PENERAPAN METODE SUPPORT VECTOR MACHINE PADA DIAGNOSA HEPATITIS
|
|
- Yanti Agusalim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Volume 04, No.01 Februar 2016 PENERAPAN METODE SUPPORT VECTOR MACHINE PADA DIAGNOSA HEPATITIS Raudlatul Munawarah 1, On Soesanto 2, M. Reza Fasal 3 1,3 Prod Ilmu Komputer FMIPA UNLAM, 2 Prod Matematka FMIPA UNLAM Jl. A. Yan Km 36 Banarbaru, Kalmantan selatan Emal: raudlatulm9306@gmal.com Abstract Machne learnng has been wdely used n the medcal to analyze medcal datasets. One method n machne learnng s Support Vector Machne (SVM). By lookng at the concept of SVM method to fndng the optmal separator functon that can separate the two sets of data from two dfferent classes, came the dea whether ths method can be used to dagnose a person sufferng from a partcular dsease or not, especally hepatts. Therefore, ths research amed to determne and analyze the ablty of Support Vector Machne method for dagnosng hepatts. Analyss of the ablty of method usng data testng wth both kernel wth tranng data 100 postve data label and 100 negatve data label. The result showed that tral usng the lnear kernel functon get 68-83% for true predcton percentage and 70-96% for RBF kernel functon. The concluson from ths study s SVM method can be used to dagnose hepatts wth hgh degree of accuracy and RBF kernel functon has accuracy rate hgher than lnear kernel functon. Keywords: classfcaton, Machne learnng, hepatts, support vector machne Abstrak Machne learnng telah banyak dgunakan dalam bdang meds untuk menganalsa dataset meds. Salah satu metode machne learnng adalah Support Vector Machne (SVM). Dengan melhat konsep metode SVM yatu menemukan fungs pemsah optmal yang bsa memsahkan dua set data dar dua kelas yang berbeda, muncul pemkran apakah metode n dapat dgunakan untuk mendagnosa seseorang mengdap penyakt tertentu atau tdak, khususnya penyakt hepatts. Untuk tu peneltan n dlakukan untuk mengetahu dapat dgunakannya metode SVM dan menganalss kemampuan metode Support Vector Machne untuk mendagnosa penyakt Hepatts. Analss kemampuan metode dketahu dengan u coba menggunakan data testng dengan kedua kernel dengan data tranng 100 data postf dan 100 data negatf. Hasl u coba dengan menggunakan fungs kernel lner mendapatkan hasl persentase benar % dan fungs kernel RBF %. Kesmpulan dar peneltan n adalah metode SVM dapat dgunakan untuk mendagnosa penyakt hepatts dengan tngkat akuras cukup tngg dan fungs kernel RBF memlk tngkat akuras cenderung lebh tngg dbandngkan fungs kernel lner. Kata kunc : klasfkas, machne learnng, hepatts, support vector machne Penerapan Metode Support Vector Machne pada Dagnosa Hepatts (Raudlatul Munawarah) 103
2 Volume 04, No.01 Februar PENDAHULUAN Teknolog nformas turut berkembang sealan dengan perkembangan peradaban manusa. Perkembangan teknolog nformas melput perkembangan nfrastruktur, sepert hardware, software, teknolog penympanan data (storage), dan teknolog. Saat n perkembangan teknolog nformas telah merambah ke berbaga sektor termasuk kesehatan. Pada bdang kesehatan, perkembangan lmu kedokteran mengalam kemauan yang sangat pesat yang dtanda dengan dtemukannya penyaktpenyakt baru yang belum terdentfkas sebelumya. Salah satu penyakt yang berkembang saat n yatu penyakt pada organ hat. Salahnya satunya adalah penyakt hepatts. Hepatts adalah kelanan hat