Computation Process using Scilab
|
|
- Verawati Indradjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Computaton Process usng Sclab
2 Komputas Proses. Pengenalan Sclab. Bahasa pemrograman dengan Sclab 3. Metoda Numer 4. Aplas Komputas Proses dengan Sclab
3 Introducton Phscal & Mathematcal MODELS Smplfed pcture of REALITY Engneers are smbolc analsts TOOL to solve PROBLEMS Forecastng Controllng Software
4 Language Programme Interactve program Numercal computaton & data vsualzaton
5 Sclab Software grats: OS: Wndows dan Lnu Mrp dengan program Matlab Menu Bar Tool Bar
6 -->r6 r 6. -->luas0.5*%p*r^ luas deff( (out,out, )modul(n,n, ), persamaan Fungs: mendefnsan persamaan (rumus) pada jendela erja -->deff('aluas(r)','a0.5*%p*r^') -->lsluas(3) ls >
7 Perntah membua Jendela Edtor Hasl Dar menu bar: (l) Edtor Atau tean [alt d] Dar Tool bar: (l) Dar Jendela erja: (et) scpad()
8 Perlu d eseus: -->eec('c:\scnum\luasbs.sc');
9 Tps: Cara lebh mudah, dapat dlauan (plh salah satu): Pada menu bar jendela edtor, plh Eecute (Alt) Load nto Sclab Pada menu bar jendela edtor, Ctrl l Pada menu bar jendela erja, plh Fle Eec plh fle ang aan deseus -->eec('c:\sclabc\luasbs.sc') -->functon hslluasbs(r); --> hsl 0.5*%p*r^; -->endfuncton; -->
10 getf() Fungs: mengambl / mengatfan fle *.sc pada suatu fungs ang lan functon Vvolbs(h,r) getf('c:/sclabc/luasbs.sc') 3 Vh*luasbs(r) 4 endfuncton
11 ls fle_dr Fungs: menamplan fle pada dretor fle -->ls c:/scnum ans!volbs.sc!!!!luasbs.sc! --> Apabla fungs atau modul ang aan dgunaan cuup bana,maa penggunaan getf() tda efetf genlb( nama, fle_dr ) Fungs: membangun lbrar dar fungs (*.sc) pada dretor fle -->genlb('lbsbs','c:/scnum')
12 load( fle_dr/lb ) Fungs: memanggl lbrar dar fungs pada dretor fle -->load('c:/scnum/lb')
13 DIFFERENSIASI NUMERIK Persamaan dfferensal merupaan model matemats ang palng serng muncul dalam bdang etenan maupun santf Salah satu penelesaanna dengan metode beda hngga (fnte dfference)
14 Defns turunan (dervatf) ( ) df d f ' ( ) lm f ( ) f ( ) 0 0 Ja h 0 maa pendeatan turunan d atas adalah ( ) f ( ) f ( ) f ( ) f 0 0 f '( 0 ) h d Detahu suatu fungs f (), ngn dcar pada 0. d Penelesaanna dapat menggunaan 3 cara atu :. Forward Dfference (Beda Maju). Bacward Dfference (Beda Mundur) 3. Central Dfference (Beda Pusat)
15 . Metode Beda Maju (Forward Dfference) Beda hngga maju pertama dar pada atau ddefnsan : atau () (h) () Beda maju edua pada atau ddefnsan : atau () (h) (h) () Sehngga penelesaanna bsa dtulsan : d d ( ) atau h d f ( ) f ( ) 0 0 d 0
16 . Metode Beda Mundur (Bacward Dfference) Beda hngga mundur pertama dar pada atau ddefnsan : atau - () () (-h) Beda mundur edua pada atau ddefnsan : atau - - () () (-h) (-h) Sehngga penelesaanna bsa dtulsan : d d ( ) atau h d f ( ) f ( 0 0 d 0 )
17 3. Metode Beda Pusat (Central Dfference) Beda hngga terpusat pertama dar pada atau ddefnsan : atau δ() (/ h) (-/ h) Turunan beda terpusat selanjutna adalah : d d h ( ) ; ( ) d d h d 3 d 3 h 3 ( ) Penelesaanna dapat dtulsan d d h ( ) atau d f ( ) f ( 0 0 d 0 )
18 Dervatf Orde Dua Untu penurunan (dervatf) pangat dua dengan metode beda hngga terpusat dgunaan rumus dengan bentu : d d h ( ) Atau dapat juga dtulsan : d d 0 f ( 0 ) f ( 0 ) f ( 0 )
19 INTEGRASI NUMERIS n Ja ada fungs Y f ()d sedangan f() sult seal 0 untu dntegrasan secara analt, maa cara ang palng mudah adalah dengan mengntegrasanna secara numer f() 0 n- n
20 Dalam perhtungan ntegras numer, luasan d bawah urva aan dubah dalam bentu trapesum, dmana ruang osong merupaan bagan dar esalahan numer Untu mengatas esalahan dlauan dengan cara membag menjad trapesum dengan segmen ang lebh ecl Integras dlauan dengan menggunaan nterval ang sama (homogen) sepanjang batas ntegras dar 0 sampa n Batas/nterval ntegras dbag menjad n nterval ( ) n n 0 Batas nterval dber ndes 0,,,.., n sehngga 0.
