Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dibahas dua cara pemecahan pemrograman kuadratik yang didasari oleh metode yang sama, yaitu metode syarat Kuhn-Tucker. Metode ini memodifikasi pemrograman kuadratik ke bentuk pemrograman linear, dalam kerangka aç. Dalam penyelesaian pemrograman kuadratik digunakan dua pendekatan, yaitu pendekatan kondisi Karush-Kuhn-Tucker untuk cara I dan metode Kuhn-Tucker dalam bentuk matriks untuk cara II. Analisis terhadap tiga kasus menunjukkan bahwa pada cara I, tahapan berkembang sejalan dengan bertambahnya jumlah peubah namun jumlah iterasi tabel simpleks tetap. Sedangkan pada cara II, persamaan matriks juga berkembang sejalan dengan bertambahnya jumlah peubah dan penggunaan tabel simpleks dapat berulang lebih dari dua kali."

"Data ekspresi gen merupakan data yang berisi hasil proses transformasi informasi genetik dari DNA atau RNA menjadi protein (fenotipe) yang disajikan dalam bentuk matriks berisi ekspresi gen (baris) dan kondisi (kolom). Sama halnya seperti jenis data lainnya, data ekspresi gen tidak terlepas dari kemungkinan masalah missing values atau data yang hilang. Untuk menangani masalah keberadaan missing values, diperlukan imputasi, yaitu metode untuk mengisi nilai pada data yang hilang. Metode imputasi yang digunakan pada penelitian ini adalah QP_Biclustering yang merupakan kombinasi antara biclustering dengan permasalahan pemrograman kuadratik yang akan diselesaikan dengan bahasa pemrograman Python. Metode QP_Biclustering diimplementasikan pada data ekspresi gen dari pasien Covid-19 bertipe numerik dengan tipe missing values berjenis Missing Completely at Random (MCAR). Algoritma biclustering yang digunakan sebagai metode dalam penelitian ini adalah hasil modifikasi dari algoritma SwarmBCluster, yaitu constructive heuristic with local search. Metode biclustering ini menggunakan Mean Squared Residue (MSR) dalam proses pembentukan bicluster yang berperan sebagai ukuran kualitas suatu bicluster. Setelah bicluster terbentuk, missing values akan diestimasi menggunakan quadratic programming dengan cara meminimumkan nilai MSR tiap bicluster. Hasil penelitian ini menunjukkan bahwa metode QP_Biclustering memiliki performa cukup baik untuk mengimputasi missing values pada data ekspresi gen pasien Covid-19 yang dapat dilihat dari nilai Normalized Root Mean Square Error (NRMSE) yang lebih rendah dibandingkan dengan metode KNNimpute.

---

Gene expression data contains the results of the transformation process of genetic information from DNA or RNA into protein (phenotype) which is presented in the form of a matrix containing gene expression (rows) and conditions (columns). Just like other types of data, gene expression data can not be separated from the possibility of missing values or missing data problems. To deal with the problem of the presence of missing values, imputation is needed, which is a method to fill in the values in the missing data. The imputation method used in this research is QP_Biclustering which is a combination of biclustering with quadratic programming problems that will be solved using the Python programming language. The QP_Biclustering method is implemented on gene expression data from Covid-19 patients with numeric type and the missing values has Missing Completely at Random (MCAR) type. The biclustering algorithm used as a method in this research is a modified result of the SwarmBCluster algorithm, namely constructive heuristic with local search. This biclustering method uses Mean Squared Residue (MSR) in the bicluster formation process which will be used as a measure of the quality of a bicluster. After the bicluster is formed, the missing values will be estimated using quadratic programming by minimizing the MSR value for each bicluster. The results of this study indicate that the QP_Biclustering method has a fairly good performance to impute the missing values in gene expression data of Covid-19 patients which can be seen from the NRMSE (Normalized Root Mean Square Error) value which is lower than KNNimpute method."

