PENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK. Sutikno
|
|
- Handoko Makmur
- 7 tahun lalu
- Tontonan:
Transkripsi
1 sutiko PENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK Sutiko Program Studi Tekik Iformatika Fakultas Sais da Matematika UNDIP Abstrak Algoritma Geetika telah bayak diguaka utuk meyelesaika masalah optimasi, salah satuya yaitu masalah kapsack. Masalah kapsack merupaka masalah optimasi yag berusaha memaksimalka keutuga. Utuk meghasilka optimasi yag terbaik dipegaruhi beberapa variabel diataraya yaitu jumlah kromosom, ilai peluag crossover da ilai peluag mutasi, sehigga perlu dilakuka peelitia dega cara memberika beberapa variasi peluag crossover da mutasi utuk medapatka ilai fitess terbaik sehigga peelitia-peelitia selajutya yag berhubuga dega peerapa algortima geerika dalam meyelesaika masalah kapsack tidak lagi memberika ilai peluag crossover da mutasi dega cara trial ad error. Pada peelitia ii dibuat aplikasi peerapa algoritma geetika dalam meyelesaika masalah kapsack dega megguaka Visual Basic da Microsoft Access, da dilakuka pegujia utuk mecari ilai fitess terbaik pada pemberia beberapa variasi peluag crossover da peluag mutasi. Hasil pegujia didapatka bahwa ilai fitess terbaik (terbesar) pada pemberia ilai peluag mutasi rata-rata 0,1 da ilai peluag crossover rata-rata 0,3. Kata Kuci : Algoritma Geetika, Masalah Kapsack, Peluag Crossover, Peluag Mutasi 1. Latar Belakag Algoritma geetika merupaka metode adaptif berdasarka pada evolusi alami yag diguaka utuk meyelesaika masalah optimasi. Algoritma ii memproses populasi dari pecaria ruag solusi dega tiga operasi yaitu seleksi, kawi silag da mutasi [3]. Salah satu masalah yag dapat di selesaika dega algoritma geetika adalah Kapsack Problem. Utuk meghasilka optimasi yag terbaik dipegaruhi beberapa variabel diataraya yaitu jumlah kromosom, peluag crossover da peluag mutasi, sehigga perlu dilakuka peelitia dega cara memberika beberapa variasi peluag crossover da mutasi utuk medapatka ilai fitess terbaik sehigga peelitia-peelitia selajutya yag berhubuga dega peerapa algoritma geerika dalam meyelesaika masalah kapsack tidak lagi memberika ilai peluag crossover da mutasi dega cara trial ad error. Pada peelitia ii aka dilakuka pembuata aplikasi algoritma geetika utuk meyelesaika kapsack problem da dilakuka pegujia beberapa variasi peluag crossover da peluag mutasi, kemudia dicari ilai peluag crossover da mutasi yag terbaik dalam meyelesaika permasalaha kapsack. 2. Kapsack Problem Kapsack problem merupaka masalah dimaa orag dihadapka pada persoala optimasi pada pemiliha beda yag dapat dimasukka ke dalam sebuah wadah yag memiliki keterbatasa ruag atau daya tampug. Dega adaya optimasi dalam pemiliha beda yag aka dimasukka kedalam wadah tersebut diharapka dapat meghasilka keutuga yag maksimum [1]. Beda-beda yag aka dimasukka ii masig-masig memiliki berat da ilai yag diguaka utuk meetuka prioritasya dalam pemiliha tersebut. Nilaiya dapat berupa tigkat kepetiga, harga barag, ilai sejarah, atau yag laiya. Wadah yag dimasukka disii juga memiliki ilai kostata yag merupaka ilai pembatas utuk beda-beda