berupa peradangan (sel) hat. Penngkatan n dsebabkan adanya gangguan atau kerusakan membran hat. Ada dua faktor penyebabnya yatu faktor nfeks dan faktor non nfeks. Faktor penyebab nfeks antara lan vrus hepatts dan bakter. Peradangan n dtanda dengan menngkatnya kadar enzm hat. Dagnosa awal penyakt n setelah memperhatkan geala adalah melakukan tes fungs hat yang basa dsebut LFT (Lver Functon Test) [4]. Machne learnng telah banyak dgunakan dalam bdang meds untuk menganalsa dataset meds [1]. Salah satu metode machne learnng adalah Support Vector Machne (SVM). Cr dar metode n adalah menemukan fungs pemsah (klasfer) yang optmal yang bsa memsahkan dua set data dar dua kelas yang berbeda. Support Vector Machne (SVM) adalah sstem pembelaaran yang menggunakan ruang hpotess berupa fungs-fungs lner dalam sebuah ruang ftur (feature space) berdmens tngg, dlath dengan algortma pembelaaran yang ddasarkan pada teor optmas dengan mengmplementaskan learnng bas yang berasal dar teor pembelaaran statstk. Teor yang mendasar SVM sendr sudah berkembang seak 1960-an, tetap baru dperkenalkan oleh Vapnk, Boser dan Guyon pada tahun 1992 dan seak tu SVM berkembang dengan pesat. SVM adalah salah satu teknk yang relatf baru dbandngkan dengan teknk lan, tetap memlk performans yang lebh bak d berbaga bdang aplkas sepert bonformatcs, pengenalan tulsan tangan, klasfkas teks dan lan sebaganya [5]. Dengan melhat dar konsep metode Support Vector Machne n, muncul pemkran apakah metode n dapat dgunakan untuk mendagnosa seseorang mengdap penyakt tertentu atau tdak berdasarkan hasl tes fungs hat atau rekam meds pasen, khususnya penyakt hepatts. Hasl tes fungs hat nlah yang menad bahan peneltan dengan menggunakan metode machne learnng, yatu metode Support Vector Machne. 2. METODOLOGI PENELITIAN Pada peneltan n metode yang dgunakan adalah metode Support Vector Machne untuk klasfkas atau yang bsa dsebut SVC (Support Vector Classfcaton). Klasfkas adalah proses untuk menemukan model atau fungs yang menelaskan atau membedakan konsep atau kelas data dengan tuuan untuk memperkrakan kelas yang tdak dketahu dar suatu obek. Secara umum dalam proses klasfkas memlk dua proses yatu : Penerapan Metode Support Vector Machne pada Dagnosa Hepatts (Raudlatul Munawarah) 104
3 Volume 04, No.01 Februar Proses tranng : pada proses tranng dgunakan tranng set yang telah dketahu label-labelnya untuk membangun model atau fungs. 2. Proses testng : untuk mengetahu keakuratan model atau fungs yang akan dbangun pada proses tranng, maka dgunakan data yang dsebut dengan testng set untuk mempredks label-labelnya [5]. Dalam SVM, untuk memsahkan data terhadap kelasnya, SVM akan membangun sebuah hyperplane (bdang pemsah). Sebuah hyperplane (bdang pemsah) yang bak, bukan hanya hyperplane yang bsa dgunakan untuk memsahkan data, akan tetap hyperplane yang bak adalah hyperplane yang memlk batasan (margn) yang palng besar. Pencaran bdang pemsah terbak nlah yang menad nt dar support nt dar support vector machne. Akan tetap, dalam proses pencaran hyperplane tersebut, akan muncul permasalahan baru yatu sebuah formula yang sangat sult untuk dpecahkan, yang dsebut dengan permasalahan Quadratc Programmng [1]. Konsep SVM dapat delaskan secara sederhana sebaga usaha mencar hyperplane terbak yang berfungs sebaga pemsah dua buah kelas pada nput space. Pattern yang