Hasil Pencarian  ::  Simpan CSV :: Kembali

"Isi tesis ini mengenai pembuatan simulator 3D dari algoritma pencarian Particle Swarm Optimization untuk pencarian banyak sumber asap dengan menggunakan Open Dynamics Engine dan mengenai Dynamic Niche-PSO yang adalah algoritma baru sebagai modifikasi algoritma MPSO dari penelitian sebelumnya [1]. Versi simulator 2D untuk PSO ini telah dibuat penelitian sebelumnya ini. Pemodelan fisik 3D ini bertujuan untuk mengurangi gap antara perangkat lunak dan perangkat keras di dunia nyata.Salah satu bab adalah bab yang menjelaskan pembuatan model robot, asap dan sumbernya, dan medan dengan Open Dynamics Engine. Dilanjutkan dengan bab tentang cara pemakaian GUI simulator ini.Algoritma Dynamic Niche-PSO yang diajukan pada penelitian ini bertujuan untuk memperbaiki kelemahan algoritma PSO sebelumnya dimana 2 niche (kelompok agen) atau lebih masih ada kemungkinan untuk menuju sumber asap yang sama. Pada Dynamic Niche-PSO ini diperkenalkan robot baru, yaitu robot utama yang mempunyai arca ketertarikan. Pada Dynamic Niche-PSO ini juga robot netral dan bermuatan dapat berpindah keanggotaan dari satu niche ke niche yang lain apabila memasuki arca ketertarikan atau attract area dari robot utama niche yang lain ini.

---

The contents of this thesis are the development of 3D simulator for visualizing Particle Swarm Optimization algorithm for multi odor source localization using Open Dynamics Engine, and Dynamic Niche-PSO as modification of MPSO algorithm from previous research [1]. The 2D version of this MPSO is made in previous research. This 3D modeling has a purpose to reducegap between Software and Hardware in the real world.

One of chapters is explaining about how to make the model of robots, plumes and its sources, and field with Open Dynamics Engine. Continued with chapter explaining about how to use the GUI of this simulator.

Dynamic Niche-PSO algorithm proposed in this research has a purpose to refine the weakness of previous algorithm where 2 niches (group of agents) or more still have a probability to move toward the same odor source. There is newly introduced robot in this Dynamic Niche-PSO algorithm called main robot which has an attract area. In this Dynamic Niche-PSO also a neutral robot or a charge robot could become a member of another niche if it entered the attract area of main robot of this other niche."

"

Di tengah maraknya wabah virus Corona, penyakit lain yang menjadi salah satu masalah kesehatan utama masyarakat Indonesia dan tidak dapat diabaikan adalah penyakit Demam Berdarah Dengue (DBD). DBD merupakan penyakit infeksi yang disebabkan oleh virus dengue dan ditularkan melalui gigitan nyamuk Aedes aegypti betina. Faktor lain yang berpengaruh dalam penyebaran DBD adalah faktor cuaca, seperti curah hujan yang tinggi, perubahan suhu dan iklim, serta kelembaban udara. Di Indonesia sendiri, peningkatan kasus DBD banyak terjadi pada masa pancaroba. Oleh karena itu, seiring dengan banyaknya kasus DBD yang terjadi saat ini, dibutuhkan upaya pencegahan dan penanganan dini untuk menanggulangi risiko persebarannya. Upaya yang dapat dilakukan antara lain dengan melakukan prediksi jumlah insiden DBD. Pada tugas akhir ini, jumlah insiden DBD diprediksi menggunakan salah satu metode dalam machine learning, yaitu metode Artificial Neural Network - Particle Swarm Optimization (ANN-PSO), di mana yang menjadi variabel prediktornya adalah jumlah insiden DBD dan faktor cuaca (temperatur, curah hujan, dan kelembaan relatif). Fungsi aktivasi yang digunakan pada tugas akhir ini adalah fungsi Tanh (pada hidden layer) dan fungsi ReLU (pada output layer), dengan memperhitungkan parameter jumlah hidden neuron dan ukuran populasi. Kinerja model ANN-PSO yang dibentuk kemudian dievaluasi berdasarkan Mean Squared Error (MSE). Pada tugas akhir ini, model ANN-PSO terbaik yang dihasilkan untuk masing-masing kotamadya di DKI Jakarta memiliki hasil yang berbeda-beda sesuai dengan parameter yang digunakannya, dengan MSE testing paling kecil bernilai 0,0215026 untuk wilayah Jakarta Pusat, sedangkan MSE testing paling besar bernilai 0,0438962 untuk wilayah Jakarta Utara.

---

During the Coronavirus outbreak, another disease that is also one of the main health problems for the Indonesian people and hence cannot be ignored is Dengue Hemorrhagic Fever (DHF). DHF is an infectious disease caused by dengue virus and is transmitted through the bite of female Aedes aegypti mosquitoes. Another factor that influences the spread of DHF is weather factors, such as high rainfall, changes in temperature and climate, and humidity. In Indonesia, the increase in dengue cases occurred during the transition period. Therefore, in line with the number of dengue cases currently occurring, prevention and early management are needed to mitigate the risk of its spread. Efforts that can be made include predicting the number of dengue incidents. In this final project, the number of dengue incidents is predicted using one of the methods in machine learning, namely the Artificial Neural Network - Particle Swarm Optimization (ANN-PSO) method, where the predictor variables are the number of dengue incidents and weather factors (temperature, rainfall, and relative humidity). The activation functions used in this final project are the Tanh Function (on the hidden layer) and the ReLU Function (on the output layer), and the tuning parameters are the number of hidden neurons and population size. The performance of the ANN-PSO model that was formed evaluated using the Mean Squared Error. In this final project, the best ANN-PSO model produced for each municipality in DKI Jakarta has different results according to the parameters it uses, with the smallest MSE testing value of 0,0215026 for the Central Jakarta area, while the largest MSE testing value was 0,0438962 for the North Jakarta area.

"

"Investasi saham merupakan salah satu jenis investasi yang paling populer karena saham memberikan tingkat keuntungan yang tinggi dibandingkan dengan jenis investasi lainnya, tetapi saham juga memiliki tingkat risiko yang tinggi. Fluktuasi harga saham memberikan peluang bagi investor untuk mendapatkan keuntungan yang tinggi. Dibutuhkan sebuah model prediksi harga saham untuk melihat pergerakan harga saham di masa yang akan datang, sehingga investor dapat menentukan waktu yang tepat untuk membeli, menahan, dan menjual saham mereka. Dengan demikian, mereka terlepas dari risiko kerugian dan memperoleh keuntungan yang besar. Terdapat beberapa studi yang membahas tentang prediksi harga saham menggunakan machine learning. Salah satunya yaitu menggunakan Support Vector Regression (SVR). Oleh karena itu, pada skripsi ini akan diuji penerapan SVR menggunakan Particle Swarm Optimization (PSO) sebagai seleksi fitur dalam memprediksi harga saham di Indonesia. Pada skripsi ini digunakan data historis saham harian dari Jakarta Stock Index dan beberapa saham pada sektor real estate dan properti. Beberapa indikator teknikal digunakan sebagai fitur dalam memprediksi harga saham. Studi ini menunjukkan bahwa prediksi harga saham menggunakan SVR dengan PSO sebagai seleksi fitur memiliki kinerja yang baik untuk semua data, fitur, dan jumlah data training yang digunakan pada skripsi ini memiliki nilai error yang kecil. Oleh karena itu, diperoleh model yang akurat untuk memprediksi harga saham di Indonesia.

---

Stock investing is one of the most popular types of investments since it provides the highest return among all investment types, although it is associated with considerable risk. Fluctuating stock prices provide an opportunity for investors to make a high profit. A stock price prediction model is needed to see future stock price movements, so investors can decide the right time to buy, hold, and sell their stocks which regardless of the risk of loss and gain a big profit. Several studies have focused on the prediction of stock prices using machine learning. One of them is Support Vector Regression (SVR). Therefore, this study examines the application of SVR using Particle Swarm Optimization (PSO) as feature selection in predicting Indonesian stock price. This thesis used historical daily stock data from Jakarta Stock Index (JKSE) and several real estates and property stock sectors. Some technical indicators are used as a feature in predicting stock price. The study found that stock price prediction using SVR with PSO as feature selection showed good performances for all data, features and the amount of training data used by the study have relatively low error probabilities. Therefore, an accurate model is obtained to predict stock price in Indonesia."

"Implementasi algoritma Particle Swarm Optimization (PSO) pada robot untuk pencarian sumber kebocoran gas memerlukan informasi posisi dari setiap robot. Penggunaan kamera memungkinkan untuk mendapatkan informasi posisi robot yang lebih absolut dan akurat dibandingkan dengan perangkat pencari informasi posisi lainnya. Paper ini memaparkan suatu metode yang akan digunakan untuk mencari posisi robot. Metode yang diajukan menggunakan beberapa teknik pengolahan citra, seperti, Color Filtering dan Blobs Filtering guna mengenali dan memperoleh posisi robot. Berdasarkan eksperimen yang telah dilakukan, metode ini mampu menentukan posisi absolut robot sehingga ia dapat menyediakan informasi posisi robot dalam implementasi algoritma PSO.Implementation of Particle Swarm Optimization (PSO) algorithm on the robot to search for the gas leakage source requires information of the position of each robot. The use of the camera allows the robot to obtain position information more accurate than the absolute position information of other search tools. This paper describes a method that will be used to locate the position of the robot. Proposed method uses several image processing techniques, such as, Color Filtering and Blobs Filtering in order to identify and obtain the robot position. Based on the experiments that have been performed, the method is capable of determining the absolute position of the robot so that it can provide position information of the robot in PSO algorithm implementation"

"Alat Ultrasonografi (USG) merupakan alat yang paling sering digunakan untuk melakukan pemeriksaan janin dalam kandungan. Hal ini dikarenakan selain mampu memberikan gambaran terhadap keadaan janin dengan baik, alat ini bebas dari radiasi ionisasi sehingga tergolong aman. Penelitian ini bertujuan untuk mengembangkan metode yang mampu melakukan proses deteksi dan pengukuran biometri janin secara otomatis khususnya biometri kepala janin. Adapun biometri tersebut adalah head circumference (HC) dan biparietal diameter (BPD) yang merupakan salah satu parameter yang sering digunakan oleh dokter untuk mengetahui umur serta pertumbuhan janin dalam kandungan. Kedua biometri ini dapat diukur dengan melakukan aproksimasi terhadap bentuk elips. Untuk melakukan proses ini maka diperlukan tahapan dimulai dengan melakukan segmentasi citra dengan teknik thresholding. Selanjutnya dilakukan proses deteksi menggunakan metode Particle Swarm Optimization (PSO) dengan memanfaatkan fitness function yang diperoleh dari hasil vote menggunakan metode Randomized Hough Transform (RHT). Hasil pengukuran oleh sistem dibandingkan dengan hasil pengukuran secara manual oleh pakar. Uji coba juga dilakukan terhadap data sintetis dengan density noise 0,1 hingga 0,7. Dari hasil eksperimen diperoleh bahwa metode yang dikembangkan lebih baik daripada metode RHT, IRHT dan mEPSOHT untuk melakukan deteksi elips pada citra tersebut. Hasil eksperimen terhadap data sebenarnya yaitu USG 2D kepala janin diperoleh hasil rata-rata nilai hit dari metode yang dikembangkan lebih tinggi daripada metode lainnya namun hasil interrun dan interobserver variation tidak lebih baik dari metode lainnya. Hal ini dikarenakan metode yang dikembangkan lebih cenderung untuk terjebak pada local best dan tidak selalu tepat untuk melakukan deteksi pada citra kepala janin.

---

The application in ultrasonography (USG) is a tool that most often used to examine fetus in the womb. At this study will perform image processing on biomedical images especially for fetus in the womb using two dimensional ultrasound device (USG 2D).

The aim of this study is to develop a system that is capable to perform detection and measurement of fetal biometry automatically. The biometric used in this research consists of head circumference (HC) and biparietal diameter (BPD) analysis. BPD and HC are parameters which are often used by doctors to determine the state of the fetus in the womb. Both biometric parameters can be measured by performing an approximation of the elliptical shape. To do this process, it is necessary to start from segmentation images by thresholding techniques. After preprocessing is completed then the next stage of the detection process is carried out by using Particle Swarm Optimization (PSO). PSO fitness function is obtained from voting in Randomized Hough Transform (RHT) method.

The measurement results by proposed method are then compared with the results obtained manually by experts. A trial has also been conducted on the synthetic data with noise density 0.1 to 0.7. Experiment results show that the proposed method is better than the other methods e.g. RHT, mEPSOHT and IRHT in detecting ellipse. Further trials have been conducted on actual data i.e. 2D ultrasound fetal head data.

From the experiement we have found that the average hit value of our proposed method is higher than other methods. However, the results of interrun and interobserver variation are not better than others. This is because our developed method is more likely to be trapped in local best and doest not always correctly detect ellipse of the fetal head images."

"Vehicle Routing Problem with Time Windows menjadi suatu permasalahan bagi perusahaan saat ini dimana biaya logistik yang semakin tinggi. Penentuan rute yang tepat untuk distribusi barang sangat dibutuhkan untuk menekan biaya bahan bakar kendaraan. Penyelesaian VRPTW ini menggunakan algoritma metaheuristic: Tabu Search, Particle Swarm Optimization dan Simulated Annealing. Penelitian ini membandingkan karakter dari ketiga algoritma tersebut. Dimana hasil tabu search memberikan nilai yang mayoritas optimal dibandingkan ketiganya. Tetapi untuk iterasi pendek, PSO memberikan nilai yang cepat menuju optimal.

---

Vehicle Routing Problem with Time Windows become main problem to company when dealing with distribution cost that comes bigger. Determining best routing to distribute goods or service can help reduce distribution cost. This research using metaheuristic algorithm: Tabu Search, Particle Swarm Optimization dan Simulated Annealing to solve VRPTW. This research benchmark that three algorithm. The conclusion is tabu search bring best solution for long iteration. But for short iteration, PSO bring better solution."

"Sistem manufaktur telah mengalami kemajuan menuju personalisasi massal dalam konteks Industri 4.0, yang memiliki implikasi besar terhadap efisiensi produksi dan kepuasan konsumen. Tujuan dari penelitian ini adalah untuk menentukan metaheuristik mana yang paling berhasil untuk mengatasi masalah penjadwalan job shop umum antara Genetic Algorithm (GA), Particle Swarm Optimization (PSO), dan Ant Colony Optimization (ACO). Masalah-masalah ini dikenal sebagai NP-hard, yang menuntut penggunaan pendekatan metaheuristik. Penelitian ini menilai kinerja setiap metaheuristik pada kumpulan data kecil, menengah, dan besar, dengan fokus pada indikator utama makespan. Hasilnya menunjukkan bahwa GA secara konsisten menawarkan solusi yang mendekati optimal, mengungguli PSO dan ACO. PSO menunjukkan potensi dalam kumpulan data yang lebih besar namun kurang konsisten, sedangkan ACO adalah yang paling tidak berhasil, sering kali menghasilkan nilai makespan yang lebih tinggi. Kesimpulannya, GA direkomendasikan untuk aplikasi masalah penjadwalan job shop karena keandalan dan efektivitasnya.

---

Manufacturing systems have progressed toward mass personalization in the context of Industry 4.0, with substantial implications for production efficiency and consumer satisfaction. The goal of this study is to determine which metaheuristic is most successful for addressing general Job Shop Scheduling Problems (JSSP) among Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Ant Colony Optimization (ACO). These issues are known to be NP-hard, demanding the use of metaheuristic approaches. The research assesses the performance of each metaheuristic on small, medium, and big datasets, with a focus on the key indicator of makespan. The results show that GA consistently offers near-optimal solutions, outperforming PSO and ACO. PSO demonstrated potential in larger datasets but lacked consistency, whereas ACO was the least successful, frequently producing higher makespan values. Consequently, GA is recommended for actual JSSP applications because of its dependability and effectiveness."

"Tesis ini meneliti metode pengklasifikasian menggunakan metode jaringan syaraf tiruan untuk mengklasifikasikan data aroma. Data aroma adalah data keluaran dari sistem penciuman elektronik. Penelitian ini merupakan lanjutan penelitian sebelumnya yaitu metode pengklasifikasian fuzzy-neuro learning vector quantization (fnlvq). Sebelumnya telah dikembangkan pula metode matrix similarity analysis (msa) guna menentukan kriteria pemberhentian algoritma fnlvq.Dalam penelitian ini akan dikembangkan dua metode fnlvq yang akan dioptimasikan dengan metode swarm intelligence yaitu fnlvq-particle swarm optimization (pso) dan metode swarm-fnlvq. Dengan menggunakan validasi silang, hasil dari penelitian ini menunjukkan bahwa rata-rata tingkat pengklasifikasian untuk aroma tiga campuran menggunakan fnlvq-pso sebesar 91% dan swarm-fnlvq sebesar 90% dimana kedua metode ini lebih baik daripada fnlvq yang sebesar 79% dan fnlvq-msa sebesar 77%.

---

This thesis examines a classification method based on artificial neural networks to classifying various mixture of fragrance which is the output of the electronic nose system. This research is a continuation research of earlier fuzzy-neuro learning vector quantization (fnlvq) classification method. Previously a matrix similarity analysis method is developed to determine a stopping criterion of fnlvq algorithms.

This research objective is to develops two modification fnlvq method based on swarm intelligence method namely fnlvq-particle swarm optimization (pso) and swarm-fnlvq methods. By using cross validation, this research showed that the average classification rate of fnlvq-pso is 91% whether swarm-fnlvq is 90%, this two methods is better than conventional fnlvq with 79% and fnlvq-msa at 77%."

"This book collects chapters dealing with some of the theoretical aspects needed to properly discuss the dynamics of complex engineering systems. The book illustrates advanced theoretical development and new techniques designed to better solve problems within the nonlinear dynamical systems. Topics covered in this volume include advances on fixed point results on partial metric spaces, localization of the spectral expansions associated with the partial differential operators, irregularity in graphs and inverse problems, Hyers-Ulam and Hyers-Ulam-Rassias stability for integro-differential equations, fixed point results for mixed multivalued mappings of Feng-Liu type on Mb-metric spaces, and the limit q-Bernstein operators, analytical investigation on the fractional diffusion absorption equation."