Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini adalah sebuah pengembangan model representasi kontinyu dari permasalahan Tata Letak Mesin. Tata letak mesin yang baik dapat mengurangi biaya pemindahan material dalam sebuah sistem produksi. Di dalam permasalahan tata letak mesin, telah dilakukan banyak metode untuk mendapatkan tata letak yang optimal sehingga meminimalkan biaya pemindahan material, tetapi, belum dilakukan pengembangan dengan representasi kontinyu. Penelitian ini mengembangkan sebuah model menggunakan algoritma Differential Evolution sebagai representasi kontinyu. Lebih jauh lagi, dilakukan perbandingan untuk melihat kelebihan metode ini dari metode lain. Setelah penelitian dilakukan, diperoleh sebuah pengembangan metode DE yang baik untuk problem Tata Letak Mesin berukuran kecil sampai sedang.

---

This research is a continue representation model development of Machine Layout Problems. A good machine layout can reduce material handling cost of a production system. In order to find solution for machine layout problems, some researchs has been developed. But, there has not been any continue representation for it.

This research developes a model using Differential Evolution algorithm as continue representation. Furthermore, a comparison with previous studies was developed. The result of this research was a DE method development to find solutions for small to middle sized MLP."

"Hingga saat ini tidak ada satupun metode pendekatan yang ampuh diterapkan untuk mendapatkan solusi dari Unequal Area Facility Layout Problems untuk semua kasus, sehingga penelitian ini dilakukan untuk meneliti kemungkinan metode representasi kontinu dengan bantuan algoritma Differential Evolution dapat menjadi metode yang lebih baik dari metode-metode sebelumnya. Objek perbandingan yang digunakan adalah nilai rekor optimum yang dapat dicapai oleh masing-masing metode. Hasil dari penelitian ini adalah data-data nilai optimum yang dihasilkan oleh algoritma Differential Evolution untuk dua puluh kasus Unequal Area Facility Layout Problems yang sudah pernah dicari nilai optimalnya oleh metode lainnya. Setelah penelitian dilakukan, algoritma Differential Evolution mampu meningkatkan nilai optimal untuk satu dari dua puluh problem.

---

Up until now there is no single method that able to generate solution from Unequal Area Facility Layout Problems for all cases, therefor this research objective is to find the possibility of continue representation method with Differential Evolution algorithm becomes a better method than preovius methods. The comparison object is optimum value record that can be achieved by those methods.

The result of this research is datas of optimum value generated by Differential Evolution algorithm for twenty cases of Unequality Area Facility Layout Problems that has been solved by the other methods. After this research done, Differential Evolution algorithm can only improve optimum value for one from twenty cases."

"Tujuan tugas akhir ini adalah untuk meminimalisasi biaya pemindahan bahan dengan cara merancang ulang tata letak pabrik. Perancangan ulang tata letak pabrik adalah sebuah permasalahan yang rumit, oleh karena itu kita memerlukan metode yang tepat untuk mendapatkan solusi optimal. Metode penelitian yang digunakan dalam tugas akhir ini merupakan salah satu metode meta-heuristic yaitu Algoritma Differential Evolution (DE). Prinsip Algoritma DE sesuai dengan analogi evolusi biologi yang terdiri atas inisialisasi populasi, mutasi, pindah silang dan seleksi. Algoritma ini mempunyai banyak keunggulan yaitu : sederhana, mudah digunakan dan cepat.

---

The purpose of this final project is to minimize material handling cost by relayout the plant facilities. The re-layout of plant facilities is a complicated problem therefore we need the right method to get the optimum solution. The research method used in this final project is one of meta-heuristic method that is Differential Evolution Algorithm (DE). The principal of DE Algorithm as according to biology evolution analogy, which is consist of population initialization, mutation, crossover and selection. This algorithm has many of advantages that are: simple, easy to be used and fast."

"Penelitian ini dilakukan untuk memperoleh keseimbangan lini perakitan yang optimal, sehingga dapat meningkatkan efisiensi lini dan memenuhi target produksi. Hal ini dilakukan dengan optimasi yaitu melalui pengaturan elemen kerja pada stasiun kerja dan waktu siklus tiap stasiun. Optimasi keseimbangan lini dilakukan dengan menggunakan algoritma Differential Evolution. Differential Evolution merupakan salah satu algoritma evolusioner yang strukturnya sederhana, mudah diimplementasikan, dan cepat mencapai tujuan. Setelah penelitian dilakukan, diperoleh efisiensi lini perakitan hydraulic excavator tipe PC300 sebesar 0.9 dengan 12 stasiun kerja dan waktu siklus maksimum 37.03 menit. Untuk lini perakitan kendaraan bermotor efisiensi lini sebesar 0.99 dengan waktu siklus maksimum 53.083 menit.

