optimal diperoleh, kemudian akan dihitung berapa besarnya rugi-rugi penyaluran yang terjadi dan akan didistribusikan ke setiap pembangkit dengan menggunakan faktor partisipasi. Sebagai aplikasi dari metode Reduced Gradient ini, dalam skripsi ini akan dilakukan pengoptimasian daya pembangkit dan biaya optimum terhadap pembangkit tenaga listrik yang terdapat di Pulau Bali.

Abstrak :
The Lanczos and conjugate gradient (CG) algorithms are fascinating numerical algorithms. This book presents the most comprehensive discussion to date of the use of these methods for computing eigenvalues and solving linear systems in both exact and floating point arithmetic. The author synthesizes the research done over the past 30 years, describing and explaining the "average" behavior of these methods and providing new insight into their properties in finite precision. Many examples are given that show significant results obtained by researchers in the field. The author emphasizes how both algorithms can be used efficiently in finite precision arithmetic, regardless of the growth of rounding errors that occurs. He details the mathematical properties of both algorithms and demonstrates how the CG algorithm is derived from the Lanczos algorithm. Loss of orthogonality involved with using the Lanczos algorithm, ways to improve the maximum attainable accuracy of CG computations, and what modifications need to be made when the CG method is used with a preconditioner are addressed.

Abstrak :
ABSTRAK
Densely Connected Convolutional Networks (DenseNet) merupakan salah satu model arsitektur Deep Learning yang menghubungkan setiap layer beserta feature-maps ke seluruh layer berikutnya, sehingga layer berikutnya menerima input feature-maps dari seluruh layer sebelumnya. Karena padatnya arsitektur DenseNet meyebabkan komputasi model memerlukan waktu lama dan pemakaian memory GPU yang besar. Penelitian ini mengembangkan metode optimisasi DenseNet menggunakan batching strategy yang bertujuan untuk mengatasi permasalahan DenseNet dalam hal percepatan komputasi dan penghematan ruang memory GPU. Batching strategy adalah metode yang digunakan dalam Stochastic Gradient Descent (SGD) dimana metode tersebut menerapkan metode dinamik batching dengan inisialisasi awal menggunakan ukuran batch kecil dan ditingkatkan ukurannya secara adaptif selama training hingga sampai ukuran batch besar agar terjadi peningkatan paralelisasi komputasi untuk mempercepat waktu pelatihan. Metode batching strategy juga dilengkapi dengan manajemen memory GPU menggunakan metode gradient accumulation. Dari hasil percobaan dan pengujian terhadap metode tersebut dihasilkan peningkatan kecepatan waktu pelatihan hingga 1,7x pada dataset CIFAR-10 dan 1,5x pada dataset CIFAR-100 serta dapat meningkatkan akurasi DenseNet. Manajemen memory yang digunakan dapat menghemat memory GPU hingga 30% jika dibandingkan dengan native DenseNet. Dataset yang digunakan menggunakan CIFAR-10 dan CIFAR-100 datasets. Penerapan metode batching strategy tersebut terbukti dapat menghasilkan percepatan dan penghematan ruang memory GPU.

---

ABSTRACT
Densely Connected Convolutional Networks (DenseNet) is one of the Deep Learning architecture models that connect each layer and feature maps to all subsequent layers so that the next layer receives input feature maps from all previous layers. Because of its DenseNet architecture, computational models require a long time and use large GPU memory. This research develops the DenseNet optimization method using a batching strategy that aims to overcome the DenseNet problem in terms of accelerating computing time and saving GPU memory. Batching strategy is a method used in Stochastic Gradient Descent (SGD) where the technique applies dynamic batching approach with initial initialization using small batch sizes and adaptively increased size during training to large batch sizes so that there is an increase in computational parallelization to speed up training time. The batching strategy method is also equipped with GPU memory management using the gradient accumulation method. From the results of experiments and testing of these methods resulted in an increase in training time speed of up to 1.7x on the CIFAR-10 dataset and 1.5x on the CIFAR-100 dataset and can improve DenseNet accuracy. Memory management used can save GPU memory up to 30% when compared to native DenseNet. The dataset used uses CIFAR-10 and CIFAR-100 datasets. The application of the batching strategy method is proven to be able to produce acceleration and saving of GPU memory.