"Dengan berbagai kemajuan teknologi, transportasi tetap bertanggung jawab sebagai penyumbang polusi udara terbesar khususnya emisi CO2. Dampak emisi CO2 ini sangat berbahaya bagi kesehatan dan lingkungan. Sudah ada beberapa cara yang dilakukan untuk mengurangi dampak yang dihasilkan emisi CO2 pada kendaraan roda empat. Salah satunya dengan melakukan tes emisi. Prosedur tes emisi ini dilakukan dengan perilaku berkendara tetap yang menyebabkan tes ini tidak representative terhadap keadaan nyata di jalan, oleh karena itu dibutuhkan monitoring langsung pada perilaku berkendara yang berbeda-beda. Dengan memanfaatkan teknologi OBD II dan konsep IoT (Internet of Things), peneliti dapat melakukan pengembangan ke arah monitoring. Pengembangan dilakukan dengan cara menghubungkan OBD II dan Raspberry Pi ke kendaraan roda empat. Perhitungan emisi CO2 dilakukan dengan memanfaatkan data MAF yang diperoleh dari OBD II. Hasil perhitugan tersebut dikirim ke aplikasi Android melalui Cloud Server agar dapat dibaca oleh pengguna aplikasi Android tersebut. Untuk memverifikasi model perhitungan, pengetesan dilakukan pada Nissan Juke tahun 2015 dengan melakukan uji jalan sejauh 300km pada tiga perilaku berkendara yang berbeda. Emisi CO2 yang dihasilkan diukur menggunakan Portable CO2 Meters Detector Tvoc Hcho AQI Monitor dan dibandingkan dengan hasil uji pada aplikasi. Nilai error verifikasi pengukuran pada masing-masing perilaku berkendara yaitu 11,65 % untuk eco, 7,38% untuk Normal, dan 49,56% untuk Sport. pengetesan yang dilakukan juga menunjukkan bahwa model perilaku berkendara Eco memiliki tingkat emisi terendah dibanding dua perilaku berkendara lainnya dengan jumlah emisi CO2 yang dihasilkan sebesar 33.401,25 g sedangkan untuk Normal dan Sport masing-masing secara berurutan menghasilkan emisi CO2 sebesar 56.250,26 g dan 123.122,99 g. Kemudian apabila dihubungkan dengan parameter perilaku berkendara, perilaku berkendara Eco dengan interval nilai Accelerator Position 4,63% – 10,99% menghasilkan CO2 per detiknya sebesar 0,57 g/s – 1,93 g/s, perilaku berkendara Normal dengan interval nilai Accelerator Position 16,23% – 24,15% menghasilkan CO2 per detiknya sebesar 3,37 g/s – 5,09 g/s, dan perilaku berkendara Sport dengan interval nilai Accelerator Position 71,89% – 78,39% menghasilkan CO2 per detiknya sebesar 13,00 g/s – 14,24 g/s.

---

With various technological advances, transportation remains responsible as the biggest contributor to air pollution, especially CO2 emissions. The impact of CO2 emissions is very dangerous for health and the environment. There have been several ways to reduce the impact of CO2 emissions on four-wheeled vehicles. One of them is by conducting emission tests. This emission test procedure is carried out with a fixed driving behavior which causes this test not to be representative of the actual situation on the road, because of that we require direct monitoring of different driving behaviors. By utilizing OBD II technology and collaborating with the concept of IoT (Internet of Things) Researchers can make development towards monitoring. Development is carried out by connecting the OBD II and Raspberry Pi that has been programmed to calculate CO2 emissions. The calculation of CO2 emissions is done by calculating the MAF data that can be obtained from OBD II. The results of these calculations are sent to the Android application via Cloud Server so that they can be read by the application's users. To verify the calculation model, testing was done on the 2015 Nissan Juke by conducting a road test on three different driving behaviors. The resulting CO2 emissions are measured using Portable CO2 Meters Detector Tvoc Hcho AQI Monitor and compared with test results on the application. The verification error measurement value on each driving behavior is 11,65% for Eco, 7,38% for Normal, and 49,56% for Sport. The testing also shows that the Eco-driving behavior model has the lowest emission level compared to the other two driving behaviors with the amount of CO2 emissions produced of 33.401,25 g while for Normal and sport respectively produced CO2 emissions of 56.250,26 g and 123.122,99 g. Then when connected with driving behavior parameters, Eco-driving behavior with an interval value of Accelerator Position 4.63% - 10.99% produces CO2 per second of 0.57 g/s - 1.93 g/s, Normal driving behavior with an interval value Accelerator Position 16.23% - 24.15% produces CO2 per second of 3.37 g/s - 5.09 g/s and Sport driving behavior with an interval of Accelerator Position 71.89% - 78.39% produces CO2 per second of 13.00 g/s - 14.24 g/s."

"Dalam proses perancangan, pemrograman dan konsep arsitektur merupakan dua unsur yang berbeda, dimana keduanya harus dipadukan oleh seorang arsitek. Pemrograman sebagai unsur objektif dan konsep arsitektural sebagai unsur subjektif dalam diri perancang, harus dapat menunjukan hubungan yang saling mengisi / memperkuat satu sama lainnya.Dalam skripsi ini penulis membangun suatu pemikiran dari difinisi-difinisi dan teori-teori yang ada, mengenal 'apa', 'bagaimana' dan 'mengapa', pemrograman dan konsep arsitektural dilakukan dalam proses perancangan. Untuk membuktikan dan mengembangkan lebih lanjut pemikiran tersebut penulis melakukan analisa dari proses perancangan yang pernah dilakukan, dimana pemrograman dan konsep arsitektur selalu digunakan. Dari analisa yang dilakukan didapat suatu kesimpulan mengenai hubungan kedua unsur tersebut.Dasar permasalahan yang harus dijawab adalah bagaimana seorang arsitek dapat memadukan kedua unsur tersebut, dalam upaya menyusun suatu program (berdasarkan data yang akurat) dan mengembangkan konsep yang baik, sehingga menghasilkan suatu karya arsitektur yang dapat dipertanggungjawabkan secara ilmiah."

