Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada skripsi ini dirancang pengendali Model Predictive Control (MFC) Nonlinier pada Coupled-Tank Control Apparatus PP-100. Model yang digunakan adalah Model Nonlinier Hammerstein. Penentuan sinyal kendali yang akan diberikan psida plant dilakukan dengan menggunakan Genetic Algorithm. Model Nonlinier Hammerstein terdiri dari bagian nonlinier statis yang diikuti oleh bagian linier dinamis. Bagian nonlinier statis dari Model Hammerstein dibuat menggunakan struktur Jaringan Radial Basis Function (RBF). Jumlah node dan parameter pusat dan lebar dari Fungsi Gaussian yang digunakan dalam node ditentukan dengan menggunakan Genetic Algorithm (GA). Nilai kesesuaian pada GA ditentukan dengan menggunakan Akaike Information Criterion (AIC) yang berfungsi melihat kesesuaian suatu model terhadap sistem yang sesungguhnya. Parameter pada bagian linier dinamis dan parameter beban pada Jaringan RBF ditentukan dengan menggunakan metode Linear Least-Square. Hasil uji eksperimen menunjukkan bahwa pengendali MPC Nonlinier mampu memberikan kinerja pengendalian yang baik pada titik kerja yang berbeda."

"ABSTRAKRobust Knapsack Problem (RKP) adalah variasi dari masalah Knapsack, dimana dalam hal ini bobot dari setiap item belum diketahui secara pasti, dan hanya diketahui terletak dalam sebuah interval tentu. Pada RKP akan dicari solusi optimal yang merupakan keuntungan optimal yang akan didapatkan, dan item-item mana saja yang diletakkan ke dalam Knapsack sehingga menghasilkan solusi optimal. Terdapat dua metode alternatif yang akan dijelaskan untuk mencari solusi optimal pada RKP, yang kemudian dibandingkan efisiensi dari kedua metode tersebut dengan dilihat dari running time masing-masing metode. Sedangkan untuk mencari himpunan item-item yang menghasilkan solusi optimal pada RKP akan digunakan metode partisi rekursif, dimana ide awalnya adalah dengan mempartisi himpunan item menjadi dua subhimpunan item.

---

ABSTRACTRobust Knapsack Problem (RKP) is a variation of the Knapsack Problem, where in this case the weight of each item is not exactly known in advance, but belongs to a given interval. On RKP, it will be sought optimal solution, which is the optimal benefit to be gained, and set of items placed into the Knapsack. There are two methods that will be discussed to find optimal solution in RKP, and then the efficiency of the two alternative methods will be compared with their running time. Whereas, to search the set of items that build optimal solutions in the RKP will be used recursive partitioning method. The main idea of this method is dividing the set of items into two subsets of items."

"Pertumbuhan industri remanufaktur terus terjadi peningkatan, namun disisi lain, permasalahan yang sering terjadi pada sistem remanufaktur yaitu perencanaan pasokan material, hal ini dikarenakan proses remanufaktur mempunyai ketidakpastian pada proses disassembly, disposal, refurbishing, dan reassembly yang pada akhirnya akan mempengaruhi pasokan material. Pasokan material ini bisa didapatkan dari dua alternatif yaitu dari supplier eksternal atau dari overhaul produk kembali. Tujuan penelitian ini adalah mendapatkan model keputusan pengadaan spare part yang tepat pada periode t dengan memperhatikan tingkat kerusakan yang berbeda-beda pada produk kembali di sistem remanufaktur. Metode yang digunakan dalam penelitian ini menggunakan Integer Linear Programming dengan algoritma penyelesaian Branch and Bound. Hasil yang didapatkan dari penelitian ini sudah menjawab berapa spare part yang harus dipesan ke supplier, berapa spare part yang diperbaiki lagi untuk di-reuse, berapa spare part yang yang menjadi inventory dan berapa jumlah spare part yang dibuang. Hasil analisa sensitivitas menunjukkan bahwa spare part yang paling sensitif terhadap perubahan harga adalah injector assy dan yang tidak terlalu sensitif adalah spare part connection rod dan arm assy.

---

Remanufacturing industry growth continues increasing, but on the other hand, the problems that often occur in remanufacturing systems is material supply planning, this is due to the uncertainty in the process of remanufacturing in disassembly, disposal, refurbishing, and reassembly, which in turn will affect the supply of material. Supply of these materials can be obtained from the two alternatives, namely from external suppliers or overhauling returned products.

This research has purpose to get a decision model of proper procurement of spare parts in period t with respect to degree of damage varying the return product in remanufacturing systems.

The method of this research uses Integer Linear Programming with completion Branch and Bound algorithm.

The results obtained from this study have answered how many spare parts that must be ordered to supplier, how many parts are repaired for reuse again, how many spare parts that are to be inventory and how many spare parts were disposal. Results of the sensitivity analysis showed that the parts most sensitive in changing of price is the injector assy, on the other hand, spare parts that not overly sensitive are connection rod and arm assy."

