ANALISA TENTANG PENGARUH PANJANG SINYAL SUARA DATA PRIMER TERHADAP KINERJA SISTEM IDENTIFIKASI PEMBICARA
|
|
- Benny Setiawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ANALISA ENANG PENGARUH PANJANG SINYAL SUARA DAA PRIMER ERHADAP KINERJA SISEM IDENIFIKASI PEMBICARA Nurul Hdayat ) Ars jahyanto ) ) Jurusan Matematka FMIPA Insttut eknolog Sepuluh Nopember ) Jurusan Sstem Informas FIF Insttut eknolog Sepuluh Nopember Kampus IS Sukollo Surabaya 60 ABSRAK Peneltan n mencoba menganalsa pengaruh panjang snyal data prmer yang dolah menggunakan metode estmas trspektrum terhadap knerja sstem pembcara melalu snyal suara yang ducapkan. Proses pengolahan data prmer n dlakukan untuk mendapatkan estmas data magntudo dan fase snyal suara. Pada proses n snyal suara yang berupa sebuah kata yang ducapkan dbag menjad beberapa chunk. Setap chunk destmas kemudan dcar rata-ratanya. Hasl estmas n berupa data magntudo dan fase snyal dsmpan menjad beberapa kategor yakn dsmpan seluruh data separuh data seperempat dan seterusnya. Masngmasng danalsa berdasarkan waktu eksekus estmas jumlah data yang dhaslkan estmas tu dan pengaruhnya terhadap knerja sstem pembcara. Dar beberapa ujcoba menunjukkan bahwa ukuran panjang snyal yang destmas memberkan pengaruh yang cukup sgnfkan terhadap knerja sstem pada seperempat bagan atau yang lebh kecl lag. Lama eksekus proses estmas untuk seperempat seperdelapan dan seperenambelas bagan snyal tdak sampa satu detk. Sedangkan untuk satu bagan snyal membutuhkan semblan detk dan untuk setengah bagan snyal membutuhkan waktu eksekus selama satu detk. Kata kunc : Sstem dentfkas estmas trspektrum.. PENDAHULUAN. Latar Belakang Perkembangan teknolog nformas dewasa n mengalam kemajuan yang sangat pesat khususnya yang berkatan dengan alat-alat elektrons yang serba otomats prakts pemakaannya nyaman memlk portabltas tngg dan harganya terjangkau untuk kalangan menengah atas. Berbaga produk teknolog nformas yang dpasarkan saat n semakn memanjakan konsumen msalnya pesawat telepon yang memlk memory pntu elektrons mesn-mesn sensor robot dan lan-lan. Salah satu bagan pentng untuk dapat memberkan kontrbus terhadap perkembangan teknolog nformas adalah dengan mencptakan atau mengembangkan suatu sstem denttas (mes n) yang ddasarkan pada suara ucapan. Sampa dengan saat n pengembangan sstem suara n sudah banyak dlakukan bak oleh kalangan akadems maupun perusahaan-perusahaan yang memproduks peralatan elektronk namun belum bsa mencapa tngkat knerja yang dharapkan apalag sstem dentfkas yang bersfat real tme khususnya d Indonesa. Oleh karena tu saat n berbaga kalangan salng berlomba melakukan peneltan untuk mengembangkan sstem suara (pembcara) yang memlk knerja tngg dukur dar kemampuan mengdentfkas suara pada suasana tanpa nose maupun dengan nose dan bersfat real tme. Hal yang terpentng untuk membangun sstem dentfkas suara yang bersfat real tme adalah dengan menekan waktu komputas ( run tme) serendah mungkn. Dengan kata lan melakukan analsa tentang pengaruh panjang snyal suara yang dkomputas terhadap knerja sstem. Analsa n dperlukan untuk mendapatkan nformas tentang panjang snyal yang optmal yang harus dkomputas yang relatf tdak menurunkan tngkat dentfkas sstem secara sgnfkan.. Permasalahan Permasalahan yang muncul d dalam melakukan optmalsas panjang snyal ucapan sebuah kata dapat drumuskan sebaga berkut: a) Merumuskan algortma estmas trspektrum terhadap snyal suara X(t) untuk setap bagan pertama subsnyal dar setap panjang snyal (lebar ucapan) -n * (n = 0 ) bagan pertama dar setap sampel snyal X(t). adalah panjang satu bagan penuh dar snyal suara yang ducapkan. 40 Volume Nomor Januar 00 : 40 45