merupakan anggota dar dua buah kelas : +1 dan -1 dan berbag alternatve gars pemsah (dscrmnaton boundares). Margn adalah arak antara hyperplane tersebut dengan pattern terdekat dar masng-masng kelas. Pattern yang palng dekat n dsebut sebaga support vector. Usaha untuk mencar lokas hyperplane n merupakan nt dar proses pembelaaran pada SVM [2]. Data yang terseda dnotaskan sebaga R d sedangkan label masngmasng dnotaskan y {-1, +1 } untuk = 1,2,,l, yang mana l adalah banyaknya data. Dasumskan kedua kelas -1 dan +1 dapat terpsah secara sempurna oleh hyperplane berdmens d, yang ddefnskan :. + b = 0...(1) Pattern yang ternasuk kelas -1 (sampel negatf) dapat drumuskan sebaga pattern yang memenuh pertdaksamaan :. + b 1 (2) Sedangkan pattern yang termasuk kelas +1 (sampel postf) memenuh pertdaksamaan :. + b +1.(3) Margn terbesar dapat dtemukan dengan memaksmalkan nla arak antara hyperplane dan ttk terdekatnya, yatu 1/. Hal n dapat drumuskan sebaga Quadratc Programmng (QP) Problem, yatu mencar ttk mnmal persamaan (4) dengan memperhatkan constrant persamaan (8)...(4) y ( x. w + b ) 1 0,..(5) Problem n dapat dpecahkan dengan berbaga teknk komputas, dantaranya dengan Lagrange Multpler. L (w, b, α ) = 2 - (y ((x. w + b) 1)) ( = 1,2,3,,l) (6) α adalah Lagrange Multpler, yang bernla nol atau postf ( α 0 ). Nla optmal dar persamaan (6) dapat dhtung dengan memnmalkan L terhadap Penerapan Metode Support Vector Machne pada Dagnosa Hepatts (Raudlatul Munawarah) 105
4 Volume 04, No.01 Februar 2016 dan b, dan memaksmalkan L terhadap α. Dengan memperhatkan sfat bahwa pada ttk optmal gradent L = 0, persamaan (6) dapat dmodfkas sebaga maksmalsas problem yang hanya mengandung α, sebagamana persamaan (7) berkut. Maksmas : - α y y x x..(7) Dengan Constrant : α 0 ( = 1,2,3,,l) y.(8) Dar perhtungan n dperoleh α yang kebanyakan bernla postf. Data yang berkoleras dengan α yang postf nlah yang dsebut support vector [2]. Penelasan datas berdasarkan asums bahwa kedua belah kelas dapat terpsah secara sempurna oleh hyperplane. Akan tetap, pada umumnya dua belah kelas pada nput space tdak dapat terpsah secara sempurna (non lnear separable). Hal n menyebabkan constrant pada persamaan (8) tdak dapat terpenuh, sehngga optmsas tdak dapat dlakukan. Untuk mengatas masalah n, SVM drumuskan dengan memperkenalkan teknk softmargn. Dalam softmargn, persamaan (5) dmodfkas dengan memasukkan slack varable ζ (ζ > 0 ) sebaga berkut : y (x. w + b) 1 - ζ, (9) dengan demkan persamaan (4) dubah menad : 2 + C ζ..(10) Parameter C dplh untuk mengontrol tradeoff antara margn dan error klasfkas ζ. Nla C yang besar berart akan memberkan penalty yang lebh besar terhadap error klasfkas tersebut [1]. Untuk menyelesakan problem non-lnear, SVM dmodfkas dengan memasukkan fungs kernel. Dalam non-lnear SVM, pertama-tama data dpetakan oleh fungs Փ( ) ke ruang vektor yang berdmens lebh tngg. Hyperplane yang memsahkan kedua kelas tersebut dapat dkontrukskan. Selanutnya gambar (1) menunukkan bahwa fungs Փ memetakan tap data pada nput space tersebut ke ruang vektor baru yang berdmens lebh tngg (dmens 3), sehngga kedua kelas dapat dpsahkan secara lnear oleh sebuah hyperplane. Gambar 1. Fungs Փ memetakan data ke ruang vector yang berdmens lebh tngg Selanutnya proses pembelaaran pada SVM dalam menemukan ttk-ttk support vector, hanya bergantung pada dot product dar data yang sudah dtransformaskan pada ruang baru yang berdmens lebh tngg, yatu Փ( ). Փ( ). Karena umumnya transformas Φ n tdak dketahu, dan sangat sult untuk dfaham secara mudah, maka perhtungan dot product dapat dgantkan dengan Penerapan Metode Support Vector Machne pada Dagnosa Hepatts (Raudlatul Munawarah) 106
