top of page

Small Multiple Chart di Power BI

Diperbarui: 22 Feb 2023

Small Multiples adalah fitur baru dari Power BI yang dapat membuat grup detail bar/kolom untuk memberikan penempatan visual yang bersih ke bagan dengan parameter bertumpuk.

Pic.1 Bagan jumlah penjualan dengan small multiple
Pic.2 Bagan jumlah penjualan tanpa small multiple

Pengguna dapat melihat di Pic.1, visual jumlah penjualan sekarang dibagi dengan parameter negara menjadi enam (2x3) diagram batang yang berbeda. Sedangkan untuk Pic.2, parameter negara digunakan sebagai legenda dan membuat diagram batang bertumpuk untuk visual jumlah penjualan. Penggunaan kelipatan kecil untuk Pic.1 memberikan kesan spread yang bersih, dibandingkan dengan Pic.2 yang memberikan kesan visual yang ramai.


Untuk menggunakan fitur small multiples, pengguna dapat meletakkan parameter pada dropdown small multiples pada subpanel Format

Pic.3. Small multiple dropdown

Pengguna juga dapat mengatur susunan jumlah baris dan kolom small multiples dengan masuk ke subpanel Format lalu pilih Grid layout. Akhirnya, pengguna dapat memilih preferensi mereka untuk jumlah baris dan kolom untuk kisi kelipatan kecil.

Pic.4. Pilihan grid layout edit

Kesimpulannya, menggunakan fitur small multiples pada visual Anda dapat membuat bagan yang tertata rapi.


