Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam membangun sebuah kapal membutuhkan biaya yang sangat besar terutama dalam pengadaan material. Salah satu cara untuk mengurangi biaya manufaktur tersebut adalah melakukan optimasi struktur kapal. Dalam penelitian ini, optimasi dilakukan dengan menggunakan metode Hybrid GA. Metode ini menggabungkan antara Genetic Algorithm dan Size Optimization. Genetic Algorithm digunakan untuk memilih material dan Size Optimization digunakan untuk mengurangi ketebalan pelat. Akan tetapi, metode optimasi Genetic Algorithm membutuhkan waktu yang sangat lama untuk mendapatkan hasil paling optimal. Penelitian ini bertujuan untuk mengurangi waktu yang diperlukan dalam optimasi berbasis Hybrid GA dengan memodifikasi proses Genetic Algorithm serta mendapatkan material dengan biaya manufaktur paling rendah. Modifikasi Genetic Algorithm dalam penelitian ini adalah melakukan optimasi sesuai kelompok gen setiap 10%; 20%; 25%; 50%; dan 100% dari total keselurahan gen. Hasil penelitian akan menampilkan pengaruh modifikasi Genetic Algorithm terhadap waktu optimasi dan biaya. Terjadi pengurangan biaya sebanyak 39% pada optimasi setiap 10% gen, 20% gen, dan 25% gen, 34% pada optimasi setiap 50% gen, dan 33% pada optimasi dengan 100% gen. Dari hasil penelitian didapat rata-rata waktu optimasi tiap generasinya, yaitu setiap 10% gen adalah 0,274 jam, setiap 20% gen adalah 0,388 jam, setiap 25% gen adalah 0,434 jam, setiap 50% gen adalah 0,61 jam, dan 100% gen adalah 0,646 jam.

---

In building a ship requires a very large cost, especially in the procurement of materials. One way to reduce manufacturing costs is to optimize the ship structure. In this study, optimization was carried out using the Hybrid GA method. This method combines Genetic Algorithm and Size Optimization. Genetic Algorithm is used to select material and Size Optimization is used to reduce plate thickness. However, the Genetic Algorithm optimization method takes a very long time to get the most optimal results. This study aims to reduce the time required for optimization based on Hybrid GA by modifying the Genetic Algorithm process and obtaining materials with the lowest manufacturing costs. Genetic Algorithm modification in this research is to optimize according to gene group every 10%; 20%; 25%; 50%; and 100% of the total gene pool. The results of the study will show the effect of Genetic Algorithm modification on optimization time and cost. There was a 39% cost reduction in optimization of every 10% of genes, 20% of genes, and 25% of genes, 34% on optimization of every 50% of genes, and 33% on optimization with 100% of genes. From the results of the study, the average optimization time of each generation, ie every 10% of genes is 0.274 hours, every 20% of genes is 0.388 hours, every 25% of genes is 0.434 hours, every 50% of genes is 0.61 hours, and 100% gene is 0.646 hours."

"Seiring dengan meningkatnya biaya operasi dan material untuk manufaktur sebuah kapal, diperlukannya metode-metode optimasi untuk mengurangi biaya tersebut. Banyak penelitian untuk optimasi biaya manufaktur kapal, salah satunya adalah dengan melakukan optimasi pada struktur kapal. Dalam penelitian ini, dilakukan optimasi pada struktur penutup palka kapal curah. Optimasi dilakukan dengan melakukan Sensitivity Analysis pada metode Hybrid Genetic Algorithm (Hybrid GA) pada desain penutup palka kapal yang sudah ada. Metode ini melihat hubungan antar pelat sebelum dilakukan Hybrid GA. Dimana Hybrid GA sendiri menggabungkan antara Genetic Algorithm dan Size Optimization. Kelemahan dari Hybrid GA ini sendiri adalah lamanya proses optimasi untuk mendapatkan hasil yang optimal. Dengan dilakukannya Sensitivity Analysis, Penelitian ini akan membuat metode optimasi semakin cepat dan optimal dari segi waktu, serta tetap mendapatkan hasil yang optimal dari segi biaya manufaktur. Pada saat optimasi dilakukan hanya pelat yang saling mempengaruhi secara tegangan yang akan dijalankan bersamaan. Hasil penelitian akan menampilkan pengaruh dilakukannya Sensitivity Analysis terhadap waktu optimasi dan biaya. Terjadi pengurangan waktu sebanyak 67% dibandingkan dengan metode Hybrid GA, dengan biaya manufaktur yang serupa. Dengan demikian hasil penelitian ini bisa berkontribusi untuk membuat kapal yang lebih murah untuk dibuat

