Hasil Pencarian  ::  Simpan CSV :: Kembali

"Masalah penjadwalan batching machines adalah masalah kombinatorial untuk menyusun produk-produk sedemikian sehingga lama pengolahannya menjadi minimum. Produk-produk memiliki ukuran dan lama proses produksi yang berbeda-beda yang akan dikelompokkan dalam batches. Jumlah ukuran produk dalam suatu batch tidak boleh melebihi kapasitas mesin. Lama proses batch adalah lama proses produk terpanjang dalam batch tersebut. Mesin yang sedang berkerja tidak diperkenankan diganggu hingga semua produk didalamnya selesai diproses.Masalah ini akan diselesaikan dengan algoritma improved ant colony optimization menggunakan metropolis criterion untuk menghindari solusi konvergen yang prematur. Pada implementasi, dilakukan modifikasi dengan mengubah parameter-parameter dari susunan parameter artikel. Dari hasil percobaan, modifikasi susunan parameter menunjukkan solusi yang lebih baik.

---

Scheduling batching machines problem is a combinatorial problem to arrange jobs thus the processing time is minimum. Jobs have arbitrary size and processing time which will be assigned into batches. Total of jobs size in a batch can?t be more than machines capacity. Batch processing time is the longest jobs processing time inside the batch. While working, machines can?t be interrupted until all the jobs have done processed.

This problem is solved with improved ant colony optimization algorithm using metropolis criterion to prevent premature convergent solution. In implementation, parameter modification is made by changing parameters from the parameters arrangement of main article. Based on the result, the modification of parameters showed a better solution."

"Kompleksitas menuntut para peneliti untuk membuat kecerdasan buatan. Skripsi ini membahas tentang implementasi algoritma pencarian rute Swarm Intelligece pada sistem kontrol visual berbasis MATLAB sebagai kontrol Mobile Microrobot yang menggunakan modul mikro kontroler ESP8266. Robot bergerak dengan menerima perintah dari sistem kontrol menggunakan koneksi nirkabel WiFi. Algoritma pencarian rute yang digunakan merupakan sifat dari kecerdasan kerumunan semut (ant colony), yang meliputi: penemuan rute (route discovery), pemeliharaan rute (route maintenance). Hasil akhir dari penelitian ini adalah sistem kontrol visual telah di-implementasikan algoritma pencarian rute swarm intelligence dari sifat yang dimiliki ant colony.

---

Complexity demanding to the researchers to make artificial intelligence. The focus of this study is about implementing swarm intelligence for routing algorithm on the visual servoing control system MATLAB based, to control mobile microrobot with ESP8266 micro controller module. The robot moves by receiving task from a control system using a WiFi wireless connection. Routing Algorithm used is the nature intelligence from ant colony, which include: route discovery, route maintenance, The end result of this research is visual control system has been implemented with swarm intelligence routing algorithm from the nature of ant colony."

"Ant Colony Optimization (ACO) adalah salah satu algoritma approximate untuk penyelesaian permasalahan NP-hard dan salah satu metode state-of-the-art dalam penyelesaian masalah diskrit. Vehicle Routing Problem (VRP), salah satu permasalahan diskrit, dalam penelitian ini akan diselesaikan menggunakan algoritma ACO. Permasalahan VRP yang akan diselesaikan adalah 6 hasil penelitian mahasiswa Departemen Teknik Industri Universitas Indonesia. Hasil dari penyelesaian VRP menggunakan ACO menunjukkan bahwa fungsi tujuan jarak dari solusi dengan algoritma ACO lebih baik dari pendekatan yang digunakan pada penelitian sebelumnya.

---

Ant Colony Optimization (ACO) is one of approximate algorithm for solving NP-hard problem and state-of-the-art method for solving discrete problem. Vehicle Routing Problem (VRP), one of discrete problem, in this research will be solved using ACO algorithm. VRP problem that will be solved are the result of 6 student research that held by Industrial Engineering and Department, University of Indonesia. The result of solving VRP using ACO show that objective function of solution distance with ACO algorithm is better than previous approach in those research."