2 b) Mengestmas data prmer dengan panjang snyal -n * (n = 0 ) bagan pertama dar setap sampel snyal X(t). c) Mengmplementaskan dan mengujcoba hasl estmas trspektrum pada sstem dentfkas suara. d) Menganalsa pengaruh panjang snyal suara ucapan terhadap knerja sstem dengan parameter pembandng adalah panjang satu snyal penuh.. ujuan ujuan dar peneltan n adalah untuk mendapatkan nformas tentang panjang optmal snyal suara yang perlu destmas sehngga baya komputas dapat dturunkan sekecl mungkn tetap knerja sstem dentfkas mash tetap tngg. Sebaga pembandngnya untuk mencapa tujuan n adalah hasl estmas panjang snyal satu bagan..4 Ruang Lngkup Peneltan n merupakan tndak lanjut dar beberapa peneltan yang telah penelt lakukan yang menggunakan estmas trspektrum sebaga prapengolahan datanya. Ruang lngkup peneltan melput transformas fourer untuk mendapatkan doman frekwens snyal data prmer estmas dan analss trspektrum mplementas estmas dan ujcoba hasl estmas pada sstem dentfkas suara menggunakan kuantsas skalar sebaga ekstraks crnya dan jarngan syaraf truan propagas balk sebaga pengklasfkas. Semua mplementas n menggunakan Personal Computer (PC) dengan sstem operas Wndows N dan Lnu. adalah dengan memperkecl duras waktu dar snyal (panjang snyal) yang destmas. Sstem yang telah dkembangkan pada [4 8] memlk tngkat ketahanan yang sangat rendah terhadap nose Gaussan adtp. Sedangkan sstem pada [5] walaupun memlk tngkat ketahanan yang lebh tngg (bersfat robust) namun baya komputasnya sangat tngg sebaga akbat penngkatan dmens estmas dan kurangnya memanfaatkan sfat-sfat smetrs yang dmlk trspektrum. Ddasarkan pada sfat robust yang dmlk oleh sstem yang ddasarkan pada analsa trspektrum peneltan n dlanjutkan dengan mencoba menganalsa pengaruh panjang snyal suara pembcara terhadap knerja sstem. Caranya adalah demkan: Panjang satu snyal dar suatu ucapan ddefnskan sebaga duras waktu yang dperlukan untuk mengucapkan satu kata. Msalkan pada duras waktu t panjang snyal suara yang drekam adalah. Pada proses prapengolahan data prmer n mula-mula data yang destmas sepanjang duras waktu t kemudan dlanjutkan beturut-turut sebesar ½ t ¼ t -n t. Jelas bahwa baya komputas akan turun untuk n yang membesar. Hasl dar masng-masng estmas pada proses pengolahan data prmer selanjutnya dkelompokkan menggunakan metode kuantsas skalar untuk mendapatkan skalar pewakl yang nantnya menjad masukan ( nput) pada jarngan syaraf truan propagas balk. Dar beberapa ekspermen yang akan dlakukan pada masng-masng estmas n dharapkan akan dketahu nla optmal dar panjang snyal data prmer yang akan dkomputas tanpa mempengaruh knerja sstem.. INJAUAN PUSAKA. MEODOLOGI Umumnya pengembangan sstem suara dpengaruh oleh tga status pengolahan datanya yakn status pengolahan data prmer (prapengolahan data) pengolahan data untuk mengekstraks cr (kuantsas data) dan pengklasfkas data. Sstem suara yang prapengolahan datanya menggunakan estmas telah dlakukan msalnya yang ddasarkan pada analsa power spectrum [8] bspektrum [4] maupun trspektrum [5] dengan hasl mash jauh dar sempurna; yakn kemampuan dentfkasnya mash dbawah 90%. Dsampng tu ketga sstem n mengabakan baya komputas karena yang menjad target peneltan dar ketga sstem tu adalah kemampuan mengdentfkas. Pada hal semestnya faktor baya komputas n juga perlu dperhtungkan. Sebaga hpotesa untuk menekan baya komputas pada pengembangan sstem suara Metode yang dgunakan dalam peneltan n terdr dar beberapa tahap (Lhat Gambar ): ahap : Akuss data snyal suara (data prmer). Akuss data prmer berupa snyal suara kata maju dlakukan menggunakan Personal Computer (PC) berprosesor pentum perangkat lunak Sound Forge dan Gold Wave. Snyal suara kata maju drekam dar 0 orang berlanan enam berjens kelamn lak-lak dan empat perempuan berusa 5 tahun sampa 50 tahun. Perekaman suara dlakukan pada suasana suny dengan duras waktu untuk setap suara kata maju sektar.8 sampa dengan.0 detk. Hasl perekaman berupa fle-fle *.raw. ahap : Rancangan algortma estmas trspektrum. Algortma estmas trspektrum pada peneltan n menggunakan asums bahwa snyal suara ucapan manusa merupakan snyal ergodk dan bersfat Analsa entang Pengaruh Panjang Snyal Suara Data Prmer erhadap Knerja Sstem 4 Identfkas Pembcara - Nurul Hdayat & Ars jahyanto