21 Penelesaan numer dapat dlauan dengan dua cara, atu Trapezodal Rule n Smpson Rule n n f ()d f ( ) f ( ) f (n) 0 0 f()d 0 3 f( 0 ) 4 n,3,5 f( ) n,4,6 f( ) f( n )
22 AKAR PERSAMAAN (PERSAMAAN NON LINIER) Merupaan bentu persamaan aljabar ang nlana sama dengan nol Untu satu varabel bebas, maa f() 0 Bana dgunaan dalam model etenan maupun sants
23 Metode Penelesaan Aar Persamaan. Metode Pengurungan (bracetng method) Memerluan dua tt sebaga tebaan awal. Metode Terbua (open method) Hana memerluan satu tt sebaga tebaan awal
24 . METODE PENGURUNGAN Dlauan dengan meneba anga a. Metode Bsecton (bag dua) b. Metode Regula Fals (poss palsu) atau Metode Interpolas Lner
25 a. Metode Bsecton (Bag Dua) Merupaan metode ang palng sederhana Dawal dengan meneba dua nla atu nla bawah (sblm aar) a dan nla atas (stlh aar) b Tebaan benar ja f( b ) dan f( a ) mempuna tanda ang berlawanan : f( b ). f( a ) < 0 Ja f( b ). f( a ) > 0 maa tebaan awal dulang Nla edua tebaan dbag dua, dsebut c Nla c aan menggantan poss nla lama. Ja c berada pada poss b dsebut dengan b dan ja berada pada poss a aan dubah menjad a
26 Algortma Bsecton (Bag Dua). Teba aar atas, a dan aar bawah, b. Persa f( a ).f( b )0 stop ddapat harga aar 3. Persa f( a ).f( b )<0, ja tda embal e- 4. Persa rtera penghentan, ja terpenuh stop tuls aar 5. Perraan aar ang dcar c ( a b )/ 6. Evaluas aar c Htung f( c ) a. Ja f( c ).f( a )>0, maa c berada d subnterval bawah Atur a c embal e-4 b. Ja f( c ).f( a )<0, maa c berada d subnterval atas Atur b c embal e-4 c. Ja f( b ).f( c )0, maa ddapat harga aar ang dcar: c selesa
27 b. Metode Regula Fals (Poss Palsu) Merupaan perbaan dar metode bsecton Dlauan dengan menar gars lurus pada edua nterval b dan a Harga c a f f ( )( ) a b a ( ) f ( ) Algortma sama dengan metode bsecton, hana tahapan 5 dgant nla c na b a
28 . METODE TERBUKA Dlauan dengan meneba anga a. Metode Pertemuan Dua Graf b. Metode Newton Raphson c. Metode Secant
29 b. Metode Newton Raphson Mula-mula dperraan harga awal emudan dpotongan thd urva dan dtar gars snggung Garssnggungmerupaantangenatau slope. Slope merupaan turunan pertama dar f( ) sehngga ddapat hubungan : f ( ) ( ) f ' ( ) Persamaan Newton Raphson : f ( ) f '( )
30 Algortma Newton Raphson. Tulsan fungs f(). Car harga f () 3. Masuan tebaan awal 0 4. Masuan parameter penghentan program : Kesalahan relatf perraan E bs Jumlah teras masmum 5. Insalsas harga : teras 0 dan E as. E bs 6. Ja esalahan relatf (E as > E bs ) dan (teras < teras maasmum) maa : a. Harga b. Ce harga E as ter ( ) ( ) c. Iteras teras 7. Ulang 6 sampa onds tercapa 8. Tuls ter aar E as f f ' ter ter ter
31 c. Metode Secant Kelemahan metode Newton Raphson, harus mencar turunan pertama dar fungs f( ) Metode secant untu menghndar turunan pertama dengan turunan numer mundur f ' ( ) f ( ) f ( )