5 Volume 04, No.01 Februar 2016 fungs kernel K (, ) yang mendefnskan secara mplst transformas Φ. Hal n dsebut sebaga Kernel Trck, yang drumuskan : K (, ) = Փ( ). Փ( )..(12) f(փ( )) =. Փ ( ) + b...(13) = y Փ( ). Փ( ) + b..(14) = y K (x, x) + b.(15) Syarat sebuah fungs untuk menad fungs kernel adalah memenuh teorema Mercer yang menyatakan bahwa matrks kernel yang dhaslkan harus bersfat postve sem-defnte. Fungs kernel yang umum dgunakan adalah sebaga berkut: a. Kernel Lner K(x,y) = x.y (16) b. Polynomal K(x,y) = (x.y + c) d...(17) c. Radal Bass Functon (RBF) 2 x y K( x, y) exp 2..(18) d. Sgmod 2 K( x, y) tanh( x y ) (19) Pada peneltan n kernel yang dgunakan adalah kernel lner dan kernel RBF. Fungs kernel yang drekomendaskan untuk du pertama kal adalah fungs kernel RBF karena memlk performans yang sama dengan kernel lner pada parameter tertentu, memlk perlaku sepert fungs kernel sgmod dengan parameter tertentu dan rentang nlanya kecl [0,1] [5]. Bentuk prmal form yang tadnya sangat susah untuk dpecahkan, akan drubah kedalam bentuk dual form yang hanya akan mengandung nla α. Berbaga algortma telah dkembangkan untuk mencar nla α tersebut. Akan tetap, algortma-algortma tersebut memerlukan waktu yang lama, apalag ka dpaka untuk data yang berukuran besar, karena algortma tersebut menggunakan numercal quadratc programmng sebaga nner loop [6]. Oleh karena tu, muncullah algortma-algortma yang dapat menangan masalah pemecahan nla α dalam proses tranng tersebut. Salah satunya dengan metode sekuantal. Adapun langkah-langkah umum dar metode penyelesaan tranng n adalah : 1. Mengnsas 0 (20) Htung matrks D y y ( K( x x 2 ) )..(21) 2. Lakukan step (a), (b) dan (c ) d bawah untuk 1,2,...,l l (a) E..(22) D 1 Penerapan Metode Support Vector Machne pada Dagnosa Hepatts (Raudlatul Munawarah) 107
6 Volume 04, No.01 Februar 2016 (b) mn max 1 E,, C...(23) (c)..(24) 3. Kembal ke step-2 sampa nla α konvergen (tdak ada perubahan sgnfkan) [6]. 3. HASIL DAN PEMBAHASAN 3.1. HASIL Hasl yang ddapatkan dar perhtungan dengan menggunakan metode n adalah sebuah persamaan bdang pemsah yang akan memsahkan dataset menad dua kelas berbeda, yatu postf dan negatf. Adapun contoh hasl dar u coba adalah sebaga berkut : Contoh dbawah adalah hasl tes fungs hat seorang pasen : 1 : Total Blrubn : 2.7 mg/dl 2 : Drect Blrubn : 1.3 mg/dl 3 : Alkalne Phosphotase : 275 U/L 4 : Sgpt Alamne : 123 U/L 5 : Sgot Aspartate : 73 U/L 6 : Total Protens : 6.2 g/l 7 : Albumn : 3.3 g/l 8 : Rato A/G : 1.1 Setelah dlakukan proses maka ddapatkan hasl bahwa pasen tersebut postf mengdap hepatts. Gambar 2. Hasl klasfkas 3.2. PEMBAHASAN Pada peneltan n, data yang berumlah 579 data dbag dua untuk data tranng dan data testng. Untuk data tranng dgunakan 100 data kelas label postf dan 100 data negatf. Dan ssa data dgunakan untuk testng. Untuk testng, sstem akan mengambl seumlah data secara random dar dataset sesua dengan umlah nput data testng yang dnputkan d form oleh user. Data tranng dhtung dengan menggunakan salah metode