Program Attributes. Algorithm Analysis. Time Consumption. Algoritma
|
|
- Farida Indradjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Algorithm Aalysis Kita perlu memproses jumlah data yag sagat besar. Harus diyakika bahwa program berheti dalam batas waktu yag wajar (reasoable) Tidak terikat pada programmig laguage atau bahka metolodologi (mis. Procedural vs OO) 19-Feb-04 IKI PM 4-1 Program Attributes Reliable code Easy modificatio Faster code Ease of use Total developmet time Total developmet cost Mea space ad time take 19-Feb-04 IKI PM 4-2 Algoritma Suatu set istruksi yag harus diikuti oleh computer utuk memecahka suatu masalah. Dega algorithm yag bear, perlu diketahui berapa resource yag terpakai spt: time & space yag diperluka oleh algorithm. Time Cosumptio Wall-Clock time CPU time Process 1: Process 2: Process 3: Wait time: 19-Feb-04 IKI PM Feb-04 IKI PM 4-4
2 Algorithm s Fuctios Jumlah waktu yg dibutuhka hampir selalu tergatug pada jumlah iput yag diproses. Exact value depeds o: speed of host machie machie architecture quality of compilers Algorithm Aalysis Lagkah perhituga resource yag diperluka oleh sebuah algorithm. Tujua sesi ii: bagaimaa memperkiraka waktu yag dibutuhka oleh sebuah algoritma tekik utuk meuruka ruig time pedekata matematis utuk meggambarka ruig time 19-Feb-04 IKI PM Feb-04 IKI PM 4-6 Cotoh Algoritma Mecari ilai terbesar dalam sebuah array yag berisi iteger positif it biggest ( it a[] ) { it temp = 0, = size_of_array; for (i=0; i<; i++) if (a[i] > temp) temp = a[i]; retur temp; ruig time liear thd jumlah iteger dalam array 19-Feb-04 IKI PM 4-7 Algorithm s Fuctios For a give program o a give computer, we ca plot the graph that represets the ruig time fuctio. Four commo fuctios: liear logarithmic quadratic cubic 19-Feb-04 IKI PM 4-8
3 Fuctio Curve Liear Sample Dowload time N kilobytes 2-sec delay for coectio setup speed of trasfer: 1.6 Kb/sec T(N) = N/ N = 80 K T(N) = 52 sec N = 160K T(N) = 102 sec 19-Feb-04 IKI PM Feb-04 IKI PM 4-10 Big-O Performace Measure O( expr ) Big-Oh T(N) is O(F(N)) if there are positive costat c ad N 0 such that T(N) cf(n) whe N N 0. Rule of Big-O reduce all costat factors ad terms to throw away all costat terms except oe throw away all terms but the domiat oe Feb-04 IKI PM Feb-04 IKI PM 4-12
4 Big Oh Big-Oh otatio suatu algoritma diyataka oleh suku yag domia (domiat term) O( 3 ) log O( 2 ) log O(log ) Domiat Term Megapa haya suku domiat saja yag diperhitugka? Cotoh: O( 3 ) Utuk = Nilai aktual 1,003,500,010,000 Nilai estimasi 1,000,000,000,000 Kesalaha dalam estimasi 0.35%, dapat diabaika 19-Feb-04 IKI PM Feb-04 IKI PM 4-14 Domiat Term Utuk jumlah iput () yag besar, suku domia lebih megidikasika perilaku dari algoritma. Utuk yag kecil, umumya berjala sagat cepat sehigga kita tidak perlu perhatika. 19-Feb-04 IKI PM 4-15 Domiat Term Cotoh: Algoritma A = Algoritma B = Executio time utuk = 10 Algoritma A = 710 Algortima B = Executio time utuk = 100 Algoritma A = 502,010 Algortima B = Feb-04 IKI PM 4-16
