Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKKnapsack Problem KP adalah masalah penempatan item barang ke dalam suatu tempat biasa disebut Knapsack yang mempunyai kapasitas tertentu dimana setiap item memiliki berat dan nilai sehingga total berat dari item item yang ditempatkan tidak melebihi kapasitas Knapsack dan nilai yang didapatkan maksimum 0 1 Knapsack Problem 0 1 KP adalah kasus khusus dari KP dimana setiap item hanya tersedia 1 unit sehingga keputusannya adalah untuk memasukkan item tersebut ke dalam Knapsack atau tidak Algoritma Soccer League Competition SLC akan digunakan untuk menyelesaikan 0 1 KP yang ide dasarnya berasal dari kompetisi yang terjadi di liga sepak bola Penyelesaian 0 1 KP menggunakan algoritma SLC ini kemudian akan disimulasikan pada 10 permasalahan 0 1 KP dengan menggunakan perangkat lunak pada komputer Lalu hasilnya akan dibandingkan dengan solusi yang diperoleh dari algoritma NGHS.

---

ABSTRACT

Knapsack Problem KP is an optimization problem to placed some item into a place called Knapsack that have certain capacity which each item has a weight and a value so that the total weight of the chosen items does not exceed the capacity of knapsack and the total value is as large as possible 0 1 Knapsack Problem 0 1 KP is a case of KP which is only one unit available for each item so that the decision is to put these items to knapsack or not Soccer League Competition algorithm will be used to solving 0 1 KP The basic idea of SLC algorithm is from the competition that happen on a soccer league Then SLC algorithm will be simulated on 10 solved 0 1 KP problem with software on computer to solve 0 1 KP and will be compared with solutions from NGHS."

"ABSTRAKKnapsack Problem (KP) merupakan masalah optimisasi dalam menentukan objekdari sekumpulan objek yang memiliki nilai dan bobot yang akan ditempatkan kedalam media penyimpanan dengan tujuan memaksimumkan nilai barang dengansyarat kapasitas bobot media penyimpanan terbatas. Dalam tugas akhir ini, akandibahas {0-1} Knapsack Problem ({0-1} KP) yang direpresentasikan dalambentuk graf berarah. Setelah direpresentasikan dalam bentuk graf berarah,kemudian dilakukan transformasi pada nilai busur pada graf berarah tersebut dandicari lintasan terpendek antar dua node. Untuk mencari lintasan terpendek,digunakan Algoritma Amoeboid Organism dengan inputnya adalah matriksadjacency dari graf berarah yang telah ditransformasi nilai busurnya dan matrikskonduktivitas. Output dari algoritma ini adalah menghasilkan matrikskonduktivitas yang elemen-elemennya bernilai mendekati 0 atau 1. Entri yangbernilai mendekati 1 merepresentasikan lintasan terpendek pada graf. Lintasanterpendek yang diperoleh akan menjadi solusi yang optimal pada {0-1} KP.

---

ABSTRACTKnapsack Problem (KP) is optimization problem to choose object from set ofobjects which have profit and weight and the object will be placed in limitedstorage with total of profit is maksimum. First, will be explained aboutrepresenting {0-1} Knapsack Problem ({0-1} KP)to directed graph. After {0-1}KP is represented in directed graph, so transforming value of edge on directedgraph and dicari lintasan terpendek antar dua node. To search shortest path, useAmoeboid Organism Algorithm with adjacency matrices from directed graph andconductivity matrices as input. Output from this algorithm is produce conductivitymatrices with element which have value approach 0 and . Element which havevalue approach 1 represent shortest path on graph. Shortest path on graph isoptimal solution in {0-1} KP."

"This comprehensive textbook presents a clean and coherent account of most fundamental tools and techniques in Parameterized Algorithms and is a self-contained guide to the area. The book covers many of the recent developments of the field, including application of important separators, branching based on linear programming, Cut &​ Count to obtain faster algorithms on tree decompositions, algorithms based on representative families of matroids, and use of the Strong Exponential Time Hypothesis. A number of older results are revisited and explained in a modern and didactic way. The book provides a toolbox of algorithmic techniques. Part I is an overview of basic techniques, each chapter discussing a certain algorithmic paradigm. The material covered in this part can be used for an introductory course on fixed-parameter tractability. Part II discusses more advanced and specialized algorithmic ideas, bringing the reader to the cutting edge of current research. Part III presents complexity results and lower bounds, giving negative evidence by way of W[1]-hardness, the Exponential Time Hypothesis, and kernelization lower bounds. All the results and concepts are introduced at a level accessible to graduate students and advanced undergraduate students. Every chapter is accompanied by exercises, many with hints, while the bibliographic notes point to original publications and related work."

"The 0-1 multidimensional knapsack problem (MKP) has been proven it belongs to difficult NP-har combinatorial optimization problems. There are various search algorithms based on population concept to solv these problems. the particle swarm optimization (PSO) technique is adapted in our stucy, which proposes a novel PSO algorithm, namely, the binary PSO based on surrogate information with proportional acceleration coefficients (BPSOSIPAC). the proposed algorithm was tasted on 135 benchmark problems from the OR-Library to validate and demonstrate the efficiency in solving multidimensional knapsack problems. The result were then compared with those in the other nine existing PSO algorithms. The simulation and evaluation result showed that the proposed algorithm, BPSOSIPAC, is superior to the of successful runs, average eror (AE) , mean absolute deviation, mean absolute percentage error, last error, standard deviation, best profit, mean profit, worst profit, AE of the best profit (%), AE of the mean profit deviaton. "

