Hasil Pencarian  ::  Simpan CSV :: Kembali

"Ridesharing adalah suatu model transportasi dimana seorang pengendara (driver) berbagi tumpangan dengan penumpang lain (rider) yang memiliki lokasi asal tujuan dan jadwal perjalanan yang hampir sama atau sama dengan driver. Masalah utama dalam ridesharing yaitu menentukan pasangan driver dan rider yang paling optimal untuk melakukan ridesharing. Sebagai proses awal untuk mencari pasangan tersebut, dalam penelitian ini digunakan metode Clustering Large Applications (CLARA) untuk melakukan clustering terhadap titik-titik koordinat origin dan destination dari masingmasing driver dan rider. Sesuai dengan cluster dari masing-masing titik lokasi, dibentuk himpunan yang mungkin untuk berpasangan. Selanjutnya, untuk driver dan rider yang berada dalam himpunan yang sama diperiksa kelayakan (feasibility) untuk berpasangan berdasarkan kendala waktu, sehingga dihasilkan himpunan pasangan driver dan rider yang feasible, !" . Pada proses optimasi, fungsi obyektif yang dipertimbangkan yaitu memaksimumkan total Adjusted Distance Proximity (ADP) Index. ADP Index merupakan indikasi terjadinya efisiensi berdasarkan jarak tempuh dari tiap pasangan dalam melakukan ridesharing. Sesuai dengan hasil ADP index, dibentuk suatu weighted bipartite graph yang menggambarkan keterhubungan pasangan dalam !" . Proses mendapatkan himpunan pasangan yang memaksimumkan fungsi objektif diselesaikan dengan algoritma Hungarian dalam menyelesaikan Maximum-Weighted Matching pada Bipartite Graph. Setelah seluruh proses dilakukan, dihasilkan himpunan pasangan yang akan melakukan ridesharing. Pada penelitian ini ditunjukkan bahwa dengan melakukan clustering, proses optimasi menjadi lebih efisien dengan adanya pereduksian pasangan yang diuji dari 400 pasangan menjadi 131 pasangan dan banyak pasangan dalam hasil optimasi dengan clustering sama dengan hasil optimasi tanpa clustering yaitu 13 pasangan.

---

Ridesharing is a model of transportation where the driver share the seat of their vehicle to the rider who has similar departure location and travel schedule with the driver. The main problem in ridesharing is the determination of the optimal pairs of drivers and riders who will conduct ridesharing. As an initial process to find these pairs, in this study the Clustering Large Applications (CLARA) method was used to cluster the coordinate points of origin and destination of each driver and rider. In accordance with the clusters of each location point, a set of possible matches is formed. Furthermore, for drivers and riders who are in the same set, the feasibility of matching is examined based on time constraints, so that a feasible set of driver and rider matches, !" is produced. In the optimization process, the objective function considered is to maximize the total Adjusted Distance Proximity (ADP) Index. The ADP Index is an indication of efficiency based on the distance traveled by each match in ridesharing. In accordance with the results of the ADP index, a weighted bipartite graph is formed which describes the connectedness of the pairs in !" . The process of getting the set of pairs that maximizes the objective function is solved by using the Hungarian algorithm to solve the Maximum-Weighted Matching on a Bipartite Graph. After the whole process is done, a set of pairs that will do ridesharing are generated. In this study it was shown that by clustering, the optimization process became more efficient with the reduction of the matches examined from 400 matches to 131 matches and the number of matches in the optimization results with clustering was the same as the optimization results without clustering, that is 13 matches."

