Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Sebagai salah satu negara maritim terbesar di dunia, moda transportasi Indonesia lebih cenderung condong kepada transportasi laut. Salah satu sektor yang menitik beratkan distribusinya menggunakan transportasi laut adalah sektor minyak dan gas bumi. Pengoptimasian biaya transportasi laut ini telah dilakukan dengan berbagai metode agar dapat menghasilkan biaya yang seminim mungkin dengan kelebihan dan kekurangan yang dimiliki masing-masing metode. Pada penelitian ini dilakukan klasterisasi pola distribusi minyak bumi menggunakan pendekatan graph mining. Dengan melakukan single linkage clustering dengan tujuh fungsi graph, didapatilah pembangunan hasil klaster dengan menggunakan gabriel graph dan minimum spanning tree memberikan hasil yang terbaik. Klaster pola yang dihasilkan selanjutnya dapat digunakan untuk proses pengoptimalisasian pola distribusi. Hasil dari penelitian ini menunjukan bahwa jumlah klaster terbaik dan feasible adalah sebanyak 43 klaster.

---

ABSTRACT
As one of the largest maritime countries in the world, Indonesia transportation modes are more likely inclined to sea transport. One sector that the distribution are mainly using sea transport is oil and gas sector. Optimizing the cost of sea transport has been carried out by various methods in order to produce cost as little as possible with the advantages and disadvantages of each method. In this research petroleum distribution pattern clasterization is done by using graph mining approach. By conducting single linkage clustering with seven graph function, the result shows that clustering using gabriel graph and minimum spanning tree gives the best result. The clustered patterns result then can be used for the process of optimizing the distribution pattern. The result shows that the best and feasible number of cluster can be built is 43 clusters

Abstrak :
ABSTRAK
Penentuan rute distribusi optimal menjadi kunci peningkatan efisiensi suatu rantai pasok. Mencari rute distribusi optimal yang termasuk kedalam jenis vehicle routing problem VRP dapat diselesaikan dengan membuat model dari seluruh batasan permasalahan yang ada dan mencari penyelesaiannya dengan objektif memimalkan jarak tempuh. Namun permasalahan lain muncul yakni peningkatan jumlah konstrain akan menambah kompleksitas penyelesaian model. Selain itu, beberapa batasan yang dinamis dan batasan yang tidak dapat teridentifikasi dapat membuat rute optimal yang diperoleh tidak sesuai dengan keadaan aktualnya. Dalam penelitian ini, metode historical based VRP HbVRP yang terdiri atas graph partitioning dan graph optimization digunakan untuk mengatasi permasalahan tersebut. Pada studi kasus yang dilakukan didapati metode HbVRP dapat membangun rute optimal dengan level kemiripan 97,98 terhadap rute aktual dan mereduksi total jarak yang semula sebesar 572,217 menjadi 120,913 dimana lebih baik dari metode yang telah ada.

---

ABSTRACT
Determination of optimal distribution route becomes the key to increase efficiency of a supply chain. Looking for an optimal distribution route that belongs to the type of vehicle routing problem VRP can be solved by modeling the entire boundary of the problem and finding the solution with the objective of minimizing the total distance. The increase in the number of constraints will add to the complexity of the completion of the model. In addition, some dynamic constraints and unidentifiable boundaries can make the optimal route obtained not in accordance with actual circumstances. In this study, historical based VRP HbVRP method consisting of graph partitioning and graph optimization are used to solve the problem. In the case study, HbVRP method can build optimal route with 97.98 similarity level to the actual route and reduce the total distance from 572.217 to 120.913 which is better than existed method.

Abstrak :
ABSTRAK
PATCHY-SAN adalah sebuah framework untuk sembarang graf yang diajukan oleh Niepert pada tahun 2016. Pada penelitian ini diajukan modifikasi arsitektur dari convolutional neural network CNNs pada PATCHY-SAN menggunakan beberapa representasi dari graf seperti B^i,L^i,N^i dengan B,L,N, berturut-turut adalah matriks betweeness, matriks Laplacian and matriks normalisasi Laplacian dengan i=1,2,3,4,5. Dilakukan beberapa percobaan dari model CNNs dengan 3 layer dan 2 layer. Penelitian ini menggunakan dropout atau batch normalization untuk mengurangi permasalahan internal covariate shift sebagai regularisasi. Berdasarkan percobaan tersebut disimpulkan, penambahan layer, penggunaan dropout dan batch normalization dapat meningkatkan dan juga menurunkan prediksi akurasi, hal ini tergantung dari dataset dan arsitektur CNNs. Representasi graf yang digunakan dalam penelitian ini masih belum bagus untuk membuat PATCHY-SAN learning, karena peningkatan akurasi hanya sebesar - 9 dari benchmark 50 .

---

ABSTRACT
PATCHY SAN is a framework for learning Convolutional Neural Network CNNs for arbitrary graph proposed by Niepert in 2016. In this paper we propose to modified architecture of Convolutional Neural Network in PATCHY SAN by using some representation of graph such as B i,L i,N i, with B, L, N, is betweeness matrix, Laplacian matrix and normalize Laplacian matrix with i 1,2,3,4,5. We do some experiment of model with 3 convolutional layer and 2 convolutional layer. This research use dropout and batch normalization to reduce internal covariate shift problem as regularizer. In conclusion adding more convolution layer, and use dropout and batch normalization can increase and reduce accuracy, it depend on the architecture of CNNs. Graph representation used in this research still not good to make PATCHY SAN learning, because the accuration increase by 9 from benchmark 50 .