Hasil Pencarian  ::  Simpan CSV :: Kembali

"Firefly Algorithm (FA) adalah teknik optimisasi yang terinspirasi dari alam yang awalnya dirancang untuk memecahkan masalah optimisasi fungsi kontinu. Ada beberapa pendekatan yang menggunakan FA sebagai dasar metode untuk memecahkan masalah optimisasi diskrit, khususnya Traveling Salesman Problem (TSP). Dalam tesis ini, skema gerakan baru yang disebut dengan edge-based movement diajukan. Edge-based movement adalah sebuah operator mutasi yang menjamin bahwa perubahan suatu kandidat solusi akan menyerupai dengan solusi kandidat yang diinginkan. Hal ini membuat algoritma lebih berperilaku seperti FA. Kinerja Evolutinary Discrete Firefly Algorithm di ujicoba saat menggunakan edge-based movement, dan membandingkan hasilnya dengan metode sebelumnya. Simulasi komputer menunjukkan bahwa skema gerakan baru ini menghasilkan akurasi yang sedikit lebih baik namun dengan rata-rata waktu yang lebih cepat dengan nilai rata-rata faktor speedup 14,06 kali.

---

The Firefly Algorithm (FA) is a nature-inspired technique originally designed for solving continuous optimization problems. There are several existing approaches that apply FA also as a basis for solving discrete optimization problems, in particu-lar the Traveling Salesman Problem (TSP). In this thesis, a new movement scheme called edge-based movement is proposed. Edge-based movement is an operation which guarantees that a candidate solution more closely resembles another one. This leads to a more FA-like behavior of the algorithm. The performance of the Evolutionary Discrete Firefly Algorithm is investigated when using this new edge-based movement, and compare it against previous methods. Computer simulations show that the new movement scheme produces slightly better accuracy with much faster average time. The average speedup factor is 14.06 time"

"Permasalahan lokasi alokasi sekolah bertujuan untuk menghasilkan distribusi peserta didik ke sekolah sedemikian sehingga total jarak perjalanan siswa minimum. Permasalahan ini termasuk jenis masalah kombinatorial dan dapat dimodelkan sebagai permasalahan p-median. Pada penelitian ini, pendekatan algoritma hibrida firefly-genetika digunakan untuk menyelesaikan masalah lokasi alokasi sekolah dengan studi kasus SMP Negeri di Jakarta Selatan. Algoritma firefly diusulkan karena kemampuannya yang baik dalam mengarahkan konvergensi solusi ke nilai fungsi objektif yang lebih baik dalam permasalahan dengan fungsi kontinu. Algoritma genetika diusulkan karena kemampuan operasi genetikanya yang dapat menjaga variasi individu dalam populasi sehingga dapat menghindarkan solusi terjebak di nilai optimum lokal. Hasil pengujian menunjukkan nilai jarak perjalanan yang didapatkan oleh algoritma hibrida firefly-genetika lebih baik daripada algoritma firefly dan algoritma genetika. Untuk nilai parameter yang sama, waktu komputasi algoritma hibrida firefly-genetika relatif sama dengan algoritma firefly, namun jauh lebih tinggi dari algoritma genetika.

---

School location allocation problem aims to distribute students to schools such that the total of students travel distance is minimum. This problem is a type of combinatorial problem and can be modeled as a p-median problem. In this study, hybrid firefly-genetic algorithm is used to solve school location allocation problem with case study of South Jakarta junior public schools. Firefly algorithm is proposed because of its ability in directing the convergence to better solutions in continuous problems. Genetic algorithm is proposed because its genetic operators can maintain individual variation in the population to avoid a solution getting stuck at local optimum. The experiment results show that the total travel distance obtained by hybrid firefly-genetic algorithm is better than firefly algorithm and genetic algorithm. For the similar parameter values, the computational time of hybrid firefly-genetic algorithm is quite same as firefly algorithm, but much higher than genetic algorithm."