2 yag aka dimasukka ke dalam wadah tersebut sehigga harus diambil sebuah cara memasukka beda-beda tersebut kedalam wadah sehigga meghasilka hasil optimum tetapi tidak melebihi kemampua wadah utuk meampugya. Secara matematis, ilai da berat total dapat dituliska seperti pada persamaa 1 da 2. F = i=1 b i v i (1) Wtot = Dimaa: i=1 b i w i (2) F = ilai fiess setiap kromosom b = bit berilai 1 atau 0 (ilai 1 jika barag dibawa, da 0 jika tidak dibawa) v = ilai dari setiap barag = jumlah semua barag Wtot=Berat Total yag terkadug pada setiap kromosom W =berat yag terkadug pada setiap barag 3. Algoritma Geetika Algoritma geetika adalah pecaria terkomputerisasi da algoritma optimasi berdasarka mekaika alami geetika da seleksi alam. Algoritma dimulai dega sebuah paket solusi yag memugkika. Satua solusi yag mugki disebut dega populasi. Setiap solusi yag mugki dalam populasi juga disebut dega kromosom. Setiap kromosom ditugaska dega ilai fiesss berdasarka fugsi fiesss. Solusi dari satu populasi diambil da biasa membagu populasi baru. Ii adalah motivasi dega harapa bahwa populasi baru aka mejadi lebih baik daripada yag sebelumya [2]. Solusi merupaka hal yag dipilih utuk membagu solusi baru (keturua), dipilih meurut ilai fiesssya, bayak kesempata mereka utuk dapat melakuka reproduksi. Keturua meggatika populasi kaum tua da geerasi tercapai. Proses ii diulag sampai kriteria tertetu ditemuka. Secara umum garis besar dari algoritma geetika dasar yaitu sebagai berikut [2]: a. [Awal] membagkitka populasi acak kromosom (solusi yag cocok utuk masalah) b. [Fiesss] megevaluasi ilai fiesss f(x dari tiap kromosom x di populasi) c. [Populasi Baru] membuat populasi baru dega megulag lagkah-lagkah berikut sampai populasi baru tercapai. i. [Piliha] pilih dua kromosom orag tua dari populasi meurut ilai fiesss mereka (maki baik ilai fiesss, lebih besar kesempata utuk dipilih) ii. [Kawi Silag] kawi silag orag tua ke betuk keturua baru (keturua). Kawi silag terjadi dega kemugkia tertetu. Jika kawi silag tidak dilakuka, keturua salia aka sama dari salah satu orag tua. iii. [Mutasi] megubah tempat sifat keturua baru (posisi di kromosom dega kemugkia tertetu). Jika tidak terjadi mutasi, keturua lagsug hasil kawi silag, atau salia salah satu dari orag tua. iv. [Peerimaa] tempat keturua baru di populasi baru d. [Peggatia] megguaka populasi baru utuk lebih jauh perjalaa algoritma baru e. [Tes] jika akhir kodisi dipuaska, hetika, da kembali ke solusi terbaik diarus populasi f. [Pegulaga] meuju ke lagkah b. 4. Peracaga sistem Implemetasi aplikasi algoritma geetika pada persoala kapsack ii secara umum terdiri dari beberapa tahapa, seperti pada flowchart gambar 1. 2
3 sutiko Mulai Meetuka Jml Kromosom, Kap. Maksimum, Peluag Crossover, Peluag Mutasi da Geerasi Maksimum Pembagkita populasi awal Evaluasi ilai fitess Seleksi Crossover sebayak jumlah semua barag yag aka dipilih. Barag yag dibawa diberi kode 1 da yag tidak dibawa diberi kode 0. Misalya terdapat 6 barag yag aka dibawa seperti pada tabel 1, dari tabel tersebut barag yag aka dibawa yaitu B001, B003, da B004, yag laiya tidak karea keterbatasa berat. Sehigga kromosom dapat direpresetasika seperti pada gambar 2. Tabel 1. Cotoh Barag pada permasalaha kapsack Kode Barag Berat (w) Nilai (v) B B B B B B Mutasi Mecari ilai fitess Maximum Geerasi=Geerasi Max Yes Meampilka Hasil Selesai Gambar 1. Fowchart Algoritma Geetika pada Masalah Kapsack Pejelasa lebih rici dari proses-proses diatas yaitu seperti dibawah ii. a. Pembakita populasi awal Populasi merupaka kumpula dari beberapa kromosom da kromosom merupaka kumpula dari ge-ge yag merupaka salah satu solusi dari masalah yag aka diselesaika. Pada permasalaha kapsack ii kromosom di represetasika didalam betuk strig bit. Jumlah ge pada setiap kromosom dikodeka No Gambar 2. Represetasi kromosom pada masalah Kapsack b. Evaluasi Nilai Fitess Nilai fiess dihitug dega mejumlahka ilai semua barag yag dibawa, tetapi dibatasi berat maksimalya. Nilai fiess da berat total dapat dihitug