---

Along with the increase in operating and material costs for manufacturing a ship, optimization methods are needed to reduce these costs. There are many studies for optimizing ship manufacturing costs, one of which is by optimizing the ship structure. In this study, optimization of the bulk ship hatch cover structure was carried out. Optimization is done by performing a sensitivity analysis on the Hybrid Genetic Algorithm (Hybrid GA) method on the existing ship hatch cover design. This method looks at the relationship between plates before doing Hybrid GA. Where Hybrid GA itself combines Genetic Algorithm and Size Optimization. The weakness of Hybrid GA itself is the length of the optimization process to get optimal results. By doing Sensitivity Analysis, this research will make the optimization method faster and optimal in terms of time, and still get optimal results in terms of manufacturing costs. At the time of optimization, only plates that affect each other in voltage will be run simultaneously. The results of the study will show the effect of doing Sensitivity Analysis on optimization time and cost. There was a 67% reduction in time compared to the Hybrid GA method, with similar manufacturing costs. Thus, the results of this study could contribute to making ships cheaper to build."

"Pembuatan kapal membutuhkan biaya manufaktur yang cukup tinggi, salah satu penyebab hal ini adalah tingginya biaya bahan baku material yang akan digunakan untuk pembuatan kapal tersebut. Untuk mengurangi biaya manufaktur pembuatan kapal namun tetap memertahankan fungsinya, salah satu solusi yang dapat dilakukan adalah melakukan substitusi material. Pemilihan material menggunakan Metode Optimasi Algoritma Genetika, metode ini bekerja sesuai dengan Teori Evolusi Charles Darwin. Induk yang telah dikawinsilangkan akan menghasilkan individu baru yang telah mengalami proses mutasi. Dalam proses ini, besarnya angka mutasi akan memengaruhi kualitas individu baru. Setelah dilakukan substitusi material, akan dilakukan optimasi ketebalan. Penelitian ini bertujuan untuk mendapatkan biaya optimal tanpa mengurangi dari fungsi dari pelat tersebut. Pengujian dilakukan menggunakan Visual Studio C++, dengan 50 generasi variasi angka mutasi 5%; 7,5%; dan 10%. Hasil penelitian akan menampilkan pengaruh angka mutasi, jumlah generasi terhadap optimasi biaya. Pada hasil optimasi dengan mutasi 5% mampu mengurangi biaya material hingga 34%, hasil optimasi mutasi 7,5% mampu mengurangi biaya material hingga 34,5%, dan hasil optimasi mutasi 10% mampu mengurangi biaya material hingga 36%.

---

Shipbuilding requires a fairly-high manufacturing cost, one of the reasons for this is the high cost of raw materials used for shipbuilding. To reduce shipbuilding manufacturing costs but still maintain its function, one solution that can be done is to substitute materials. Material selection using Genetic Algorithm Optimization Method, this method works according to Charles Darwin's Theory of Evolution. The parent that has been crossed will produce a new individual that has undergone a mutation process. In this process, the number of mutations will affect the quality of new individuals. After material substitution, thickness optimization will be carried out. This study aims to obtain the optimal cost without reducing the function of the plate. Tests were carried out using Visual Studio C++, with 50 generations of variation in the 5% mutation rate; 7.5%; and 10%. The results of the study will show the effect of mutation rate, number of generations on cost optimization. The optimization results with 5% mutations can reduce material costs up to 34%, 7.5% mutation optimization results can reduce material costs up to 34.5%, and 10% mutation optimization results can reduce material costs up to 36%.

"

"Proyek pengembangan pesawat terbang adalah proyek yang membutuhkan anggaran besar, teknologi tinggi dan dipengaruhi oleh faktor ketidakpastian yang besar. Proyek pengembangan pesawat terbang harus memiliki koordinasi yang baik antar aktivitas untuk mencapai waktu yang ditargetkan. Tujuan dari penelitian ini adalah mendesain penjadwalan proyek perancangan pesawat terbang untuk mendapatkan durasi tersingkat proyek secara keseluruhan. Data yang digunakan dalam penelitian ini adalah data desain struktur pesawat terbang untuk fase konseptual pada salah satu proyek desain pesawat terbang di Indonesia. Data yang digunakan hanya mencakup data dependensi aktivitas, jumlah sumber daya yang tersedia dan durasi aktivitas. Penelitian ini menggunakan kombinasi metode Design Structure Matrix DSM dan Genetic Algorithm GA untuk meperoleh penjadwalan proyek yang optimal. Metode DSM digunakan untuk mengidentifikasi aliran informasi antar-aktivitas proyek dan metode GA digunakan untuk mengoptimalkan urutan aktivitas. Hasil output dari pemodelan DSM menjadi input untuk pemodelan GA. Pemodelan GA mempertimbangkan data rework, yang merupakan hasil output DSM, durasi aktivitas dan batasan sumber daya manusia saat mengoptimasi urutan aktivitas proyek. Analisis komparatif dilakukan antara penjadwalan berdasarkan kombinasi metode DSM dan GA dengan penjadwalan berdasarkan metode tradisional, Metode CPM. Dibandingkan dengan metode CPM, kombinasi metode DSM dan GA menghasilkan durasi total proyek yang lebih singkat dengan mengoptimalkan urutan aktivitas yang mempertimbangkan batasan sumber daya manusia.