"Penjadwalan merupakan penentuan waktu mulai dan berakhirnya penugasan sumber daya, peristiwa untuk mencapai tujuan tertentu. Jadwal yang baik dapat meningkatkan efisiensi dan pemanfaatan sumber daya. University Examination Timetabling Problem (UETP) adalah permasalahan NP-hard untuk menentukan jadwal ujian bedasarkan daftar ujian, mahasiswa, waktu, dan ruangan yang terbatas. Studi ini mengusulkan metode Great Deluge Algorithm (GD) yang telah dimodifikasi dengan local search operator untuk menyelesaikan UETP. Metode ini diuji menggunakan data benchmark Toronto yang merupakan permasalahan Uncapacitated UETP. Metode yang diusulkan menunjukkan hasil yang menjanjikan dibandingkan dengan Algoritma Great Deluge yang tersedia dalam literatur sebelumnya.

---

Scheduling involves determining the start and the end time of resource assignments, events, or tasks to achieve a particular goal. A good schedule can increase the efficiency and the utilization of resources. The University Examination Timetabling Problem (UETP) is an NP-hard problem that determines the schedule of exams given students’ exam lists and limited period and room. This study proposes using a Great Deluge Algorithm (GD) with local search operators to solve the UETP. The method is used to generate solutions for the uncapacitated Toronto benchmark datasets. The proposed method shows promising results compared to the original Great Deluge Algorithm and the Modified Great Deluge Algorithm available in previous literature.

"

"ABSTRAKDua tantangan teknis yang menjadi kunci bagi terselenggaranya Internet of Things adalah banyaknya peranti yang aktif secara bersamaan dan bandwidth link yang terbatas. Untuk dapat melayani banyak peranti pada bandwidth link yang terbatas, maka diperlukan sebuah algoritma penjadwalan (scheduling algoritthm) yang mengatur timing dari peranti-peranti tersebut dalam menggunakan kanal-kanal bandwidth. Salah satu algoritma penjadwalan yang disebutkan dalam dokumen IETF adalah Traffic Aware Scheduling Algorithm (TASA), sebuah algoritma penjadwalan terpusat untuk jaringan IEEE802.15.4e TSCH. Dengan mengacu pada TASA, penelitian ini mengusulkan sebuah algoritma penjadwalan link baru yang dinamakan Iman Ramli Bursty Transmission Scheduling Algorithm (IRByTSA). Algoritma IRByTSA memiliki tingkat kompleksitas yang rendah dan melebihi kecepatan TASA dalam menghasilkan link-scheduling decision. Hasil penelitian memperlihatkan bahwa kompleksitas IRByTSA adalah dengan tingkat kecepatan dalam membangkitkan link-scheduling decision sampai dengan 7,14 kali lipat dibandingkan TASA. Penelitian ini telah dapat membangun sebuah tool baru yang dinamakan TSCH Link-Scheduling Visualization and Data Processing (TLS-VaD) yang dapat membantu penelitian di bidang rancang-bangun algoritma penjadwalan link terpusat untuk jaringan IEEE802.15.4e TSCH.

---

ABSTRACTTwo technical challenges that are key to the implementation of the Internet of Things are the many devices that are active simultaneously and the limited link bandwidth. For serving many devices in a limited link bandwidth, a scheduling algorithm is needed to regulate the timing of these devices in using bandwidth channels. One of the scheduling algorithms mentioned in the IETF document is the Traffic-Aware Scheduling Algorithm (TASA), ie, a centralized scheduling algorithm for the IEEE802.15.4e TSCH network. Referring to TASA, this study proposes a new link-scheduling algorithm called Iman Ramli Bursty Transmission Scheduling Algorithm (IRByTSA).  IRByTSA has a low level of complexity and exceeds the TASA's speed in generating link-scheduling decisions. The results showed that the complexity of IRByTSA is  , with the rate of speed in generating link-scheduling decisions is up to 7.14 times compared to TASA. This research has also been able to develop a new tool called TSCH Link-Scheduling Visualization and Data Processing (TLS-VaD), which can be used for designing a centralized link-scheduling algorithm for the IEEE802.15.4e TSCH network."

