Hasil Pencarian  ::  Simpan CSV :: Kembali

"Proses pembuatan jadwal kuliah merupakan kegiatan yang panjang, membosankan, serta membutuhkan waktu dan pemikiran yang cukup besar jika dilakukan secara manual. Penyelesaian masalah penjadwalan kuliah secara otomatis dengan bantuan komputer dapat mengurangi waktu dan tenaga dalam membuat jadwal kuliah dan memperkecil terjadinya kesalahan yang disebabkan human error.Genetic algorithm (GA) merupakan salah satu algoritma local search yang bekerja dengan memori yang kecil dan sering kali dapat menemukan solusi yang masuk akal dalam state space yang sangat besar yang tidak bisa ditemukan oleh algoritma yang sistematik sehingga cocok digunakan untuk menyelesaikan masalah penjadwalan kuliah. Penjadwalan kuliah adalah masalah yang multiobjective karena banyak aspek yang menentukan baik buruknya suatu jadwal kuliah. Oleh karena itu, pada tugas akhir ini digunakan algoritma multiobjective SPEA2.Dalam tugas akhir ini, masalah penjadwalan kuliah dimodelkan sebagai constraint satisfaction problem, lalu diselesaikan dengan GA. Terdapat hard constraint dan soft constraint dalam penjadwalan kuliah. Setiap constraint dianggap sebagai satu fungsi objektif yang mempengarui nilai fitness individu. Pada eksperimen yang dilakukan, digunakan variasi: 1) ukuran test case: kecil, sedang, besar gasal, besar genap, 2) algoritma multiobjective: SPEA2 dan aggregation based, 3) 4 representasi chromosome, 4) GA parameter: populasi, archive size, crossover type, dan mutation rate, 5) constraint aktif.Dari hasil eksperimen, GA dapat menyelesaikan penjadwalan kuliah dengan baik karena pada hampir semua test case yang dicobakan, GA dapat menghasilkan jadwal yang memenuhi semua constraint yang ada. Selain itu, mengenai parameter GA untuk masalah penjadwalan kuliah dapat disimpulkan: algoritma multiobjective SPEA2 lebih baik dari aggregation based, populasi semakin besar semakin baik, archive size yang ideal adalah 50% dari jumlah populasi, mutation rate sangat tergantung dari panjang genome.

---

The process of creating a university timetable is a long and tedious work that needs much time and energy if it is done manually. Solving university timetabling problem automatically with a computer not only can reduce time and energy but also prevent human error.Genetic algorithm (GA) is one of local search algorithm that requires little memory and can often find a reasonable solution in a very big state space search which can not be found by systematic search algorithms. Therefore, it is useful for solving timetabling problem. Timetable scheduling is a multiobjective problem because there are many aspects that determine whether a schedule is good or bad. Because of that, in this research, multiobjective algorithm SPEA2 is used.In this reasearch, timetabling problem is represented as a constraint satisfaction problem, then solved with GA. There are hard constraints and soft constraints in university timetabling problem. Each constraint is considered as an objective function that affect fitness value of an individual. In the experiment conducted, the variation used are: 1) test case size: small, medium, large odd, large even, 2) multiobjective algorithm: SPEA2 and aggregation based, 3) four different chromosome representations, 4) GA parameters: population, archive size, crossover type, and mutation rate, 5) active constraints.From the results of the experiment, GA can successfully solve timetabling problems because in almost all the test cases tried, GA can generate schedules that satisfy all the constraints. In addition, conclusions about the GA parameters for the timetabling problem are: multiobjective algorithm SPEA2 is better than aggregation based, the greater the population the better, the ideal archive size is 50% of the population, mutation rate is highly dependent on the length of the genome."

