Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK Tesis ini membahas mengenai cara melakukan pengelompokan spare part maintenance menggunakan teknik multivariat yaitu analisa kluster yang digabungkan dengan klasifikasi fuzzy dan klasifikasi ABC. Tujuan penggunaan ketiga metode pengelompokan ini adalah untuk mendapatkan suatu sistem pengelompokan inventory yang cukup akurat, mengakomodasi lebih dari satu variabel/kriteria pengelompokan dan mudah diaplikasikan oleh profesional. Hasil pengelompokan ini akan digunakan sebagai dasar untuk menentukan metode pengelolaan yang sesuai untuk spare part maintenance tersebut.

---

ABSTRACT This thesis is concern about how to classifying spare part of maintenance using one of multivariate technique, cluster analysis, combined with fuzzy classification and ABC classification. The objective of using these three kind of methods is to find accurate inventory classification method which could accommodate more than one variable/criteria and easy to implemented by management professional. Result of this classification will be used to decide the best way to manage the spare part of maintenance.

Abstrak :
Pendeteksian topik merupakan suatu teknik untuk memperoleh informasi dengan cara mengekstrak topik-topik dari kumpulan data yang sangat besar. Salah satu metode yang digunakan untuk pendeteksian topik adalah metode clustering, yaitu Fuzzy C-Means (FCM). Namun, kinerja dari FCM menjadi buruk saat harus melakukan clustering pada data yang berdimensi tinggi. Kelemahan dari FCM tersebut dapat ditanggulangi dengan cara melakukan reduksi dimensi. Pada penelitian ini, digunakan suatu metode deep learning, yaitu Deep Autoencoders (DAE), untuk mereduksi dimensi dari kumpulan data. Metode FCM clustering dengan reduksi dimensi DAE ini disebut Deep Autoencoders-Based Fuzzy C-Means (DFCM). Metode DFCM dibagi menjadi dua tahapan, yakni mereduksi dimensi kumpulan data yang berdimensi tinggi menggunakan Deep Autoencoders, dan melakukan FCM clustering pada data yang telah direduksi. Hasil dari metode DFCM adalah topik-topik. Topik-topik tersebut dievaluasi menggunakan nilai coherence. Pada penelitian ini, dibangun dua metode DFCM, yaitu FCM berbasis DAE dengan satu lapisan tersembunyi (DFCM-single hidden layer) dan FCM berbasis DAE dengan multi lapisan tersembunyi (DFCM-multi hidden layers). Hasil dari kedua metode ini menunjukkan bahwa topik-topik pada DFCM-single hidden layer memiliki nilai coherence lebih tinggi dari topik-topik pada DFCM-multi hidden layers. ......Topic detection is a technique to find out information by extracting topics from big data. One method used for topic detection is the clustering method, namely Fuzzy C-Means (FCM). However, the performance of FCM becomes worse when clustering on highdimensional data. That weakness is resolved by dimensional reduction. In this research, deep learning method is used to reduce the dimensions of the data set, namely Deep Autoencoders (DAE). FCM clustering method with DAE dimensional reduction is called Deep Autoencoders-Based Fuzzy C-Means (DFCM). DFCM is divided into two parts. First, reducing the dimensions of high-dimensional data collection using Deep Autoencoders. Second, performing FCM clustering on the reduced data. Results of DFCM are topics. These topics are evaluated using the value of coherence. In this research, two DFCM methods were built, namely DAE with one hidden layer based FCM (DFCM-single hidden layer) and DAE with multi-hidden layers based FCM (DFCMmulti hidden layers). The results of these two methods show that the topics in DFCMsingle hidden layer have a higher coherence value than the topics in DFCM-multi hidden layers.