"Perkembangan teknologi, selain memberikan berbagai kemudahan, juga membawa dampak negatif yaitu menurunnya keamanan dalam penyampaian informasi. Oleh karena itu, perlu dilakukan pengamanan informasi, terlebih yang bersifat rahasia. Pengamanan dapat dilakukan dengan dua cara, yaitu kriptografi dan steganografi. Dalam penelitian ini, akan dilakukan pengamanan informasi berupa suara digital dengan mengkombinasikan kriptografi dan steganografi. Untuk kriptografi menggunakan fungsi chaos Logistic Map dan untuk steganografi menggunakan metode Least Significant Bit LSB Coding. Proses pengamanan memakan rata-rata waktu komputasi 9,631-25,701 detik. Hasilnya diukur dengan Mean Square Error MSE dan Peak Signal-to-Noise Ratio PSNR . Nilai MSE dan PSNR yang dihasilkan adalah 0,102-0,434 dan 100,230-93,933 dB, di mana nilai tersebut mengindikasikan file suara yang baru sulit dibedakan dengan suara aslinya.

---

The development of technology, besides giving many advantages, also brings a negative impact. One of them is the decrease of security in information delivery. Therefore, we need to secure especially for secret informations. An information can be secured with two methods, that is cryptography and steganography.

In this research, an information securing of a digital audio using combination of cryptography and steganography will be applied. A chaotic function logistic map is used for cryptography and Least Significant Bit LSB Coding method is used for steganography. The average running time of a security process is 9,631 25,701 seconds.

The result is measured with Mean Square Error MSE and Peak Signal to Noise Ratio PSNR , with the MSE value is 0,102 0,434 and the PSNR value is 100,230 93,933 dB, which indicates the new sound file is difficult to distinguish from the original sound."

"Ant Colony Optimization (ACO) adalah salah satu algoritma approximate untuk penyelesaian permasalahan NP-hard dan salah satu metode state-of-the-art dalam penyelesaian masalah diskrit. Vehicle Routing Problem (VRP), salah satu permasalahan diskrit, dalam penelitian ini akan diselesaikan menggunakan algoritma ACO. Permasalahan VRP yang akan diselesaikan adalah 6 hasil penelitian mahasiswa Departemen Teknik Industri Universitas Indonesia. Hasil dari penyelesaian VRP menggunakan ACO menunjukkan bahwa fungsi tujuan jarak dari solusi dengan algoritma ACO lebih baik dari pendekatan yang digunakan pada penelitian sebelumnya.

---

Ant Colony Optimization (ACO) is one of approximate algorithm for solving NP-hard problem and state-of-the-art method for solving discrete problem. Vehicle Routing Problem (VRP), one of discrete problem, in this research will be solved using ACO algorithm. VRP problem that will be solved are the result of 6 student research that held by Industrial Engineering and Department, University of Indonesia. The result of solving VRP using ACO show that objective function of solution distance with ACO algorithm is better than previous approach in those research."