"Segmentasi dokumen merupakan suatu proses untuk membagi dokumen menjadi bagian-bagian yang homogen atau memiliki keterkaitan yang tinggi. Pada tugas akhir ini digunakan genetic algorithm sebagai metode untuk melakukan segmentasi dokumen. Genetic algorithm merupakan suatu algoritma pencarian solusi terhadap permasalahan dengan search space yang besar dengan menggunakan pendekatan evolusi.Penelitian tentang segmentasi dokumen menggunakan genetic algorithm telah dilakukan oleh Lamprier (Lamprier et al., 2007) terhadap dokumen bahasa Inggris dengan hasil yang memuaskan. Pada penelitian yang dilakukan Lamprier, proses segmentasi dilakukan dengan mengoptimisasi 2 fungsi objektif yaitu internal cohesion dan dissimilarity. Data yang digunakan pada percobaan ini terdiri dari dokumen artikel media massa Indonesia dan abstrak tulisan ilmiah dari Fakultas Ilmu Komputer Universitas Indonesia.Percobaan ini dilakukan dan dianalisa dari beberapa aspek yaitu aspek fitness function, metode penghitungan similarity, jumlah iterasi, ukuran populasi, jumlah segmen, dan kemiripan antar dokumen penyusun. Selain itu dilakukan pula perbandingan hasil segmentasi antara metode genetic algorithm dengan metode Texttiling.Hasil percobaan yang didapat adalah segmentasi dokumen menggunakan genetic algorithm dengan fitness function SPEA 2, metode penghitungan similarity menggunakan dice coefficient, jumlah iterasi 1000 iterasi, ukuran populasi 50 individu, tipe crossover two point crossover, dan probabilitas mutasi 0.09 memberikan hasil segmentasi terbaik. Pada percobaan untuk membandingkan 2 metode segmentasi yaitu genetic algorithm dan Texttiling diperoleh hasil precision 0.081 dan recall 0.46 untuk metode genetic algorithm dan precision 0.12 dan recall 0.58 untuk metode Texttiling.Dari data hasil percobaan diperoleh kesimpulan bahwa hasil segmentasi dengan metode Texttiling lebih baik daripada hasil segmentasi dengan metode genetic algorithm. Hasil ini bertolak belakang dengan apa yang dilaporakan pada penelitian yang dilakukan Lamprier (Lamprier et al., 2007), hal tersebut dipengaruhi oleh data dan penggunaan genetic operator yang lebih kompleks.

---

Document segmentation is a process to segments text into thematic homogeneous parts. The segmenting process uses genetic algorithm as a method to segment the text. Genetic algorithm is a searching algorithm for problem involving large search space by using evolution approach.Research about document segmentation has been done by Lamprier (Lamprier et al., 2007) for English document and show satisfied results. The segmentation in Lamprier?s research uses internal cohesion and dissimilarity as objective function to be optimized. This experiments use Indonesian mass media articles and abstracts of scientific paper from Lontar System of Faculty of Computer Science University of Indonesia.Experiments have been done and analyzed towards several aspects such as fitness function, similarity calculating method, number of iteration, number of population, number of boundary, and similarity between appended documents. Furthermore the experiment to compare genetic algorithm and other segmentation method (Texttiling) is done in the last experiment.The experiments shows that genetic algorithm using SPEA 2 as fitness function, dice coefficient as similarity calculating method, 1000 iteration, 50 individuals in population, two point crossover, and 0.09 mutation probability gives the best result. When comparing segmentation method between genetic algorithm and Texttiling, genetic algorithm gives precision 0.081 and recall 0.46 in other hand Texttiling gives precision 0.12 and recall 0.58.The results show that Texttiling gives better segmentation than genetic algorithm, this conclusion is diffrent with the conclusion reported by Lamprier?s research (Lamprier et al., 2007). The diffrent is related with data and genetic operator used by Lamprier?s research."

"The 18 revised full papers presented together with 5 poster papers were carefully reviewed and selected from 46 submissions. The wide range of topics in this volume reflects the current state of research in the field, including different genres of GP (tree-based, grammar-based, Cartesian), theory, novel operators, and applications."