Abstrak :
Analisis triclustering adalah salah satu metode data mining yang memiliki tujuan mengelompokkan data berbentuk tiga dimensi. Triclustering umumnya digunakan pada bidang bioinformatika untuk menganalisis kesamaan ekspresi gen suatu eksperimen pada titik waktu tertentu. Analisis triclustering yang dilakukan pada penelitian ini menggunakan metode gabungan Fuzzy Cuckoo Search berdasarkan Gaussian Distribution dengan -Trimax. Metode ini merupakan penggabungan algoritma nodes deletion pada Trimax dengan algoritma optimasi Fuzzy Cuckoo Search. Algoritma nodes deletion pada -Trimax digunakan pada fase pembentukan populasi awal tricluster. Konsep algoritma nodes deletion yaitu dapat menghasilkan himpunan tricluster dengan Mean Square Residue (MSR) di bawah threshold dan mendekati 0. Algoritma optimasi Cuckoo Search adalah algoritma pencarian solusi tricluster, digambarkan dengan konsep parasitisme spesies burung cuckoo. Pada penelitian ini, Cuckoo Search menggunakan random walk Gaussian Distribution untuk pencarian solusi tricluster. Berdasarkan hal ini komputasi algoritma Cuckoo Search menjadi lebih efisien dan efektif dalam menghasilkan himpunan tricluster yang lebih optimal dan mempercepat waktu komputasi. Fuzzy Cuckoo Search adalah pengembangan dari Cuckoo Search yang menggunakan fungsi objektif Fuzzy C-Means untuk mengatasi ketidakjelasan (uncertainty) dalam data ekspresi gen. Analisis triclustering menggunakan metode gabungan Fuzzy Cuckoo Search berdasarkan Gaussian Distribution dengan -Trimax digunakan pada data ekspresi gen tiga dimensi sel fibroblas yang diberikan perlakuan dengan Egr-1 dan Tgf-, di mana ekspresi gen diamati pada 6 kondisi dan 2 titik waktu. Pada penelitian ini, himpunan tricluster yang memiliki kualitas terbaik berdasarkan Triclustering Quality Index adalah himpunan tricluster yang dihasilkan dengan nilai = 0,015 dan = 0,50 . Berdasarkan himpunan tricluster tersebut, didapatkan informasi penting mengenai kumpulan gen yang memiliki respon baik terhadap pemberian perlakuan dengan Egr-1, Tgf- dan bertahan setiap titik waktu. Kumpulan gen tersebut dilakukan Gene Ontology (GO) yang diuji menggunakan Fisher’s exact dengan tingkat signifikansi 0,05 dan dikoreksi dengan False Discovery Rate. Hasil GO tersebut terdiri dari 219 GO Terms Biological Process, 28 GO Terms Molecular Function, dan 52 GO Terms Cellular Component. GO Terms dari masing-masing aspek GO tersebut dapat dijadikan bahan untuk penelitian di bidang bioinformatika untuk menganalisis hubungan GO Terms terhadap penyakit Systemic Sclerosis (SSc). ......Triclustering analysis is one of the data mining methods aimed at clustering threedimensional data. Triclustering is commonly used in the field of bioinformatics to analyze the similarity of gene expression in an experiment at specific time points. The triclustering analysis in this research uses a combined method of Fuzzy Cuckoo Search based on Gaussian Distribution with -Trimax. This method combines the nodes deletion algorithm of -Trimax with the optimization algorithm of Fuzzy Cuckoo Search. The nodes deletion algorithm of -Trimax is used in the initial population formation phase of the tricluster. The concept of the nodes deletion algorithm is to produce tricluster sets with Mean Square Residue (MSR) below the threshold and close to 0. The optimization algorithm of Cuckoo Search is a search algorithm for tricluster solutions, depicted with the parasitism concept of cuckoo bird species. In this research, Cuckoo Search uses random walk Gaussian Distribution for tricluster solution search. This enhances the efficiency and effectiveness of the Cuckoo Search algorithm in producing more optimal tricluster sets and accelerating the computation time. Fuzzy Cuckoo Search is an extension of Cuckoo Search that employs Fuzzy C-Means objective function to handle uncertainty in gene expression data. The triclustering analysis using the combined method of Fuzzy Cuckoo Search based on Gaussian Distribution with -Trimax is applied to the three-dimensional gene expression data of fibroblast cells treated with Egr-1 and Tgf-1, where gene expressions are observed under 6 conditions and 2 time points. In this research, the tricluster set with the best quality based on the Triclustering Quality Index (TQI) is obtained with = 0.015 and = 0.50. Based on this tricluster set, important information is derived regarding groups of genes that respond well to treatment with Egr1, Tgf, and persist at each time point. These gene groups are subjected to Gene Ontology (GO) analysis, which is tested using Fisher's exact test with a significance level of 0.05 and corrected with False Discovery Rate. The GO results consist of 219 GO Terms Biological Process, 28 GO Terms Molecular Function, and 52 GO Terms Cellular Component. The GO Terms from each aspect can be utilized for further research in the field of bioinformatics to analyze the relationship of GO Terms with Systemic Sclerosis (SSc) disease.