"Dalam desain sistem pemantauan dan pengontrolan parameter lingkungan secara otomatis, selain desain sistem serta implementasi algoritma di dalamnya, pemilihan media tanam merupakan faktor penting yang menjadi pertimbangan. Pertimbangan akan jenis media tanam mengarah kepada suatu media terisolasi yang memungkinkan terjadinya pengontrolan langsung oleh aktuator. Sedangkan pertimbangan akan desain sistem mengarah kepada bagaimana arsitektur fisik alat dan protokol pemantauan dan pengontrol dapat dieksekusi secara efektif dan efisien. Pertimbangan pada implementasi algoritma mengarah kepada bagaimana proses pemantauan dan pengontrolan bersifat komplementer. Dalam skripsi ini, peneliti mengusulkan rancang sistem pemantau dan pengontrol tanaman dengan media terarium tertutup berbasis IoT dengan menggunakan algoritma novel yang memanfaatkan integrasi data, yakni data fusion, dan adaptive hysteresis regime. Tujuan dari sistem yang diusulkan ialah untuk mengontrol setiap parameter lingkungan ke dalam rentang optimum dengan mempertimbangkan coupling relationship antar parameter untuk mempercepat pertumbuhan tanaman. Hasil pengukuran menunjukkan bahwa sistem yang diusulkan menghasilkan kondisi optimum yang berkelanjutan dan stabil. Hal ini dibuktikan pada saat implementasi sistem di mana kecepatan pertumbuhan tanaman yang dikontrol di dalam sistem yang diusulkan rata-rata lebih cepat 23,83 % daripada tanaman yang tidak dikontrol.

---

In the design of autonomous monitoring and controlling environmental parameters, in addition to the system design and algorithm implementation, the choice of planting media is an important factor to be considered. Consideration of the type of planting media leads to an isolated medium that allows direct control by actuators. While the consideration of the system design leads to how the physical architecture and monitoring and controlling tools and protocols can be executed effectively and efficiently. Consideration on the implementation of algorithm leads to how the monitoring and controlling process is complementary to each other. In this thesis, the researcher proposes the design of plant monitoring and controlling system with IoT-based terrarium medium using novel algorithms that utilize data integration, namely data fusion, and the adaptive hysteresis regime. The purpose of the proposed system is to control each environmental parameter into the optimum range by considering coupling relationship between parameters to accelerate plant growth. The measurement results show that the proposed system produces optimum conditions that are more sustain and stable. This is evidenced at the time of the implementation of the system where the plant growth controlled in the proposed system is on average 23,83 % faster than uncontrolled ones."

"Teknologi dalam kehidupan manusia telah berkembang pesat dan membawa banyak kenyamanan bagi orang-orang dalam berbagai aspek di kehidupan mereka. Selain itu, perkembangan teknologi membawa dampak berbahaya bagi lingkungan, terutama pada kualitas udara. Karena proses produksi di industri, jumlah konsentrasi polutan meningkat dengan cepat. Particulate matter halus (PM2.5) merupakan salah satu polutan berbahaya dan dianggap sebagai salah satu faktor utama penurunan kesehatan masyarakat. Banyak upaya yang sedang dilakukan untuk menyediakan pemantauan konsentrasi PM2.5. Peramalan PM2.5 disediakan untuk peringatan dini bagi orang-orang. Dalam hal peramalan, tingkat akurasi merupakan hal yang paling menantang. Model yang tepat perlu dibangun untuk memperroleh prediksi yang presisi. Saat ini, Deep Neural Network (DNN) adalah teknik kecerdasan buatan telah terbukti menyelesaikan beberapa permasalahan terkait prediksi. Oleh karena itu, tesis ini mengusulkan mekanisme optimisasi peramalan menggunakan kombinasi dari Golden Section Search dan Fruit Fly Optimization Algorithm dengan mekanisme pembersihan data (data cleaning) menggunakan model DNN. Mekanisme yang diusulkan terbukti secara efektif mengoptimalkan tiga model DNN yaitu Multilayer Perceptron (MLP), Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) untuk mencapai akurasi perkiraan konsentrasi PM2.5 yang lebih baik