Abstrak :
Metode Conjugate Gradient merupakan salah satu cara untuk optimumkan fungsi f(x) untuk x tanpa kendala (unconstrained optimisation). Optimisasinya dijalankan secara iteratif dengan bantuan garis-garis arah yang saling conjugate. Karena metode ini sangat efisien dalam pemanfaatan storage, maka timbullah usaha untuk mengembangkannya. Salah satu pengembangannya adalah dengan menghubungkan metode CG ini dengan metode BFGS, yang kemudian menghasilkan suatu metode baru yang disebut VSGCG.

Abstrak :
Fraud atau kecurangan merupakan salah satu permasalahan yang masih dihadapi oleh industri asuransi dan masih memberikan kerugian yang sangat besar bagi industri ini. Biaya yang dikeluarkan pun untuk mengatasi permasalahan ini masih cukup besar, untuk itu dikembangkanlah sebuah model machine learning untuk membantu pencegahan terjadinya fraud pada asuransi. Salah satu model yang sedang sangat berkembang adalah model Imbalance-XGBoost, penelitian ini dilakukan untuk meninjau kemampuan model Imbalance-XGBoost dalam mendeteksi fraud sebagai langkah pencegahan fraud pada asuransi. Penelitian ini berhasil mendapati bahwa Imbalance-XGBoost memiliki performa yang lebih baik jika dibandingkan dengan model dasarnya yaitu XGBoost tanpa penanganan kelas tidak seimbang. ...... Fraud or dishonesty is one of the persistent challenges faced by the insurance industry and continues to result in significant losses for the industry. The costs incurred to address this issue are also quite substantial. Therefore, a machine learning model has been developed to assist in preventing insurance fraud. One of the models that is currently gaining traction is the Imbalance-XGBoost model. This research was conducted to assess the ability of the Imbalance-XGBoost model in detecting fraud as a preventive measure in insurance. The study found that Imbalance-XGBoost performs better compared to its base model, XGBoost, which does not handle imbalanced classes.

Abstrak :
ABSTRAK
Studi ini bertujuan menguji income-health gradient dan menguji secara empiris probibilitas dari variabel dependen terhadap status kesehatan anak terutama peran variabel asuransi, dan variabel ibu bekerja terhadap status kesehatan anak. Penggunaan 2 dua variabel tersebut bertujuan untuk mengurangi hubungan sosialekonomi antara pendapatan keluarga dan status kesehatan anak. Hasil replikasi dari penelitian Park 2010 menunjukan hasil income-health gradient yang berbeda. Pada penelitian ini hasil income-health gradient terjadi pada anak usia prasekolah dan sekolah, sedangkan penelitian Park 2010 hanya terjadi pada anak usia prasekolah saja. Hasil penelitian dengan menggunakan status kesehatan berdasarkan professional medical menunjukan hasil yang sama yaitu income-health gradient terjadi pada anak usia prasekolah dan sekolah. Peran variabel asuransi belum bisa mengurangi hubungan pendapatan keluarga dan kesehatan anak, sedangkan variabel ibu bekerja bisa mengurangi hubungan pendapatan keluarga dan kesehatan anak. Pengawasan dan peningkatan fasilitas asuransi oleh pemerintah sebagai solusi untuk meningkatkan kesehatan anak dalam upaya untuk memutuskan rantai kemiskinan antar generasi.

---

ABSTRACT
This study aims to examine income health gradient and empirically test the probability of dependent variable on the health status of children, especially the role of the insurance variable, and the working mother 39 s variable on the health status of the child. The use of 2 two variables aims to reduce the socioeconomic relationship between family income and health status of children. The results of replication from Park 39 s research 2010 show different income health gradient results. In this study income health gradient results occur in preschool and school age children, whereas Park 2010 research only occurs in preschool children only. The results of research using health status based on professional medical showed the same result that is income health gradient happened in preschool and school age children. The role of the insurance variable has not been able to reduce the relation between family income and child health, while the working mother variable can reduce the relation of family income and child health. Supervision and improvement of insurance facilities by the government as a solution to improve the health of children in an effort to break the chain of poverty between generations.

