Hasil Pencarian  ::  Simpan CSV :: Kembali

"Variasi intensitas pencahayaan pada citra dokumen akan menyebabkan kesulitan dalam menentukan nilai threshold dari citra tersebut. Pendekatan statistik konvensional tidak cukup baik dalam memecahkan masalah ini. Dalam hal ini, diperlukan nilai threshold yang berbeda-beda untuk setiap bagian citra. Nilai threshold dari setiap bagian citra dapat dipandang sebagai masalah klasifikasi. Dalam permasalahan klasifikasi semacam ini, dibutuhkan pencarian fitur-fitur terbaik. Di sini diusulkan sebuah pendekatan baru untuk mengekstrak fitur-fitur tersebut dengan menggunakan grammatical evolution. Nilai kebaikan dari masing-masing fitur akan dihitung secara saling lepas. Dalam percobaan yang dilakukan, tampak bahwa penggunaan fitur-fitur baru tersebut menghasilkan hasil yang sangat baik. Hanya ditemukan 5 kesalahan pengklasifikasian dalam 45 kasus.

---

AbstractThe various lighting intensity in a document image causes diffculty to threshold the image. The conventional statistic approach is not robust to solve such a problem. There should be different threshold value for each part of the image. The threshold value of each image part can be looked as classifcation problem. In such a classifcation problem, it is needed to find the best features. This paper propose a new approach of how to use grammatical evolution to extract those features. In the proposed method, the goodness of each feature is calculated independently. The best features then used for classification task instead of original features. In our experiment, the usage of the new features produce a very good result, since there are only 5 miss-classification of 45 cases."

"This book “Variants of Evolutionary Algorithms for Real-World Applications” aims to promote the practitioner’s view on EAs by providing a comprehensive discussion of how EAs can be adapted to the requirements of various applications in the real-world domains. It comprises 14 chapters, including an introductory chapter re-visiting the fundamental question of what an EA is and other chapters addressing a range of real-world problems such as production process planning, inventory system and supply chain network optimisation, task-based jobs assignment, planning for CNC-based work piece construction, mechanical/ship design tasks that involve runtime-intense simulations, data mining for the prediction of soil properties, automated tissue classification for MRI images, and database query optimisation, among others. "

"Proses pembuatan jadwal kuliah merupakan kegiatan yang panjang, membosankan, serta membutuhkan waktu dan pemikiran yang cukup besar jika dilakukan secara manual. Penyelesaian masalah penjadwalan kuliah secara otomatis dengan bantuan komputer dapat mengurangi waktu dan tenaga dalam membuat jadwal kuliah dan memperkecil terjadinya kesalahan yang disebabkan human error.Genetic algorithm (GA) merupakan salah satu algoritma local search yang bekerja dengan memori yang kecil dan sering kali dapat menemukan solusi yang masuk akal dalam state space yang sangat besar yang tidak bisa ditemukan oleh algoritma yang sistematik sehingga cocok digunakan untuk menyelesaikan masalah penjadwalan kuliah. Penjadwalan kuliah adalah masalah yang multiobjective karena banyak aspek yang menentukan baik buruknya suatu jadwal kuliah. Oleh karena itu, pada tugas akhir ini digunakan algoritma multiobjective SPEA2.Dalam tugas akhir ini, masalah penjadwalan kuliah dimodelkan sebagai constraint satisfaction problem, lalu diselesaikan dengan GA. Terdapat hard constraint dan soft constraint dalam penjadwalan kuliah. Setiap constraint dianggap sebagai satu fungsi objektif yang mempengarui nilai fitness individu. Pada eksperimen yang dilakukan, digunakan variasi: 1) ukuran test case: kecil, sedang, besar gasal, besar genap, 2) algoritma multiobjective: SPEA2 dan aggregation based, 3) 4 representasi chromosome, 4) GA parameter: populasi, archive size, crossover type, dan mutation rate, 5) constraint aktif.Dari hasil eksperimen, GA dapat menyelesaikan penjadwalan kuliah dengan baik karena pada hampir semua test case yang dicobakan, GA dapat menghasilkan jadwal yang memenuhi semua constraint yang ada. Selain itu, mengenai parameter GA untuk masalah penjadwalan kuliah dapat disimpulkan: algoritma multiobjective SPEA2 lebih baik dari aggregation based, populasi semakin besar semakin baik, archive size yang ideal adalah 50% dari jumlah populasi, mutation rate sangat tergantung dari panjang genome.