3 stasoner. Snyal ergodk adalah suatu snyal dmana nla rata-rata dar beberapa snyal sama dengan nla dar satu snyal. Sedangkan snyal stasoner adalah bahwa nla snyal d suatu ttk waktu tertentu bersfat tetap. ahap : Implementas (codng) dar algortma estmas trspektrum Algortma estmas n dmplementaskan menggunakan bahasa pemrograman C dengan kompler GNU C pada PC yang berbass Lnu. Hasl estmas terhadap snyal suara berupa data magntudo dan fase snyal untuk masngmasng suara ucapan. Untuk data magntudo dsmpan ke dalam fle-fle *.tmg sedangkan data fase dsmpan ke dalam fle *.tph ahap 4: Ujcoba pada Sstem Pada tahap n dlakukan runnng program dan ujcoba hasl estmas pada sstem sebaga proses valdas untuk dgunakan mengalsa dan menentukan panjang snyal data prmer yang optmal. Proses estmas yang dgunakan pada peneltan n menggunakan analss order empat yang dkenal sebaga estmas trspektrum dengan rumus: M ( f f f ) ). * [ X f ). X ( f ). X ( f X ( f f ) ] ( f ( f dmana X ) adalah spektrum Fourer * berduras pada frekwens f dan X ( ) adalah f konyugas kompleks dar X f ) []. ( Akuss data prmer Perancangan algortma estmas Implementas wndow wndow wndow FF FF FF SP SP SP M M M Dlakukan ujcoba pada Sstem M ) 4 ( Gambar. Dagram alr estmas trspektrum snyal suara. Gambar. Dagram metodolog peneltan 4. ESIMASI RISPEKRUM Fokus bahasan peneltan n sesungguhnya terletak pada proses prapengolahan data prmer yakn mengestmas snyal suara untuk mendapatkan data magntudo dan fase snyal suara. Panjang snyal yang destmas dapat bervaras mula dar satu bagan setengah bagan seperempat bagan dan seterusnya. Yang perlu danalsa adalah pengaruh panjang snyal yang destmas n terhadap knerja sstem dentfkas. Hasl yang optmal adalah bla panjang snyal yang destmas pendek yang secara sgnfkan dapat menurunkan waktu eksekus pada proses estmas tetap tdak mempengaruh knerja sstem. Proses estmas trspektrum terhadap snyal suara dapat dlhat pada Gambar. Sedangkan ruang estmasnya berupa setengah kubus dengan jumlah N * N data sebanyak *( N ). Untuk satu bagan snyal N bernla 64. Lhat Gambar. Ada dua pendekatan yang bsa dlakukan untuk menganalsa lebar ucapan n yatu: 4 Volume Nomor Januar 00 : Pendekatan I: Lebar ucapan saat proses estmas d man memory berupa satu snyal penuh tetap yang dsmpan d memor sekunder bervaras mula dar satu bagan ½ bagan ¼ bagan /8 bagan dan /6 bagan. Lhat Gambar 4. Pendekatan kedua n dgunakan mengngat pada estmas terdapat suatu transformas yang bersfat otokorelas pada doman frekwens sehngga supaya tdak kehlangan nformas pada bagan yang destmas. f
4 f Gambar. Ruang estmas trspektrum berupa setengah kubus berukuran. Lebar ucapan: satu snyal () Proses estmas pada peneltan n hanya menggunakan pendekatan I saja. Rancangan algortmanya adalah sebaga berkut: () Snyal suara X(t) dsamplng pada frekuens khz pada duras waktu.8 detk sampa dengan.0 detk mempunya N = 000 *.8 ttk sampel (smpangan). Snyal n dbag menjad K chunk (potongan) yang masng - masng mempunya M ttk sampel. Msalkan masng-masng chunk n dnama dengan = () Setap nla snyal pada masng-masng chunk dmasukkan ke dalam wndow Hammng : cos( u) u d( u) 0 untuk u lannya dengan tujuan untuk mereduks terjadnya frekuens tngg d ttk-ttk perpotongan chunk. () Pada setap chunk dlakukan transformas Fourer menggunakan algortma FF. (4) Untuk masng-masng chunk dlakukan estmas trspektrum menggunakan rumus: M 4 * ( ) X( ). X( ). X( ) X ( ) bagan Gambar 4. Pendekatan I dar estmas trspektrum. Pendekatan II: Pada pendekatan n bagan snyal (lebar ucapan) yang destmas benar - benar dambl bervaras mula dar satu bagan ½ bagan ¼ bagan /8 bagan dan /6 bagan saja. Karena estmas trspektrum n terdapat otokorelas pada doman frekwens maka selang frekwens yang dolah hanya sepertga dar selang yang seharusnya untuk setap bagan snyal yang destmas. Msalkan lebar snyal yang destmas adalah l maka f / bagan f f l f dan f f. Mengngat berasal dar doman yang sama maka f Proses estmas rspektrum (d man memor) Smpan d memor sekunder /4 bagan /8 bagan /6 bagan f f l. Jad dengan pendekatan n ada nformas yang hlang pada bagan yang destmas. Hasl estmas dar masng-masng bagan n kemudan dsmpan d memor sekunder. dmana X () adalah hasl transformas Fourer dar X(t) ( f = frekwens snyal f ). (5) erakhr masng-masng hasl estmas n dcar rata-ratanya yang dsmpan dalam sebuah fle magntude dan sebuah fle fase. Pada proses penympanan nla-nla hasl estmas n dbuat berubah-ubah mengkut rumus -k * bagan pertama dengan k=0 4 dan adalah panjang snyal setap chunk. Panjang n sesungguhnya merepresentaskan satu bagan snyal karena hasl dar proses estmas satu bagan snyal dar sebuah kata maju.estmas trspektrum terhadap snyal dtentukan dengan mengambl rata-ratanya. 