5 Domiat Term Megapa ilai kosta/koefisie pada setiap suku tidak diperhatika? Nilai kosta/koefisie tidak memiliki arti pada mesi yag berbeda Big-Oh diguaka utuk merepresetasika laju pertumbuha (growth rate) Rule of Big-O Jika ada lebih dari satu parameter, maka atura tersebut berlaku utuk setiap parameter. 4log(m) m O ( log(m) m) 4 m log(m) m O (m log(m) + 2 ) 19-Feb-04 IKI PM Feb-04 IKI PM 4-18 Fuctio Curve Best, Average, Worst Case Big-Oh ruig time dari sequetial search: best, average ad worst? Mecari idex dari suatu eleme dalam sebuah array size. it SeqSearch ( it k, Array a ) { it i; for (i = 0; i<; i++) if (k == a[ i ]) retur i; retur ( -1 ); 19-Feb-04 IKI PM Feb-04 IKI PM 4-20
6 Best ad Worst Case it SeqSearch ( it k, Array a ) { it i; for (i = 0; i<; i++) if (k == a[ i ]) retur i; retur ( -1 ); Best case: O( 1 ) Worst case: O( ) Average Case it SeqSearch ( it k, it a[ ] ) { it i; b for (i = 0; i<; i++) a if (k == a[ i ]) retur i; retur ( -1 ); Total computatio time utuk semua kemugkia posisi k ditemuka dibagi oleh jumlah kemugkia. Σ (ai + b) = a Σ i + Σ b 19-Feb-04 IKI PM Feb-04 IKI PM 4-22 Average Case Total computatio time utuk semua kemugkia posisi k ditemuka dibagi oleh jumlah kemugkia. Total = Σ (ai + b) = a Σ i + Σ b = a (+1)/2 + b Examples of Algorithm Ruig Times Jarak Terdekat dari Dua Titik Algortima utuk meemuka sepasag dari N titik dalam suatu bidag (2 dimesi) yag memiliki jarak terpedek dibadig pasaga titik yag lai. ( + 1) Average = Total / = a + b 2 a a = + + b 2 2 O( ) N (N -1) / 2 O( 2 ) 19-Feb-04 IKI PM Feb-04 IKI PM 4-24
7 Examples of Algorithm Ruig Times Tiga Titik Segaris Algortima utuk meemuka tiga yag segaris dari N titik dalam suatu bidag (2 dimesi). Tugas Baca 4 versi (cubic, quadratic, liear, logarithmic) dari Maximum Cotiguous Subsequece Sum Problem N (N - 1) (N - 2) / 6 O( 3 ) start ed 19-Feb-04 IKI PM 4-25 Maximum sum 19-Feb-04 IKI PM 4-26
Notasi Asimtot untuk Analisis Efisiensi Waktu
Notasi Asimtot utuk Aalisis Efisiesi Waktu Aalisis Algoritma 14/09/2006 CS3024-FAZ 1 Isi Notasi Asimtot: O (big oh) (big omega) (big theta) Kelas-kelas Efisiesi Dasar CS3024-FAZ 2 Pada bahasa berikut t()
Lebih terperinciAlgoritma dan Struktur Data
Algoritma dan Struktur Data Click to edit Master subtitle style Pertemuan 3 Pengantar Analisis Efisiensi Algoritma Analisa efisiensi algoritma bertujuan mengestimasi waktu dan memori yang dibutuhkan untuk
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Permasalaha peugasa atau assigmet problem adalah suatu persoala dimaa harus melakuka peugasa terhadap sekumpula orag yag kepada sekumpula job yag ada, sehigga tepat satu
Lebih terperinciPengantar Analisa Algoritma
Pengantar Analisa Algoritma Pendahuluan Suatu permasalahan memungkinkan untuk diselesaikan dengan lebih dari satu algoritma (pendekatan) Bagaimana kita memilih satu diantara beberapa algoritma tersebut.