---

The process of creating a university timetable is a long and tedious work that needs much time and energy if it is done manually. Solving university timetabling problem automatically with a computer not only can reduce time and energy but also prevent human error.Genetic algorithm (GA) is one of local search algorithm that requires little memory and can often find a reasonable solution in a very big state space search which can not be found by systematic search algorithms. Therefore, it is useful for solving timetabling problem. Timetable scheduling is a multiobjective problem because there are many aspects that determine whether a schedule is good or bad. Because of that, in this research, multiobjective algorithm SPEA2 is used.In this reasearch, timetabling problem is represented as a constraint satisfaction problem, then solved with GA. There are hard constraints and soft constraints in university timetabling problem. Each constraint is considered as an objective function that affect fitness value of an individual. In the experiment conducted, the variation used are: 1) test case size: small, medium, large odd, large even, 2) multiobjective algorithm: SPEA2 and aggregation based, 3) four different chromosome representations, 4) GA parameters: population, archive size, crossover type, and mutation rate, 5) active constraints.From the results of the experiment, GA can successfully solve timetabling problems because in almost all the test cases tried, GA can generate schedules that satisfy all the constraints. In addition, conclusions about the GA parameters for the timetabling problem are: multiobjective algorithm SPEA2 is better than aggregation based, the greater the population the better, the ideal archive size is 50% of the population, mutation rate is highly dependent on the length of the genome."

"Generalized Assignment Problem (GAP) adalah masalah penugasan sehimpunan berhingga tugas ke sehimpunan berhingga agen. Setiap tugas mempunyai bobot dan biaya penyelesaian yang mungkin berbeda untuk setiap agen. Setiap agen mempunyai kapasitas sumber daya dan tidak boleh mengerjakan tugas melebihi kapasitasnya. Pada skripsi ini dilihat kinerja dari algoritma genetik dalam menyelesaikan GAP. Algoritma genetik terinspirasi oleh teori evolusi biologi. Operator utama yang digunakan adalah binary tournament selection, one point crossover, dan swap mutation. Untuk meningkatkan kinerja, ditambahkan local improvement steps dan replacement scheme. Kinerja algoritma genetik diukur dari kedekatan solusi yang diperoleh dengan Best Known Solution (BKS) dari masalah penguji yang diambil dari OR Library. Selain itu, juga dilihat pengaruh perubahan nilai probabilitas crossover PC dan probabilitas mutasi Pm terhadap kinerja algoritma genetik. Berdasarkan percobaan, disimpulkan bahwa kinerja algoritma genetik dalam menyelesaikan GAP cukup baik, dengan kesalahan relatif nilai fungsi tujuan solusi terbaik terhadap BKS cukup kecil, yaitu tidak lebih dari 0.03. Dari percobaan mengubah nilai parameter, diperoleh dengan PC = 0.6, nilai Pm yang cukup baik adalah 0.25 ? 0.3. "