dega megguaka rumus 1 da 2. Nilai fiesss berilai 0 jika berat total barag yag dibawa lebih besar dari batas maksimal yag diijika da berilai NF jika kurag atau sama dega batas maksimal yag diijika. Kromosom yag mempuyai ilai fiess 0 aka diperbaiki sampai berat total dari kromosom kurag atau sama dega batas maksimalya. Caraya dega melakuka mutasi sebagia bit 1 mejadi 0. Cotoh dari perhituga ilai fiess ii misalya kromosom pada gambar 2 yaitu , da misalya dibatasi dega berat 12, maka dapat dihitug berat total da ilai fiessya. F = i=1 b i v i 6 = i=0 b i v i 3
4 Wtot = c. Seleksi =1x3+0x6+1x6+1x2+0x4+0x5=11 i=1 b i w i 6 = i=1 b i w i =1x5+0x8+1x5+1x6+0x9+0x5=16 Proses seleksi dilakuka dega megguaka metode roullette wheel selectio. Pada metode ii terdapat beberapa tahap yaitu perhituga total ilai fiesss semua kromosom, perhituga peluag setiap kromosom, perhituga peluag komulatif setiap kromosom, da pembagkita bilaga acak sebayak jumlah kromosom utuk dibadigka dega peluag komulatif setiap kromosom, sehigga didapatka kromosom baru. i. Perhituga ilai fiesss total Setelah semua ilai fiesss setiap kromosom didapat selajutya di jumlahka, dega memakai persamaa 3. i=1 (3) Ftot = F i Ftot = Nilai Fiess Total F i = ilai Fiess kromosom ke-i N = jumlah kromosom ii. Peluag setiap kromosom Utuk meghitug peluag setiap kromosom dega cara membagi ilai fiesss masigmasig kromosom dega ilai fiesss total. P i = F i Ftot iii. Peluag komulatif setiap kromosom (4) Peluag komulatif kromosom pertama sama dega peluag kromosom pertama, sedagka peluag komulatif kromosom kedua da selajutya dihitug dega cara meambahka peluag komulatif kromosom sebelumya dega peluag kromosom yag dihitug. PK i =PK i-1 +P i Dimaa: P i = Peluag kromomosm ke-i PK i =Peluag Komulatif Kromosom Ke-i PK 0 =0 iv. Membagkitka bilaga acak Lagkah terakhir pada proses seleksi yaitu membagkitka bilaga acak sebayak jumlah kromosom, kemudia dibadigka dega peluag komulatif pada masig-masig kromosom, jika bilaga acak yag dibagkitka lebih besar dari peluag komulatif sebelumya, da kurag dari peluag kromosom yag dibadigka maka kromosom tersebut terpilih. d. Crossover Crossover dilakuka dega kawi silag satu titik. Lagkah pertama cara ii yaitu meetuka bilaga acak pada proses crossover. Kemudia meetuka batas crossover, jika bilaga acak proses crossover kurag dari batas crossover maka dilakuka proses crossover. Lagkah ii dilakuka dega cara meetuka satu titik potog, kemudia bagia pertama dari kromosom pertama di kombiasika bagia kedua dari kromosom kedua mejadi keturua pertama. Sedagka bagia kedua kromosom pertama di kombiasika dega bagia pertama kromosom kedua mejadi keturua kedua. Hal ii dilakuka pada masig-masig pasaga iduk yag aka di crossover. Cotoh dari kawi silag satu titik ii terlihat pada gambar 3. Iduk P=0,5 Iduk Gambar 3. Cotoh Proses Crossover Peluag Crossover 0,5 e. Mutasi Mutasi dilakuka dega cara megubah bit 0 mejadi 1 atau sebalikya pada kromosom yag terpilih secara acak. Lagkah-lagkah dari proses mutasi ii yaitu meghitug jumlah ge pada semua kromosom, meetuka jumlah ge yag dimutasi, da mecari ge yag dimutasi. i. Meghitug jumlah ge Keturua baru 1 Keturua baru 2 4