5. HASIL PENELIIAN Pada peneltan n proses estmas dlakukan terhadap 5 bagan snyal yakn satu bagan setengah bagan seperempat bagan seperdelapan dan seperenam belas bagan snyal. Hasl estmas n kemudan dlakukan ekstraks cr terhadap masngmasng bagan; dan dlanjutkan proses. Setelah dlakukan beberapa kal ujcoba pada sstem suara maka ddapatkan hasl peneltan sebaga berkut: Analsa entang Pengaruh Panjang Snyal Suara Data Prmer erhadap Knerja Sstem 4 Identfkas Pembcara - Nurul Hdayat & Ars jahyanto
5 abel. Hasl ujcoba pengenalan sstem untuk beberapa bagan snyal hasl estmas. No Bagan snyal yg destmas Waktu Estmas (detk) Jumlah data ngkat pengenalan (%) ½ ¼ / / snyal menjad setengah bagan snyal hampr tdak ada pengaruhnya terhadap knerja sstem. E D C B A 6. PEMBAHASAN Pembahasan atau analss terhadap hasl peneltan n dlakukan dengan menggunakan tga parameter yakn tngkat pengenalan sstem terhadap suara pembcara (prosentase pengenalan) lama eksekus (waktu) saat estmas dan jumlah data magntude dan fase hasl estmas. Krtera yang dgunakan untuk menentukan bagan snyal yang palng bak pada proses estmas adalah tngkat pengenalan yang tngg waktu eksekus rendah dan jumlah data yang kecl. Dar ketga parameter tu tngkat pengenalan sstem merupakan parameter yang palng pentng. Artnya jka tngkat pengenalannya rendah maka parameter lannya menjad tdak berguna. Pada abel tampak bahwa untuk seper-empat bagan snyal atau yang lebh kecl walaupun waktu eksekus proses estmas yang dperlukan mendekat nol detk dan jumlah data yang dhaslkan juga kecl tetap prosentase pengenalan sstem relatf rendah dbandng pada satu bagan snyal. Sedangkan untuk setengah bagan snyal prosentase pengenalannya hampr sama dengan satu bagan snyal atau hanya mengalam penurunan sebesar 05% saja. Waktu eksekus estmas untuk setengah bagan n jauh lebh cepat atau terjad penurunan sebesar 8889% dan jumlah data yang dhaslkan mengalam penurunan yang cukup sgnfkan yakn sebesar 87%. Berkut n nformas tentang pengaruh panjang snyal (bagan snyal yang destmas) berturut-turut terhadap knerja sstem. Perhtungan graden pada setap segmen gars dmaksudkan untuk melhat pengaruh yang sgnfkan akbat panjang snyal yang destmas dperkecl mula dar satu bagan penuh sampa dengan /6 bagan saja. Pada Gambar 5 tampak bahwa graden terkecl terjad pada segmen gars BA yatu sebesar 0.5. In berart bahwa pengaruh panjang yang destmas dar satu bagan Gambar 5. Pengaruh lebar ucapan data prmer (suara) terhadap knerja sstem Walaupun untuk panjang snyal yang destmas dar setengah bagan menjad seperempat bagan terjad penurunan jumlah data maupun waktu estmas tetap untuk bagan n terjad penurunan knerja sstem yang cukup sgnfkan sehngga lebar ucapan seperempat bagan maupun yang lebh kecl lag menjad tdak berart. 7. KESIMPULAN Setelah melakuan peneltan n maka dapat dtark kesmpulan bahwa panjang snyal yang optmal yang perlu destmas adalah setengah bagan saja. Dbandng panjang snyal satu bagan estmas terhadap panjang snyal setengah bagan n dapat menurunkan waktu estmas dan jumlah data hasl estmas dengan prosentase penurunan berturut-turut mencapa 88.99% dan 87.%. Sedangkan knerja sstem hanya turun sebesar 0.58%. DAFAR PUSAKA [] Brgham E. O. [988] he Fast Fourer ransform and Its Applcatons Prentce-Hall Internatonal Inc.. [] Chester M. [99] Neural Networks : a tutoral Prentce-Hall Internatonal edton. [] Fanany Mohammad I. Kusumoputro Benyamn [998] Metode Kuantsas pada Data Bspektrum untuk Pembcara Menggunakan Jarngan Syaraf ruan Makalah Program Stud Ilmu Komputer Pascasarjana UI. [4] Fanany Mohamad I. [998] Bspectrum Pattern Analyss and Quantzaton to Speaker 44 Volume Nomor Januar 00 : 40 45