Abstrak :
ABSTRAK
Teknologi finansial semakin berkembang di Indonesia. Pada khususnya transaksi uang elektronik di Indonesia sangat berkembang cepat dengan rata-rata 87% dari tahun 2012 hingga September tahun 2019. Namun sayangnya, berdasarkan survey Jakpat pada tahun 2018, masih belum adanya adopsi teknologi finansial pada dunia kesehatan. Tujuan utama dari penelitian ini adalah mengadopsi teknologi finansial di Rumah Sakit dan manajemen resiko sesuai dengan kerangka (framework) TOEH (Technology, Organization, Environment, dan Human). Lingkup dari penelitian ini adalah rawat jalan unit administrasi pembayaran di Rumah Sakit. Fuzzy ANP dan manajemen resiko digunakan untuk mencari faktor penting yang perlu dipersiapkan rumah sakit dan mempertimbangkan resiko yang mungkin terjadi jika mengadopsi teknologi finansial sesuai dengan kerangka TOEH (Technology, Organization, Environment, Human). Penelitian ini juga mempertimbangkan adanya segmentasi kesiapan rumah sakit. Penelitian ini menghasilkan dua segmen kesiapan rumah sakit. Selain itu, dari segmen pertama dihasilkan faktor penting dari sisi technology dengan subfaktor compatibility dan security concern sedangkan untuk segmen kedua dihasilkan faktor environment dan subfaktor coercive government pressure dan vendor support. Dari hasil analisa manajemen resiko dihasilkan time risk berupa dan psychological risksebagai kategori resiko yang paling tinggi. Sedangkan dari hasil analisis biaya manfaat dihasilkan 4 rumah sakit yang sudah layak untuk menginvestasikan teknologi finansial dan 1 rumah sakit yang belum layak untuk menginvestasikan teknologi finansial.

---

ABSTRACT
Financial technology is growing in Indonesia. Especially for electronic money transactions in Indonesia has been growing rapidly with an average 87% from 2012 until September 2019. Unfortunately, based on Jakpat Survey in 2018, there is still no adoption of financial technology in health services. This research aimed to adopt financial technology in hospital and risk management from TOEH ((Technology, Organization, Environment, Human) framework. This research also considers about the hospital readiness segmentation which had two segments in the result. In addition, the result shows that the first segment have an important factor in technology with compatibility and security concern as a subfactors while the second segment have an important factor in environmentalwith coercive government pressure and vendor support as a subfactors. Based on risk management analysis also said that time risk and psychological risk as the highest risk category.Whereas, from benefit cost analysis result, there are 4 hospitals that already feasible if they want to adopt financial technology and 1 hospital that not yet feasible if they want to adopt financial technology.