5 sutiko Jumlah Ge = (jumlah ge 1 kromosom) x (jumlah kromosom) ii. Jumlah ge yag dimutasi Utuk meetuka jumlah ge yag dimutasi dilakuka dega cara membagkitka bilaga acak mulai dari 1 sampai dega jumlah ge. iii. Mecari ge yag dimutasi Setelah dicari jumlah ge yag dimutasi selajutya mecari ge maa saja yag aka dimutasi yaitu dega cara membagkitka bilaga acak 1 sampai dega jumlah ge sebayak jumlah ge yag dimutasi. iv. Proses mutasi Proses mutasi dilakuka dega membalikka bit 0 mejadi 1 atau sebalikya 5. Implemetasi Sistem Sistem ii dibuat dega megguaka bahasa pemrograma Visual basic da megguaka database Microsoft Access. Tampila dari sistem ii yaitu seperti pada gambar 4. Sistem ii terbagi mejadi 2 bagia yaitu bagia iput da output. Bagia iput diguaka utuk memberika variabel iput yaitu iput barag, jumlah kromosom, kapasitas maksimal berat yag dapat di bawa, peluag crossover, peluag mutasi, da batas geerasi maximum. Sedagka bagia output diguaka utuk meampilka hasil dari proses algoritma geetika yaitu kromosom optimum yag dihasilka, berat total pada fiesss optimum, ilai fiesss optimum da geerasi pada fiesss optimum. Gambar 4. Implemetasi Sistem 6. Pegujia Sistem a. Pegujia variasi peluag mutasi Pegujia dilakuka pada kapasitas maksimum, peluag crossover, da batas geerasi yag sama, yaitu kapasitas maksimum 180, peluag crossover 0.3, da batas geerasi sebayak Aka di uji beberapa variasi peluag mutasi yaitu diatara 0,1 sampai dega 0,9 da dicari ilai fitess palig besar, seperti terlihat pada tabel 2. 5
6 Tabel 2. Pegujia pada batas kapasitas maximal 180, peluag crossover 0.3, da geerasi maximum Peluag Nilai Fitess pada Jumlah Kromosom Rata-Rata Mutasi Nilai Fitess 0, , , , , , , , , Dari Tabel 2 terlihat bahwa setelah dilakuka pegujia sebayak 9 variasi peluag mutasi yaitu atara 0,1 sampai dega 0,9 da masigmasig 4 variasi jumlah kromosom yaitu 10, 20, 30 da 40 pada kapasitas maksimal, peluag crossover, da batas geerasi maksimum yag sama dihasilka bahwa rata-rata ilai fitess terbaik pad pemberia peluag mutasi 0,1. Terlihat bahwa semaki besar pemberia variabel peluag mutasi maka aka meghasilka ilai fitess yag semaki kecil, seperti terlihat pada grafik gambar 5. Nilai Fitess ,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 Peluag crossover Gambar 5. Grafik peluag mutasi terhadap ilai fitess b. Pegujia variasi peluag crossover Pegujia dilakuka pada kapasitas maksimum, peluag muasi, da batas geerasi yag sama, yaitu kapasitas maksimum 180, peluag mutasi 0.3, da batas geerasi sebayak Aka di uji beberapa variasi crossover yaitu diatara 0,1 sampai dega 0,9 da dicari ilai fitess palig besar, seperti terlihat pada tabel 3. 6
7 sutiko Tabel 3. Pegujia pada batas kapasitas maximal 180, peluag mutasi 0.3, da geerasi maximum Peluag Nilai Fitess pada Jumlah Kromosom Rata-Rata Crossover Nilai Fitess 0, , , , , , , , , Dari Tabel 3 terlihat bahwa setelah dilakuka pegujia sebayak 9 variasi peluag crossover yaitu atara 0,1 sampai dega 0,9 da masig-masig 4 variasi jumlah kromosom yaitu 10, 20, 30 da 40 pada kapasitas maksimal, peluag mutasi, da batas geerasi maksimum yag sama dihasilka bahwa rata-rata ilai fitess terbaik pada pemberia peluag crossover 0,3. Grafik rata-rata ilai fitess utuk semua peluag crossover seperti terlihat pada grafik gambar 6. Nilai Fitess ,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 Gambar 6. Grafik peluag crossover terhadap ilai fitess Peluag crossover 7. Kesimpula Kesimpula dari peelitia ii diperoleh sebagai berikut: a. Peerapa algoritma geetika utuk meyelesaika masalah kapsack aka meghasilka ilai fitess terbaik (terbesar) pada pemberia ilai peluag mutasi rata-rata 0,1. b. Semaki besar pemberia variabel peluag mutasi maka aka meghasilka ilai fitess rata-rata semaki kecil. c. Peerapa algoritma geetika utuk meyelesaika masalah kapsack aka meghasilka ilai fitess terbaik (terbesar) pada pemberia ilai peluag crossover ratarata 0,3. 7