"Quadratic Assignment Problem (QAP) merupakan masalah optimasi kombinatorial yang pertama kali diperkenalkan oleh Koopmans dan Beckman pada tahun 1957. QAP adalah masalah menempatkan n fasilitas pada n lokasi dengan tujuan meminimalkan total jarak. Pada skripsi ini, QAP diselesaikan dengan algoritma Hybrid Ant System (HAS) yang termasuk dalam Ant Colony Optimization (ACO). ACO merupakan suatu metode metaheuristik yang terinspirasi dari perilaku semut dalam mencari rute terpendek dari sumber makanan sampai kembali ke sarangnya. Pada algoritma HAS ini, terdapat sejumlah agen yang ditugaskan untuk membentuk rute perjalanan. Setiap agen secara acak ditugaskan membuat rute dari simpul awal sampai semua simpul dikunjungi dan menghasilkan solusi untuk QAP.

---

Quadratic assignment problems (QAPs) is one of combinatorial optimization that was introduced by Koopmans and Beckmann in 1957. QAP is assign n facilities to n locations by minimizing the total distance. In this skripsi, QAP problems can be solved by Hybrid Ant System (HAS) algorithm, these algorithm include in Ant Colony Optimization (ACO). ACO is a metaheuristic methods which encouraged from ants behavior in finding the shortest path among the food resources to their cage. By HAS algorithm, there are some agents assigned to create routes randomly from first points until all points visited, then it will result a solution for QAP."

"Ant Colony Optimization (ACO) is a nature-inspired optimization algorithm which is motivated by ants foraging behavior. Due to its favorable advantages, ACO has been widely used to solve several NP-hard problems, including edge detection. Since ACO initially distributes ants at random, it may cause imbalance ant distribution which later affects path discovery process. In this paper an adaptive ACO is proposed to optimize edge detection by adaptively distributing ant according to gradient ana-lysis. Ants are adaptively distributed according to gradient ratio of each image regions. Region which has bigger gradient ratio, will have bigger number of ant distribution. Experiments are conducted using images from various datasets. Precision and recall are used to quantitatively evaluate perfor-mance of the proposed algorithm. Precision and recall of adaptive ACO reaches 76.98% and 96.8%. Whereas highest precision and recall for standard ACO are 69.74% and 74.85%. Experimental results show that the adaptive ACO outperforms standard ACO which randomly distributes ants.

---

Ant Colony Optimization (ACO) merupakan algoritma optimasi yang terinspirasi oleh tingkah laku semut dalam mencari makan. Karena keunggulan yang dimilikinya, ACO banyak digunakan untuk menyelesaikan permasalahan non-polinomial yang sulit, salah satunya adalah deteksi tepi pada citra. Pada tahapan awal, ACO menyebarkan semut secara acak, hal ini dapat menyebabkan ketidak seim-bangan distribusi semut yang dapat mempengaruhi proses pencarian jalur. Paper ini mengusulkan algoritma adaptif ACO untuk mengoptimalkan deteksi tepi pada citra dengan cara menyebarkan se-mut awal secara adaptif berdasarkan analisis gradient. Semut disebarkan berdasarkan perbandingan gradient dari tiap bagian citra. Bagian citra dengan perbandingan gradient yang lebih besar akan men-dapatkan pembagian semut yang lebih banyak dibandingkan bagian lainnya. Percobaan dilakukan pada beberapa citra yang berasal dari berbagai data set. Precision dan recall digunakan sebagai alat untuk mengukur citra keluaran algoritma yang diusulkan secara kuantitatif. Berdasarkan hasil uji co-ba, adaptif ACO mampu mencapai precision dan recall hingga 76.98 % dan 96.8 %. Sedangkan, nilai precision and recall tertinggi menggunakan ACO murni mencapai 69.74% dan 74.85%. Hasil ini me-nunjukkan bahwa adaptif ACO mampu menghasilkan citra keluaran yang lebih baik dibandingkan ACO murni yang sebaran semut awalnya dilakukan secara acak."