SEO keywords: Data Science telah menjadi sebuah alat yang penting untuk memecahkan masalah yang kompleks di berbagai industri, termasuk logistik. Salah satu pendekatan khusus yang telah menunjukkan hasil yang menjanjikan di bidang ini adalah algoritma genetik. Metode ini terinspirasi oleh prinsip-prinsip seleksi alam dan evolusi, dan dapat diterapkan untuk mengoptimalkan alokasi sumber daya. Pada artikel ini, kita akan membahas apa itu algoritma genetik dan bagaimana penerapannya untuk menemukan biaya optimal bagi perusahaan transportasi. Apa yang dimaksud dengan Algoritma Genetika? Algoritma Genetika (GA), yang merupakan subkelas dari kelas yang lebih besar yaitu algoritma evolusioner (EA) dalam ilmu komputer dan riset operasi, adalah metaheuristik yang mengambil isyarat dari proses seleksi alam. Algoritme genetik sering kali menggunakan operator yang terinspirasi secara biologis, termasuk mutasi, persilangan, dan seleksi, untuk menghasilkan solusi berkualitas tinggi untuk masalah optimasi dan pencarian. Memecahkan masalah optimasi dan pohon keputusan yang meningkatkan kinerja adalah beberapa contoh aplikasi GA. Apa yang dimaksud dengan konsep algoritma genetika? Prinsip-prinsip evolusi alamiah menjadi dasar dari algoritma genetika, yang merupakan alat pencarian dan pengoptimalan. Dengan meniru evolusi spesies melalui seleksi alam, algoritma genetik juga melakukan prosedur optimasi. Biasanya, algoritme genetika terdiri dari dua langkah. Langkah pertama dalam proses ini adalah memilih individu untuk menghasilkan generasi berikutnya, dan yang kedua adalah memanipulasi individu yang dipilih menggunakan teknik seperti persilangan dan mutasi untuk menghasilkan generasi berikutnya. Individu mana yang dipilih untuk reproduksi dan berapa banyak keturunan yang dihasilkan oleh setiap individu yang dipilih ditentukan oleh mekanisme seleksi. Prinsip dasar dari strategi seleksi adalah bahwa kemungkinan seseorang untuk memiliki anak meningkat seiring dengan kualitasnya. Rumusan Masalah (Kasus transportasi) Asumsikan sebuah perusahaan transportasi yang perlu mengirim paket dari depot ke pusat distribusi mereka dengan truk. Paket mungkin memiliki ukuran yang berbeda, truk dapat memiliki kapasitas dan biaya yang berbeda. Jadi, untuk Manajer yang bertanggung jawab perlu mencari tahu dua hal: Pertama, truk apa dan berapa banyak truk yang digunakan? Kedua, apa saja pusat distribusi yang akan dikunjungi oleh truk-truk tersebut? Tujuannya adalah untuk mendapatkan biaya yang minimum. Jika kita menggunakan logika permutasi sederhana untuk setiap Parcel (1: Parcel ada di dalam truk ATAU 0: parcel tidak ada di dalam truk) dan mencoba semua kombinasi, dengan bertambahnya jumlah barang, maka jumlah kombinasi akan bertambah secara eksplosif, begitu juga dengan waktu untuk menghitung solusinya. Dengan hanya 100 item saja, mungkin sudah membuat komputer macet berjam-jam, jadi bayangkan jika Anda perlu melakukan perhitungan untuk 100.000 item! Algoritma genetika sangat cocok untuk memecahkan masalah logistik karena mereka dapat secara efektif menemukan solusi optimal dalam ruang pencarian yang besar dan kompleks. Operasi logistik sering kali melibatkan banyak variabel dan batasan, seperti biaya transportasi, tingkat persediaan, jadwal pengiriman, dan sebagainya. Algoritma genetika dapat menangani kompleksitas ini dengan menghasilkan populasi solusi potensial dan kemudian secara bertahap menyempurnakannya melalui proses seleksi, mutasi, dan persilangan. Hal ini memungkinkan algoritma genetika untuk mengeksplorasi sejumlah besar kemungkinan solusi, mengidentifikasi yang terbaik, dan konvergen ke solusi optimal dalam waktu yang relatif singkat. Algoritma Genetika diterapkan pada masalah transportasi Untuk mempermudah, kita akan menyederhanakan masalah kita sebagai