8 8. Referesi [1] Ge, Mitsuo da ruwaei Cheg.2000, Geetic Algorithms ad Eggieerig Optimizatio, Caada, Joh Wiley & Sos, Ic. [2] Nopriadi, Putu Niko, Algoritma Geetika Dasar Komputasi Cerdas, Tekik Elektro Uiversitas Udayaa [3] Kecerdasa%20Buata/Buku/Bab%207%2 0Algoritma%20Geetika.pdf. Diakses 10 Jauari 2012, jam WIB [4] 5_PENYELESAIAN_KNAPSACK_PROB LEM_MENGGUNAKAN_ALGORITMA_ GENETIKA.pdf. Diakses 10 Jauari 2012, jam WIB 8
BAB II METODOLOGI PENGENDALIAN DAN ALGORITMA GENETIKA
BAB II METODOLOGI PENGENDALIAN DAN ALGORITMA GENETIKA II.1 Pegedali Modus Lucur Sistem o-liier dimodelka dalam persamaa status pada persamaa (2.1) berikut ii: x &( = f ( + B( u(...(2.1) dega x ( merupaka
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 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 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 terperinciLaboratorium Ilmu dan Rekayasa Komputasi Departemen Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung
Eksplorasi Algoritma Mass, Profit,, Profit / Mass, atau Profit / utuk Persoala Iteger Kapsack yag Bedaya Berupa Zat Kimia dega Jeisya Terdefiisi Abstrak Riyai Mardikaigrum 1, Nurshati 2, Vaia Karimah 3
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 terperinciBAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
Lebih terperinciOptimasi Fungsi Tak Berkendala Menggunakan Algoritma Genetika Terdistribusi dengan Pengkodean Real
Optimasi Fugsi Tak Berkedala Megguaka Algoritma Geetika Terdistribusi dega Pegkodea Real Waya Firdaus Mahmudy Program Studi Ilmu Komputer, Fakultas MIPA, Uiversitas Brawijaya, Malag, Idoesia wayafm@ub.ac.id
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 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 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 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 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 V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)
BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) Setiap peelitia selalu berkeaa dega sekelompok data. Yag dimaksud kelompok disii adalah: Satu orag mempuyai sekelompok data, atau sekelompok orag mempuyai satu
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 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 terperinciBAB III METODOLOGI PENELITIAN. Variabel-variabel yang digunakan pada penelitian ini adalah:
BAB III METODOLOGI PENELITIAN 3. Variabel da Defiisi Operasioal Variabel-variabel yag diguaka pada peelitia ii adalah: a. Teaga kerja, yaitu kotribusi terhadap aktivitas produksi yag diberika oleh para
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 terperinciRESPONSI 2 STK 511 (ANALISIS STATISTIKA) JUMAT, 11 SEPTEMBER 2015
RESPONSI STK 511 (ANALISIS STATISTIKA) JUMAT, 11 SEPTEMBER 015 A. PENYAJIAN DAN PERINGKASAN DATA 1. PENYAJIAN DATA a. Sebutka tekik peyajia data utuk data kualitatif! Diagram kueh, diagram batag, distribusi
Lebih terperinciMETODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa
19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh
Lebih terperinciAn = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3
SUKU BANYAK A Pegertia: f(x) x + a 1 x 1 + a 2 x 2 + + a 2 +a 1 adalah suku bayak (poliom) dega : - a, a 1, a 2,.,a 2, a 1, a 0 adalah koefisiekoefisie suku bayak yag merupaka kostata real dega a 0 - a
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciRENCANA PROGRAM PEMBELAJARAN KE - 1. : 6 jam pelajaran
RENCANA PROGRAM PEMBELAJARAN KE - 1 Satua Pedidika Mata Pelajara Kelas/Semester Materi Pokok Waktu : SMA N 6 YOGYAKARTA : Matematika : XII IPS/ : Barisa da Deret : 6 jam pelajara 1. Stadar Kompetesi 4.