6 Identfcaton hess Program Stud Ilmu Komputer UI. [5] Hdayat Nurul [999] Pengembangan Sstem Pengenal Suara Menggunakan Metode Estmas rspektrum dan Kuantsas Skalar hess Program Stud Ilmu Komputer UI. [6] Nkas Chrysostomos L. Petropuou Athna P. [99] Hgher-Order Spectra Analyss : a nonlner sgnal processng framework Prentce-Hall Internatonal edton. [7] Nkas Chrysostomos L. [July 987] Bspectrum Estmaton : A Dgtal Sgnal Processng Framework Proceedng of he IEEE Vol. 75 No. 7. [8] Supryono Ipon [998] Penggunaan Sstem Penentu Lebar Ucapan Penyarng Snyal dan Proses Flter Bank pada Prapengolahan Sstem Pengenal Kata Jarngan Neural Buatan dengan Metode Propagas Balk Skrps Faslkom UI. [9] [Sept 997] Speaker Recognton : A utoral Proceedng of the IEEE Vol. 85 No.9. [0] rono Ad [000] Ekstraks Cr Pada Data Suara Menggunakan Spektra Orde ngg Dan Kuantsas Vektor Untuk Pembcara Menggunakan Jarngan Neural Buatan hess Program Stud Ilmu Komputer UI. Analsa entang Pengaruh Panjang Snyal Suara Data Prmer erhadap Knerja Sstem 45 Identfkas Pembcara - Nurul Hdayat & Ars jahyanto
BAB 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. 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 terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
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 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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
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 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 I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Ctra dgtal merupakan ctra hasl dgtalsas yang dapat dolah pada suatu komputer dgtal [12]. Ctra dgtal tersusun atas sejumlah elemen. Elemen-elemen yang menyusun ctra
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 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 terperinciUKURAN LOKASI, VARIASI & BENTUK KURVA
UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
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 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 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 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 terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
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 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
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 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 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 terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
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 III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
I ENDHULUN. Latar elakang Mengambl keputusan secara aktf memberkan suatu tngkat pengendalan atas kehdupan spengambl keputusan. lhan-plhan yang dambl sebenarnya membantu dalam penentuan masa depan. Namun
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciHUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT
HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT ABSTRAK STEVANY HANALYNA DETHAN Fakultas Ekonom Unv. Mahasaraswat Mataram e-mal : stevany.hanalyna.dethan@gmal.com
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
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 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 terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
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 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 terperinciBOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL
BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL Analss sumbangan sektor-sektor ekonom d Bal terhadap pembangunan ekonom nasonal bertujuan untuk mengetahu bagamana pertumbuhan dan
Lebih terperinciPERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT
BIAStatstcs (05) Vol. 9, No., hal. -7 PERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT Faula Arna Jurusan Teknk Industr, Unverstas Sultan Ageng Trtayasa Banten Emal : faulaarna@yahoo.com