Lebih terperinciDesign and Analysis Algorithm
Design and Analysis Algorithm Pertemuan 02 Drs. Achmad Ridok M.Kom Fitra A. Bachtiar, S.T., M. Eng Imam Cholissodin, S.Si., M.Kom Aryo Pinandito, MT Contents 31 2 Analisis Algoritma Analisis Efisiensi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Bicriteria Liear Programmig (BLP) Pesoala optimisasi dega beberapa fugsi tujua memperhitugka beberapa tujua yag koflik secara simulta, secara umum Multi objective programmig (MOP)
Lebih terperinciKompleksitas Waktu untuk Algoritma Rekursif. ZK Abdurahman Baizal
Kompleksitas Waktu utuk Algoritma Rekursif ZK Abdurahma Baizal Algoritma Rekursif Betuk rekursif : suatu subruti/fugsi/ prosedur yag memaggil diriya sediri. Betuk dimaa pemaggila subruti terdapat dalam
Lebih terperinciKompleksitas dari Algoritma-Algoritma untuk Menghitung Bilangan Fibonacci
Kompleksitas dari Algoritma-Algoritma utuk Meghitug Bilaga Fiboacci Gregorius Roy Kaluge NIM : 358 Program Studi Tekik Iformatika, Istitut Tekologi Badug Jala Gaesha, Badug e-mail: if8@studets.if.itb.ac.id,
Lebih terperinciPendahuluan. Ukuran input (input s size)
Kompleksitas Algoritma Sesi 14 Pendahuluan Sebuah algoritma tidak saja harus benar, tetapi juga harus mangkus (efisien). Algoritma yang mangkus ialah algoritma yang meminimumkan kebutuhan waktu dan ruang.
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih terperinciSTUDI PERBANDINGAN PERFORMANCE ALGORITMA HEURISTIK POUR TERHADAP MIXED INTEGER PROGRAMMING DALAM MENYELESAIKAN PENJADWALAN FLOWSHOP
STUDI PERBANDINGAN PERFORMANCE ALGORITMA HEURISTIK POUR TERHADAP. (Tessa Vaia Soetato, et al.) STUDI PERBANDINGAN PERFORMANCE ALGORITMA HEURISTIK POUR TERHADAP MIXED INTEGER PROGRAMMING DALAM MENYELESAIKAN
Lebih terperinciAlgoritma dan Struktur Data. Performansi Algoritma
Algoritma dan Struktur Data Performansi Algoritma Teknik Informatika Universitas Muhammadiyah Malang 2016 Mana yang lebih baik? pilihan 1 : Algoritma biasa dengan komputer yang cepat. pilihan 2 : Menggunakan
Lebih terperinciUniversitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas
Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga REGRESI DAN KORELASI Statistika da Probabilitas Kurva Regresi Mecari garis/kurva yag mewakili seragkaia titik data Ada dua cara utuk
Lebih terperinciPersamaan Non-Linear
Persamaa No-Liear Peyelesaia persamaa o-liear adalah meghitug akar suatu persamaa o-liear dega satu variabel,, atau secara umum dituliska : = 0 Cotoh: 2 5. 5 4 9 2 0 2 5 5 4 9 2 2. 2 0 2 5. e 0 Metode
Lebih terperinciBAB I PENDAHULUAN. X Y X Y X Y sampel
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Aalisis regresi merupaka metode aalisis data yag meggambarka hubuga atara variabel respo dega satu atau beberapa variabel prediktor. Aalisis regresi tersebut
Lebih terperinciMANAJEMEN RISIKO INVESTASI
MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciStruktur Data & Algoritma
Struktur Data & Algoritma Pengenalan Analisa Algoritma Suryana Setiawan, Ruli Manurung & Ade Azurat (acknowledgments: Denny) Fasilkom UI 1 Algoritma al go rithm n. 1 Math. a) any systematic method of solving
Lebih terperinci1 n MODUL 5. Peubah Acak Diskret Khusus
ODUL 5 Peubah Acak Diskret Khusus Terdapat beberapa peubah acak diskret khusus yag serig mucul dalam aplikasi. Peubah Acak Seragam ( Uiform) Bila X suatu peubah acak diskret dimaa setiap eleme dari X mempuyai
Lebih terperinciTeknik Pengolahan Data
Uiversitas Gadjah Mada Jurusa Tekik Sipil da Ligkuga Magister Tekik Pegelolaa Becaa Alam Tekik Pegolaha Data Curve Fi)g: Regresi da Iterpolasi 1 Curve Fittig Acua Chapra, S.C., Caale R.P., 1990, Numerical
Lebih terperinciDIKTAT KULIAH PENGENDALIAN & PENJAMINAN KUALITAS (IE-501)
DIKTAT KULIAH PENGENDALIAN & PENJAMINAN KUALITAS (IE-50) TOPIK 7: TAGUCHI PARAMETER DESIGN Diktat ii diguaka bagi mahasiswa Jurusa Tekik Idustri Fakultas Tekik Uiversitas Kriste Maraatha Disusu oleh: Ir.