32 Sub Program PERSAMAAN NON LINEAR Sclab menedaan sub program untu menelesaan satu atau beberapa sstem persamaan non lnear secara smultan dengan menggunaan perntah fsolve fsolve(0, persamaan) Contoh : Aan dcar aar persamaan smultan non lnear dar : Kedua persamaan dubah menjad : f f (, ) 0 0 (, ) Persamaan dtuls dalam bentu matr dengan sebaga () dan sebaga ()
33 Contoh : Detahu persamaan Van der Waals untu menggambaran onds gas non-deal : P a V ( V b) RT Htunglah volume molar udara (V) pada 50 atm dan suhu -00 o C ja detahu nla onstanta a.33 atm.lter /gmol, b lter/gmol dan R lter.atm/k.gmol
34 PERSAMAAN DIFERENSIAL. Persamaan Dferensal Basa (ODE), hana terdapat varabel bebas d d d d. Persamaan Dferensal Parsal (PDE), terdapat lebh dar varabel bebas T α T t
35 Persamaan Dferensal Basa (ODE) Berdasaran pangat (Orde) : PDB Orde satu : PDB Orde dua : d d d d 3 d d d PDB Orde tga : a b 3 d d d Berdasaran onds batas : IVP (Intal Value Problems), bla nla varabel ta bebas atau turunanna detahu pada onds nla mula-mula BVP (Boundar Value Problems), bla nla varabel ta bebas atau turunanna detahu lebh dar satu nla varabel bebasna d d
36 Persamaan Dferensal Parsal (PDE) PDE Order satu : PDE Order dua : PDE Order tga : 0 C C α 0 C D C e 0 u u u 3 3
37 Penelesaan Persamaan Dferensal Basa (ODE). Metode Euler (Esplst). Metode Euler Modfas (Implst) 3. Metode Runge-Kutta
38 . Metode Euler (Esplst) Dsebut juga metoda ntegras nla awal d d (, ) Konds awal : ( 0 ) 0 f d f (, )d f (, ) h f (, ) d
39 Perbandngan Analts dengan Metode Euler (Esplst) Persamaan dferensal ang dselesaan: d Dmana 0, (onds awal); a 3, h0.5 d analt euler % slhan
40 Algortma Metode Euler (Esplst). Tentuan 0 dan 0. Tentuan nla awal 0 dan nla ahr a dar varabel bebas 3. Tentuan nla h 4. Insalsas 0 5. Buat persamaan f(,), modul terpsah 6. Vetor ()[ 0, 0 h, 0 h,, a ] 7. Jumlah loop, n( a - 0 )/h 8. Untu 0 sampa n- maa : 9. hf(, ) 0. h. Smpan nla,. Lanjutan
41 . Metode Euler Modfas (Implst) Untu memperecl esalahan Merupaan gabungan antara beda maju dan beda mundur Beda maju pertama dar pada sama dengan beda mundur pertama dar pada sehngga (, ) h f
42 Untu memperba metode Euler, maa metode Euler esplst dgunaan untu mempreds nla ( ) h f (, ) pred Nla preds pada persamaan d atas dgunaan untu mengores metoda mplst ( ) h f,( ) Persamaan d atas dsebut dengan Metode Predtor Koretor atau Metode Heun Kombnas metoda beda maju dan beda mundur dtulsan dalam bentu ( ) or pred ( ) ( ) h f (, ) h f (, ) f pred f corr f pred f corr
43 Perbandngan dengan Analts analt euler % slhan Euler euler-mod % slhan Euler-mod
44 3. Metode Runge-Kutta Merupaan metode untu menelesaan persamaan dferensal dengan eteltan dan establan ang cuup tngg. Sangat umum dgunaan untu menelesaan bentu PDB ba lnear maupun non lnear dengan problema onds awal