---

The aircraft development project is a mega project that requires huge budget, high technology and influenced by high uncertainty factor. The aircraft development project must have good coordination between the activities in order to achieve the targeted time.

The purpose of this research is to minimize the overall duration of aircraft design project. This research use dataset from an aircraft design project in Indonesia. The data used in this research was the dataset of aircraft structure design in conceptual phase. The dataset only include tasks precedence dependency, number of resource available and activity duration.

This research proposes a combination method of Design Structure Matrix DSM and Genetic Algorithm GA for aircraft design project scheduling. DSM is used to identify the information flow between project activities and GA is used to optimize the task sequence.

The output result of DSM modeling becomes the input for GA modeling. GA considers the output of DSM, which is rework data, activity duration and human resources constraint during task sequence optimization. A comparative analysis was conducted between the schedule based on DSM and GA and schedule based on traditional method, the Critical Path Method.

Compared to the CPM method, DSM and GA produce a shorter overall project duration by optimizing task sequences that consider human resource constraints. This research is useful for design projects scheduling with limited resources that can be obtained by using alternative methods other than traditional methods. "

"Pengembangan produk baru merupakan hal yang sangat penting dalam menjagapertumbuhan perusahaan. Herbisida glyphosate dengan kemampuannya yangspesifik dan efektif dalam menghambat enzim 5-enolpyruvylshikimate-3-phosphate synthase (EPSPS) menjadi herbisida yang luas dipakai di seluruh duniatermasuk di Indonesia yaitu sebesar 51% pasar pada Maret 2013. Prosespembuatan produk baru ammonium glyphosate 400 g/L SL dilakukan melalui duametode optimasi yaitu Response Surface Method (RSM) dan Artificial NeuralNetwork-Genetic Algorithm (ANN-GA). Kemampuan prediksi respon RSM danANN dibandingkan melalui nilai root mean squared error (RMSE). Dari hasilprediksi RSM, RMSE untuk pembuatan ammonium glyphosate berbasa NH4OHdan berbasa NH4HCO3 secara berturut-turut adalah 44.37 dan 73.2. Sedangkandengan prediksi ANN RMSE untuk pembuatan ammonium glyphosate berbasaNH4OH dan berbasa NH4HCO3 secara berturut-turut adalah 122.04 dan 143.80.Pada penelitian ini juga ditunjukkan bahwa RSM memiliki kemampuan lebihbaik dalam menentukan kondisi optimal jika dibandingkan dengan ANN-GA.Berdasarkan hasil optimasi, formulasi ammonium glyphosate berbasa NH4OHdapat menurunkan biaya sebesar 3.71% dan dengan berbasa NH4HCO3 dapatmenurunkan biaya 11.08% dari komposisi yang sudah ada.

---

New product development is very important for the companies to maintain the

growth. Since its specificity and affectivity in inhibits 5-enolpyruvylshikimate-3-

phosphate synthase (EPSPS), glyphosate becomes a worldwide herbicide

including in Indonesia with 51% market size in March 2013. The making of the

proposed new product, ammonium glyphosate 400 SL, is optimized by the two

methodologies Response Surface Method (RSM) and hybrid of Artificial Neural

Network-Genetic Algorithm (ANN-GA). Prediction capability of the RSM and

ANN model were determined by comparing the root mean squared error (RMSE).

From the RSM prediction, the RMSE for the NH4OH and NH4HCO3 experiment

were 44.37 and 73.2, respectively. And from the ANN prediction, the RMSE for

the NH4OH and NH4HCO3 experiment were 122.04 and 143.80, respectively. In

this study, RSM also showed its superiority in determine the optimum condition

for making ammonium glyphosate compared to the ANN-GA. Based on the

optimization result, NH4OH base formulation gave the 3.71% cost saving and

NH4HCO3 base formulation gave 11.08% cost saving compared to the existing

product."