Lebih terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciInduksi matematik untuk memecahkan problema deret dan bilangan bulat bentuk kuadrat sempurna
Iduksi matematik utuk memecahka problema deret da bilaga bulat betuk kuadrat sempura Oleh: Sutopo Jurusa Fisika FMIPA UM sutopo@fisika.um.ac.id Ditulis pada sekitar bula Februari 2011. Diuggah pada 3 Desember
Lebih terperinciLangkah Awal menuju Analisis Kompleksitas Algoritma
Langkah Awal menuju Analisis Kompleksitas Algoritma Analisis dan Strategi Algoritma CS3024-FAZ 1 Isi Proses Desain dan Analisis Algoritma Tipe-tipe Problem yang penting Kebutuhan akan algoritma yang efisien
Lebih terperinciBAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.
BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder
Lebih terperinciMATEMATIKA DISKRIT FUNGSI
1 MATEMATIKA DISKRIT FUNGSI Fugsi Misalka A da B himpua. Relasi bier f dari A ke B merupaka suatu fugsi jika setiap eleme di dalam A dihubugka dega tepat satu eleme di dalam B. Jika f adalah fugsi dari
Lebih terperinciFungsi. Jika f adalah fungsi dari A ke B kita menuliskan f : A B yang artinya f memetakan A ke B.
Fugsi Misalka A da B himpua. Relasi bier f dari A ke B merupaka suatu fugsi jika setiap eleme di dalam A dihubugka dega tepat satu eleme di dalam B. Jika f adalah fugsi dari A ke B kita meuliska f : A
Lebih terperinciPENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT
Prosidig Semiar Nasioal Matematika da Terapaya 06 p-issn : 0-0384; e-issn : 0-039 PENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT Liatus
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Dalam duia iformatika, assigmet Problem yag biasa dibetuk dega matriks berbobot merupaka salah satu masalah terbesar, dimaa masalah ii merupaka masalah yag metode peyelesaiaya
Lebih terperinciProbabilitas dan Statistika Teorema Bayes. Adam Hendra Brata
robabilitas da Statistika Teorema ayes dam Hedra rata Itroduksi - Joit robability Itroduksi Teorema ayes eluag Kejadia ersyarat Jika muculya mempegaruhi peluag muculya kejadia atau sebalikya, da adalah
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya. Model Sistem dalam Persamaan Keadaan
Istitut Tekologi Sepuluh Nopember Surabaya Model Sistem dalam Persamaa Keadaa Pegatar Materi Cotoh Soal Rigkasa Latiha Pegatar Materi Cotoh Soal Rigkasa Istilah-istilah Dalam Persamaa Keadaa Aalisis Sistem
Lebih terperinci2 BARISAN BILANGAN REAL
2 BARISAN BILANGAN REAL Di sekolah meegah barisa diperkealka sebagai kumpula bilaga yag disusu meurut "pola" tertetu, misalya barisa aritmatika da barisa geometri. Biasaya barisa da deret merupaka satu
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciPENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA
PENAKSIRAN DAN PERAMALAN BIAYA Ari Darmawa, Dr. S.AB, M.AB Email: aridarmawa_fia@ub.ac.id A. PENDAHULUAN B. PENAKSIRAN DAN PRAKIRAAN FUNGSI BIAYA C. PENAKSIRAN JANGKA PENDEK - Ekstrapolasi sederhaa - Aalisis