---

The aim of this research is to obtain the optimum assembly line balancing, in order to increase line efficiency and fulfill production target. Assembly line optimization was achieved using Differential Evolution Algorithm. Differential Evolution is one of evolutionary algorithm with simple, yet powerful, and straightforward. After the research is completely done, the result for efficiency line of hydraulic excavator type PC300 is 0.9 with 12 workstations and maximum cycle time 37.03 minute. Further more for vehicle assembly line the line efficiency is 0.99 with maximum cycle time 53.083 minute."

"Kereta sebagai salah satu peningkatan infrastruktur di Indonesia menjadi mode transportasi yang umum dipakai oleh masyarakat. Optimalisasi operasional kereta menjadi salah satu tantangan dimana kereta listrik menjadi solusi dengan biaya operasional rendah serta gaya traksi tinggi. Bentuk optimasi dapat dilihat dari penggunaan energi dalam perjalanan berdasarkan profil kecepatan kereta. Optimisasi kecepatan kereta dapat menggunakan salah satu algoritma optimasi yaitu Differential Evolution (DE) Algorithm. DE merupakan algoritma metaheuristik untuk mencari global optimum pada continuous space. Untuk mencapai hasil yang optimum, DE mengaplikasikan tahap inisialisasi, mutasi, crossover, hingga seleksi pada setiap interval waktu perjalanan. Solusi profil kecepatan dapat menentukan mode berkendara (accelerating, cruising, coasting, braking) untuk mencapai penggunaan energi terendah dalam operasional kereta.

---

Train, one of the infrastructure improvements in Indonesia, is a mode of transportation commonly used by the public. Optimizing train operations is one of the challenges where electric trains are a solution with low operational costs and high tractive force. Optimization can be seen from the use of energy in the journey based on the train speed profile. Train speed optimization can use one of the optimization algorithms, namely the Differential Evolution (DE) Algorithm. DE is a metaheuristic algorithm for finding the global optimum in continuous space. To achieve optimum results, DE applies the initialization, mutation, crossover, and selection stages at each travel time interval. Speed ​​profile solutions can determine driving modes (accelerating, cruising, coasting, braking) to achieve the lowest energy use in train operations."

"Penelitian ini membahas masalah penjadwalan job shop pada suatu perusahaan tertentu. Permasalahan job shop merupakan permasalahan yang sudah umum, akan tetapi pada penelitian ini ada keunikan dimana ada pengulangan proses dari job tertentu yang harus dikerjakan pada mesin tertentu sebelumnya. Sebagai akibatnya ?ditambahkan? mesin dummy untuk membantu mempermudah penyelesaian masalah ini, penambahan mesin mana menjadikan uniknya persoalan job shop. Sebagai model job shop digunakan 10 jobs dengan 85 pesanan dan 6 mesin yang berbeda, ditambah dengan 2 mesin dummy. Masalah penjadwalan dalam job shop ini diselesaikan dengan menggunakan metode algoritma differential evolution (DE) yang meminimalkan total biaya produksi. Penjadwalan dengan metode algoritma DE memberikan solusi yang cepat. Hasil dari penjadwalan dapat menghemat 0.19% total biaya produksi, juga makespan mengalami perbaikan 24% terhadap jadwal lama. Dengan demikian perusahaan bisa meningkatkan jumlah pesanan.

---

This study presents a job shop scheduling problem on a specific company. Job shop is a common problem, but in this study, there is a uniqueness of the job shop involving a repetition process of operation on certain jobs. As a result, dummy machine is ?added? to ease the problem. The model used 10 jobs, 85 orders and 6 different machines with 2 additional dummy machines. Differential evolution (DE) algorithm method is used to solve the problem, which minimizes the total cost of production. Scheduling with DE algorithm provides a quick solution. The results save 0.19% of total production costs, and improve makespan 24% compared to old scheduling. With the proposed method the company can increase the numbers of orders."