Abstrak :
Berdasarkan data Kementerian Perindustrian, industri kabel diperkirakan akan mengalami pertumbuhan sekitar 10% -15% beberapa tahun ke depan. Industri kabel saat ini sedang aktif menyuplai industri otomotif, kenaikan penjualan otomotif dan variasi produk ini yang sangat sulit di antisipasi permintaannya. Oleh karena itu, untuk menghadapi ketidakpastian ini, pelaku bisnis harus memiliki alat atau strategi agar rencana strategis perusahaan menjadi andal. Beberapa penelitian sebelumnya tentang prediksi jumlah stok produk di masa depan, menyimpulkan bahwa inventori, baik dalam bentuk bahan baku, barang dalam proses, produk setengah jadi dan produk jadi, pada biaya inventori 20% hingga 40% dari nilai produk. Dengan demikian, pengendalian inventori sangat penting dalam bisnis perusahaan. Kontribusi utama dari penelitian ini adalah membuat model pendukung keputusan dengan memprediksi pesanan dari pelanggan untuk meminimalkan risiko kegagalan persediaan. Oleh karena itu, kombinasi Fuzzy Analytic Hierarchy Process (Fuzzy AHP) dan Artificial Neural Network (ANN) dilakukan untuk manajemen inventori. ......Based on data from the Ministry of Industry, the cable industry is expected to experience growth of around 10% -15% in the next few years. The cable industry is currently actively supplying the automotive industry, the increase in automotive sales and variations in these products are very difficult to anticipate demand. Therefore, to deal with this uncertainty, business people must have a tool or strategy so that the company`s strategic plan becomes reliable. Some previous studies on the prediction of the number of product stocks in the future, concluded that inventory, both in the form of raw materials, in-process goods, semi-finished products and finished products, at inventory costs 20% to 40% of product value. Thus, inventory control is very important in the company`s business. The main contribution of this research is to make a decision support model by predicting orders from customers to minimize the risk of inventory failure. Therefore, a combination of Fuzzy Analytic Hierarchy Process (Fuzzy AHP) and Artificial Neural Network (ANN) is carried out for inventory management.