penyelesaan tranng data SVM yatu metode sekuantal. Hasl tranng adalah sebuah pembelaaran yang tersmpan ddalam sstem yang akan menad acuan bag sstem untuk menentukan sebuah nputan data tes fungs hat baru mengdap penyakt hepatts atau tdak. Penyelesaan dar langkah-langkah datas dlakukan satu persatu sepert dbawah n : 1. Mengnsas awal untuk nla α, C, epslon, gamma, dan lamda α=0, C = 1, epslon = 0.001, gamma = 0.5, lamda= Memasukkan data u Penerapan Metode Support Vector Machne pada Dagnosa Hepatts (Raudlatul Munawarah) 108
7 Volume 04, No.01 Februar 2016 Tabel 1. Tabel contoh data u No. X1 X2 X3 X4 X5 X6 X7 X8 Y A A A A A Dmana 1 adalah label postf dan -1 adalah label negatf. 3. Menentukan dot product setap data dengan memasukkan fungs kernel (K). Rumus fungs kernel yang umum sepert pada persamaan (16) sampa dengan persamaan (19). Fungs kernel dgunakan adalah fungs kernel lner. Sebelumnya data d transpose karena menggunakan perkalan matrks A x A T. Tabel 2. Tabel transpose data A1 A2 A3 A4 A Pada metode kernel, data tdak drepresentaskan secara ndvdual, melankan lewat perbandngan antara sepasang data. Setap data akan dbandngkan dengan drnya dan data lannya. Kta msalkan untuk data u berumlah 5 data maka perbandngan datanya sepert terlhat pada tabel : Tabel 3. Tabel Perbandngan Data A1 A2 A3 A4 A5 A1 K(A1,A1) K(A1,A2) K(A1,A3) K(A1,A4) K(A1,A5) A2 K(A2,A1) K(A2,A2) K(A2,A3) K(A2,A4) K(A2,A5) A3 K(A3,A1) K(A3,A2) K(A3,A3) K(A3,A4) K(A3,A5) A4 K(A4,A1) K(A4,A2) K(A4,A3) K(A4,A4) K(A4,A5) A5 K(A5,A1) K(A5,A2) K(A5,A3) K(A5,A4) K(A5,A5) Berkut contoh perhtungan dengan data A1 dan A1 : K (A1, A1) = ((0.9*0.9)+(0.3*0.3)+(202*202)+(22*22)+(19*19)+ (7.4*7.4)+ (4.1*4.1)+(1.2*1.2)) = Semua data dhtung dengan cara sama, bars x kolom sehngga menghaslkan nla dot product sepert dtunukkan oleh tabel dbawah : Karena ada 5 data u, maka ddapatkan matrks 5x5. Penerapan Metode Support Vector Machne pada Dagnosa Hepatts (Raudlatul Munawarah) 109
8 Volume 04, No.01 Februar 2016 Tabel 4. Hasl perhtungan kernel A1 A2 A3 A4 A5 A A A A A Menghtung matrks dengan rumus : 2 D y y ( K( x x ) ) Dmana : D = elemen matrks hessan ke- y = kelas data ke- y = kelas data ke- λ = batas teorts yang akan dturunkan Contoh perhtungan untuk pasangan data A1 dan A1: D = (-1)(-1)( ) + 0.5^2 = Maka ddapatkan hasl untuk semua data: Tabel 5. Matrk a1 a2 a3 a4 a5 a a a a a Mencar nla error dengan rumus : l E D 1 Dmana: E = nla error data ke- Maka ddapatkan nla error setap data adalah : Tabel 6. Hasl Perhtungan Nla Error a a a a a Menghtung nla delta alpha : mn max 1 E,, C Untuk data pertama : Mn (max (0.5(1-( ),-0.5),1-0.5) Mn(max( ,-0.5),0.5 Mn( , 0.5) = 0.5 Maka ddapatkan delta alpha sebaga berkut : Penerapan Metode Support Vector Machne pada Dagnosa Hepatts (Raudlatul Munawarah) 110
9 Volume 04, No.01 Februar 2016 Tabel 7. Hasl Perhtungan delta alpha a1 0.5 a2-0.5 a3 0.5 a4-0.5 a5 0.5 Karena nla maksmum δα adalah 0.5 dan lebh dar epslon (0.001) maka teras berlanut. 