45 Bentu penelesaan berdasaran orde (pangat): Orde (pangat) dua: ( ) Dmana nla dar adalah : h f (, ) h f ( h, ) Orde (pangat) tga : ( 3 ) 6 4 Dmananladar adalah : h f (, ) Orde (pangat) empat : Dmananladar adalah : h h f, ; 3 h f ( h, ) h f (, ) h f h, 6 ( ) 3 h f h, 3 ( h, ) 4 h f 3 4
46 Perbandngan dengan Analts analt euler slhan Euler % euler-mod % slhan Eulermod r4 % slhan r
47 Sub Program PDB Sclab menedaan sub program sap paa untu menelesaan persoalan PDB ode (0,t0,t,fungs) Bentu persamaan : d dt fungs Dmana : 0 onds awal dar varabel ta bebas () t0 onds awal dar varabel bebas (t) t batasan smulas dar varabel bebas
48 Persamaan Dferensal Basa Smultan Merupaan seumpulan persamaan dferensal basa ang harus dselesaan secara smultan. d d d d d. n d f f f (,,,..., ) n (,,,..., ) (,,,..., ) n n n
49 Penelesaan dengan menggunaan metode Runge Kutta orde empat, j Dengan nla adalah :, j, j 3, j 4, j hf hf hf hf j j, j 6 ( ) j (,,,..., ) j j ( h,,,..., ), h, h,,,,, 3,,n,,,,,,, j 3,,, 3 j,...,,..., Dmana j,,, n menunjuan nomor persamaanna,n,n,n 4 j 3,n,n,n
50 Jadalamsstemterdapatduapersamaandferensalbasa dengan bentu d d d d f f (,, ) (,, ) Maa penelesaan persamaan dferensal basa tersebut dengan menggunaan metode Runge Kutta orde 4 secara smultan adalah :,,,, 6 6 (,, 3, 4, ) ( ),, 3, 4,
51 dmana : ( ) ( ) ( ) ( ) 3,, 3,, 4, 3,, 3,, 4,,,,, 3,,,,, 3,,,,,,,,,,,,,,,,,, h, hf, h, hf,, h hf,, h hf,, h hf,, h hf,, hf,, hf
52 Aan dselesaan dan dvsualsasan dua buah persamaan dferensal basa sebaga berut : d d d d Dengan onds awal (batas) : 0; 4;
53 Contoh : Dua buah tang ar tersambung secara ser dan salng bernteras. Kecepatan alran eluar merupaan fungs aar uadrat dar etnggan ar, jad untu tang ecepatan alranna adalah h h sedangan untu tang sebaga fungs h. Aan dtentuan etnggan h dan h sebaga fungs watu dar t 0 sampa t 40 ment dengan nterval 4 ment. Setelah dsusun neraca bahan, dperoleh persamaan dferensal smultan sebaga fungs watu : dh dt F β h h A ; h h A dt A h A dh Harga-harga parameter ang ada : β,5 ft,5 /ment β 5/ 6 ft 3 /ment A 5 ft A 0 ft F 5 ft 3 /ment Dengan onds awal pada t 0, h ft dan h 7 ft β β
54 Uap campuran eluar dar ondensor parsal olom destlas ang beroperas pada atm dengan omposs 47% mol ar (), 0% mol asam format () dan ssana methanol (3). Pada ondensor terjad esetmbangan antara uap dan caranna dan berlau persamaan-persamaan berut : K dmana, K o P P dan untu P 0 dperraan dengan persamaan Antone : B Po ep A T C dengan,, 3 dan Perraanlah suhu operas pada operas ondensor (dewpont uap campuran) dalam o C, dengan data onstanta A 8,304 A 6,988 A3 8,50 B 386,4 B 3599,6 B3 3593,4 C -46,3 C -6,09 C3-35,5 P o dalam mmhg dan T dalam Kelvn
PENYELESAIAN SISTEM PERSAMAAN TAK LINIER
PENYELESIN SISTEM PESMN TK LINIE Mater Kulah: Pengantar; Iteras Satu Tt; Iteras Newton # PENGNT # erut n adalah contoh seumpulan buah persamaan ta lner smulta dengan buah varabel ang ta detahu:... ( 57...