"Pada skripsi ini akan dibahas konsep ride sharing pada taksi, atau disebut juga taxi sharing, yang merupakan salah satu upaya untuk mengatasi masalah kemacetan akibat kurang seimbangnya jumlah kendaraan yang beredar dengan kapasitas jalan yang dapat menampung kendaraan. Pada taxi sharing, penumpang taksi berbagi kendaraan taksi dan biaya perjalanan dengan penumpang lain yang memiliki tempat asal-tujuan yang sama/hampir sama dalam waktu perjalanan yang hampir bersamaan. Pemanfaatan taxi sharing yang mengoptimalkan utilisasi kendaraan taksi, selain dapat mengurangi jumlah kendaraan taksi yang dibutuhkan untuk melayani konsumen dan mengurangi biaya operasional taksi, juga dapat mengurangi penggunaan bahan bakar, yang pada akhirnya mengurangi emisi gas buang kendaraan. Untuk memaksimalkan penggunaan taxi sharing, maka diperlukan pengoptimalan rute taksi dalam melayani penumpang, dimana masalah pencarian rute taxi sharing yang optimal dalam skripsi ini akan dimodelkan dalam bentuk mixed integer programming problem. Permasalahan ini diselesaikan menggunakan algoritma genetika, yang lahir dari sebuah inspirasi teori evolusi Darwin. Algoritma ini digunakan untuk mencari pasangan penumpang yang berbagi layanan taksi dan rute taksi yang optimal. Hasil percobaan dengan menggunakan ukuran populasi (popsize) 10, jumlah generasi 50 dan 100, crossover rate (Cr) 0.7, dan mutation rate (Mr) 0.2 menunjukkan bahwa yang sebelumnya terdapat 8 permintaan taksi dan 8 taksi, operator taksi dapat mengurangi jumlah taksi yang beroperasi sebesar satu taksi. Taksi yang menggunakan konsep taxi sharing, yaitu taksi 5 akan melayani permintaan 2 dan 8, dengan urutan menjemput permintaan 2 lalu 8, lalu mengantarkan permintaan 2 kemudian 8, dengan biaya yang dibayarkan Rp4.200,00 untuk permintaan 2 dan Rp14.700,00 untuk permintaan 8. Maka dari itu, keuntungan operator taksi menjadi lebih besar, penumpang dapat menghemat biaya perjalanan, dan penggunaan kendaraan di jalan berkurang.

---

This research will discuss about the implementation of taxi ride sharing system or taxi sharing as an attempt to find a solution for traffic jam problem that caused by an unequal number of public transportation units operated in the street and the lack of street capacity which supposed to facilitate it. With the present of taxi sharing system, consument can share their taxi trip with others passengers that going on to same direction at the same time. This solution can give benefit for consuments by sharing the trip cost while at the same time benefitted the public transportations provider to optimalized the utilization of the taxi units and cut off operationalization cost, benefitted society by minimalize the number of cars in the streets and reducing air polution from gasoline consumption. To make this taxi sharing system works it also needed an optimalization in taxi route for each trip service. This research will be trying to solved this challenges by examines the taxi-sharing route services through Mixed Integer Programming Problems. This process will be carried using a genetics algorythm which inspired from Darwin's theory of evolution. This algorithm is aiming to be effectively find and match pairs of passengers who use taxi sharing system and taxi routes. The experiment by using population size (popsize) of 10, number of generations 50 and 100, crossover rate (Cr) 0.7, mutation rate (Mr) 0.2 shows that from 8 taxi units to accomodate 8 taxi requests that have been received before, the taxi provider supposedly be able to effectively reduce the number of taxis into only 7 taxis to carry all of the sharing system passengers that requesting. A taxi that uses taxi sharing system will serve request number 2 and request number 8, by picking up request 2 then 8, then delivering request 2 then 8, with fees paid Rp4.200,00 for request 2 and Rp14.700,00 for request 8. Therefore, the profit of the taxi provider is greater, the passengers can save their trip costs, and the use of vehicles on the road can be decreased."