"Variasi intensitas pencahayaan pada citra dokumen akan menyebabkan kesulitan dalam menentukan nilai threshold dari citra tersebut. Pendekatan statistik konvensional tidak cukup baik dalam memecahkan masalah ini. Dalam hal ini, diperlukan nilai threshold yang berbeda-beda untuk setiap bagian citra. Nilai threshold dari setiap bagian citra dapat dipandang sebagai masalah klasifikasi. Dalam permasalahan klasifikasi semacam ini, dibutuhkan pencarian fitur-fitur terbaik. Di sini diusulkan sebuah pendekatan baru untuk mengekstrak fitur-fitur tersebut dengan menggunakan grammatical evolution. Nilai kebaikan dari masing-masing fitur akan dihitung secara saling lepas. Dalam percobaan yang dilakukan, tampak bahwa penggunaan fitur-fitur baru tersebut menghasilkan hasil yang sangat baik. Hanya ditemukan 5 kesalahan pengklasifikasian dalam 45 kasus.

---

AbstractThe various lighting intensity in a document image causes diffculty to threshold the image. The conventional statistic approach is not robust to solve such a problem. There should be different threshold value for each part of the image. The threshold value of each image part can be looked as classifcation problem. In such a classifcation problem, it is needed to find the best features. This paper propose a new approach of how to use grammatical evolution to extract those features. In the proposed method, the goodness of each feature is calculated independently. The best features then used for classification task instead of original features. In our experiment, the usage of the new features produce a very good result, since there are only 5 miss-classification of 45 cases."

"Durasi pemeliharaan merupakan hal yang penting dalam kegiatan dry docking kapal. Estimasi durasi pemeliharaan diperlukan untuk membuat jadwal pemeliharaan kapal pada suatu galangan. Sayangnya saat ini pihak galangan belum mempunyai standar yang baku dalam mengestimasi durasi pemeliharaan kapal. Penelitian ini bertujuan untuk memperoleh model matematis estimasi durasi pemeliharaan kapal dry docking menggunakan Artificial Neural Network dan Genetic Algorithm. Dengan melihat volume dan jenis pekerjaan dry docking sebagai input, diperoleh model estimasi durasi dengan nilai rata-rata error 5.12 hari. Hasil estimasi kemudian dibandingkan dengan metode Neural Network standar dan metode Decision Tree-Genetic Algorithm-Neural network. Hasil penelitian menunjukkan bahwa metode Decision Tree-Genetic Algorithm-Neural network mempunyai nilai estimasi yang lebih akurat dibandingkan dengan kedua metode lainnya.

---

Maintenance time duration is an important things in ship dry docking activities. Estimating the time duration is necessary for ship schedule arranging in dock. Unfortunately, the dock company doesn’t have a standard procedure in estimating ship maintenance duration. The purpose of this research is to get mathematic model of dry docking maintenance duration estimation using Artificial Neural Network and Genetic Algorithm. By considering the job volume and type as input variable, the research get estimation model with root mean square error (RMSE) 5.12 day. Then, the estimation result is compared with traditional Neural network and Decision Tree-Genetic Algorithm-Neural network method. The result shows that Decision Tree-Genetic Algorithm-Neural network is more accurate in estimating the ship maintenance duration than the other two methods."

"Permasalahan penjadwalan job terhadap beberapa mesin (scheduling jobs on multiple machineslSJMM) merupakan salah satu permasalahan penjadwalan klasik yang dapat ditemui pada proses komputasi terlebih jika komputasi dilakukan seeara terdistribusi. Beberapa metode penyelesaian permasalahan tersebut telah dikembangkan baik dengan pendekatan eksak maupun heuristiklmetaheuristik. Tabu search sebagai salah satu metode metaheuristik yang relatif baru dapat menjadi aIternatif metode untuk mendapatkan pendekatan penyelesaian permasalahan tersebut. Metode ini sudah diaplikasikan pad a permasalahan optimasi kombinatorial, optimasi multi ekstermal, serta rare event simulation, dengan hasil penyelesaian yang eukup optimal dengan waktu yang relatif singkat. Penelitian ini mengimplementasikan metode tabu search yang digabungkan dengan algoritma genetika (Incorporation Genetic-Tabu Search AlgorithmllGTS) dalam permasalahan SJMM pada komputasi grid. Hasil yang dicapai eukup memuaskan dibandingkan dengan menggunakan salah satu algoritma baik genetika saja atau algoritma tabu search, hal ini dapat terlihat dari nilai makes pan yang lebih kecil. "