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciU JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK
Jurusan Ten Spl dan Lngungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SENIN, 4 JANUARI 23 OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara tda boleh menggunaan omputer untu mengerjaan soal- soal ujan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciCONTOH SOAL #: PENYELESAIAN PERSAMAAN DIFERENSIAL BIASA. dx dengan nilai awal: y = 1 pada x = 0. Penyelesaian: KASUS: INITIAL VALUE PROBLEM (IVP)
PENYELESAIAN PERSAMAAN DIFERENSIAL BIASA KASUS: INITIAL VALUE PROBLEM (IVP) by: st dyar kholsoh Mater Kulah: Pengantar; Metode Euler; Perbakan Metode Euler; Metode Runge-Kutta; Penyelesaan Sstem Persamaan
Lebih terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
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 terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
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 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciKaedah Runge-Kutta. Bab 25
Kaeda Runge-Kutta Bab 5 D ar bab n anda sepatutna: Bole menjelasan gambaran vsual aeda Euler Heun dan tt tenga Faam ubungan antara aeda Euler dan sr Talor dan ralat ang beratan Dapat membezaan ralat (local
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
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 terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciU JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK
U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SENIN, 9 JANUARI OPEN BOOK WAKTU MENIT KLAS B DAN KLAS C PETUNJUK Istarto ttp://starto.staff.ugm.ac. starto@ugm.ac. ) Sauara bole menggunaan omputer untu mengerjaan
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciMETODE NUMERIK. INTERPOLASI Interpolasi Beda Terbagi Newton Interpolasi Lagrange Interpolasi Spline.
METODE NUMERIK INTERPOLASI Interpolas Beda Terbag Newton Interpolas Lagrange Interpolas Splne http://maulana.lecture.ub.ac.d Interpolas n-derajat polnom Tujuan Interpolas berguna untuk menaksr hargaharga
Lebih terperinciPERSAMAAN DIFERENSIAL BIASA
http://starto.sta.ugm.ac.d PERSAMAAN DIFERENSIAL BIASA Ordnar Derental Equatons ODE Persamaan Derensal Basa http://starto.sta.ugm.ac.d Acuan Chapra, S.C., Canale R.P., 990, Numercal Methods or Engneers,
Lebih terperinciPEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Studi Kasus : Metode Secant)
PEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Stud Kasus : Metode Secant) Melda panjatan STMIK Bud Darma, Jln.SM.Raja No.338 Sp.Lmun, Medan Sumatera Utara Jurusan Teknk Informatka e-mal : meldapjt.78@gmal.com
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 terperinciV E K T O R Kompetensi Dasar :
MODUL PEMELJRN I V E K T O R Kompetens Dasar : 1. Mahasswa mampu memaham perbedaan besaran vetor dan salar serta memberan contohcontohna dalam ehdupan sehar-har, 2. Mahasswa mampu melauan operas penumlahan
Lebih terperinciBAB 8 PERSAMAAN DIFERENSIAL BIASA
Maa kulah KOMPUTASI ELEKTRO BAB 8 PERSAMAAN DIFERENSIAL BIASA Persamaan dferensal dapa dbedakan menjad dua macam erganung pada jumlah varabel bebas. Apabla persamaan ersebu mengandung hana sau varabel
Lebih terperinciPRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel
PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan
Lebih terperinciU J I A N A K H I R S E M E S T E R M A T E M A T I K A T E K N I K
Isaro Elevas Jurusan Ten Spl dan Lngungan FT UGM U J I A N A K H I R S E M E S T E R M A T E M A T I K A T E K N I K SABTU JULI OPE N BOOK WAKTU ME NIT PETUNJUK ) Saudara bole menggunaan ompuer unu mengerjaan
Lebih terperinciU JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK
Jurusan Teknk Spl dan Lngkungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SABTU, JULI OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara bole menggunakan komputer untuk mengerjakan soal- soal ujan n. Tabel
Lebih terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 23-32, April 2001, ISSN :
JRNAL MATEMATIKA DAN KOMPTER Vol 4 No 1, 3-3, Aprl 1, ISSN : 141-51 KAJIAN DISKRETISASI DENGAN METODE GALERKIN SEMI DISKRET TERHADAP EFISIENSI SOLSI MODEL RAMBATAN PANAS TANPA SK KONVEKSI Suhartono dan
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