berikut: Diberikan sebuah truk dengan kapasitas 50 m3, paket dengan ukuran berbeda yang mana saja yang bisa masuk ke dalamnya dan mengoptimalkan ruang yang dapat digunakan. Studi Kasus: Batasan Langkah-langkah algoritma genetika yang kami gunakan adalah Inisialisasi, Evaluasi Induk, Seleksi Roda Roulette, Persilangan, Mutasi, dan Perbaikan. Langkah- Langkah Algortima Genetika Langkah Pertama: Inisialisasi Selama langkah pertama ini, kami menghasilkan sejumlah solusi acak dari kombinasi paket. Inisialisasi Langkah kedua: Evaluasi Induk Kami menghitung Skor Kesesuaian untuk menentukan kekuatan solusi. Kami dapat menghitung skor kebugaran dengan menjumlahkan semua paket yang akan dimuat ke dalam truk. Solusinya adalah setiap orang yang memiliki nilai kesesuaian di atas 50 akan diberi penalti dan nilai kesesuaiannya akan diatur ulang menjadi 0. Evaluasi Induk Langkah ketiga: Seleksi Roda Roulette Kami meneruskan skor kesesuaian ke roda rolet. Roda rolet ini menentukan solusi mana yang akan menjadi induk. Semakin tinggi nilai Kesesuaian, semakin besar area pada roda rolet, yang berarti solusi-solusi ini memiliki kesempatan yang lebih baik untuk meneruskan informasi ke generasi mendatang. Perhatikan bahwa solusi dengan kesesuaian yang lebih rendah masih dapat dipilih. Seleksi Roda Roulette Langkah keempat: Persilangan Mutasi dan crossover adalah dua operator yang paling populer. Dengan mereplikasi beberapa bagian yang dipilih dari setiap untaian induk, operator penyilangan menciptakan dua anak baru dari dua untaian induk. Singkatnya, persilangan adalah langkah di mana dua solusi saling bertukar informasi. Persilangan Langkah kelima: Mutasi Operator mutasi memodifikasi nilai satu bagian bit secara acak yang menciptakan perubahan kecil dalam untaian bagian bit. Mutasi Langkah 6: Perbaikan Operator perbaikan memeriksa apakah solusi yang dihasilkan oleh algoritma sudah valid, dan jika belum, ia akan memodifikasinya agar menjadi valid. Dalam kasus kami di mana kapasitas truk terbatas, operasi perbaikan akan memeriksa apakah paket yang dialokasikan ke truk melebihi kapasitasnya. Jika iya, maka algoritma akan memodifikasi solusi dengan membuang atau mengatur ulang paket-paket tersebut hingga sesuai dengan batasan kapasitas. Perbaikan Algoritme Genetika dalam Aksi! Kami menggunakan asumsi berikut untuk mendemonstrasikan kemampuan Algoritma Genetika: 5 jenis Truk (A: 16 truk, B: 10 truk, C: 6 truk, D: 6 truk, dan E: 4 truk). 2250 m3 volume paket yang akan dikirim. 10 destinasi. 100 individu per generasi. 3 inisiasi data acak (A, B, dan C) Kami memasukkan asumsi kami ke dalam Machine Learning dan menjalankan Algoritma Genetika. Animasi di bawah ini adalah cuplikan dari Algoritma Genetika yang sedang bekerja. Anda dapat melihat bahwa untuk semua inisiasi acak, biayanya menurun. Pengoptimalan biaya secara bertahap ini disebabkan oleh kombinasi baru yang terbentuk selama proses persilangan dan mutasi, serta fakta bahwa kami hanya mempertahankan solusi terbaik dari generasi ke generasi. Anda juga dapat melihat bahwa dalam kasus kami, apa pun inisiasi acak yang digunakan, solusi akan mencapai biaya minimum yang sama. Animasi Grafik Algoritma Genetika Pendekatan yang Hebat untuk Meningkatkan Efisiensi Anda sekarang telah memiliki pemahaman yang baik tentang apa itu Algoritma Genetika dan bagaimana algoritma ini dapat diterapkan untuk menentukan biaya yang optimal. Anda telah memahami bahwa Algoritma Genetika dapat digunakan untuk memecahkan masalah optimasi dalam cakupan yang luas di berbagai industri. Hubungi kami hari ini untuk menjadwalkan konsultasi dan pelajari bagaimana kami dapat membantu Anda mengoptimalkan operasi Anda dan mencapai tingkat efisiensi dan produktivitas yang baru. Some potential SEO keywords for an article about meditation could be:

  • What is meditation and how can it benefit your mind and body

  • Different types of meditation and their benefits

  • How to start a meditation practice as a beginner

  • Tips for making meditation a habit and incorporating it into your daily routine

  • Meditation for stress relief and anxiety management

  • Mindfulness meditation and its impact on mental health

  • The connection between meditation and better sleep

  • Scientific evidence on the positive effects of meditation on the brain and overall well-being

  • How to meditate in different settings, such as at home, work, or while traveling

  • The role of guided meditation in improving focus and concentration

  • Meditation and spiritual growth: exploring the spiritual side of meditation

  • The benefits of group meditation and how to find a meditation community near you.

Cari kata kunci SEO untuk artikel ini: Data Science telah menjadi sebuah alat yang penting untuk memecahkan masalah yang kompleks di berbagai industri, termasuk logistik. Salah satu pendekatan khusus yang telah menunjukkan hasil yang menjanjikan di bidang ini adalah algoritma genetik. Metode ini terinspirasi oleh prinsip-prinsip seleksi alam dan evolusi, dan dapat diterapkan untuk mengoptimalkan alokasi sumber daya. Pada artikel ini, kita akan membahas apa itu algoritma genetik dan bagaimana penerapannya untuk menemukan biaya optimal bagi perusahaan transportasi. Apa yang dimaksud dengan Algoritma Genetika? Algoritma Genetika (GA), yang merupakan subkelas dari kelas yang lebih besar yaitu algoritma evolusioner (EA) dalam ilmu komputer dan riset operasi, adalah metaheuristik yang mengambil isyarat dari proses seleksi alam. Algoritme genetik sering kali menggunakan operator yang terinspirasi secara biologis, termasuk mutasi, persilangan, dan seleksi, untuk menghasilkan solusi berkualitas tinggi untuk masalah optimasi dan pencarian. Memecahkan masalah optimasi dan pohon keputusan yang meningkatkan kinerja adalah beberapa contoh aplikasi GA. Apa yang dimaksud dengan konsep algoritma genetika? Prinsip-prinsip evolusi alamiah menjadi dasar dari algoritma genetika, yang merupakan alat pencarian dan pengoptimalan. Dengan meniru evolusi spesies melalui seleksi alam, algoritma genetik juga melakukan prosedur optimasi. Biasanya, algoritme genetika terdiri dari dua langkah. Langkah pertama dalam proses ini adalah memilih individu untuk menghasilkan generasi berikutnya, dan yang kedua adalah memanipulasi individu yang dipilih menggunakan teknik seperti persilangan dan mutasi untuk menghasilkan generasi berikutnya. Individu mana yang dipilih untuk reproduksi dan berapa banyak keturunan yang dihasilkan oleh setiap individu yang dipilih ditentukan oleh mekanisme seleksi. Prinsip dasar dari strategi seleksi adalah bahwa kemungkinan seseorang untuk memiliki anak meningkat seiring dengan kualitasnya. Rumusan Masalah (Kasus transportasi) Asumsikan sebuah perusahaan transportasi yang perlu mengirim paket dari depot ke pusat distribusi mereka dengan truk. Paket mungkin memiliki ukuran yang berbeda, truk dapat memiliki kapasitas dan biaya yang berbeda. Jadi, untuk Manajer yang bertanggung jawab perlu mencari tahu dua hal: Pertama, truk apa dan berapa banyak truk yang digunakan? Kedua, apa saja pusat distribusi yang akan dikunjungi oleh truk-truk tersebut? Tujuannya adalah untuk mendapatkan biaya yang minimum. Jika kita menggunakan logika permutasi sederhana untuk setiap Parcel (1: Parcel ada di dalam truk ATAU 0: parcel tidak ada di dalam truk) dan mencoba semua kombinasi, dengan bertambahnya jumlah barang, maka jumlah kombinasi akan bertambah secara eksplosif, begitu juga dengan waktu untuk menghitung solusinya. Dengan hanya 100 item saja, mungkin sudah membuat komputer macet berjam-jam, jadi bayangkan jika Anda perlu melakukan perhitungan untuk 100.000 item! Algoritma genetika sangat cocok untuk memecahkan masalah logistik karena mereka dapat secara efektif menemukan solusi optimal dalam ruang pencarian yang besar dan kompleks. Operasi logistik sering kali melibatkan banyak variabel dan batasan, seperti biaya transportasi, tingkat persediaan, jadwal pengiriman, dan sebagainya. Algoritma genetika dapat menangani kompleksitas ini dengan menghasilkan populasi solusi potensial dan kemudian secara bertahap menyempurnakannya melalui proses seleksi, mutasi, dan persilangan. Hal ini memungkinkan algoritma genetika untuk mengeksplorasi sejumlah besar kemungkinan solusi, mengidentifikasi yang terbaik, dan konvergen ke solusi optimal dalam waktu yang relatif singkat. Algoritma Genetika diterapkan pada masalah transportasi Untuk mempermudah, kita akan menyederhanakan masalah kita sebagai berikut: Diberikan sebuah truk dengan kapasitas 50 m3, paket dengan ukuran berbeda yang mana saja yang bisa masuk ke dalamnya dan mengoptimalkan ruang yang dapat digunakan. Studi Kasus: Batasan Langkah-langkah algoritma