7. Menghtung nla α baru dengan menggunakan rumus : Maka ddapatkan α sebaga berkut : Tabel 8. Hasl Perhtungan alpha baru a1 1 a2 0 a3 0 a4 0 a Mencar nla bas : 1 b w x 1 w x 2 1 Terlebh dahulu dhtung nla w : W + adalah bobot dot product data dengan alpha terbesar d kelas postf W - adalah bobot dot product data dengan alpha terbesar d kelas negatf w x + (kelas postf ) = (1 x (-1) x )+(0 x 1 x )+(0 x 1 x )+(0 x 1 x )+(1 x (-1) x ) = w x -- (kelas negatf) = (1 x (-1) x )+(0 x 1 x )+(0 x 1 x )+(0 x 1 x )+(0 x 1 x ) = maka nla b = -1/2 (w x + + w x -- ) = Sebenarnya perhtungan datas belum bsa dgunakan untuk fungs keputusan karena teras mash harus dteruskan. Perhtungan dbawah n hanya untuk contoh perhtungan dengan fungs keputusan saa 9. Setelah mendapatkan nla α, w dan b maka dapat dlakukan penguan dengan contoh data u berkut : Tabel 9. Tabel data u X1 X2 X3 X4 X5 X6 X7 X Langkah pertama untuk mengu adalah menghtung dot product antara data u dengan semua data lath dengan fungs kernel. K(x,y) = x.y Dmana x adalah data u dan y adalah semua data lath. Data ke 1 : K (x, x) = (2.7x0.7 )+(1.3x0.1)+(275x187)+(123x16)+ Penerapan Metode Support Vector Machne pada Dagnosa Hepatts (Raudlatul Munawarah) 111
10 Volume 04, No.01 Februar 2016 (73x18)+(6.2x6.8)+(3.3x3.3)+(1.1x0.9) = Data ke 2 : (0.9x0.7 )+(0.2x0.1)+(194x187)+(52x16)+ (45x18)+(6x6.8)+(3.9x3.3)+(1.85x0.9) = Begtu seterusnya untuk semua data lath maka ddapatkan dot product data u sebaga berkut : Tabel 10. Hasl perhtungan dot product data u dengan data lath A1 A2 A3 A4 A Selanutnya dlakukan perhtungan fungs keputusan : f ( x) w. x b atau f ( x) y K( x, x ) b 1 Data ke 1 : f(x) = sgn((1x(-1)x ) (0x1x ) (0x1x ) (0x1x ) (1x1x ) = = sgn ( ) = 1 Jad, data u datas termasuk kelas postf. m 4. SIMPULAN Smpulan yang ddapatkan dar peneltan n adalah : a. Metode Support Vector Machne dapat dgunakan untuk mendagnosa penyakt hepatts dengan belaar dar pembelaaran yang dhaslkan dar pelathan data tranng. b. Pembelaaran yang dhaslkan berasal dar pelathan data tes fungs hat. c. Pelathan data tranng dlakukan dengan metode sekuantal untuk memecahkan masalah Quadratc Programmng (QP) Problem yatu pencaran nla α yang cukup sult dselesakan. DAFTAR PUSTAKA [1] Munawarah, Raudlatul Implementas Metode Support Vector Machne untuk Mendagnosa Penyakt Hepatts. Program S-1 Ilmu Komputer, Unverstas Lambung Mangkurat: Banarbaru. [2] Chrstann, Nello dan John S. Taylor An Introducton to Support Vector Machnes and Other Kernel-based Learnng Methods. Cambrdge Unversty Press [3] Feldman, Davd and Gross, Shulamth Mortgage Default: Classfcaton Trees Analyss. Unversty of New South Wales - Bankng & Fnance, Australan School of Busness. [4] Green, Chrs W Hepatts Vrus dan HIV. Yayasan Sprta: Jakarta [5] Ramana, B. V., Babu, S. P., & Venkateswarlu, N. B A Crtcal Study Of Selected Classfcaton Algorthms For Lver Dsease Dagnoss. Internatonal Journal Of Database Management Systems, Vol. 3 (2), Hal Penerapan Metode Support Vector Machne pada Dagnosa Hepatts (Raudlatul Munawarah) 112
11 Volume 04, No.01 Februar 2016 [6] Platt, John Sequental Mnmal Optmzaton: A fast Algorthm for Tranng Support Vector Machne. Mcrosoft Research. Penerapan Metode Support Vector Machne pada Dagnosa Hepatts (Raudlatul Munawarah) 113
BAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA II. Pengertan Klasfkas Klasfkas adalah proses untuk menemukan model atau fungs yang menelaskan atau membedakan konsep atau kelas data dengan tuuan untuk memperkrakan kelas yang
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE M. Fachrurroz, M.T. 1, Nov Yuslan, M.T. 2 1,2 Jurusan Teknk Informatka Fakultas Ilmu Komputer, Unverstas Srwjaya 1 obetsobets@gmal.com,