"ABSTRAKKebutuhan energi Indonesia di berbagai sektor pengguna mengalami peningkatansetiap tahunnya, khususnya sektor industri pengguna energi gas alam yaituCompressed Natural Gas (CNG). Permasalahan yang terjadi di perusahaanpenyedia CNG yaitu kuantitas pengiriman yang berbeda-beda pada tiap titik,keterbatasan kapasitas muatan armada, keterbatasan armada, lokasi konsumenyang jauh, terkendala kemacetan jalan, dan pendistribusian masih menggunakansistem one-to-one. Untuk meminimasi biaya pendistribusian CNG danmembuktikan metode manakah yang lebih unggul dan handal untukmenyelesaikan persoalan multi-depot maka digunakan metode Tabu Search (TS)dan Differential Evolution (DE) dengan algoritma The Vehicle Routing Problemdengan Times Window (VRPTW). Algortima VRPTW digunakan untukmerancang sebuah model optimasi menggunakan program Matlab. Hasilpenelitian ini adalah memperoleh model rute dan jumlah armada pendistribusianCNG yang optimal dan membandingkan kehandalan hasil performa dari ketigametode TS dan DE.

---

ABSTRACTIndonesia's energy needs in the various sectors of users has increased every year,especially the industrial sector energy users of natural gas that is CompressedNatural Gas (CNG). The problems that occurred in the CNG provider company isdelivery quantity different at every point, fleet payload capacity limitations, thelimitations of the fleet, the location of distant consumers, constrained roadcongestion, and distribution are still using a system of one-to-one. To minimizethe cost of distribution of CNG and prove which method is superior and morereliable to resolve the issue of multi-depot then used the method Tabu Search (TS)and Differential Evolution (DE) algorithm The Vehicle Routing Problem withTimes Window (VRPTW). VRPTW algorithms used to design an optimizationmodel using Matlab program. Results of this study was to obtain these models andthe number of CNG fleets optimal distribution and compare the reliability of theperformance results of all three methods TS and DE."

"This paper aims to analyze the performance of Nelson-Siegel and Svensson in modeling the Indonesia government term structure, then each model will undergo two different fitting process; the linear and non-linear method. The former follows the Diebold & Li (2006) and De Pooter (2007) framework, the latter will utilize the Differential Evolution as its main method to estimate the yield curve through random mutation. Therefore, this paper will compare four estimation processes that each consists of an estimation model and method. Author used historical price data of Fixed Rate bonds from April 2017 until September 2017 on daily basis. The analysis will measure each estimation process based on multicollinearity (pre-stage), parameters’ stability (1st stage), and fitting capability using RMSE and MAE (2nd stage). From each analysis stage, it is found that the Svensson model has an issue with multicollinearity. Even though it can fit the yield better than Nelson-Siegel, its correlation between parameters has a confounding effect for the financial interpretation. Second it is found that the non-linear method underperformed in the parameters’ stability stage, each parameter has a high volatility making it unable to represent the temporal movement of the actual yields Third, it is found that the Nelson-Siegel with linear method has the smallest residual value in MAE compared to the other remaining estimation process in this stage, making it as the most preferable estimation process for constructing Indonesia government term structure.

---

Penelitian ini bertujuan untuk menganalisa performa dari Nelson-Siegel dan Svensson dalam memodelkan term structurepemerintah Indonesia, setiap model estimasi ini akan melalui dua proses fitting yang berbeda; metode linear dan non-linear. Proses metode linear mengikuti kerangka Diebold & Li (2006) dan De Pooter (2007), sementara untuk non-linear akan menggunakan proses Differential Evolution sebagai metode utama untuk mengestimasi kurva yield melalui mutasi random. Penelitian ini akan membandingkan empat proses estimasi yang setiapnya terdiri dari satu model estimasi dan satu metode estimasi. Penulis menggunakan data harga historis obligasi Fixed Rate dari bulan April 2017 sampai September 2017 dalam basis harian. Proses analisa penelitian akan mengukur setiap proses estimasi berdasarkan dari multikolinearitas (pre-stage), stabilitas parameter (1st stage), dan kemampuan fitting menggunakan RMSE dan MAE (2ndstage). Dari setiap tingkat analisa, telah ditemukan bahwa model Svensson memiliki isu dengan multikolinearitas. Walaupun model ini memiliki kemampuan fitting yang lebih baik dari Nelson-Siegel, tetapi korelasi antara parameternya membuat model ini sulit untuk diinterpretasikan. Kedua, telah ditemukan bahwa metode non-linear memiliki kinerja yang kurang baik dalam tahap stabilitas parameter, setiap parameternya memiliki volatilitas yang tinggi yang membuat model ini sulit untuk merepresentasikan pergerakan yield yang sesungguhnya. Ketiga, telah ditemukan bahwa model Nelson-Siegel dengan metode linear memiliki nilai error terkecil dalam ukuran MAE dibanding proses estimasi lainnya yang tersisa dalam tahap ini, membuat proses estimasi ini menjadi pilihan terbaik dalam membuat term structure pemerintah Indonesia."