---

Technology in human life has advanced tremendously and it brings a lot of convenient for people in various aspects of their life. Besides that, it also brings a harmful impact on the environment, especially on air quality. Due to industrial production, the quantity of pollutant concentration raises rapidly many times. Fine particulate matter (PM2.5), one of dangerous pollutant, is regarded as one of the main factors for the deterioration of public health. Many efforts were being created to provide the monitoring of PM2.5 concentrations. PM2.5 forecasting provided for early warning to people. In terms of forecasting, accuracy is the most challenging task. A proper model needs to be constructed to lead the precision prediction. Nowadays, Deep Neural Network (DNN) is an artificial intelligence technique that has proven to solve several prediction problems. Therefore, this thesis proposed the forecasting optimization mechanism employing the Golden Section Search and Fruit Fly Optimization Algorithm combines with a data cleansing mechanism using DNN models. The proposed mechanism effectively optimizes three DNN models that are Multilayer Perceptron (MLP), Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) to achieve better forecasting accuracy of PM2.5 concentration"

"Karet adalah salah satu komoditas yang memberikan kontribusi yang signifikan dalam ekonomi Indonesia. Indonesia menempati posisi kedua sebagai produsen karet terbesar di dunia. Namun, sejak 2017, penyakit gugur daun karet Pestalotiopsis yang disebabkan oleh Pestalotiopsis sp. telah menjadi ancaman serius bagi budidaya karet dan menyebabkan kerugian ekonomi. Penyakit ini menginfeksi daun, menyebabkan nekrosis dan keguguran daun yang berkelanjutan, yang menghambat fotosintesis. Luas area perkebunan karet yang terjangkit penyakit ini sebesar 382.000 ha pada 2019 dan bertambah seluas 30.328,84 ha pada 2021, menyebabkan hilangnya produksi getah karet (lateks) hingga 30%. Penyakit ini menyebabkan kerugian ekonomi milyaran rupiah dan biaya pengendalian yang mahal, sehingga perlu dilakukan pendeteksian dini agar memungkinkan langkah intervensi yang cepat. Namun, Pendeteksian konvensional membutuhkan waktu, tenaga, dan biaya yang tinggi serta keahlian khusus. Oleh karena itu, pada penelitian ini, dikembangkan model deep learning untuk mengurangi waktu, biaya, dan tenaga dalam mendeteksi tingkat keparahan penyakit gugur daun karet Pestalotiopsis ke dalam 5 tingkat, sesuai dengan penelitian yang dilakukan oleh Pusat Penelitian Karet Sembawa pada tahun 2022. Pada penelitian ini, pendekatan yang dilakukan adalah dengan melatih YOLOv8 segmentation untuk menyegmen bercak pada daun yang menyatakan tingkan keparahan penyakit gugur daun Pestalotiopsis dan tulang daun dari data citra daun karet. Selanjutnya, untuk melatih model klasifikasi ResNeSt, digunakan data citra yang telah disegmentasi oleh model YOLOv8 segmentation yang sudah terlatih. Dengan demikian, klasifikasi tingkat keparahan penyakit gugur daun karet Pestalotiopsis dilakukan dengan hanya memandang bercak penyakit dan tulang daun karet, tanpa memperhatikan warna keseluruhan daun. Metrik yang digunakan adalah precision, recall, mAP50, mAP50-95, dan akurasi. Precision adalah persentase prediksi positif yang benar dari semua prediksi positif, recall adalah persentase kasus positif yang benar-benar teridentifikasi, mAP50 adalah rata-rata precision pada berbagai nilai recall dengan nilai threshold 50, dan mAP50-95 adalah rata-rata precision pada nilai threshold dari 50 hingga 95. Akurasi mengukur persentase prediksi yang benar oleh model secara keseluruhan. Pelatihan model YOLOv8 segmentation menghasilkan rata-rata precision keseluruhan sebesar 70,4%, recall sebesar 68,60%, mAP50 sebesar 64,10%, dan mAP50-95 sebesar 33,64%. Pelatihan model klasifikasi ResNeSt menggunakan data citra yang disegmentasi menggunakan YOLOv8 segmentation menghasilkan akurasi sebesar 78,65%, precision 80,12%, dan recall 79,14%.