Lebih terperinci1 Persamaan rekursif linier non homogen koefisien konstan tingkat satu
Secara umum persamaa rekursif liier tigkat-k bisa dituliska dalam betuk: dega C 0 0. C 0 x + C 1 x 1 + C 2 x 2 + + C k x k = b, Jika b = 0 maka persamaa rekursif tersebut diamaka persamaa rekursif liier
Lebih terperinciBab 7 Penyelesaian Persamaan Differensial
Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala
Lebih terperinciAn = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3
BAB XII. SUKU BANYAK A = a Pegertia: f(x) = a x + a x + a x + + a x +a adalah suku bayak (poliom) dega : - a, a, a,.,a, a, a 0 adalah koefisiekoefisie suku bayak yag merupaka kostata real dega a 0 - a
Lebih terperinciMateri 5 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2016 Nizar Rabbi Radliya
Materi 5 DATA MINING 3 SKS Semester 6 S1 Sistem Iformasi UNIKOM 2016 Nizar Rabbi Radliya izar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Kompetesi Dasar Memahami tekik data miig klasifikasi da mampu meerapka
Lebih terperinciIII. METODE PENELITIAN. kelas VIII semester ganjil SMP Sejahtera I Bandar Lampung tahun pelajaran 2010/2011
III. METODE PENELITIAN A. Latar Peelitia Peelitia ii merupaka peelitia yag megguaka total sampel yaitu seluruh siswa kelas VIII semester gajil SMP Sejahtera I Badar Lampug tahu pelajara 2010/2011 dega
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinci4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN
4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN Saat asumsi keormala tidak dipuhi maka kesimpula yag kita buat berdasarka suatu metod statistik yag mesyaratka asumsi keormala meadi tidak baik, sehigga mucul
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 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Maajeme risiko merupaka salah satu eleme petig dalam mejalaka bisis perusahaa karea semaki berkembagya duia perusahaa serta meigkatya kompleksitas aktivitas perusahaa
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 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 terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciPENYELESAIAN PERSAMAAN GELOMBANG DENGAN METODE D ALEMBERT
Buleti Ilmiah Math. Stat. da Terapaya (Bimaster) Volume 02, No. 1(2013), hal 1-6. PENYELESAIAN PERSAMAAN GELOMBANG DENGAN METODE D ALEMBERT Demag, Helmi, Evi Noviai INTISARI Permasalaha di bidag tekik
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 terperinciBAB IV HASIL DAN PEMBAHASAN. Sebagai hasil penelitian dalam pembuatan modul Rancang Bangun
47 BAB IV HASIL DAN PEMBAHASAN Sebagai hasil peelitia dalam pembuata modul Racag Bagu Terapi Ifra Merah Berbasis ATMega8 dilakuka 30 kali pegukura da perbadiga yaitu pegukura timer/pewaktu da di badigka
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 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 I PENDAHULUAN. Integral adalah salah satu konsep penting dalam Matematika yang
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Itegral adalah salah satu kosep petig dalam Matematika yag dikemukaka pertama kali oleh Isac Newto da Gottfried Wilhelm Leibiz pada akhir abad ke-17. Selajutya
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciBAB IV PEMBAHASAN DAN ANALISIS
BAB IV PEMBAHASAN DAN ANALISIS 4.1. Pembahasa Atropometri merupaka salah satu metode yag dapat diguaka utuk meetuka ukura dimesi tubuh pada setiap mausia. Data atropometri yag didapat aka diguaka utuk
Lebih terperincib. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut:
Statistik da Peluag A. Statistik Statistik adalah metode ilmiah yag mempelajari cara pegumpula, peyusua, pegolaha, da aalisis data, serta cara pegambila kesimpula berdasarka data-data tersebut. Data ialah
Lebih terperinciPenyelesaian Asymmetric Travelling Salesman Problem dengan Algoritma Hungarian dan Algoritma Cheapest Insertion Heuristic.
Peyelesaia Asymmetric Travellig Salesma Problem dega Algoritma Hugaria da Algoritma Cheapest Isertio Heuristic Caturiyati Staf Pegaar Jurusa Pedidika Matematika FMIPA UNY E-mail: wcaturiyati@yahoo.com
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciBAB 3 METODE PENELITIAN
Sedagka itegrasi ruas kaa utuk ersamaa (3b) diperoleh ds / = S... (36) Dega demikia pesamaa yag harus dipecahka adalah l 1 1 u u = S (37) Dari ersamaa (37) diperoleh persamaa utuk u u S = exp S 1exp S...
Lebih terperinciIII. METODE PENELITIAN
30 III. METODE PENELITIAN A. Metode Dasar Peelitia Metode yag diguaka dalam peelitia adalah metode deskriptif, yaitu peelitia yag didasarka pada pemecaha masalah-masalah aktual yag ada pada masa sekarag.