"Traveling Salesman Problem (TSP) adalah masalah mencari jalur terpendek untuk mengunjungi setiap simpul tepat satu kali kecuali simpul awal kunjungan jika diberikan himpunan simpul yang harus dikunjungi. Tiga modifikasi dilakukan pada skripsi ini untuk menyelesaikan masalah TSP dengan menggabungkan metode Ant Colony Optimization (ACO), Particle Swarm Optimization (PSO) dan 3-Opt Algorithm. ACO digunakan untuk mencari solusi TSP, PSO digunakan untuk mencari nilai paremeter terbaik 𝛼 dan 𝛽 yang digunakan pada ACO, dan 3-Opt digunakan untuk mengurangi total jarak tempuh solusi yang didapat dari ACO. Pada modifikasi pertama, 3-Opt digunakan untuk mengurangi total jarak tempuh dari solusi terbaik yang didapatkan setiap iterasi. Pada modifikasi kedua, 3-Opt digunakan untuk mengurangi total jarak tempuh seluruh solusi yang didapatkan pada setiap iterasi. Pada modifikasi ketiga, 3-Opt digunakan untuk mengurangi total jarak tempuh seluruh solusi yang berbeda yang didapatkan pada setiap iterasi.Hasil modifikasi diuji menggunakan 6 benchmark problems yang diambil dari TSPLIB dengan menghitung besarnya galat relatif terhadap best known solution dan running time percobaan. Setiap masalah diselesaikan dengan 10 kali percobaan, dengan masing-masing percobaan menggunakan 10 agen dan 50 iterasi. Hasil implementasi menunjukkan modifikasi pertama tidak memberikan hasil yang memuaskan, modifikasi kedua memberikan hasil yang memuaskan namun dengan running time yang cukup besar, serta modifikasi ketiga memberikan nilai galat yang tidak jauh berbeda dengan modifikasi kedua namun dengan running time yang jauh lebih kecil.

---

The Traveling Salesman Problem (TSP) is the problem of finding a shortest tour which visits all the vertices exactly once, except the first vertex, given a set of vertices. This thesis discusses three modification to solve TSP by combining Ant Colony Optimization (ACO), Particle Swarm Optimization (PSO) and 3-Opt Algorithm. ACO is used to find the solution of TSP, PSO is used to find the best value of parameters α and β that are used in ACO, and 3-Opt is used to reduce the total of tour length from the solution obtained by ACO. In the first modification, 3-Opt is used to reduce the total of tour length from the best solution obtained at each iteration. In the second modification, 3-Opt is used to reduce the total of tour length from the entire solutions obtained at each iteration. In the third modification, 3-Opt is used to reduce the total of tour length from different solutions obtained at each iteration.Results were tested using 6 benchmark problems taken from TSPLIB by calculating the relative error to the best known solution and the running time. Every problem was solved with 10 trials, where each trial uses 10 agents and 50 iterations. The implementation results showed the first modification did not provide satisfactory results, the second modification gave a satisfactory result, but the running time was quite large, and the third modification gave errors that were close to the second one but with smaller running time."

"Multiple Traveling salesman problem MTSP merupakan perluasan dari TSP. MTSP adalah masalah optimasi dimana akan ditentukan total jarak minimum untuk m salesmen dalam melakukan perjalanan ke sejumlah kota tepat satu kali yang dimulai dari kota awal yang disebut depot kemudian kembali lagi ke depot setelah perjalanan selesai. Dalam tugas akhir ini, K-Means dan Crossover Ant Colony Optimization ACO akan digunakan untuk menyelesaikan MTSP. Implementasi dilakukan pada 3 data dari TSPLIB dengan menggunakan salesman berjumlah 2, 3, 4, dan 8. Analisa hasil dengan menggunakan K-Means dan Crossover ACO akan dibandingkan. Pengaruh terhadap pemilihan kota yang menjadi depot pada total jarak perjalanan yang dihasilkan, juga akan dianalisa.

---

Multiple Traveling Salesman Problem MTSP is a generalization of the Traveling Salesman Problem TSP . MTSP is an optimization problem to find the minimum total distance of m salesmen tours to visit several cities in which each city is only visited exactly by one salesman, starting from origin city called depot and return to depot after the tour is completed. In this skripsi, K Means and Crossover Ant Colony Optimization ACO are used to solve MTSP. The implementation is observed on three datasets from TSPLIB with 2, 3, 4, and 8 salesmen. Analysis of results using K Means and Crossover ACO will be compared. The effect of selecting a city as depot on the total travel distance of tour will also be analyzed."

"Tujuan dari penelitian ini adalah untuk mengembangan rencana pembelajaran dan menggambarkan pelaksanaan dan hasil belajar siswa melalui pendekatan pemecahan masalah untuk meningkatkan kemampuan komunikasi siswa dalam memecahkan masalah uji kasus matematika. Sebuah model penelitian tindakan kelas digunakan dan dilaksanakan pada bulan April 2010 di SDN 1 di Desa Saguling, Kecamatan Baregbeg, Ciamis Regenc, Provinsi Jawa Barat. Pengumpulan data dilakukan dengan 3 siklus dari 28 siswa kelas IV dan guru bertindak sebagai peneliti studi. Instrumen penelitian terdiri format penilaian RPP, format pengamatan kegiatan mengajar dan kegiatan belajar, lembar kerja siswa dan tes. Data dianalisis menggunakan metode triangualation, saturasi, dan akal sehat. Hasil penelitian menunjukkan bahwa pendekatan pemecahan masalah matematika adalah salah satu alternatif untuk meningkatkan kemampuan komunikasi siswa dalam memecahkan kasus uji matematika. Dalam rangka meningkatkan kemampuan komunikasi matematika siswa, disarankan untuk menggunakan pendekatan masalah Polya. Demikian pula, uji evaluasi harus mengandung aspek yang menunjukkan ide-ide matematika dalam bentuk gambar, menghubungkan gambar ke kalimat dan menyelesaikan proses algoritma."