---

Rubber is a commodity that makes a significant contribution to the Indonesian economy. Indonesia occupies the second position as the largest rubber producer in the world, with total production reaching 3.12 million tons (Dekarindo, 2021). However, since 2017, the Pestalotiopsis rubber leaf fall disease caused by Pestalotiopsis sp. has become a serious threat to rubber cultivation and caused economic losses. The disease infects the leaves, causing ongoing necrosis and leaf drop, which inhibits photosynthesis. The area of ​​rubber plantations affected by this disease was 382,000 ha in 2019 and increased by 30,328.84 ha in 2021, causing a loss of rubber latex production of up to 30% (Damiri et al., 2022). This disease causes economic losses of billions of rupiah and expensive control costs, so early detection is necessary to enable rapid intervention. However, conventional detection requires high time, effort and costs as well as special expertise. Therefore, in this research, a deep learning model was developed to reduce the time, costs and energy in detecting the severity of the Pestalotiopsis rubber leaf fall disease into 5 levels, in accordance with research conducted by the Sembawa Rubber Research Center. In this study, the approach used is to train YOLOv8 segmentation to segment Pestalotiopsis leaf fall disease spots and leaf veins from rubber leaf image data. Furthermore, to train the ResNeSt classification model, image data that has been segmented by the trained YOLOv8 segmentation model is used. Thus, the classification of the severity of Pestalotiopsis rubber leaf fall disease is carried out by only looking at the disease spots and rubber leaf veins, without considering the overall color of the leaf. The metrics used are precision, recall, mAP50, mAP50-95, and accuracy. Precision is the percentage of correct positive predictions from all positive predictions, recall is the percentage of positive cases that are actually identified, mAP50 is the average precision at various recall values ​​with a threshold value of 50, and mAP50-95 is the average precision at the threshold value from 50 to 95. Accuracy measures the percentage of correct predictions by the model overall. Training the YOLOv8 segmentation model produced an overall average precision of 70.4%, recall of 68.60%, mAP50 of 64.10%, and mAP50-95 of 33.64%. Training the ResNeSt classification model using image data segmented using YOLOv8 segmentation resulted in an accuracy of 78.65%, precision of 80.12%, and recall of 79.14%."

"ABSTRAKPengiriman produk yang memiliki daya tahan atau shelf-life yang relatif terbatas secara optimal merupakan fokus dari penelitian ini. Karakteristik utama dari produk tersebut yaitu mudah rusak perishable dan terdeteriorasi dalam rentang waktu pengiriman tertentu. Produk yang mudah rusak perishable product tersebut telah menjadi persoalan utama dalam sistem distribusi cold chain yang dapat menyebabkan masalah ketidak efisiensian biaya pada proses pengirimanya. Dari persoalan tersebut, model matematika di desain melalui pengembangan vehicle routing problem, with soft time windows VRPSTW dengan mempertimbangkan kontribusi biaya energi terhadap fungsi tujuan. Pembuatan model matematika dilakukan melalui pemrograman komputer yang menggunakan Python 3.5 untuk mendapatkan hasil yang optimal. Agar solusi yangdihasilkan feasible pendekatan metaheuristik genetic algorithm dikembangkan dalam penelitian ini; hasil dari penelitian ini menyatakan bahwa algoritma tersebut mampu menghasilkan solusi yang lebih baik daripada algoritma mixed integer linear programming.

---

ABSTRACTConveying product which has a limited shelf life optimally is the concern of this study. The main attribute of this product is perishable within a certain time frame. However,perishable product has a critical issue in the cold chain system which leads dispatching costs inefficiency problems. Regarding this problem, mathemetical model built thru extended a vehicle routing problem, with soft time windows VRPSTW by considering energy consumption cost to evaluate its contribution towards the objective function. Model building conducted into computer programming that uses Python Spyder 3 for generating feasible solution. For the sake of feasibility, a metaheuristic approach ofgenetic algorithms provided to find the best optimal solution the results diagnosed thatgenetic algorithms can generate best feasible solution efficiently with in a certain numberof variables in case of perishable product delivery."