Lebih terperinciIII. METODOLOGI PENELITIAN. diinginkan. Menurut Arikunto (1991 : 3) penelitian eksperimen adalah suatu
III. METODOLOGI PENELITIAN A. Metode Peelitia Metode peelitia merupaka suatu cara tertetu yag diguaka utuk meeliti suatu permasalaha sehigga medapatka hasil atau tujua yag diigika. Meurut Arikuto (99 :
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciIII. METODE PENELITIAN. Pembangunan Daerah (BAPPEDA) Provinsi NTB, BPS pusat, dan instansi lain
III. METODE PENELITIAN 3.1 Jeis da Sumber Data Data yag diguaka pada peelitia ii merupaka data sekuder yag diperoleh dari Bada Pusat Statistik (BPS) Provisi NTB, Bada Perecaaa Pembagua Daerah (BAPPEDA)
Lebih terperinciIII. METODELOGI PENELITIAN
III. METODELOGI PENELITIAN A. Metode Peelitia Metode peelitia merupaka suatu cara tertetu yag diguaka utuk meeliti suatu permasalaha sehigga medapatka hasil atau tujua yag diigika, meurut Arikuto (998:73)
Lebih terperinciKombinatorial dan Peluang. Adri Priadana ilkomadri.com
Kombiatorial da Peluag Adri Priadaa ilkomadri.com Pedahulua Sebuah kata-sadi (password) pajagya 6 sampai 8 karakter. Karakter boleh berupa huruf atau agka. Berapa bayak kemugkia kata-sadi yag dapat dibuat?
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
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 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 terperinciPENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES
Jural Matematika UNAND Vol. 3 No. 4 Hal. 52 59 ISSN : 233 29 c Jurusa Matematika FMIPA UNAND PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN
Lebih terperinciPemilihan Ketua BEM Fakultas Teknik UN PGRI Kediri menggunakan Metode ELECTRE
Pemiliha Ketua BEM Fakultas Tekik UN PGRI Kediri megguaka Metode ELECTRE Nalsa Citya Resti Sistem Iformasi, Fakultas Tekik, Uiversitas Nusatara PGRI Kediri E-mail: alsacitya@upkediri.ac.id Abstrak salah
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I
7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3
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 terperincisimulasi selama 4,5 jam. Selama simulasi dijalankan, animasi akan muncul pada dijalankan, ProModel akan menyajikan hasil laporan statistik mengenai
37 Gambar 4-3. Layout Model Awal Sistem Pelayaa Kedai Jamoer F. Aalisis Model Awal Model awal yag telah disusu kemudia disimulasika dega waktu simulasi selama 4,5 jam. Selama simulasi dijalaka, aimasi
Lebih terperinciARTIKEL. Menentukan rumus Jumlah Suatu Deret dengan Operator Beda. Markaban Maret 2015 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN
ARTIKEL Meetuka rumus Jumlah Suatu Deret dega Operator Beda Markaba 191115198801005 Maret 015 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN PUSAT PENGEMBANGAN DAN PEMBERDAYAAN PENDIDIK DAN TENAGA KEPENDIDIKAN
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 terperinciOptimasi Penentuan Rute Terpendek Pengambilan Sampah Menggunakan Multi Travelling Salesman Problem
Jural Pegembaga Tekologi Iformasi da Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 6, Jui 2018, hlm. 2227-2234 http://j-ptiik.ub.ac.id Optimasi Peetua Rute Terpedek Pegambila Sampah Megguaka Multi Travellig
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciBAB 2 TINJAUAN TEORI
BAB 2 TINJAUAN TEORI 2.1 ISTILAH KEENDUDUKAN 2.1.1 eduduk eduduk ialah orag atatu idividu yag tiggal atau meetap pada suatu daerah tertetu dalam jagka waktu yag lama. 2.1.2 ertumbuha eduduk ertumbuha peduduk
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuha Sistem Sebelum melakuka deteksi da trackig obyek dibutuhka peragkat luak yag dapat meujag peelitia. Peragkat keras da luak yag diguaka dapat dilihat pada Tabel
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI MIA SMA Negeri 5
III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas I MIA SMA Negeri 5 Badar Lampug Tahu Pelajara 04-05 yag berjumlah 48 siswa. Siswa tersebut
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciBAB III METODE PENELITIAN
36 BAB III METODE PENELITIAN A. Racaga Peelitia 1. Pedekata Peelitia Peelitia ii megguaka pedekata kuatitatif karea data yag diguaka dalam peelitia ii berupa data agka sebagai alat meetuka suatu keteraga.