"Estimasi biaya proyek dengan akurasi yang tinggi pada tahap konseptual sangat penting dalam tahap perencanaan suatu proyek. Tetapi pada aplikasinya estimasi tahap ini ditemui beberapa kendala dalam melakukannya seperti keterbatasan definisi ruang lingkup dan kendala pada informasi yang tersedia. Pada penelitian ini akan dijelaskan pembuatan suatu model estimasi baru menggunakan metode Case-Based Reasoning (CBR) digabungkan dengan metode Genetic Algorithm (GA). GA digunakan untuk mengoptimasi proses retrieve pada metode CBR. Data yang digunakan untuk pembuatan model ini adalah data 55 Rusunawa di Indonesia untuk menunjukkan keuntungan dari metode yang digunakan. Rata-rata error yang dihasilkan dari model ini adalah sebesar 2,966%.

---

Project cost estimating with high accuracy in the conceptual phase of project development is essential for planning. But in its application, this estimation stage encountered some difficulties in doing such limited scope definition and constraints on available information. This research will be explained the creation of a new estimation model using the Case-Based Reasoning (CBR) method combined with Genetic algorithm (GA). GA is used to optimize the process of retrieving the CBR method. The data used for this modeling is the data of 55 low-cost apartment in Indonesia to demonstrate the advantages of the method used. The average error resulting from this model is 2,966%."

"Backpropagation neural network backpropagation adalah salah satu algoritma machine learning yang dapat digunakan untuk melakukan klasifikasi data. Klasifikasi data dilakukan dalan serangkaian proses training dan testing. Pada akhir proses testing yang juga merupakan akhir dari proses backpropagation, akan didapatkan nilai recognition rate. Nilai recognition rate merupakan nilai yang menandakan banyaknya data yang berhasil diklasifikasi dengan benar pada proses testing terhadap seluruh testing dataset. Recognition rate erat kaitannya dengan masalah underfitting, overfitting, local minima, dan local maxima. Keempat masalah ini menyebabkan nilai recognition rate yang didapatkan kurang optimal. Namun biasanya untuk menangani keempat masalah ini dilakukan pengaturan pada beberapa paramter, misalnya learning rate, momentum, jumlah layer, jumlah nodes, weights, dan lain-lain. Pada tulisan ini akan dijelaskan program optimasi yang melakukan pengaturan pada nilai inisialisasi weights untuk menangani keempat tersebut. Program ini melakukan inisialisasi weights menggunakan genetic algorithm pada backpropagation yang mengimplementasikan k-fold crossvalidation. Untuk menguji dan membandingkan program optimasi terhadap program implementasi backpropagation yang tidak dioptimasi program non-optimasi, digunakan empat dataset, yaitu iris flower dataset, seeds dataset, wine dataset, dan EEG dataset buatan. Pada akhir pengujian didapatkan hasil bahwa program optimasi berhasil mendapatkan nilai recognition rate lebih tinggi pada iris flower dataset, yaitu 97.33 pada program optimasi dan 96.67 pada program non-optimasi. Kemudian didapatkan pula nilai recognition rate yang lebih tinggi pada seeds dataset, yaitu 93.33 pada program optimasi dan 92.86 pada program non-optimasi. Lalu didapatkan pula nilai recognition rate yang lebih tinggi pada EEG dataset buatan, yaitu 37.5 pada program optimasi dan 35.94 pada program non-optimasi. Sedangkan pada wine dataset didapatkan nilai recognition rate yang sama antara program optimasi dan program non-optimasi, yaitu 99.44.

---

Backpropagation neural network backpropagation is one of machine learning algorithms that can be used to classify data. The data classification is done in a series of trainig and testing processes. At the end of testing process that is also the end of backpropagation process, the algorithm will produce recognition rate value. Recognition rate value indicates the total of correctly classified data in testing process againts all data in testing dataset. Recognition rate value related to underfitting, overfitting, local minima, and local maxima problems. However, to handle these problems adjusting some parameters are necessary to be done. These parameters are learning rate, momentum, number of layers, number of nodes, weights, etc. In this writting will be explained an optimization program that adjusts the initialization values of weights to handle those four problems. This program initializes weights using genetic algorithm on backpropagation implementing k fold crossvalidation. To test and compare the optimization program with a program that implements backpropagation without optimization non optimzation program four datasets will be used, those are iris flower dataset, seeds dataset, wine dataset, and artificial EEG dataset. At the end of the test, the results show that optimization program obtained higher recognition rate value on iris flower dataset, that is 97.33 on optimization program againts 96.67 on non optimization program. Other than that, optimization program obtained higher recognition rate value on seeds dataset, that is 93.33 on optimization program againts 92.86 on non optimization program. Also, optimization program obtained higher recognition rate value on artificial EEG dataset, that is 37.5 on optimization program againts 35.94 on non optimization program. However, the optimization program obtained an equal recognition rate value on wine dataset, that is 99.44."