Abstrak :
Data penelitian merupakan output dari kegiatan penelitian dan aset penting bagi institusi penelitian. Research data management (RDM) merupakan aktivitas penyimpanan, akses, dan pelestarian dari data yang dihasilkan dari proyek penelitian. Implementasi RDM di institusi penting dalam mendukung berbagi data dan kolaborasi. Tujuan dari penelitian ini yaitu membangun model penilaian kesiapan RDM. Model yang dapat digunakan untuk membantu institusi penelitian dalam menilai tingkat kesiapan dan mengidentifikasi kesenjangan untuk mengembangkan strategi dalam menerapkan RDM. Model penilaian kesiapan RDM terdiri dari dua komponen, yaitu model kesiapan dan metode penilaian kesiapan. Model kesiapan dibentuk dari sejumlah faktor yang merupakan standar kriteria untuk menyiapkan institusi dalam menerapkan RDM. Kerangka kerja technology, organization, people, dan environment (TOPE) digunakan sebagai panduan dalam memilih faktor dan indikator. Fuzzy Delphi Method digunakan untuk memvalidasi faktor dan indikator yang diturunkan dari literatur. Faktor yang dihasilkan kemudian diintegrasikan dengan faktor yang diperoleh dari hasil wawancara dengan pengelola data penelitian di beberapa institusi penelitian di Indonesia. Setelah dilakukan validasi pakar, hasil akhir dari model kesiapan RDM terdiri dari empat dimensi, 13 faktor dan 42 indikator. Penelitian ini mengungkapkan bahwa lingkungan merupakan faktor kunci dari kesiapan RDM, faktor ini belum dibahas pada penelitian sebelumnya. Komponen kedua dari model penilaian kesiapan RDM yaitu metode penilaian yang terdiri dari pembobotan kriteria, instrumen penilaian, dan klasifikasi level kesiapan. Bobot dari dimensi dan faktor kesiapan ditentukan dengan menggunakan best worst method. Urutan dimensi berdasarkan besaran bobot yaitu technology, people, organization, dan environment. Besaran dari rentang nilai pada level kesiapan diperoleh berdasarkan pendapat dari para pakar. Kategorisasi dari level kesiapan RDM yaitu rendah (0 - 1,55), sedang (1,56 - 3,45), dan tinggi (3,46 - 5.00). Dalam penelitian ini, purwarupa dikembangkan sebagai sarana uji validasi dari model penilaian kesiapan yang dikembangkan. Pengujian black box menunjukkan bahwa fungsionalitas antar muka dari purwarupa berjalan dengan baik. Nilai system usability scale (SUS) sebesar 73,57 mengindikasikan bahwa antar muka dapat diterima. Sepanjang pengetahuan dari peneliti, model penilaian kesiapan yang siap pakai, dilengkapi dengan bobot dari dimensi dan faktor, dan level kesiapan belum ditemukan untuk konteks RDM khususnya untuk konteks Indonesia. Hasil dari penelitian ini dapat digunakan oleh institusi penelitian untuk menilai kesiapan mereka dan mengidentifikasi area perbaikan dan mengurangi potensi kegagalan dalam implementasi RDM. ...... Research data is the output of research activities and an important asset for research institutions. Research data management (RDM) is the activity of storing, accessing, and preserving data generated from research projects. RDM adoption in institutions is crucial for fostering data sharing and collaboration. The aim of this study is to provide a model for evaluating RDM preparedness. A model that can be used to help research institutes evaluate their level of preparedness and identify any gaps before developing strategies for implementing RDM. The RDM readiness assessment model consists of two components, namely the readiness model and the readiness assessment method. The readiness model is composed of a number of factors that are prerequisites for preparing institutions to implement RDM. The technology, organization, people, and environment (TOPE) framework is used as a guide in selecting factors and indicators. The Fuzzy Delphi Method is employed to validate the factors and indicators derived from the literature. The derived factors are then integrated with those learned from interviews with research data managers at various research institutions in Indonesia. The RDM readiness model ultimately consists of four dimensions, 13 factors, and 42 indicators after expert validation. The environment, which was not previously covered in studies, is revealed in this study to be a critical aspect in RDM readiness. The assessment technique, which is made up of weighting criteria, assessment instruments, and a readiness level categorization, is the second part of the RDM readiness assessment model. The best-worst method is used to calculate the weights of the readiness dimensions and factors. The order of dimensions based on the amount of weight is technology, people, organization, and environment. Expert reviews are used to determine the size of the range of values at the level of readiness. RDM readiness levels are divided into three categories: low (0 - 1.55), medium (1.556 - 3.45), and high (3.46 - 5.00). In this study, a prototype was developed as a means of validity testing of the readiness assessment model. Black box testing shows that the interface functionality of the prototype is running well. The interface has a satisfactory system usability scale (SUS) score of 73.57. To the best of the researchers' knowledge, there are no ready-to-use readiness assessment models for the RDM context, particularly for the Indonesian environment, that include weights from dimensions and components and levels of readiness. The results of this study can be used by research institutions to assess their readiness and identify areas for improvement and reduce potential failures in RDM implementation.

Abstrak :
Seiring dengan makin tingginya tuntutan akan teknologi kendali (kontrol), makin kompleks pula masalah perancangan sistem kendali yang dihadapi para perancang sistem. Hal mi menyebabkan para perancang tersebut semakin dituntut untuk membuat suatu model pengendalian yang dapat menangani masalah yang lebih kompleks. Salah satu masalah pengendalian sistem yang cukup kompleks adalah masalah pengendalian suatu keadaan yang tidak pasti (uncertainty situation). Sedangkan salah satu model pengendalian yang sesuai untuk keadaan seperti itu adalah model pengendalian Fuzzy, yaitu berupa Sistem Inferensi Fuzzy. Skripsi mi membahas tentang. Sistem Inferensi Fuzzy untuk mengatur lebar buka katub karburator dengan tujuan mengefisienkan penggunaan bahan bakar dari kendaraan bermotor yang bersangkutan, dengan menggunakan metode Orthogonal Least Square. Secara garis besar dibahas mengenai model Sistem Inferensi Fuzzy yang digunakan berikut cara kerjanya, cara kerja metode Orthogonal Least Square, dan beberapa teori dasar dan logika Fuzzy yang menjadi dasar Sistem Inferensi Fuzzy.