Abstrak :
Tesis ini membahas Masalah angkutan barang dengan muatan berlebih atau over- load, dimana rasio beban angkutan dan kekuatan mesin yang tidak ideal menyebabkan kendaraan tidak dapat berjalan dengan wajar walaupun tenaga yang dihasilkan kendaraan telah maksimum. Penelitian ini dimaksudkan untuk mengkaji pengaruh beban muatan berlebih, Gradien Jalan, akselerasi dan panjang segmen terhadap kecepatan kendaraan pengangkut. Metode penelitian yang dilakukan dalam mengkaji pengaruh tersebut adalah dengan melakukan eksperimen dan analisis dengan metode multivariate. Hasil penelitian menunjukan bahwa variabel beban muatan paling berpengaruh terhadap kecepatan kendaraan. ......The focus of this study is about over-load, in how ratio weight to horse power machine on vehicle is not ideal, so the vehicle can not on optimim speed. The purpose of this study is to understand how over-load, gradient, acceleration, and segment lenght can impact to the cruise speed. This research is based on experiment method using the multivariate analysis of data. The data were collected by means of observation. The researcher show that over-weight variable make more impact to speed than the others variable.

Abstrak :
ABSTRACT
Analisis kebutuhan armada angkutan umum berbasis jalan pada lingkup trayek ditinjau menggunakan permintaan tertinggi pada trayek sehingga mungkin terdapat potensi kelebihan pasokan jika perbedaan permintaan cukup drastis di tiap segmen trayek. Sehingga, penelitian ini mencoba menjawab apakah terdapat potensi kelebihan pasokan, seberapa signifikan perbedaan hasil perhitungan jumlah armada pada lingkup trayek dengan lingkup jaringan, dan implikasinya pada karakteristik operasional headway dan faktor muat. Penelitian dilakukan dengan membangun perangkat bantu analisis. Kemudian dengan perangkat tersebut jumlah armada tiap trayek dihitung dengan permintaan tertinggi tiap trayeknya, selanjutnya kapasitas statis tiap segmen dihitung dan dianalisis efisiensinya pada jaringan dengan parameter faktor muat rerata seluruh segmen. Jika faktor muat rerata berada dibawah nilai ideal dari rujukan, maka kebutuhan armada di tiap trayek akan dioptimasi dengan Metode Heuristik dan Metode Generalized Reduced Gradient (GRG). Hasil menunjukkan, perhitungan jumlah armada dengan lingkup trayek membutuhkan 2257 hingga 3578 armada dan lingkup jaringan membutuhkan 1644 hingga 2673 armada. Headway rerata perhitungan lingkup trayek adalah 3 menit dan hasil lingkup jaringan adalah 5 menit. Hasil perhitungan lingkup trayek untuk faktor muat rerata adalah sebesar 38%, lebih rendah ketimbang hasil lingkup jaringan yaitu 79%. Metode terbaik untuk optimasi jumlah armada pada lingkup jaringan adalah Metode GRG dengan titik awal iterasi adalah hasil perhitungan jumlah armada dari Metode Heuristik.  Dari penelitian ini, perangkat bantu analisis telah dikembangkan, juga dapat disimpulkan terdapat kelebihan pasokan sebesar 54% jumlah armada dengan perhitungan jumlah armada lingkup trayek dibandingkan dengan lingkup jaringan, serta karakteristik operasional headway dan faktor muat rerata lingkup jaringan lebih tinggi dibandingkan hasil perhitungan lingkup trayek.

---

ABSTRACT
Fleet number calculation on a route scope is using a highest demand on the route segment so that there may be excess supply potential if the demand difference is quite drastic in each of route segment. Thus, this study attempts to answer whether there is an oversupply potential, how significant the result difference between fleet calculations on the scope of the route with the network scope, and the implications on the operational characteristics of the headway and load factors. The research was conducted by building analytical tools. Then the tool calculates the number of fleets per route, then the static capacity of each segment is calculated and its efficiency on the network is analyzed with the average load factor of all segments parameter. If the average load factor is below the ideal value, then the fleet number in each route will be optimized with the Heuristic Method and Generalized Reduced Gradient (GRG) Method. The results show, the calculation of the number of fleets with the scope of the route requires 2257 to 3578 fleets and the scope of the network requires 1644 to 2673 fleet. The average headway of the route scope calculation is 3 minutes and the result of the network scope is 5 minutes. The calculation of route scope for average load factor is 38%, lower than the result of network scope that is 79%. The best method for optimizing the number of fleets on a network's scope is the GRG Method with the starting point of the iteration is the calculation results of the Heuristic Method. From this research, the analytical tool has been developed. Also from the research, it can be concluded that there is an oversupply about 54% of the fleet number calculations based on the route scope compared to the network scope, and the operational characteristics of the headway and the load factor of the network scope is higher than the route scope calculation.