"Menumpuknya pesawat terbang pada saat pemeliharaan berkala menyebabkan kurangnya pesawat terbang yang dapat dioperasikan untuk pelatihan bagi mahasiswa penerbang. Untuk itu diperlukan jadwal pemakaian dan jadwal pemeliharaan pesawat terbang agar diperoleh jadwal yang optimal. Penelitian ini bertujuan untuk memperoleh suatu sistem penjadwalan pemeliharaan pesawat terbang yang optimal dengan meminimumkan terjadinya pemeliharaan 2000 jam secara bersamaan dengan metode algoritma genetik. Hasil yang dicapai adalah jadwal pemeliharaan pesawat terbang dengan meminimumkan terjadinya pemeliharaan 2000 jam selama 10 tahun dengan standard deviasi sebesar 0,43483.

---

Stacked of aircraft at the time in a periodic aircraft maintenance causing the lack of aircraft which is operated for the aviation training students. This require the schedule usage and aircraft maintenance schedule in order to obtain the optimal schedule.

This study aims to obtain a maintenance scheduling system of the optimal aircraft to minimize the occurrence of 2000-hour maintenance in conjunction with genetic algorithm method.

The results are an aircraft maintenance schedule to minimize the occurrence of 2000-hour maintenance for 10 years with a standard deviation of 0.43483."

"Komunikasi mmWave merupakan komunikasi yang menjanjikan dan menarik bagi kalangan akademik dan industri karena ketersediaan spektrum yang berlimpah, akan tetapi spektrum mmWave mmiliki karakteristik kanal propagasi yang buruk. Teknik beamforming dengan perarahan yang tinggi menjadi solusi yang efektif untuk hal tersebut. Penggunaan teknik tersebut memiliki masalah waktu tunda yang tinggi dalam mekanisme initial access (IA). Hal ini dapat berdampak pada kinerja yang buruk untuk dapat mendukung implementasinya di teknologi komunikasi saat ini, yaitu 5G low end-to-end latency. Metode meta-heuristic dengan menggunakan algoritma Genetic Algorithm (GA) merupakan salah satu metode yang telah dilakukan untuk menyelsaikan permaslahan tersebut. Namun, kinerja yang dihasilkan belum cukup baik dan masih dilakukan penelitian untuk menghasilkan peningkatan kinerja waktu tunda terbaik dengan meninjau pada algoritma berbasis alam. Pada penelitian ini, kami melakukan perancangan dan penentuan suatu algoritma berdasarkan algoritma berbasis alam yang memiliki kinerja lebih baik dari GA yang telah dilakukan untuk kasus IA pada komunikasi mmWave. Algoritma yang telah dirancang dan ditentukan adalah algoritma hybrid genetic algorithm and particle swarm optimization (HGAPSO). Hasil kinerja algoritma tersebut menunjukkan nilai kapasitas terbaik (Gbit/s) dan waktu tunda yang cukup rendah (jumlah iterasi) dibandingkan algoritma GA yang telah diajukan dan particle swarm optimization (PSO). Oleh karena itu, dapat disimpulkan bahwa HGAPSO merupakan algoritma yang memiliki kinerja lebih baik dari GA yang telah diajukan dan dapat menjadi algoritma alternatif untuk kasus IA pada komunikasi mmWave.

---

MmWave communication is a promising and attractive communication for academic and industry because of the abundant available spectrum, but mmWave spectrum has poor propagation channel characteristics. High beamforming technique is an effective solution for the problem. The technique has a high delay in the initial access (IA) mechanism. This can have an impact on bad performance to be able to support its implementation in current communication technology, namely 5G low end-to-end latency. The meta-heuristic method using the Genetic Algorithm (GA) is one of the methods that have been used to solve the IA problem. However, the performance result is not good enough and research is still being carried out to produce the best delay time performance improvement by using nature inspired algorithms. In this research, we design and determine an algorithm based on nature inspired algorithms that have better performance than the GA that has been proposed for the IA case in mmWave communication. The algorithm that has been designed and determined are the hybrid genetic algorithm and particle swarm optimization (HGAPSO). The performance of the algorithm shows the best capacity value (Gbit/s) and the delay time is quite low (number of iterations) compared to the GA algorithm that has been proposed and particle swarm optimization (PSO). Therefore, it can be concluded that HGAPSO is an algorithm that has better performance than the GA that has been proposed and can be alternative algorithm for the IA case in mmWave communication."