"ABSTRAKSaat ini, perusahaan minyak di Indonesia secara bertahap menjadi lebih fokus pada pengoptimalan logistik hulu mereka. Salah satu sumber daya tertinggi yang digunakan dalam logistik hulu adalah kapal ldquo;Offshore Supply Vessel rdquo;. Kapal ldquo;Offshore Supply Vessel rdquo; digunakan untuk melaksanakan fungsi pasokan reguler ke instalasi lepas pantai secara berkala dari basis pasokan darat. Perencanaan efisien operasi kapal sangat penting karena keputusan tentang ukuran armada kapal dan pemanfaatannya memiliki efek ekonomi yang kuat karena biaya kapal yang mahal.Data untuk penelitian ini disediakan oleh salah satu perusahaan minyak dan gas di Indonesia. Perusahaan ini tidak memiliki kapal pasokan lepas pantai, mereka disewa dari perusahaan pelayaran. Dalam penelitian ini, kami menyajikan Genetic Algorithm GA sebagai metode untuk menentukan jumlah kapal pasokan lepas pantai yang disewa untuk melakukan operasi, menentukan komposisi armada kapal pasokan lepas pantai yang optimal dan penugasan mereka sesuai jadwal. Tujuan dari penelitian ini adalah untuk merancang model optimasi untuk ukuran armada dan masalah penugasan dalam operasi kapal suplai lepas pantai di Indonesia. Hasil dari penelitian ini jumlah armada ldquo;Offshore Supply Vessel rdquo; yang beroperasi dapat dikurangi sehingga total biaya operasional dan sewa kapal dapat dikurangi.

---

ABSTRACTNowadays, oil companies in Indonesia are gradually becoming more focused on optimizing their upstream logistics. One of the most costly resources used in upstream logistics are offshore supply vessels. Offshore supply vessels are used to carry out regular supply function to offshore installation on periodic basis from onshore supply bases. The efficient planning of supply vessel operation is extremely important since the decision on the size of the supply vessel fleet and its utilization has a strong economic effect as the vessel cost are rather expensive. The data for this research was provided by one of oil and gas company in Indonesia. This company does not own offshore supply vessels, they are hired from the shipping company. In this research, we present Genetic Algorithm GA as method to decide the number of offshore supply vessels hired to perform the operation, determine the optimal fleet composition of offshore supply vessel and their assignment as per schedules. The objective of this research is to design an optimization model for fleet sizing and assignment problem in offshore supply vessel operations in Indonesia. The result of the research is the number of offshore supply vessel can be reduced and impacted the overall operational cost and rest cost. "

"Salah satu cara untuk mengatasi masalah kemacetan dan polusi udara akibat penggunaan kendaraan pribadi yang kurang efektif yaitu dengan menggunakan sistem berbagi tumpangan (ride sharing). Ride sharing merupakan suatu sistem dimana pelaku perjalanan berbagi (sharing) kendaraan dengan pelaku perjalanan lain yang memiliki waktu dan lokasi asaltujuan perjalanan yang sama atau hampir sama. Pada skripsi ini akan dibahas masalah optimasi penggunaan sistem berbagi tumpangan dengan kedatangan permintaan layanan baru diketahui saat akan melakukan pelayanan yang disebut juga dynamic ride sharing. Bentuk model matematis dari masalah tersebut akan menggunakan Dial-A-Ride-Problem with Money as incentive (DARP-M), yaitu suatu pengembangan dari DARP dengan menambahkan batasan dalam aspek biaya. Selanjutnya akan digunakan algoritma genetika sebagai metode penyelesaian dari masalah tersebut. Berdasarkan hasil percobaan yang dilakukan dalam skripsi ini diperoleh bahwa algoritma genetika cukup dapat memberikan solusi yang optimal untuk permasalahan tersebut dan dengan menggunakan ride sharing sebagai DARP-M akan memberikan penghematan biaya perjalanan bila dibandingkan tidak menggunakan ride sharing.

---

One way to overcome congestion and air pollution problems due to ineffective use of private vehicles is to use a ride sharing system. Ride sharing system itself refers to a system in which users share vehicles with other users who have the same or nearly same location of travel origin and destination as well as the same set of time. This thesis discusses the issues of optimizing the use of the ride-sharing system with the arrival of new service requests known when they are about to perform services to customers which is alson known as dynamic ride sharing. The form of a mathematical model used in this thesis to adress such issues is called Dial A Ride Problem with Money as incentives (DARP-M), which is a development of DARP by adding constrains in the aspect of costs. Furthermore, genetic algorithms is used as a method of problem-solving. Based on the results of the experiments conducted in this thesis, it is found that the genetic algorithm can provide an optimal solution to these issues and by using ride sharing, as DARP-M demonstrated, it could provide savings in travel costs when compared to not using ride sharing."