"Tugas akhir ini membahas mengenai penentuan jumlah produksi divisi compounding PT. Impack Pratama dengan Pemrograman saaaran (goal programming). Pemrograman sasaran dipakai untuk menyelesaikan masalah pemrograman linier yang mempunyai satu atau lebih sasaran yang ingin dicapai. Kemudian, model matematika dari masalah pemrograman sasaran tersebut diseleeaikan dengan metode simpleks. Penyelesaian optimal dari model matematika pemrograman sasaran yang melibatkan banyak variabel dan kendala dapat diperoleh dengan bantuan paket LINDO (Linear Interactive Discrete Optimizer)."

"Discounted {0-1} Knapsack Problem (DKP) adalah perluasan dari {0-1} Knapsack Problem (KP). Pada DKP akan dipilih sebuah himpunan kelompok-kelompok barang, dimana setiap kelompok terdiri dari tiga barang dan paling banyak satu dari tiga barang dapat dipilih. Barang ketiga dalam setiap kelompok merupakan gabungan dari barang pertama dan barang kedua. Dengan menggunakan konsep inti alternatif, DKP dapat dipartisi ke dalam beberapa submasalah berdasarkan tipe-tipe kasusnya (tidak berkorelasi, berkorelasi lemah, dan berkorelasi kuat). DKP yang telah dipartisi ini disebut partitioned DKP. Jika kasus dari DKP diketahui berkorelasi lemah atau berkorelasi kuat, maka dapat dilakukan partisi lebih lanjut lagi untuk memperbaiki efisiensi solusinya. Baik DKP maupun partitioned DKP dapat diselesaikan dengan menggunakan pemrograman dinamik. Berdasarkan percobaan numerik, penyelesaian partitioned DKP lebih efisien daripada penyelesaian DKP untuk semua kasus DKP, dengan tingkat efisiensi sekitar 11,79% untuk kasus tidak berkorelasi, 30,28% untuk kasus berkorelasi lemah, dan 41,84% untuk kasus berkorelasi kuat.

---

The Discounted {0-1} Knapsack Problem (DKP) is an extension of the {0-1} Knapsack Problem (KP). On DKP, it will be selected a set of item groups where each group consists of three items, and at most one of the three items can be selected. The third item in each groups is a combination of first item and second item. By using concept of alternative core, DKP can be partitioned to some sub problems based on types of DKP instances (uncorrelated, weakly correlated and strongly correlated).

If DKP is known as weakly correlated or strongly correlated, so it could be more partitioned for improving the solution efficiency. DKP and partitioned DKP could be solved by dynamic programming. Based on numerical experiments, solving partitioned DKP are more efficient than solving DKP for all cases of DKP, with efficiency level about 11.79% for uncorrelated instances, 30.28% for weakly correlated instances, and 41.84% for strongly correlated instances."

"Dihasilkan kemudian dicoba untuk beberapa variasi data, seperti : jumlah ruas, jumlah lintasan, proyeksi asal-tujuan perjalanan, nilai delta pada proses integrasi dan nilai test konvergen. Dan basil penggunaan program komputer yang dibuat untuk perhitungan keseimbangan jaringan dan matriks asal-tujuan, diketahui bahwa Variaasi data di atas mempengaruhi nilai akhir hasil perhitungan. Hasil perhitungan menunjukkan bahwa semakin kecil niai delta dan nilai test konvergen ternyata tidak menghasilkan nilai konvergensi yang semakin kecil. Waktu yang dibutuhkan untuk menjalankan program komputer juga semakin panjang, Program komputer yang dibuat ini juga dicoba digunakan untuk studi kasus nyata. Dipilih koridor Bekasi-Cawang, dengan beberapa penyederhanaan dalam antisipasi data yang tersedia. Hasilnya, besarnya matriks asal-tujuan yang dihitung dengan program komputer mendekati besarnya matriks asal-tujuan proyeksi."

"Pada skripsi ini dibahas penyejajaran tiga barisan DNA dengan penyajian secara geometris yang dinyatakan dalam tiga buah sumbu tegak pada ruang tiga dimensi. karakter barisan pertama dinyatakan pada sumbu kedua dengan arah horizontal ke belakang, dan karakter barisan ketiga dinyatakan pada sumbu ketiga dengan arah vertikal.proses penyejajaran dilakukan dengan cara memasangkan setiap karakter untuk mencari penyejajaran dengan skor maksimum. skor maksimum dari setiap penyejajaran dapat disajikan pada titik-titik koordinat dalam ruang dimensi tiga. suatu titik menyatakan keadaan skor penyejajarantiga barisan DNA yang berakhir pada suatu karakter dari barisan pertama, barisan kedua, dan barisan ketiga. proses dimulai dari titik awal (titik asal), kemudian dipilih titik selanjutnya yang memiliki skor maksimum di anatara titik-titik sekitarnya dan seterusnya sampai titik akhir."