Lebih terperinciIII Sistem LTI Waktu Diskrit Sistem LTI Operasi Konvolusi Watak sistem LTI Stabilitas sistem LTI Kausalitas sistem LTI
III Sistem LTI Waktu Diskrit Sistem LTI Operasi Kovolusi Watak sistem LTI Stabilitas sistem LTI Kausalitas sistem LTI lts 1 III.1 Sistem LTI Sistem LTI Liear Time Ivariat Liear Tak-ubah-Waktu Liear Shift
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciDistribusi Sampel, Likelihood dan Penaksir
BAB 1 Distribusi Sampel, Likelihood da Peaksir 1.1 Sampel Acak Misalka X 1, X 2,..., X sampel acak berukura (radom sample of size ). Fugsi peluag -variat ya adalah f X1,X 2,,X (x 1, x 2,..., x ) = f Xi
Lebih terperinciChapter 7 Student Lecture Notes 7-1
Chapter 7 Studet Lecture Notes 7-1 DASAR-DASAR UJI Hipotesis: Hipo (di bawah) da Tesis (peryataa yag telah diuji) Hipotesis Statistik:suatu proposisi atau aggapa megeai parameter populasi yag dapat diuji
Lebih terperinciBalas Additive Algorithm, Algoritma Branch & Bound untuk Binary Integer Programming
Balas Additive Algorithm, Algoritma Brach & Boud utuk Biary Iteger Programmig Aditio Pagestu 13514030 Program Studi Tekik Iformatika Sekolah Tekik Elektro da Iformatika Istitut Tekologi Badug, Jl. Gaesha
Lebih terperinciBAB II TEORI MOTOR LANGKAH
BAB II TEORI MOTOR LANGKAH II. Dasar-Dasar Motor Lagkah Motor lagkah adalah peralata elektromagetik yag megubah pulsa digital mejadi perputara mekais. Rotor pada motor lagkah berputar dega perubaha yag
Lebih terperinciMatematika Terapan Dosen : Zaid Romegar Mair, ST., M.Cs Pertemuan 3
Matematika Terapa Dose : Zaid Romegar Mair ST. M.Cs Pertemua 3 PROGRAM STUDI TEKNIK INFORMATIKA Jl. Koloel Wahid Udi Lk. I Kel. Kayuara Sekayu 30711 web:www.polsky.ac.id mail: polsky@polsky.ac.id Tel.
Lebih terperinciARRAY. Pertemuan 2. Array dapat didefinisikan sebagai suatu himpunan hingga elemen yang terurut dan homogen.
ARRAY Pertemua Array atau Larik merupaka Struktur Data Sederhaa yag dapat didefiisika sebagai pemesaa alokasi memory semetara pada komputer. Array dapat didefiisika sebagai suatu himpua higga eleme yag
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciAnalisa dan Perancangan Algoritma. Ahmad Sabri, Dr Sesi 1: 9 Mei 2016
Analisa dan Perancangan Algoritma Ahmad Sabri, Dr Sesi 1: 9 Mei 2016 Apakah algoritma itu? Asal istilah: Al Khwarizmi (± 800 M), matematikawan dan astronomer Persia. Pengertian umum: "suatu urutan langkah-langkah
Lebih terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciSTATISTIKA NON PARAMETRIK
. PENDAHULUAN STATISTIKA NON PARAMETRIK Kelebiha Uji No Parametrik: - Perhituga sederhaa da cepat - Data dapat berupa data kualitatif (Nomial atau Ordial) - Distribusi data tidak harus Normal Kelemaha
Lebih terperinciMatematika Diskrit Kompleksitas Algoritma. Instruktur : Ferry Wahyu Wibowo, S.Si., M.Cs.
Matematika Diskrit Kompleksitas Algoritma Instruktur : Ferry Wahyu Wibowo, S.Si., M.Cs. Pendahuluan Sebuah masalah dapat mempunyai banyak algoritma penyelesaian. Contoh: masalah pengurutan (sort), ada
Lebih terperinci5. KARAKTERISTIK RESPON
5. ARATERISTI RESPON Adalah ciri-ciri khusus perilaku diamik (spesifikasi performasi) Taggapa (respo) output sistem yag mucul akibat diberikaya suatu siyal masuka tertetu yag khas betukya (disebut sebagai
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakag Dalam keadaa dimaa meghadapi persoala program liier yag besar, maka aka berusaha utuk mecari peyelesaia optimal dega megguaka algoritma komputasi, seperti algoritma
Lebih terperinciAnalisa Kompleksitas Algoritma. Sunu Wibirama
Analisa Kompleksitas Algoritma Sunu Wibirama Referensi Cormen, T.H., Leiserson, C.E., Rivest, R.L., Stein, C., Introduction to Algorithms 2nd Edition, Massachusetts: MIT Press, 2002 Sedgewick, R., Algorithms
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciProgram Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi
Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilakukan pada PT Gapura Angkasa khususnya sistem
BAB III METODOLOGI PENELITIAN A. Waktu da Tempat Peelitia Peelitia ii dilakuka pada PT Gapura Agkasa khususya sistem peagaa bagasi di Termial 2 Gate D da E Badara Iterasioal Soekaro-Hatta, Cegkareg, Jakarta
Lebih terperinciLangkah Awal menuju Analisis Kompleksitas Algoritma
Langkah Awal menuju Analisis Kompleksitas Algoritma Isi Proses Desain dan Analisis Algoritma Tipe-tipe Problem yang penting Kebutuhan akan algoritma yang efisien Analisis framework 2 Proses Desain dan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakag Permasalaha Matematika merupaka Quee ad servat of sciece (ratu da pelaya ilmu pegetahua). Matematika dikataka sebagai ratu karea pada perkembagaya tidak tergatug pada
Lebih terperinciFAKTORISASI MATRIKS NON-NEGATIF MENGGUNAKAN ALGORITMA CHOLESKY BERBANTUAN SCILAB
Prosidig Semiar Nasioal Matematika da Pidika Matematika (SESIOMADIKA) 017 ISBN: 978-60-60550-1-9 Matematika Terapa, hal. 1-5 FAKTORISASI MATRIKS NON-NEGATIF MENGGUNAKAN ALGORITMA CHOLESKY BERBANTUAN SCILAB
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT
Vol. 6. No., 97-09, Agustus 003, ISSN : 40-858 METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak Tulisa ii membahas peetua persamaa ruag
Lebih terperinciNilai Waktu dan Uang (Time Value of Money)
Nilai Waktu da Uag (Time Value of Moey) Kosep Dasar Jika ilai omialya sama, uag yag dimiliki saat ii lebih berharga daripada uag yag aka diterima di masa yag aka datag Lebih baik meerima Rp juta sekarag
Lebih terperinciInduksi Matematika. Pertemuan VII Matematika Diskret Semester Gasal 2014/2015 Jurusan Teknik Informatika UPN Veteran Yogyakarta
Iduksi Matematika Pertemua VII Matematika Diskret Semester Gasal 2014/2015 Jurusa Tekik Iformatika UPN Vetera Yogyakarta Metode pembuktia utuk peryataa perihal bilaga bulat adalah iduksi matematik. Cotoh
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI III.1 Peambaga Teks (Text Miig) Text Miig memiliki defiisi meambag data yag berupa teks dimaa sumber data biasaya didapatka dari dokume, da tujuaya adalah mecari kata-kata yag dapat
Lebih terperinciDesign and Analysis Algorithm. Ahmad Afif Supianto, S.Si., M.Kom. Pertemuan 04
Design and Analysis Algorithm Ahmad Afif Supianto, S.Si., M.Kom Pertemuan 04 Contents 31 2 Asymptotic Analysis Brute Force Algorithm 1 2 Asymptotic Analysis Asymptotic Notation Think of n as the number
Lebih terperinciPENGUJIAN HIPOTESA BAB 7
PENGUJIAN IPOTESA BAB 7 Pedahulua ipotesis ( upo : lemah, Thesis : peryataa ) Diartika :. Peryataa yag masih lemah kebearaya da perlu dibuktika. Dugaa yag sifatya masih semetara ipotesis ii perlu utuk
Lebih terperinciFORECASTING (Peramalan)
FORECASTING (Peramala) PENDAHULUAN Forecastig adalah ramala tetag apa yag aka terjadi dimasa yag aka datag. Forecast Demad atau peramala permitaa mejadi dasar yag sagat petig dalam perecaaa suatu keputusa
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciHimpunan Kritis Pada Graph Caterpillar
1 0 Himpua Kritis Pada Graph Caterpillar Chairul Imro, Budi Setiyoo, R. Simajutak, Edy T. Baskoro {imro-its,budi}@matematika.its.ac.id, {rio,ebaskoro}@ds.math.itb.ac.id Ues, Semarag, 4 7 Juli 006 Abstrak
Lebih terperinciAlgoritma Branch and Bound pada Permasalahan 0-1 Knapsack
Algoritma Brach ad Boud pada Permasalaha 0-1 Kapsack Sady Socrates (13508044) Program Studi Tekik Iformatika 2008, Istitut Tekologi Badug Jl. Gaesha 10, 40116 Badug e-mail: if18044@studets.if.itb.ac.id
Lebih terperinciMasih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.
Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperinciDesign and Analysis of Algorithms CNH2G3- Week 3 Notasi Asymptotic dan Kelas Dasar Efisiensi
Desig ad Aalysis of Algorithms CNH2G3- Week 3 Notasi Asymptotic da Kelas Dasar Efisiesi Dr. Putu Harry Guawa (PHN) Review. What the complexity of the followig pseudocode for to : for y
Lebih terperinciUKURAN LOKASI DAN DISPERSI
Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga UKURAN LOKASI DAN DISPERSI Statistika da Probabilitas Statistical Measures Commo statistical measures Measure of cetral tedecy Mea
Lebih terperinciBAB III METODE PENELITIAN
22 BAB III METODE PENELITIAN 3.1. Metode Peelitia Pada bab ii aka dijelaska megeai sub bab dari metodologi peelitia yag aka diguaka, data yag diperluka, metode pegumpula data, alat da aalisis data, keragka
Lebih terperinciA B S T R A K. Setiap teori integral selalu memuat masalah sebagai. berikut. Jika untuk setiap n berlaku fungsi f n
INTEGRAL TAK MUTLAK A B S T R A K Seti teori itegral selalu memuat masalah sebagai berikut. Jika utuk seti berlaku fugsi f teritegral da barisa fugsi {f } koverge ke f hampir di maa-maa pada selag (a,b),
Lebih terperinciBAB IV PEMECAHAN MASALAH
BAB IV PEMECAHAN MASALAH 4.1 Metodologi Pemecaha Masalah Dalam ragka peigkata keakurata rekomedasi yag aka diberika kepada ivestor, maka dicoba diguaka Movig Average Mometum Oscillator (MAMO). MAMO ii
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinciII. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang
II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciKestabilan Rangkaian Tertutup Waktu Kontinu Menggunakan Metode Transformasi Ke Bentuk Kanonik Terkendali
Jural Tekika ISSN : 285-859 Fakultas Tekik Uiversitas Islam Lamoga Volume No.2 Tahu 29 Kestabila Ragkaia Tertutup Waktu Kotiu Megguaka Metode Trasformasi Ke Betuk Kaoik Terkedali Suhariyato ) Dose Fakultas