"Demi meningkatkan okupansi atau dengan kata lain mengoptimumkan penggunaan kapasitas kendaraan pribadi, ridesharing hadir sebagai solusi akan hal ini. Ridesharing adalah sebuah model berkendara dengan prinsip berbagi tumpangan. Permasalahannya adalah bagaimana cara mengoptimumkan pencocokan antara pengemudi (driver) dan penumpang (rider) dengan jumlah partisipan (driver dan rider) yang besar dalam waktu optimasi yang singkat. Pada skripsi ini akan diterapkan metode Agglomerative Hierarchical Clustering (AHC) untuk mengoptimalkan matching antara driver dan rider dengan fungsi objektif yaitu memaksimumkan total penghematan jarak (Distance Savings / DS). DS adalah selisih total jarak yang ditempuh driver dan rider tanpa ridesharing dengan jarak yang ditempuh pasangan tersebut dengan ridesharing. Metode AHC adalah metode clustering dimana setiap titik data dijadikan sebagai satu cluster, kemudian secara berturut-turut menggabungkan cluster yang mempunyai kemiripan sehingga semua cluster tergabung menjadi satu cluster yang berisikan semua objek pada data. Data yang di-input berupa data koordinat lokasi keberangkatan dan kedatangan partisipan. Output dari metode AHC adalah sebuah dendogram yang menggambarkan iterasi pembentukan cluster. Berdasarkan hasil clustering tersebut diperoleh sebuah himpunan kombinasi driver-rider yang kemudian akan diperiksa kelayakannya untuk melakukan ridesharing. Dari himpunan kombinasi yang layak untuk melakukan ridesharing akan dipilih pasangan yang paling optimum untuk melakukan ridesharing dengan menggunakan algoritma Hungarian sehingga menghasilkan total distance savings maksimum. Berdasarkan hasil simulasi program pada data percobaan, diperoleh maksimum total DS sebesar 244.78 kilometer yang dihasilkan dari 13 kombinasi driver-rider. Penggunaan clustering mampu mereduksi 257 dari 400 kombinasi driver-rider yang akan diuji kelayakannya untuk melakukan ridesharing.

---

To increase the occupancy rate, ridesharing is an alternative solution. Ridesharing is a mode of transportation in which individual travelers share a vehicle for a trip. The problem is how to optimize the matching problem of drivers and riders with a large number of participants in a short optimization time. This thesis purposed Agglomerative Hierarchical Clustering (AHC) method to be applied in optimizing the matching between drivers and riders with an objective function maximizing the total distance savings (DS). DS is obtained from the difference in the total distance of individual trip with the distance of ridesharing trip. AHC method is a clustering method which each data point is made as one cluster, then successively combines clusters that have similarities until all clusters are merged into one cluster which containing all data points. The input data are the coordinates of the participants' departure and arrival location. The output of AHC is dendogram that illustrates the iteration of cluster formation. Based on clustering results, a set of driver-rider combination was obtained which were then examined for their eligibility to do ridesharing. Next, from the set of driver-rider combination which feasible to do ridesharing, we will determine driver-rider combination that generates maximum total DS by using Hungarian Algorithm. Based on simulation program results on experimental data, maximum total DS is 244.78 kilometers that was obtained from 13 driver-rider combinations. The use of clustering was able to reduce 257 out of 400 pair combinations that were tested for their feasibility to do ridesharing."

"Pelacakan orang banyak pada video berdasarkan hasil deteksi orang pada setiap frame merupakan problem yang menantang karena kompleksitas yang dimilikinya. Kesalahan deteksi orang pada setiap frame akan menyebabkan kesalahan pelacakan orang pada keseluruhan video. Pada penelitian ini, diusulkan metode pelacakan yang dapat meminimalkan propagasi kesalahan dari kesalahan deteksi dengan waktu pelacakan yang tidak terlalu lama. Penelitian ini menggunakan deep convolutional neural network (DCNN) seperti Faster-RCNN dan RetinaNet sebagai detektor objek dan algoritma Hungarian sebagai metode asosiasi antar orang-orang yang terdeteksi di setiap frame. Matriks masukan untuk algoritma Hungarian terdiri dari kedekatan vektor ciri DCNN yang dihasilkan oleh Siamese Network, jarak titik tengah bounding box, dan perbandingan irisan-gabungan (IoU) dari bounding box. Pada tahap akhir dilakukan interpolasi terhadap hasil pelacakan. Metode yang diusulkan menghasilkan MOTA 61.0 pada dataset benchmark pelacakan orang banyak MOT16.

---

Multiple object (human) tracking in video based on object detection in every frame is a challenging problem due to its complexity. Error in the detection phase will cause error in the tracking phase. In this research, a multiple human tracking method is proposed to minimize the error propagation. The method uses deep convolutional neural network (DCNN) such as Faster-RCNN and RetinaNet as object detector and Hungarian algorithm as association method among detected humans in consecutive frames. The input matrix for Hungarian algorithm consists of the similarity of DCNN feature vector resulted from Siamese network, the distance of bounding box centers, and bounding box intersection of union (IoU). In the last step, interpolation is applied to the tracking result. The proposed method achieves 61.0 MOTA in multiple object tracking benchmark MOT16."