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Lokasi da objek peelitia Lokasi peelitia dalam skripsi ii adalah area Kecamata Pademaga, alasa dalam pemiliha lokasi ii karea peulis bertempat tiggal di lokasi tersebut sehigga
Lebih terperinciModul Kuliah statistika
Modul Kuliah statistika Dose: Abdul Jamil, S.Kom., MM SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER MUHAMMADIYAH JAKARTA Bab 2 Populasi da Sampel 2.1 Populasi Populasi merupaka keseluruha pegamata
Lebih terperinciBAB III METODOLOGI PENELITIAN
31 Flowchart Metodologi Peelitia BAB III METODOLOGI PENELITIAN Gambar 31 Flowchart Metodologi Peelitia 18 311 Tahap Idetifikasi da Peelitia Awal Tahap ii merupaka tahap awal utuk melakuka peelitia yag
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 terperinci3. Rangkaian Logika Kombinasional dan Sequensial 3.1. Rangkaian Logika Kombinasional Enkoder
3. Ragkaia Logika Kombiasioal da Sequesial Ragkaia Logika secara garis besar dibagi mejadi dua, yaitu ragkaia logika Kombiasioal da ragkaia logika Sequesial. Ragkaia logika Kombiasioal adalah ragkaia yag
Lebih terperinciII. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel.
II. LANDASAN TEORI Defiisi 2.1 Distribusi Samplig Distribusi samplig adalah distribusi probibilitas dari suatu statistik. Distribusi tergatug dari ukura populasi, ukura sampel da metode memilih sampel.
Lebih terperinciOleh: Yunissa Rara Fahreza Akuntansi Teknologi Sistem Informasi KOMBINATORIAL & PELUANG DISKRIT : PERMUTASI MATEMATIKA DISKRIT
Oleh: Yuissa Rara Fahreza Akutasi Tekologi Sistem Iformasi KOMBINATORIAL & PELUANG DISKRIT : PERMUTASI MATEMATIKA DISKRIT ILUSTRASI 1 Misal ada 3 buah kelereg yag berbeda wara : merah (m), kuig (k) da
Lebih terperinciIII. METODE PENELITIAN. Populasi dalam penelitian ini adalah siswa kelas VIII (delapan) semester ganjil di
4 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah siswa kelas VIII (delapa) semester gajil di SMP Xaverius 4 Badar Lampug tahu ajara 0/0 yag berjumlah siswa terdiri dari
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 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 terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciIV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data
IV METODE PENELITIAN 4.1 Lokasi da waktu Peelitia ii dilakuka di PD Pacet Segar milik Alm Bapak H. Mastur Fuad yag beralamat di Jala Raya Ciherag o 48 Kecamata Cipaas, Kabupate Ciajur, Propisi Jawa Barat.
Lebih terperinciSEBARAN t dan SEBARAN F
SEBARAN t da SEBARAN F 1 Tabel uji t disebut juga tabel t studet. Sebara t pertama kali diperkealka oleh W.S. Gosset pada tahu 1908. Saat itu, Gosset bekerja pada perusahaa bir Irladia yag melarag peerbita
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN
JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PENERIMA JAMKESMAS DI DESA KATERBAN MENGGUNAKAN METODE WEIGHTED PRODUCT SKRIPSI
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PENERIMA JAMKESMAS DI DESA KATERBAN MENGGUNAKAN METODE WEIGHTED PRODUCT SKRIPSI Diajuka Utuk Memeuhi Sebagia Syarat Gua Memperoleh Gelar Sarjaa Komputer (S.Kom) Pada
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Peelitia Peelitia ii megguaka metode peelitia Korelasioal. Peelitia korelasioaal yaitu suatu metode yag meggambarka secara sistematis da obyektif tetag hubuga atara
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 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 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciBAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28
5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.
Lebih terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
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 terperinciBAB III METODE PENELITIAN. objek penelitian yang penulis lakukan adalah Beban Operasional susu dan Profit
BAB III METODE PENELITIAN 3.1 Objek Peelitia Objek peelitia merupaka sasara utuk medapatka suatu data. Jadi, objek peelitia yag peulis lakuka adalah Beba Operasioal susu da Profit Margi (margi laba usaha).
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
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 terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan.
9 III. METODOLOGI PENELITIAN A. Populasi Da Sampel Peelitia ii dilaksaaka di MTs Muhammadiyah Natar Lampug Selata. Populasiya adalah seluruh siswa kelas VIII semester geap MTs Muhammadiyah Natar Tahu Pelajara
Lebih terperinci