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciOPTIMASI MASALAH PENUGASAN. Siti Maslihah
JPM IIN ntasar Vol. 01 No. 2 Januar Jun 2014, h. 95-106 OPTIMSI MSLH PNUGSN St Maslhah bstrak Pemrograman lner merupakan salah satu lmu matematka terapan yang bertuuan untuk mencar nla optmum dar suatu
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciAnalisis Pengaruh Kernel Support Vector Machine (SVM) pada Klasifikasi Data Microarray untuk Deteksi Kanker
OPEN ACCESS ISSN 460-9056 socj.telkomunversty.ac.d/ndojc Ind. Journal on Computng Vol., Issue. 1, Maret 017. pp. 109-118 do:10.1108/ndojc.017.1.169 Analss Pengaruh Kernel Support Vector Machne (SVM) pada
Lebih terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciCorresponding Author:
Perbandngan Fungs Ketahanan Hdup Dengan Metode Non Parametrk Menggunakan Uj Gehan Dan Uj Cox-Mantel (Lvng wth Securty Functon Comparson Method Usng Non Paremetrk Gehan test and Cox-Mantel Tes Ans Sept
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciPERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciSISTEM DETEKSI RETINOPATI DIABETIK MENGGUNAKAN SUPPORT VECTOR MACHINE
SISEM DEEKSI REINOPAI DIABEIK MENGGUNAKAN SUPPOR VECOR MACHINE ess untuk memenuh sebagan persyaratan mencapa deraat Sarana S- Program Stud Magster Sstem Informas Oleh: Wahyud Setawan 40040400060 PROGRAM
Lebih terperinciMODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciBAB III SKEMA NUMERIK
BAB III SKEMA NUMERIK Pada bab n, akan dbahas penusunan skema numerk dengan menggunakan metoda beda hngga Forward-Tme dan Centre-Space. Pertama kta elaskan operator beda hngga dan memberkan beberapa sfatna,
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN :
JURNA MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN : 1410-8518 MASAAH RUTE TERPENDEK PADA JARINGAN JAAN MENGGUNAKAN AMPU AU-INTAS Stud Kasus: Rute Peralanan Ngesrep Smpang ma Eko Bud
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciPengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Prnt) 1 Pengenalan Karakter Tulsan Tangan Angka dan Operator Matematka Berdasarkan Zernke Moments Menggunakan Support Vector Machne
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER
UNIVERSITAS DIPONEGORO 013 ISBN: 978-60-14387-0-1 FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER Saftr Daruyan
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciALJABAR LINIER LANJUT
ALABAR LINIER LANUT Ruang Bars dan Ruang Kolom suatu Matrks Msalkan A adalah matrks mnatas lapangan F. Bars pada matrks A merentang subruang F n dsebut ruang bars A, dnotaskan dengan rs(a) dan kolom pada
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciSifat-sifat Operasi Perkalian Modular pada Graf Fuzzy
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 07 Sfat-sfat Operas Perkalan Modular pada raf Fuzzy T - 3 Tryan, ahyo Baskoro, Nken Larasat 3, Ar Wardayan 4,, 3, 4 Unerstas Jenderal Soedrman transr@yahoo.com.au
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres
Lebih terperinciImplementasi Adaptive Support Vector Machine untuk Membantu Identifikasi Kanker Payudara
1 Implementas Adaptve Support Vector Machne untuk Membantu Identfkas Kanker Payudara Baktar Karsma, Dana Purwtasar, Anny Yunart Teknk Informatka, Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciContoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi.