"Dalam perencanaan produksi diperlukan suatu Penjadwalan Induk Produksi (PIP) yang mampu mengatur pemakaian sumber daya yang terbatas dalam menghasilkan produk berdasarkan prioritas pesanan yang datang. Dalam mengembangkan suatu PIP salah satu caranya dilakukan dengan mensimulasikan komponen masukan untuk menghasilkan produk dalam jumlah dan waktu yang tepat. Adapun komponen masukan PIP yang menjadi fokus perhatian adalah: pesanan (order), bahan (material), mesin (resource), pengiriman (shipment), ramalan (forecasting), pesanan terlunda (backlog) dan persediaan (inventory). Aplikasi Simulator yang dikembangkan selanjutnya diujicobakan untuk jenis produk perabotan (meubelair). Simulator ini dikembangkan dengan menggunakan teknik pendekatan beorientasi objek. PIP yang dihasilkan dari simulator merupakan pengabungan 2 (dua) teknik yaitu Teknik Fase Waktu dan Teknik Penghitungan Kebutuhan Bersih dan Kotor. Kontribusi yang dihasilkan dari Aplikasi simulator ini adalah: dapat melakukan penyimpanan data secara simultan, tampilan data yang disajikan mempunyai informasi yang lebih lengkap jika dibandingkan dengan PIP yang ada di lapangan dan mempunyai fleksibilitas dalam rangka mempertimbangkan kebutuhan perubahan data di lapangan seperti penambahan komponen produk. Dari hasil uji coba dengan data di lapangan, aplikasi ini dapat memberikan masukan kepada proses perencanaan produksi dalam hal efesiensi pemakaian material, penggunaan mesin, tingkat pencapaian jumlah dan tingkat pencapaian waktu produksi. Supaya aplikasi ini dapat digunakan secara lebih aplikatif untuk perusahaan dengan skala produksi lebih besar perlu dilakukan studi untuk melengkapi data dalam hal misalnya peramalan dengan menggunakan programa liner dan optimalisasi yang ada pada riset operasi (operation research). Dan agar aplikasi ini dapat digunakan untuk berbagai jenis produk diperlukan suatu kajian yang dapat menggeneralisasi karakteristik setiap produk tersebut."

"Penelitian ini dilakukan untuk memperoleh jadwal operasi pasien elektif pada sebuah rumah sakit dengan sejumlah ruang operasi sehingga kendala ketersediaan dokter, kapasitas ruangan, dan keterdesakan waktu operasi bisa dipenuhi sebaik mungkin. Optimasi pernjadwalan dilakukan dengan algoritma genetika. Penelitian ini menghasilkan jadwal penggunaan kamar operasi yang cukup baik dalam memenuhi kendala. algoritma yang dihasilkan juga bisa menampung fleksibilitas data pasien, ruang operasi, rentang hari penjadwalan, ketersediaan dokter.

---

Thus research aims to obtain optimum surgery schedule for elective patient for a hospital having several operating rooms so as to satisfy the constraints of surgeon availability, room capacity, and the urgency of some patient. Schedule optimization is achieved by usinf genetic algorithm.

Resulting schedule is satisfactort in satisfying the constraints. the proposed alogrithm can alson accommodate flexibility in number of patients to be operated on, number of operating rooms used, the day spans of scheduling, and availability of the surgeons."