genetika yang kami gunakan adalah Inisialisasi, Evaluasi Induk, Seleksi Roda Roulette, Persilangan, Mutasi, dan Perbaikan. Langkah- Langkah Algortima Genetika Langkah Pertama: Inisialisasi Selama langkah pertama ini, kami menghasilkan sejumlah solusi acak dari kombinasi paket. Inisialisasi Langkah kedua: Evaluasi Induk Kami menghitung Skor Kesesuaian untuk menentukan kekuatan solusi. Kami dapat menghitung skor kebugaran dengan menjumlahkan semua paket yang akan dimuat ke dalam truk. Solusinya adalah setiap orang yang memiliki nilai kesesuaian di atas 50 akan diberi penalti dan nilai kesesuaiannya akan diatur ulang menjadi 0. Evaluasi Induk Langkah ketiga: Seleksi Roda Roulette Kami meneruskan skor kesesuaian ke roda rolet. Roda rolet ini menentukan solusi mana yang akan menjadi induk. Semakin tinggi nilai Kesesuaian, semakin besar area pada roda rolet, yang berarti solusi-solusi ini memiliki kesempatan yang lebih baik untuk meneruskan informasi ke generasi mendatang. Perhatikan bahwa solusi dengan kesesuaian yang lebih rendah masih dapat dipilih. Seleksi Roda Roulette Langkah keempat: Persilangan Mutasi dan crossover adalah dua operator yang paling populer. Dengan mereplikasi beberapa bagian yang dipilih dari setiap untaian induk, operator penyilangan menciptakan dua anak baru dari dua untaian induk. Singkatnya, persilangan adalah langkah di mana dua solusi saling bertukar informasi. Persilangan Langkah kelima: Mutasi Operator mutasi memodifikasi nilai satu bagian bit secara acak yang menciptakan perubahan kecil dalam untaian bagian bit. Mutasi Langkah 6: Perbaikan Operator perbaikan memeriksa apakah solusi yang dihasilkan oleh algoritma sudah valid, dan jika belum, ia akan memodifikasinya agar menjadi valid. Dalam kasus kami di mana kapasitas truk terbatas, operasi perbaikan akan memeriksa apakah paket yang dialokasikan ke truk melebihi kapasitasnya. Jika iya, maka algoritma akan memodifikasi solusi dengan membuang atau mengatur ulang paket-paket tersebut hingga sesuai dengan batasan kapasitas. Perbaikan Algoritme Genetika dalam Aksi! Kami menggunakan asumsi berikut untuk mendemonstrasikan kemampuan Algoritma Genetika: 5 jenis Truk (A: 16 truk, B: 10 truk, C: 6 truk, D: 6 truk, dan E: 4 truk). 2250 m3 volume paket yang akan dikirim. 10 destinasi. 100 individu per generasi. 3 inisiasi data acak (A, B, dan C) Kami memasukkan asumsi kami ke dalam Machine Learning dan menjalankan Algoritma Genetika. Animasi di bawah ini adalah cuplikan dari Algoritma Genetika yang sedang bekerja. Anda dapat melihat bahwa untuk semua inisiasi acak, biayanya menurun. Pengoptimalan biaya secara bertahap ini disebabkan oleh kombinasi baru yang terbentuk selama proses persilangan dan mutasi, serta fakta bahwa kami hanya mempertahankan solusi terbaik dari generasi ke generasi. Anda juga dapat melihat bahwa dalam kasus kami, apa pun inisiasi acak yang digunakan, solusi akan mencapai biaya minimum yang sama. Animasi Grafik Algoritma Genetika Pendekatan yang Hebat untuk Meningkatkan Efisiensi Anda sekarang telah memiliki pemahaman yang baik tentang apa itu Algoritma Genetika dan bagaimana algoritma ini dapat diterapkan untuk menentukan biaya yang optimal. Anda telah memahami bahwa Algoritma Genetika dapat digunakan untuk memecahkan masalah optimasi dalam cakupan yang luas di berbagai industri. Hubungi kami hari ini untuk menjadwalkan konsultasi dan pelajari bagaimana kami dapat membantu Anda mengoptimalkan operasi Anda dan mencapai tingkat efisiensi dan produktivitas yang baru. kata kunci SEO yang cocok untuk artikel ini adalah: data science, logistik, algoritma genetik, optimasi, transportasi, metaheuristik, seleksi alam, persilangan, mutasi, biaya optimal. cari SEO keyword untuk artikel ini: Small Multiples adalah fitur baru dari Power BI yang dapat membuat grup detail bar/kolom untuk memberikan penempatan visual yang bersih ke bagan dengan parameter bertumpuk. Pengguna dapat melihat di Pic.1, visual jumlah penjualan sekarang dibagi dengan parameter negara menjadi enam (2x3) diagram batang yang berbeda. Sedangkan untuk Pic.2, parameter negara digunakan sebagai legenda dan membuat diagram batang bertumpuk untuk visual jumlah penjualan. Penggunaan kelipatan kecil untuk Pic.1 memberikan kesan spread yang bersih, dibandingkan dengan Pic.2 yang memberikan kesan visual yang ramai. Untuk menggunakan fitur small multiples, pengguna dapat meletakkan parameter pada dropdown small multiples pada subpanel Format Pengguna juga dapat mengatur susunan jumlah baris dan kolom small multiples dengan masuk ke subpanel Format lalu pilih Grid layout. Akhirnya, pengguna dapat memilih preferensi mereka untuk jumlah baris dan kolom untuk kisi kelipatan kecil. Kesimpulannya, menggunakan fitur small multiples pada visual Anda dapat membuat bagan yang tertata rapi. #Smallmultiples #Fiturbaru #PowerBI #Visualisasidata




5 tampilan0 komentar

Comentarios


bottom of page