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 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 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 terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciKOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda
KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,
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 terperinciAnalisis Sensitivitas
Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,
Lebih terperinciStudi Perhitungan CCT Menggunakan Metode EEAC (Extended Equal Area Criterion) Dan Trajektori Kritis/ Critical Trajectory Untuk Kestabilan Transien
JURAL TEKIK POITS Vol., o., (0) -6 Stud Perhtungan CCT enggunaan etode EEAC (Extended Equal Area Crteron) Dan Trajetor Krts/ Crtcal Trajectory Untu Kestablan Transen Hardansyah Pratama, Ardyono Pryad,
Lebih terperinciTinjauan Ulang Konsep Mekanika Klasik
Modul 1 Tnauan Ulang Konsep Meana Klas Paen Pandangan, S.S., M.S. P PENDAHULUAN ada Buu Mater Poo (BMP) Meana, Anda sudah mempelaar tentang neta dan dnama suatu sstem ba melalu huum-huum Newton, Lagrange,
Lebih terperinciVLE dari Korelasi nilai K
VLE dar orelas nla Penggunaan utama hubungan kesetmbangan fasa, yatu dalam perancangan proses pemsahan yang bergantung pada kecenderungan zat-zat kma yang dberkan untuk mendstrbuskan dr, terutama dalam
Lebih terperinciIDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER
IDENIFIKASI SISEM NONLINIE DENGAN MENGGUNAKAN ECUEN NEUAL NEOK DAN ALGOIMA DEAD-ZONE KALMAN FILE ully Soelaman, angga fa Faultas enolog Informas Insttut enolog Sepuluh Nopember Kampus Keputh, Suollo, Surabaya
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
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 terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
Lebih terperinciDIKTAT KULIAH ANALISIS NUMERIK ( CIV
DIKTAT KULIAH ANALISIS NUMERIK ( CIV 8 Oleh : Agus Setawan S.T. M.T. PROGRAM STUDI TEKNIK SIPIL FAKULTAS TEKNOLOGI & DESAIN UNIVERSITAS PEMBANGUNAN JAYA TANGERANG SELATAN 6 DAFTAR ISI KATA PENGANTAR DAFTAR
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)
BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
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 terperinciBab 3. Penyusunan Algoritma
Bab 3. Penusunan Algortma on anuwjaa/ 500030 Algortma merupakan penulsan permasalahan ang sedang dsorot dalam bahasa matematk. Algortma dbutuhkan karena komputer hana dapat membaca suatu masalah secara
Lebih terperinciPenerapan Metode Runge-Kutta Orde 4 dalam Analisis Rangkaian RLC
Penerapan Metode Runge-Kutta Orde 4 dalam Analss Rangkaan RLC Rka Favora Gusa JurusanTeknk Elektro,Fakultas Teknk,Unverstas Bangka Beltung rka_favora@yahoo.com ABSTRACT The exstence of nductor and capactor
Lebih terperinciP i KULIAH KE 3 METODA KELOMPOK (COHORT SURVIVAL METHOD) METODE ANALISIS PERENCANAAN - 1 TPL SKS DR. Ir. Ken Martina K, MT.
ROGRAM STUDI ERENCANAAN WILAYAH DAN KOTA METODE ANALISIS ERENCANAAN TL SKS DR Ir Ken Martna K, MT KULIAH KE METODA KELOMOK (COHORT SURVIVAL METHOD) Merupaan salah satu metode proyes pendudu endudu delompoan
Lebih terperinciPENYELESAIAN MASALAH PANAS BALIK (BACKWARD HEAT PROBLEM)
PENYELESAIAN MASALAH PANAS BALIK (BACKWARD HEAT PROBLEM) Rcha Agustnngsh, Drs. Lukman Hanaf, M.Sc. Jurusan Matematka, Fakultas MIPA, Insttut Teknolog Sepuluh Nopember (ITS) Jl. Aref Rahman Hakm, Surabaya
Lebih terperinciReferensi: 1) Smith Van Ness Introduction to Chemical Engineering Thermodynamic, 6th ed. 2) Sandler Chemical, Biochemical adn
Referens: 1) Smth Van Ness. 2001. Introducton to Chemcal Engneerng Thermodynamc, 6th ed. 2) Sandler. 2006. Chemcal, Bochemcal adn Engneerng Thermodynamcs, 4th ed. 3) Prausntz. 1999. Molecular Thermodynamcs
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 terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciBAB IV HASIL ANALISIS
BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan
Lebih terperinciLucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman
Lucas Theorem Untu Mengatur Penympanan Memor yang Lebh Aman Hendra Hadhl Chor (135 8 41) Program Stud Ten Informata ITB Jalan Ganesha 1, Bandung e-mal: hendra_h2c_mathematcan@yahoo.com; f1841@students.f.tb.ac.d
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 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 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 terperinciAnalisis Penyelesaian Persamaan Kuadrat Matriks