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 terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciBAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
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 III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
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 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 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 terperinciPROSEDUR MENGGUNAKAN STRATIFIED RANDOM SAMPLING METHOD DALAM MENGESTIMASI PARAMETER POPULASI
JEMI, Vol 1, No 1, Desember 2010 PROSEDUR MENGGUNAKAN STRATIFIED RANDOM SAMPLING METHOD DALAM MENGESTIMASI PARAMETER POPULASI Des Rahmatna, SPd, MSc (Unverstas Martm Raja Al Haj) ABSTRAKSI Peneltan n dmaksudkan
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 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 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 terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
Lebih terperinciBAB II DASAR TEORI DAN METODE
BAB II DASAR TEORI DAN METODE 2.1 Teknk Pengukuran Teknolog yang dapat dgunakan untuk mengukur konsentras sedmen tersuspens yatu mekank (trap sampler, bottle sampler), optk (optcal beam transmssometer,
Lebih terperinciBAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
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 terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciKORELASI DAN REGRESI LINIER. Debrina Puspita Andriani /
KORELASI DAN REGRESI LINIER 9 Debrna Puspta Andran www. E-mal : debrna.ub@gmal.com / debrna@ub.ac.d 2 Outlne 3 Perbedaan mendasar antara korelas dan regres? KORELASI Korelas hanya menunjukkan sekedar hubungan.
Lebih terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
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 terperinciPENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI
PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI Reky Stenly Wndah Dosen Jurusan Teknk Spl Fakultas Teknk Unverstas Sam Ratulang Manado ABSTRAK Pada bangunan tngg,
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
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 terperinciSUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD
SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya
Lebih terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.. KERANGKA ANALISIS Kerangka analss merupakan urutan dar tahapan pekerjaan sebaga acuan untuk mendapatkan hasl yang dharapkan sesua tujuan akhr dar kajan n, berkut kerangka
Lebih terperinciEVALUASI TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN FIRST ORDER CONFIGURAL FREQUENCY ANALYSIS
EVALUASI TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN FIRST ORDER CONFIGURAL FREQUENCY ANALYSIS Resa Septan Pontoh Departemen Statstka Unverstas Padjadjaran resa.septan@unpad.ac.d ABSTRAK.
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
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 terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
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 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 terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
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. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Menghadap era globalsas yang penuh tantangan, aparatur negara dtuntut untuk dapat memberkan pelayanan yang berorentas pada kebutuhan masyarakat dalam pemberan pelayanan
Lebih terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciBab 2 AKAR-AKAR PERSAMAAN
Analsa Numerk Bahan Matrkulas Bab AKAR-AKAR PERSAMAAN Pada kulah n akan dpelajar beberapa metode untuk mencar akar-akar dar suatu persamaan yang kontnu. Untuk persamaan polnomal derajat, persamaannya dapat
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
PENDAHULUAN Latar Belakang Pada saat n penamplan nformas dalam bentuk ctra semakn banyak dbutuhkan Hal n tdak lepas dar karakterstk ctra yang cenderung mudah dpaham Surat kabar, televs, dan stus web d
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
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 terperinci