BAB V TEOEMA-TEOEMA AGKAIA 5. Teorema Superposs Teorema superposs bagus dgunakan untuk menyelesakan permasalahan-permasalahan rangkaan yang mempunya lebh dar satu sumber tegangan atau sumber arus. Konsepnya
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
Lebih terperinciDalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang
LARGE SCALE SYSEM Course by Dr. Ars rwyatno, S, M Dept. of Electrcal Engneerng Dponegoro Unversty BAB V OPIMASI SISEM Dalam sstem pengendalan berhrark level, maka optmas dapat dlakukan pada level pertama
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Sampel yang digunakan dalam penelitian ini adalah data pengujian pada
BAB 5 ASIL DAN PEMBAASAN 5. asl Peneltan asl peneltan akan membahas secara lebh lengkap mengena penyajan data peneltan dan analss data. 5.. Penyajan Data Peneltan Sampel yang dgunakan dalam peneltan n
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciBab III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
Lebih terperinciPENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER
Penerapan Program Lner Kabur dalam Analss.. Elfranto PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER Elfranto Dosen Unverstas Muhammadyah Sumatera Utara Abstrak: Salah satu kaan
Lebih terperinciModel Potensial Gravitasi Hansen untuk Menentukan Pertumbuhan Populasi Daerah
Performa (2004) Vol. 3, No.1: 28-32 Model Potensal Gravtas Hansen untuk Menentukan Pertumbuhan Populas Daerah Bambang Suhard Jurusan Teknk Industr, Unverstas Sebelas Maret, Surakarta Abstract Gravtaton
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu
Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciKrisantus Sembiring. Selasa, 11 September /1/2008 1
Penerapan Teknk Support Vector Machne untuk Pendeteksan Intrus pada Jarngan Sdang IF40Z2-Tugas Akhr II Krsantus Sembrng 13503121 Selasa, 11 September 2007 2/1/2008 1 Latar Belakang Pentngnya pendeteksan
Lebih terperinciAnalisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :
Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan
Lebih terperinciMULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari
MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuh Tugas Matakulah Multvarat yang dbmbng oleh Ibu Tranngsh En Lestar oleh Sherly Dw Kharsma 34839 Slva Indrayan 34844 Vvn Octana 34633 UNIVERSITAS
Lebih terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciBAB II DASAR TEORI. 2.1 Definisi Game Theory
BAB II DASAR TEORI Perkembangan zaman telah membuat hubungan manusa semakn kompleks. Interaks antar kelompok-kelompok yang mempunya kepentngan berbeda kemudan melahrkan konflk untuk mempertahankan kepentngan
Lebih terperinciEksistensi Bifurkasi Mundur pada Model Penyebaran Penyakit Menular dengan Vaksinasi
1 Eksstens Bfurkas Mundur pada Model Penyebaran Penyakt Menular dengan Vaksnas Intan Putr Lestar, Drs. M. Setjo Wnarko, M.S Jurusan Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam, Insttut Teknolog
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciBab 1 Ruang Vektor. R. Leni Murzaini/0906577381
Bab 1 Ruang Vektor Defns Msalkan F adalah feld, yang elemen-elemennya dnyatakansebaga skalar. Ruang vektor atas F adalah hmpunan tak kosong V, yang elemen-elemennya merupakan vektor, bersama dengan dua
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciBAB II LANDASAN TEORI Kajian Pustaka
perpustakaan.uns.ac.d dglb.uns.ac.d.. Kajan Pustaka BAB II LANDASAN TEORI HCCI (homogeneous charge compresson gnton) adalah teknolog pembakaran yang memlk efsens yang tngg dan dapat mengurang kadar ems.
Lebih terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinci