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."

"Investor perlu memiliki strategi dalam menentukan harga opsi wajar untuk sebuah opsi. Salah satu strategi yang dapat digunakan adalah mempelajari model harga opsi Heston. Dalam model harga opsi diperlukan nilai-nilai parameter yang harus ditentukan terlebih dahulu melalui kalibrasi. Kalibrasi dapat dipandang sebagai masalah optimasi nonlinear, yakni dengan meminimumkan nilai fungsi objektif yang terkait. Algoritma Particle Swarm Optimization merupakan salah satu metode iteratif yang dapat digunakan dalam menentukan solusi masalah optimasi nonlinear. Selanjutnya hasil kalibrasi digunakan untuk menentukan harga wajar sebuah opsi. Data yang digunakan dalam penelitian ini adalah data 50 harga opsi pasar saham Apple Inc (AAPL). Berdasarkan hasil implementasi yang dilakukan, algoritma Particle Swarm Optimization menunjukkan kinerja yang cukup baik dalam aproksimasi nilai parameter model harga Opsi Heston.

---

Investors should have a strategy to determine a fair price for an option. One of the strategy that can be applied is by studing the Heston option pricing model. In the option pricing model, there are some required parameter values that should be determined by using the calibration. The calibration can be considered as a nonlinear optimization problem by minimizing the value of a related objective function. Particle swarm optimization algorithm is one of iterative methods that can be used in the calibration of model?s parameters. Furthermore, the results of calibration can be used to determine the price of an option. The data used in this research is consist of 50 stock market option prices of Apple Inc. Based on the results the implementation, particle swarm optimization algorithm shows a good performance."

"Dalam penelitian ini akan ditunjukkan aplikasi permasalahan pembentukan portofolio berdasarkan model mean-variance Markowitz. Penambahan kendala mninimal lot transaksi pada model Markowitz merubah permasalahan ini menjadi bentuk mixed-integer non linear programming yang teramat sulit untuk dicari solusinya menggunakan pendekatan optimasi klasik. Untuk itu akan ditunjukkan alternatif penyelesaian menggunakan metode komputasi berbasis heuristic, yaitu PSO. Dengan penentuan nilai parameter yang tepat, algoritma PSO dapat secara konvergen menemukan solusi untuk permasalahan ini.

---

We will show in this paper application of portfolio selection problem based on Markowitz’s mean-variance model. The inclusion of minimum transaction lot turn the standard model into a mixed-interger non linear prgormming which is very hard to be solved using classical optimization method. We will show an alternative heuristic based approach, PSO to tack this problem. With the appropriate parameter PSO can find a good solution to this problem"

"

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.

"

"Nowadays, the pursuance of sustainability obligates manufacturers to redesign products in order to reduce negative environmental impacts. However, only a few studies have simultaneously considered environmental sustainability and assemblability. To bridge this research gap, this study aimed to develop a redesign method based on modular product architecture. This method manages to support a sustainable product considering its materials, assembly sequence and line balance at initial design phase. This method begins with a current product analysis based on economic and environmental performances (i.e., total cost and CO2 emissions). Additionally, new materials and assembly methods are incorporated into redesigning a more sustainable product without compromising production performance. To ensure assemblability, the line balance of 60% is served as one of the constraints. This study applies the particle swarm optimization algorithm to calculate an optimal module organization along with assembly methods and assembly sequences. An air purifier case study is presented to demonstrate the benefits of the proposed method. As a result, the redesigned product can be more easily maintained during product usage and be recycled at the end of product life."

"ABSTRAKInvestor melakukan investasi untuk mendapatkan imbal hasil yang besar dengan risiko minimum. Untuk mengoptimalkan imbal hasil dan risiko yang didapatkan dari investasi, investor dapat melakukan diversifikasi yang efisien. Salah satu bentuk diversifikasi yang efisien adalah dengan melakukan pemilihan portofolio. Pemilihan portofolio merupakan masalah optimisasi dalam pemilihan kombinasi aset yang dapat menghasilkan imbal hasil dan risiko yang optimal. Model yang digunakan dalam menyelesaikan masalah pemilihan portofolio pada skripsi ini adalah model standar Markowitz dengan diberikan kendala tambahan yaitu banyaknya aset yang diinvestasikan dan kendala batasan proporsi untuk masing-masing aset. Terdapat banyak metode yang bisa digunakan untuk menyelesaikan masalah pemilihan portofolio dengan model tersebut, salah satunya adalah metode Cat Swarm Optimization. Hasil implementasi pemilihan portofolio dengan menggunakan metode Cat Swarm Optimization berupa pasangan imbal hasil dan risiko beserta proporsi investasi untuk setiap aset. Hasil implementasi tersebut kemudian di analisis untuk melihat kinerja metode CSO dalam masalah pemilihan portofolio.

---

ABSTRAKThe purpose of investments is to get high return with minimum risk. To optimize return and risk from investments, investors should diversify their assets efficiently. One such method is portfolio selection. Portfolio selection is an optimization problem in selecting asset combinations which produce an optimal risk and return. In this thesis, the model for solving the optimization problem is Markowitz standard model with some additional constraints. The constraints are the number of assets that are held in a portfolio and bounding assets proportion constraint. There are some methods to solve portfolio selection with this model. One of the methods is Cat Swarm Optimization. The implementation results from portfolio selection using Cat Swarm Optimization are some pairs of return and risk with their asset proportions. The results are analyzed to test the performance of Cat Swarm Optimization in portfolio selection."

"SVM (Support Vector Machine) with RBF (Radial Basis Function) kernel is a frequently used classification method because usually it provides accurate results. The focus of most SVMoptimization research is the optimization of the input data, whereas the parameter of the kernel function (RBF), the sigma, which is used in SVM also has the potential to improve the performance of SVM when optimized. In this research, we proposed a new method of RBF kernel optimization with Particle Swarm Optimization (PSO) on SVM using the analysis of input data?s movement. This method performed the optimization of the weight of the input data and RBF kernel?s parameter at once based on the analysis of the movement of the input data which was separated from the process of determining the margin on SVM. The steps of this method were the parameter initialization, optimal particle search, kernel?s parameter computation, and classification with SVM. In the optimal particle?s search, the cost of each particle was computed using RBF function. The value of kernel?s parameter was computed based on the particle?s movement in PSO. Experimental result on Breast Cancer Wisconsin (Original) dataset showed that this RBF kernel optimization method could improve the accuracy of SVM significantly. This method of RBF kernel optimization had a lower complexity compared to another SVM optimization methods that resulted in a faster running time.Metode klasifikasi SVM (Support Vector Machine) dengan RBF (Radial Basis Function) kernel merupakan metode yang sering digunakan karena memberikan hasil klasifikasi yang cukup akurat. Penelitian mengenai optimasi pada SVM sementara ini masih banyak berfokus pada optimasi dari nilai data masukan padahal parameter fungsi kernel (RBF), yaitu parameter sigma, yang digunakan pada SVM juga memiliki potensi untuk meningkatkan performa dari SVM apabila dioptimasi. Pada penelitian ini diajukan metode baru optimasi RBF kernel dengan Particle Swarm Optimization (PSO) pada SVM berdasar analisis persebaran data masukan. Metode ini melakukan optimasi terhadap bobot data masukan sekaligus parameter RBF kernel berdasarkan analisis persebaran data masukan sehingga terpisah dari proses penentuan margin pada SVM. Tahapan darimetode ini adalah inisialisasi parameter, pencarian partikel optimal, perhitungan nilai parameter kernel, dan klasifikasi dengan SVM. Pada proses pencarian partikel optimal, nilai cost dari tiap partikel dihitung berdasar fungsi RBF. Nilai parameter kernel dihitung berdasar pergerakan partikel data masukan pada PSO. Hasil uji coba pada dataset Breast Cancer Wisconsin (Original) menunjukkan bahwa metode optimasi RBF kernel mampu meningkatkan akurasi klasifikasi SVM secara cukup signifikan. Metode optimasi parameter RBF kernel ini memiliki kompleksitas yang lebih rendah dibandingkan dengan metode optimasi SVM lainnya sehingga menghasilkan running time yang lebih cepat."

"Penelitian ini mengembangkan Computer Aided Diagnosis CAD radiografi paru anak dengan menggunakan metode segmentasi Particle Swarm Optimization PSO untuk membantu dokter mendeteksi paru yang abnormal. Metode PSO mencari abnormalitas berdasarkan nilai piksel. Metode PSO dikerjakan dengan dua variasi metode yaitu FCM Wienerfilter PSO dan FCM Adaphisteq PSO. Evaluasi dilakukan dengan menghitung ROC Receiver Operating Characteristics citra segmentasi tiap metode terhadap citra acuan evaluasi dokter. Metode FCM Wienerfilter PSO memiliki nilaiROC paling baik. Overall error metode ini yaitu 11.43 1.6 dibanding dengan metode FCM Adapthisteq PSO yaitu 28.57 1,6. Hal ini menggambarkan bahwa banyak kesalahan deteksi yang dilakukan pada metode FCM Adapthisteq PSO. Metode FCM Wienerfilter PSO ini memiliki nilai akurasi 88,57, sensitifitas 90,00, spesifitas 85,00, dan presisi 93,75 lebih tinggi dibanding dengan semua parameter ROC metode FCM Adaphisteq PSO yaitu akurasi 71,43, Sensitivitas 80,00, Spesifitas 50,00, dan Presisi 80.00. Hal ini membuktikan bahwa hasil deteksi metode FCM Wienerfilter PSO lebih banyak memiliki tingkat keberhasilan yang sesuai dengan evaluasi dokter dan lebih baik dalam mendeteksi citra abnormal. Pada citra abnormal nilai piksel metodeFCM wienerfilter PSO memiliki rentang 209-255, dan nilai piksel metodeAdapthisteq PSO memiliki rentang 206-255.

---

The study developed Computer Aided Diagnosis CAD children pulmonary radiography using Particle Swarm Optimization PSO segmentation method to help doctors detect abnormal lung. The PSO method searched abnormalities by value of the image pixel. PSO method used two variations method, namely FCM Wienerfilter PSO and FCM Adaphisteq PSO. The evaluation was done by calculating the ROC Receiver Operating Characteristics segmentation of each image against the reference image evaluation doctors. FCM Wienerfilter PSO method has better ROC value. Overall error of this method is 11.43 1.6 compared with the method of FCM Adapthisteq PSO is 28.57 1.6. This explain that many of the error detection on FCM Adapthisteq PSO method.

ROC FCM Wienerfilter PSO results show the value of accuracy 88,57, sensitivity 90,00, specificity 85,00, and precision 93,75 is relatively higher than all parameter of ROC FCM Adaphisteq PSO method that isaccuracy 71,43, sensitivity 80,00, specificity 50,00, and precision 80.00. This proves that the results of the detection method of FCM Wienerfilter PSO has more success rates in accordance with doctor rsquo s evaluation and better at detecting abnormal image. Abnormal lung pixel values by the method of FCM wienerfilter PSO is 209 255, andAbnormal lung pixel values by the FCM Adapthisteq PSO methodis 206 255."

"Intrusion Detection System adalah suatu sistem yang berfungsi untuk mendeteksi serangan berbahaya dan kerentanan pada jaringan komputer. Beberapa teknik data mining telah diajukan dalam menyelesaikan persoalan deteksi intrusi pada jaringan. Pada skripsi ini, akan diajukan klasifikasi data Intrusion Detection System menggunakan Na ve Bayes Classifier dan Particle Swarm Optimization sebagai pemilihan fitur. Pertama, Particle Swarm Optimization melakukan pemilihan fitur untuk mendapatkan fitur yang optimal. Lalu, hasil dari pemilihan fitur tersebut akan diklasifikasikan menggunakan Na ve Bayes Classifier dengan harapan dapat memberikan hasil yang lebih akurat. Data yang digunakan adalah dataset KDD CUP 1999. Hasil akhir dari penelitian ini adalah berupa perbandingan hasil akurasi antara klasifikasi menggunakan Na ve Bayes Classifier tanpa pemilihan fitur dan klasifikasi menggunakan Na ve Bayes Classifier dengan pemilihan fitur Particle Swarm Optimization. Hasil empiris menunjukkan bahwa klasifikasi menggunakan Na ve Bayes Classifier tanpa pemilihan fitur memperoleh akurasi tertinggi sebesar 99.16 . Sementara klasifikasi menggunakan Na ve Bayes Classifier dengan pemilihan fitur Particle Swarm Optimization memperoleh akurasi tertinggi sebesar 99.12 . Hasil dari penelitian ini menunjukkan bahwa metode pemilihan fitur Particle Swarm Optimization dapat diterapkan pada proses klasifikasi menggunakan Na ve Bayes Classifier. Akan tetapi dengan menambahkan metode ini tidak menjamin bahwa hasil yang diperoleh akan lebih baik daripada proses klasifikasi menggunakan Na ve Bayes Classifier tanpa pemilihan fitur.

---

Intrusion Detection System is a system that has a function to detect malicious attacks and vulnerabilities on computer networks. Several data mining techniques have been proposed in solving the problem of intrusion detection on the network. In this research, data classification of Intrusion Detection System will be filed using Na ve Bayes Classifier and Particle Swarm Optimization as feature selection. First, Particle Swarm Optimization will perform the feature selection to get the optimal features. Then, the results of the feature selection will be classified using Na ve Bayes Classifier in hopes of getting more accurate results. The data used in this study is KDD CUP 1999 dataset. The end result of this study is a comparison of accurate results between the classification using Na ve Bayes Classifier without feature selection and classification using Na ve Bayes Classifier with Particle Swarm Optimization as feature selection. The empirical results indicate that the classification using Na ve Bayes Classifier without feature selection obtains the highest accuracy of 99.16 . While the classification using Na ve Bayes Classifier with Particle Swarm Optimization as feature selection obtained the highest accuracy of 99.12 . The results of this study indicate that the Particle Swarm Optimization feature selection method can be applied to the classification process using Na ve Bayes Classifier. However, adding this method does not guarantee that the results obtained will be better than the classification process using Na ve Bayes Classifier without feature selection."

"Rekonfigurasi jaringan distribusi dan instalasi distributed generation DG dengan tujuan mengurangi rugi-rugi daya aktif saluran dan memperbaiki profil tegangan sistem IEEE 33 bus telah disimulasikan pada skripsi ini. Rekonfigurasi jaringan diselesaikan dengan algoritma Binary Particle Swarm Optimization pada MATLAB dan penentuan lokasi dan kapasitas DG diselesaikan dengan analisis aliran daya pada ETAP. Rugi-rugi daya aktif setelah rekonfigurasi berkurang sebesar 33,357 dari sebelumnya 208,4 kW menjadi 138,9 kW dan tegangan minimum sistem meningkat dari 0,9107 pu menjadi 0,9423 pu. Penginstalasian DG pada lokasi yang tepat dan besar kapasitas yang tepat dapat mengurangi rugi-rugi daya aktif saluran dan memperbaiki tegangan sistem.Berdasarkan hasil simulasi, lokasi terbaik pemasangan satu DG adalah pada bus 30 dengan kapasitas DG sebesar 1250 kW. Lokasi terbaik pemasangan dua DG adalah pada bus 30 dengan kapasitas DG sebesar 1250 kW dan pada bus 8 dengan kapasitas DG sebesar 900 kW. Lokasi terbaik pemasangan tiga DG adalah pada bus 30 dengan kapasitas DG sebesar 1250 kW, bus 8 dengan kapasitas DG sebesar 900 kW, dan bus 24 dengan kapasitas sebesar 950 kW. Setelah sistem direkonfigurasi dan diinstalasi tiga DG diperoleh rugi-rugi daya aktif terendah yaitu 20,7 kW dan tegangan minimum terbaik yaitu 0,9820 pu.

---

Distribution network reconfiguration and distributed generation DG installation for reducing power losses and improving voltage profile on IEEE 33 bus system have been simulated in this thesis. Network reconfiguration simulated using Binary Particle Swarm Optimization algoritm in MATLAB and placement and sizing DG simulated using power flow analysis in ETAP. After reconfiguration, power losses decreased by 33,357 from 208,4 kW to 138,9 kW and minimum system voltage increased from 0,9107 pu to 0,9423 pu. DG installation at the right place and right capacity can reduce power losses and improve system voltage.

Based on simulation, the best location for installing one DG is at bus 30 with capacity of 1250 kW. The best location for installing two DG is at bus 30 with capacity of 1250 kW and at bus 8 with capacity of 900 kW. The best location for installing three DG is at bus 30 with capacity of 1250 kW, at bus 8 with capacity of 900 kW, and at bus 24 with capacity of 950 kW. After configuring the system and installing DG with number of DG is three at the system, the lowest power losses obtained is 20.7 kW and the best minimum voltage obtained is 0.9820 pu."