"Kompleksitas menuntut para peneliti untuk membuat kecerdasan buatan. Skripsi ini membahas tentang implementasi algoritma pencarian rute Swarm Intelligece pada sistem kontrol visual berbasis MATLAB sebagai kontrol Mobile Microrobot yang menggunakan modul mikro kontroler ESP8266. Robot bergerak dengan menerima perintah dari sistem kontrol menggunakan koneksi nirkabel WiFi. Algoritma pencarian rute yang digunakan merupakan sifat dari kecerdasan kerumunan semut ant colony , yang meliputi: penemuan rute route discovery , pemeliharaan rute route maintenance . Hasil akhir dari penelitian ini adalah sistem kontrol visual telah di-implementasikan algoritma pencarian rute swarm intelligence dari sifat yang dimiliki ant colony.

---

Complexity demanding to the researchers to make artificial intelligence. The focus of this study is about implementing swarm intelligence for routing algorithm on the visual servoing control system MATLAB based, to control mobile microrobot with ESP8266 micro controller module. The robot moves by receiving task from a control system using a WiFi wireless connection. Routing Algorithm used is the nature intelligence from ant colony, which include route discovery, route maintenance, The end result of this research is visual control system has been implemented with swarm intelligence routing algorithm from the nature of ant colony. "

"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."

"ABSTRACTIn this paper, a new method proposed for location-allocation of skilled workers in a dual constraint cellular manufacturing systems. The main aim is to determine best trading off values between in-house manufacturing and outsourcing, while performance of human resource is not fixed and part demands are considered uncertain. For this purpose, a multi-period scheduling model is developed which is flexible enough to use in real industries. To solve the proposed model, a hybrid Ant Colony Optimization and Tabu Search algorithms is developed and results are compared with a Branch and Bound algorithms. Results showed that utilizing system capability by operator promoting and using temporary workers can effectively reduce system costs. It is also found that workers performance has significant impact on total system costs. The results also demonstrated the superiority of the proposed method on providing solutions with better quality"

"ABSTRAKOptimalisasi portofolio bertujuan agar investor mendapatkan return tertinggi dan mendapatkan risiko terendah. Untuk mencapai tujuan ini, investor melakukan diversifikasi untuk meningkatkan kinerja portofolio dengan meminimalkan risiko portofolio. Pada penelitian ini digunakan algoritma Iterative K-Means -+ sebagai metode clustering dan Ant Colony Optimization (ACO). Pengelompokan digunakan untuk diversifikasi portofolio berdasarkan rasio keuangan masing-masing saham. K-Means berulang -+ ini memperbaiki solusi dari K-Means dengan menghapus 1 cluster (minus), membagi 1 cluster (plus) dan re-clustering di setiap iterasi. Setelah pengelompokan, beberapa saham dipilih dan bobotnya ditentukan dengan metode metaheuristik, yaitu:Algoritma Ant Colony Optimization (ACO). Hasil numerik dari metode ini dievaluasi dengan data yang sebenarnya.ABSTRACTPortfolio optimization aims for investors to get the highest return and get the lowest risk. To achieve this goal, investors diversify to improve portfolio performance by minimizing portfolio risk. In this study, the Iterative K-Means -+ algorithm was used as a clustering method and Ant Colony Optimization (ACO). Grouping is used to diversify the portfolio based on the financial ratios of each stock. Iterative K-Means --+ this improves the solution of K-Means by removing 1 cluster (minus), dividing 1 cluster (plus) and re-clustering in each iteration. After grouping, several stocks are selected and their weights are determined by the metaheuristic method, namely:Ant Colony Optimization (ACO) Algorithm. The numerical results of this method are evaluated with actual data."