Abstrak :
Triclustering digunakan untuk mengelompokkan data tiga dimensi secara simultan. Metode triclustering yang digunakan pada penelitian ini adalah gabungan 𝛿-Trimax dengan Fuzzy Cuckoo search (FCS) berdasarkan Lévy Flight. Data yang digunakan adalah data ekspresi gen dari proses diferensiasi human induced pluripoten stem cell (HiPSC) pada penderita penyakit jantung. Tahap awal adalah mencari populasi solusi tricluster homogen menggunakan metode 𝛿-Trimax. Penentuan nilai skala 𝛿 untuk menjalankan algoritma pada tahap populasi awal dilakukan menggunakan metode silhouette coefficient. Algoritma 𝛿-Trimax yang digunakan pada penelitian ini adalah algoritma Muliple Nodes Deletions dan Single Node Deletions. Tricluster yang didapatkan dari tahap 𝛿- Trimax selanjutnya akan dioptimasi menggunakan metode Fuzzy Cuckoo search berdasarkan Lévy Flight. Solusi tricluster yang berpotensi meningkatkan nilai fungsi objektif akan diganti menggunakan local random walk. Kumpulan tricluster yang terbentuk dari tahap optimasi akan dievaluasi menggunakan metode Tricluster Quality Index (TQI). Solusi tricluster terbaik yang diterapkan pada dataset tiga dimensi penyakit jantung didapatkan dari penggunaan nilai skala 𝛿 = 0,026 dan 𝜃 = 1,7. Solusi tricluster terbaik dianalisis lebih lanjut menggunakan Gene Ontology (GO) untuk menjelaskan keterkaitan gen-gen terhadap proses biologis, fungsi molekuler, dan komponen seluler. ......Triclustering is used to group three-dimensional data simultaneously. The triclustering method used in this research is a combination of δ-Trimax with Fuzzy Cuckoo search (FCS) based on Lévy Flight. The threedimensional data used is gene expression data from the human induced pluripotent stem cell (HiPSC) differentiation process in heart disease sufferers. The initial stage finds a homogeneous population of tricluster solutions using the δ-Trimax method. Determining the δ scale value for running the algorithm at the initial population stage is carried out using the silhouette coefficient method. The δ-Trimax algorithm used in this research is the Multiple Nodes Deletions and Single Node Deletions algorithms. The tricluster obtained from the δ-Trimax stage will then be optimized using the Fuzzy Cuckoo search method based on Lévy Flight. The tricluster solution which has the potential to increase the objective function value will be replaced using a local random walk. The tricluster collection formed from the optimization stage will be evaluated using the Tricluster Quality Index (TQI) method. The best tricluster solution applied to a three-dimensional heart disease dataset was obtained from using scale values δ = 0,026 and θ = 1,7. The best tricluster solution was further analyzed using Gene Ontology (GO) to explain the relationship of genes to biological processes, molecular functions, and cellular components.