"Pemilihan portofolio adalah salah satu bidang penelitian yang menarik dan penting di bidang keuangan karena masa depan dan ketidak beraturan pasar keuangan yang tidak dapat diprediksi. Setiap investor berharap mendapatkan tingkat pengembalian yang tinggi untuk portofolio mereka dengan risiko sekecil mungkin dan hal ini sulit dicapai, sehingga investor mencoba menyeimbangkan kinerja dan risiko portofolio melalui diversifikasi. Tujuan penelitian ini adalah untuk menyelidiki strategi pemilihan portofolio melalui metode clustering dan Genetic Algorithm. Clustering digunakan untuk diversifikasi portofolio dengan membentuk sekelompok aset homogen berdasarkan karakteristik rasio keuangan mereka. Ada tujuh rasio keuangan yang akan digunakan, yaitu EPS, PER, PEG, ROE, DER, Current Ratio, dan Profit Margin. Dalam skripsi ini digunakan algoritma Density Based Clustering of Application with Noise sebagai metode clustering DBSCAN. Setelah fase clustering, Genetic Algorithm digunakan untuk membentuk portofolio optimum. Genetic Algorithm secara otomatis memilih portofolio dengan risiko dan pengembalian yang optimal berdasarkan hasil clustering dengan memutuskan aset dan bobot masing-masing yang akan dimasukkan dalam portofolio. Algoritma genetika didasarkan pada model Mean Variance Cardinality Constrained Portofolio Optimization MVCCPO dan disebut metode Genetic Algorithm dengan kendala. Metode ini berhasil memberikan tingkat pengembalian dan Sharpe ratio yang lebih tinggi 25,35 dan 17,20 dibandingkan dengan indeks S P 500 pada periode waktu yang sama dengan tingkat pengembalian dan Sharpe ratio masing-masing 12,34 dan 2,7.

---

Portfolio selection is one of the interesting and important fields of research in finance because of the unpredictable future and randomness of the financial market. Every investor is hoping to get a high rate of return for their portfolio with as little risk as possible, which is hard to achieve, so investors try to balance the performance and risk of the portfolio through diversification. The motivation of this research is to investigate the portfolio selection strategies through clustering method and application of genetic algorithm. Clustering is used to diversify the portfolio by forming a homogenous cluster of assets with respect to their financial ratios characteristic. There are seven financial ratio characteristics that is used, they are EPS, PER, PEG, ROE, DER, Current Ratio and Profit Margin.

In this thesis, Density Based Clustering Algorithm with Application of Noise used as the clustering method DBSCAN. After the clustering phase, genetic algorithm used for portfolio selection. Genetic Algorithm automatically select the optimum risk and return portfolio based on the clustered asset by deciding which assets and their respective weights included in the portfolio. The genetic algorithm is based on the Mean Variance Cardinality Constrained Portofolio Optimization MVCCPO model and called a Constrained Genetic Algorithm. The method succesfully give a higher level of return 25,35 and Sharpe ratio 17,20 compared to S P 500 index in the same period of time 12.34 and 2.7 respectively."

"Optimisasi Portofolio bertujuan untuk melindungi investor dari segala risiko yang mungkin terjadi. Diversifikasi saham merupakan salah satu solusi untuk mengoptimalkan portofolio saham, dimana portofolio yang terdiversifikasi cenderung memiliki risiko yang lebih kecil dibandingkan dengan yang portofolio yang tidak terdiversifikasi. Agglomerative clustering merupakan salah satu metode hierarchical clustering. Untuk mengaplikasikan konsep diversifikasi, Agglomerative Clustering digunakan untuk mengelompokkan 40 saham berdasarkan pada 7 rasio finansial EPS, PER, PEG, ROE, DER, Current Ratio dan Profit Margin. Genetic algorithm GA adalah metode pencarian berdasarkan prinsip seleksi alam dan genetika. Setelah saham dikelompokkan, Genetic algorithm dengan heuristic crossover diaplikasikan pada tiap klaster untuk menentukan proporsi dari tiap saham. Dalam skripsi ini, model optimisasi possibilistic mean-semi-absolute deviation digunakan dimana kardinalitas, kuantitas, dan biaya transaksi dipertimbangkan sebagai kendala, dimana return dari aset diasumsikan merupakan bilangan fuzzy. Implementasi metode menghasilkan tingkat return 29.77 dan Sharpe Ratio 18.7097 yang lebih tinggi dibandingkan dengan indeks S P 500 pada periode waktu yang sama 12.34 dan 2.7 secara berurutan.

---

Portfolio optimization aims to protect investors against any risks which they may experience. Stock diversification is one of the solutions to optimize stock portfolio, where a diverse portfolio tends to have less risk then the undiversified one. Agglomerative clustering is one of hierarchical clustering method. To apply diversification concept, Agglomerative Clustering is used to cluster 40 different assets based on their financial ratio scores EPS, PER, PEG, ROE, DER, Current Ratio and Profit Margin. Genetic algorithms GA are search methods based on principles of natural selection and genetics. After the stocks are clustered, Genetic algorithm with heuristic crossover is applied on each cluster alongside to determine the weight of each stock. In this thesis, a possibilistic mean semi absolute deviation optimization model is used where cardinality, quantity, and transaction cost are considered as constraints, where the returns of risky assets are assumed as fuzzy numbers. The implementation shows that the method gave a higher level of return 29.77 and Sharpe ratio 18.7097 compared to S P 500 index in the same period of time 12.34 and 2.7 respectively."