"Model Heston merupakan salah satu model yang sangat populer untuk menghitung harga opsi. Namun, keakuratan model tersebut sangat bergantung pada parameter model yang digunakan. Oleh karena itu, pemilihan model parameter sama pentingnya dengan model itu sendiri. Salah satu cara untuk menemukan parameter model Heston terbaik adalah dengan cara meminimumkan fungsi eror antara hara opsi model dengan harga opsi yang berlaku di pasar. Cara seperti ini disebut kalibrasi. Implementasi kalibrasi model Heston dengan algoritma differential evolution (DE) dapat dilakukan dengan enam langkah. Langkah pertama, yaitu menentukan data harga opsi yang digunakan. Langkah-langkah selanjutnya yaitu menentukan metode perhitungan model Heston, fungsi eror, variasi dan parameter kontrol DE, serta kondisi terminasinya. Langkah terakhir, DE diimplementasikan untuk mendapatkan parameter model. Hasil simulasi lima puluh kali kalibrasi pada data harga opsi artifisial menunjukan DE telah cukup baik dalam mengkalibrasi empat dari lima jenis data harga opsi yang digunakan. Lebih jauh lagi, kalibrasi menggunakan lima puluh data harga opsi saham Apple Inc juga memberikan hasil yang cukup baik.

---

The Heston Model is one of the most popular model for option pricing. Yet, its accuracy is highly depend on choosing model parameters. Thus, choosing model parameters is important as the model itself. One way to choose the best model parameters is minimizing eror function between the model price and the market price. Such a way is called calibration. Calibrating Heston model with differential evolution (DE) algorithm can be implemented in six steps. First, decide the option price data used for calibration. Then, choose a method for evaluating option price by Heston Model, error function for calibration, variation and control parameter for DE, Also terminating condition of the algorithm. The last, Implement DE to get pameters of the model. The result of fifty times calibration with DE was good enough in four of five artifisial data used. Moreover, calibration using fifty option price of The Apple Inc data also show a good result."

"Penelitian ini membahas masalah penjadwalan job shop pada suatu perusahaan otomotif. Pada sistem ini akan dihasilkan sejumlah produk dalam beberapa jenis dengan rute yang dapat berbeda satu sama lain. Penjadwalan produksi merupakan suatu permasalahan yang kompleks sehingga dibutuhkan metode yang tepat untuk memperoleh solusi yang optimal untuk masalah ini.Metode penelitian yang digunakan adalah salah satu dari metode meta-heuristik, yaitu algoritma differential evolution (DE). Prinsip algoritma DE sesuai dengan analogi evolusi biologi, yaitu terdiri dari proses inisialisasi populasi, proses mutasi, proses pindah silang dan proses seleksi. Algoritma ini memiliki beberapa keunggulan, yaitu konsepnya sederhana, mudah diaplikasikan, cepat dalam menghasilkan solusi, dan tangguh. Fungsi tujuan dari permasalahan ini adalah meminimumkan makespan.Penjadwalan yang diperoleh melalui algoritma differential evolution menghasilkan makespan sebesar 286.432,4 detik, sedangkan jadwal perusahaan menghasilkan 313.325 detik. Jadi, usulan jadwal menghasilkan penurunan makespan sebesar 8,58 % dibandingkan jadwal perusahaan.

---

This research discusses job shop scheduling problems in the automotive company. This system yields large amount of different products with some different manufacture processes. Production scheduling is the complex problems so that approriated method to produces the optimal solution of it is needed.

Method of this research is one of meta-heuristic algorithms, differential evolution (DE) algorithm. The principle of DE algorithm is based on analogy of biology evolution that consists of population initiatilization process, mutation process, crossover process, and selection process. This algorithm has some strengths because of its simply structure, ease to use, speed, and robustness. The objective function in this problem is to minimize makespan.

This schedule that is obtained from differential evolution algorithm produces makespan of 286,432.4 seconds, meanwhile the schedule of company produces 313,325 seconds. Thus, new schedule produces reduction of makespan about 8.58% compare with schedule of company."