Abstrak :
Kesadaran lingkungan yang meningkat secara bertahap mendorong perusahaan untuk memiliki manajemen rantai pasok ramah lingkungan yang efektif dan efisien. Salah satu aspek penting dalam manajemen rantai pasok adalah pemilihan pemasok. Biaya pembelian bahan baku menggunakan hampir 70 total biaya produksi. Penelitian ini mengusulkan model dua tahap untuk evaluasi pemasok dan alokasi pesanan yang mempertimbangkan kriteria lingkungan selain kriteria tradisional seperti kualitas, biaya dan pengiriman. Untuk tahap evaluasi pemasok, penulis menggabungkan fuzzy set dan analytical hierarchical process AHP yang memungkinkan ketidakpastian dan ketidakjelasan karena pengambilan keputusan manusia dan kriteria yang subjektif serta mudah untuk diimplementasikan. Untuk tahap alokasi pesanan, salah satu metode multi-objective mathematical programming MOMP yaitu metode augmented ?-constraint AUGMECON digunakan untuk menemukan solusi optimal Pareto dalam permasalahan produk tunggal multipemasok. AUGMECON dapat mengurangi beban komputasi karena komputasi yang canggih dibandingkan dengan metode pemrograman lainnya. Model usulan diuji pada studi kasus di salah satu perusahaan produsen ban di Indonesia. Sembilan ahli diminta untuk memberikan bobot kepentingan pada 9 kriteria dan 41 subkriteria evaluasi pemasok. Hasil alokasi pesanan dari empat pemasok yang dievaluasi adalah x1 = 0, x2 = 10.000 ton, x3 = 4.000 ton, dan x4 = 15.000 ton. Solusi terpilih memberikan 0,16 total biaya lebih rendah dari pesanan eksisting.

---

Increasingly environmental awareness encourages companies to have effective and efficient green supply chain management GSCM . One crucial aspect of SCM is supplier selection. Purchasing cost use almost 70 of total production cost. This study proposes a two stage model for supplier evaluation and order allocation that consider environmental and traditional criteria such as quality, cost and delivery. For supplier evaluation stage, author combine fuzzy set and analytical hierarchical process AHP method that allows uncertainty and vagueness due to human decision making and subjective criteria that are easy to be implemented. For order allocation stage, one of the multi objective mathematical programming MOMP , augmented constraint AUGMECON method is used to find Pareto optimal solutions in single product multiple supplier problems. AUGMECON can reduce computing loads due to sophisticated computing compared to other programming methods. The proposed model was tested with a case study at one of the tire manufacturing companies in Indonesia. Nine experts are required to assign importance weight to 9 criteria and 41 subcriteria of supplier evaluation. Order allocations result from four evaluated suppliers are x1 0, x2 10,000 MT, x3 4,000 MT, and x4 15,000 MT. Selected solution gives 0.16 of total cost lower than the existing order.

Abstrak :
Pendeteksian topik adalah suatu proses yang digunakan untuk menganalisis kata-kata pada suatu koleksi data tekstual untuk menentukan topik-topik yang ada pada koleksi tersebut, bagaimana hubungan topik-topik tersebut satu sama lainnya, dan bagaimana mereka berubah dari waktu ke waktu. Metod (FCM) merupakan metode yang sering digunakan pada masalah pendeteksian topik. FCM dapat mengelompokkan dataset ke beberapa kelompok dengan baik pada dataset dengan dimensi yang rendah, namun gagal pada dataset yang berdimensi tinggi. Untuk mengatasi permasalahan tersebut, dilakukan reduksi dimensi pada dataset sebelum dilakukan pendeteksian topik. Pada penelitian ini digunakan Convolutional Autoencoder dalam reduksi dimensi pada dataset. Oleh sebab itu, metode yang digunakan pada penelitian ini dalam pendeteksian topik adalah metode Convolutional-based Fuzzy C-Means (CFCM). Data yang digunakan dalam penelitian ini data coherence pada topik antara metode CFCM dengan satu convolutional layer (CFCM-1CL) dan metode CFCM dengan tiga convolutional layer (CFCM-3CL). Hasil penelitian ini menunjukkan bahwa nilai coherence dari metode CFCM-1CL lebih tinggi dibandingkan metode CFCM-3CL.