Lebih terperinciPemilihan Model Terbaik
Pemiliha Model Terbaik Hazmira Yozza Jur. Matematika FMIPA Uiv. Adalas Jadi bayak model yag mugki dibetuk Var. Bebas :,, 3 Model Maa Yag Mampu Mewakili Data 3,, 3, 3,, 3 + model akar, log, hasil kali,
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciBAB 7 PEN P GUJ GU IAN HIPO P T O ES T A
BAB 7 PENGUJIAN HIPOTESA Meguji Rata-rata µ Umpamakalah kita mempuyai sebuah populasi berdistribusi ormal dega rata-rata µ da simpaga baku σ. Aka diuji megeai parameter rata-rata µ Utuk pasaga hipotesa
Lebih terperinciPERBANDINGAN METODE HUNGARIAN DAN PENDEKATAN PROGRAM DINAMIS DALAM PEMECAHAN ASSIGNMENT PROBLEM
PERBANDINGAN METODE HUNGARIAN DAN PENDEKATAN PROGRAM DINAMIS DALAM PEMECAHAN ASSIGNMENT PROBLEM Budi Marpaug Fakultas Tekik Jurusa Tekik Idustri Uiversitas Kriste Krida Wacaa budimarpg_ti@yahoo.com Abstract
Lebih terperinciPemrograman Dinamis (Dynamic Programming) Materi
0/8/009 Pemrograma Diamis (Dyamic Programmig) Kuliah 04-05 TI Peelitia Operasioal II Materi Pegatar Masalah pemrograma diamis determiistik Masalah pemrograma diamis probabilistik TI Peelitia Operasioal
Lebih terperinciBAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy
BAB III PEMBAHASAN Pada BAB III ii aka dibahas megeai betuk program liear fuzzy dega koefisie tekis kedala berbetuk bilaga fuzzy da pembahasa peyelesaia masalah optimasi studi kasus pada UD FIRDAUS Magelag
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 31-41, April 2004, ISSN :
Vol. 7. No. 1, 31-41, April 24, ISSN : 141-8518 Peetua Kestabila Sistem Kotrol Lup Tertutup Waktu Kotiu dega Metode Trasformasi ke Betuk Kaoik Terkotrol Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Perecaaa Produksi 2.1.1 Pegertia Perecaaa Produksi Perecaaa produksi dapat diartika sebagai proses peetua sumber-sumber yag diperluka utuk melaksaaka operasi maufaktur da megalokasikaya
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciPenyelesaian Persamaan Non Linier
Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode
Lebih terperinciKompleksitas Algoritma
Kompleksitas Algoritma Bahan Kuliah IF2120 Matematika Disktit Rinaldi M/IF2120 Matdis 1 Rinaldi M/IF2120 Matdis 2 Pendahuluan Sebuah masalah dapat mempunyai banyak algoritma penyelesaian. Contoh: masalah
Lebih terperinciPERTEMUAN 12-MPC 2 PRAKTIK. Oleh: Adhi Kurniawan SEKOLAH TINGGI ILMU STATISTIK
PERTEMUAN 12-MPC 2 PRAKTIK Oleh: Adhi Kuriawa SEKOLAH TINGGI ILMU STATISTIK POKOK BAHASAN 1 THREE STAGE SAMPLING Three Stage Samplig Secara umum, pearika sampel tiga tahap dilakuka dega tahapa sebagai
Lebih terperinciTEKNIK-TEKNIK PENGAMBARAN ARUS LALU LINTAS
TEKIK-TEKIK PEGABARA ARS LAL LITAS Kebutuha dasar tekik lalu litas (Traffic Egieerig) adalah pegetahua komprehesif da pegambara dari gerak mobil, truk da bus atara lai pada : jala raya da jariga jala Tekik-tekik
Lebih terperinciMATERI 14 EVALUASI KINERJA PORTOFOLIO
MATERI 14 EVALUASI KINERJA PORTOFOLIO KERANGKA PIKIR EVALUASI KINERjA PORTOFOLIO (EKP) MENGUKUR TINGKAT RETURN PORTOFOLIO RISK-ADJUSTED PERFORMANCE - INDEKS SHARPE - INDEKS TREYNOR - INDEKS JENSEN dede08m.com
Lebih terperinci