Jurnal Matemata, Jurnal Matemata, tatsta tatsta, & Komutas & Komutas Vol. 3 No Vol. Jul No. 6 Jul 5 Vol, No, 9-3, 9-9, Jul 5 9 Analss Penyelesaan Persamaan Kuadrat Matrs Hasmawat dan Amr Kamal Amr Abstra
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 terperinciPERMASALAHAN LOKASI (Model Dasar) [2]
PERMASALAHAN LOKASI Model Dasar [] Technques of Contnuous Space Locaton Probles Medan ethod» Rectlner / Manhattan / Ct bloc dstance Contour-Lne ethod» Constructs regons bounded b counter lne hch provde
Lebih terperinciMedian Method. Types of Distance Rectilinear distance / Manhattan distance / City block distance / rigth-angle distance / rectangular distance
30/05/04 Technques of Contnuous Space Locaton Probles PERMASALAHAN LOKASI Model Dasar [] Medan ethod» Rectlner / Manhattan / Ct bloc dstance Contour-Lne ethod» Constructs regons bounded b counter lne hch
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 terperinciSOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN
SOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN Ita Rahmadayan 1, Syamsudhuha 2, Asmara Karma 2 1 Mahasswa Program Stud S1 Matematka
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 MODUL INJEKTIF
BAB III ODUL INJEKTIF Bab n adalah bab yang palng pentng arena bab n bers mula dar hal-hal dasar mengena modul njet sampa sat-sat stmewanya yang tda dml oleh modul lan yang tda njet, yang merupaan ous
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 terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciU J I A N A K H I R S E M E S T E R M A T E M A T I K A T E K N I K
U J I A N A K H I R S E M E S T E R M A T E M A T I K A T E K N I K SE NIN, 9 JANUAR I OPEN BOO K W AKT U MENIT KLAS B D AN KL AS C PETUNJUK ) Saudara bole menggunaan omputer untu mengerjaan soal-soal
Lebih terperinciPertemuan ke-4 Analisa Terapan: Metode Numerik. 4 Oktober 2012
Pertemuan ke-4 Analsa Terapan: Metode Numerk 4 Oktober Persamaan Non Non--Lner: Metode NewtonNewton-Raphson Dr.Eng. Agus S. Muntohar Metode Newton Newton--Raphson f( f( f( + [, f(] + = α + + f( f ( Gambar
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 III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
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 terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciREGRESI DAN KORELASI. Penduga Kuadrat Terkecil. Penduga b0 dan b1 yang memenuhi kriterium kuadrat terkecil dapat ditemukan dalam dua cara berikut :
BAHAN AJAR EKONOMETRIKA AGUS TRI BASUKI UNIVERSITAS MUHAMMADIYAH YOGYAKARTA REGRESI DAN KORELASI Tujuan metode kuadrat terkecl adalah menemukan nla dugaan b0 dan b yang menghaslkan jumlah kesalahan kuadrat
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 terperinciPENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI
PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION Oleh : SOEMARTINI JURUSAN STATISTIKA FAKULTAS MATEMATIKA dan ILMU PENGETAHUAN ALAM UNIVERSITAS PADJADJARAN JATINANGOR 008 DAFTAR ISI Hal DAFTAR
Lebih terperinciOptimasi Baru Program Linear Multi Objektif Dengan Simplex LP Untuk Perencanaan Produksi
JURNA INFORMATIKA, Vol.4 No.2 September 27, pp. 222~229 ISSN: 2355-6579 E-ISSN: 2528-2247 222 Optmas Baru Program near Mult Objetf Dengan Smplex P Untu Perencanaan Produs Maxs Ary Am BSI Bandung e-mal:
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 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 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 terperinciIntegrasi. Metode Integra. al Reimann
Integras Metode Integra al Remann Metode Integral Trapezoda Metode Integra al Smpson Permasalaan Integras Pertungan ntegral adala pertungan dasar yang dgunakan dalam kalkulus, dalam banyak keperluan. Integral
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN REKUREN PADA IDENTIFIKASI SISTEM NONLINIER DENGAN ALGORITMA OPTIMAL BOUNDED ELLIPSOID
APLIKASI JARINGAN SARAF IRUAN REKUREN PADA IDENIFIKASI SISEM NONLINIER DENGAN ALGORIMA OPIMAL BOUNDED ELLIPSOID Rully Soelaman, Mohammad Azs Efend Faultas enolog Informas, Insttut enolog Sepuluh Nopember
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 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 terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
Lebih terperinci