BAB II TEORI PERFORMANSI SISTEM

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB II TEORI PERFORMANSI SISTEM"

Transkripsi

1 BAB II TEORI PERFORMANSI SISTEM 2. Konse Dasar dan Uuran Performans Konfguras dar elemen-elemen ada sstem omuter yang berhubungan dengan erformans sstem harus memenuh suatu uuran yang dtetaan. Ada banya emungnan emlhan enguuran erformans, dantaranya adalah uuran systemorented atau user-orented [4]. Uuran system-orented berhubungan dengan onse throughut dan utlsas. Throughut ddefnsan sebaga jumlah rata-rata request seert transas, roses, elanggan, job, dan lan-lan, yang droses er satuan watu. Utlsas meruaan suatu uuran ersentase watu, dmana resource sbu. Sedangan untu uuran erformans user-orented, yatu resonse tme atau turnaround tme. Resonse tme dan turnaround tme berhubungan dengan cara andang sstem terhada watu yang dgunaan ada saat user memula sebuah job ada sstem, sama ada saat job tesebut memberan jawaban, atau balasan yang dembalan e user. Konse dasar yang dbutuhan dalam melauan analss erformans sstem omuter, djelasan seert berut. 2.. atu atu meruaan onse yang sangat mendasar dar semua uuran erformans omuter, sehngga dsebut dengan zeroth-order erformance metrc [5]. Dalam ontes analss erformans omuter, watu dgunaan ada banya metr, seert servce tme, resonse tme, round-tr tme, memory latency, dan lan-lan. Sstem omuter menggunaan onse nterval watu yang teta. Interval n mewal frame watu yang terbatas ada cloc dar sstem omuter. Cloc dar sstem omuter atau cycle tme duur dalam nanodet ( -9 det). Contohnya, rocessor.5-ghz, menunjuan bahwa rocessor tersebut meml cloc cycle setar.67 nanodet, atau det. Untu mengetahu seberaa ceat data dan

2 nstrus daat drm dar erangat luar e nternal memor utama, dan seberaa ceat memor utama daat mengrm nformas, dan nstrus e rocessor, duur dengan CPU seed [4] Event atu meruaan suatu uuran yang entng, teta watu berguna ja meml suatu cara untu menggunaannya dalam enguuran yang teat. Dalam sstem omuter, suatu event menggambaran suatu enttas dalam sebuah sstem, yang umumnya mewal suatu tndaan, sebaga contoh, ermulaan suatu cloc cycle (Gambar 2.) atau ahr dar cloc cycle. Permulaan dar sebuah cycle yang mengeseus nstrus omuter, ahr cycle, membaca suatu loas memor, ermulaan engrman sebuah blo data dar erangat enymanan seunder, dan ermulaan sebuah roses atau tas, juga meruaan sebuah event. atu Gambar 2. Contoh dar sebuah cloc omuter [4] Interval Penguuran membutuhan suatu doman atau envronment, dmana ada sstem omuter, envronment meruaan cloc sstem dan cycle untu mengeseus nstrus. Untu menguur tem-tem n, maa derluan nterval eeus. Interval meruaan suatu eroda watu yang membatas antara awal dar serangaan event dan ahr dar serangaan event (Gambar 2.2).

3 Gambar 2.2 Contoh Interval [4]. Pada Gambar 2.2, terlhat bahwa nterval I terdr dar tme tag event esatu dan tme tag event edua. Interval dgunaan untu menguur eroda eseus dar serangaan event, atau eroda watu antara eseus (Gambar 2.2 nterval 2). Dua nterval adalah sama, ja mereresentasan serangaan event yang sama (salng berhubungan) dan nterval watu antara event adalah evalen. Dua nterval yang mereresentasan dua rangaan event berbeda yang tersah, daat juga meml nterval yang evalen, teta tda berhubungan Resonse Resonse meruaan onse yang entng dalam erformans sstem omuter. Resonse tme meruaan nterval watu yang dmula ada saat suatu request datang e sebuah sstem, sama request tersebut menyelesaan layanan, dan mennggalan sstem [4,5]. Kurva ada Gambar 2.3, menunjuan hubungan antara resonse tme dengan load sstem. Interretas dar urva n adalah suatu cara untu mengevaluas sstem. Pada Gambar 2.3 terlhat bahwa resonse tme dar serangaan event yang duur, teta dalam range yang daat dtolerans (antara. dan.3) untu load d bawah rara 6 ersen dar aastas sstem yang duur. Pada saat load menngat d atas tt n, maa resonse tme aan menngat secara esonensal mencaa level saturas ada saat sstem dber load enuh, sehngga menghaslan suatu asymtotc resonse tme yang mendeat ta terbatas.

4 Gambar 2.3 Resonse tme vs load sstem [4] Indeendence Konse entng lannya dalam memodelan dan menganalss erformans adalah ndeendence. Suatu event bebas dar event yang lan, ja ejadan dar salah satu event tda memengaruh outcome yang lan. Sebaga contoh, lemaran on dan dut dengan lemaran mata dadu, adalah bebas, arena lemaran on tda meml engaruh ada outcome. Indeendence event dalam sstem meruaan onse entng untu mengevaluas sstem. Ja 2 event ndeendent, maa tda erlu memertmbangannya dalam engujan resonse tme terhada yang lan dan envronment-nya. Pada suatu sstem omuter, dua rogram yang tda daat berjalan secara bersamaan dengan yang lan daat dandang sebaga tem yang bebas, dan danalss secara bebas. Bahan, mes edua rogram tersebut berjalan ada hardware yang sama, dan mengunaan sstem oeras yang sama, arena edua rogram tersebut tda daat mengganggu satu sama lan, dan tda tergantung ada hubungan urutan, sehngga daat devaluas secara tersah. Hal n menjad bagan entng untu memodelan dan menganalss sstem, untu menentuan semua elemen dan hubungannya masng-masng.

5 2..6 Randomness Randomness meruaan suatu roert dar sebuah event dan emunculannya. Ja sebuah event adalah random, maa dnyataan bahwa tda ada suatu ola yang daat detaan atas event tersebut, untu menentuan aan event tersebut aan terjad lag. Randomness meruaan suatu onse matemats. Dmana suatu blangan random berasal dar random nfnte source. Pada ratenya, randomness meruaan serangaan dar blangan yang terbatas, dan salah satunya dbangtan secara aca. Sebaga contoh, melemar mata dadu, dmana sebelum dlemar, tda daat detahu anga mana yang aan muncul; teta setelah dlemar hanya ada satu outcome yang dhaslan. Pada sebuah sstem omuter, event dsebaban oleh sumber esternal (msalnya, eneanan tombol eyboard oleh user, angglan jara jauh e server) daat dandang sebaga random event. Sehngga, edatangan event tersebut tda daat dreds orloads orload mereresentasan suatu elemen yang sangat entng dalam masalah ermodelan sstem omuter. orload atau load menunjuan suatu event atau serangaan event yang ada dalam sstem untu memodelan sstem. Load mereresentasan beraa banya dar serangaan event yang dberan, deseus selama eroda watu yang dberan. Sebaga contoh, jumlah nstrus er det dan gabungan dar jens-jens nstrus untu suatu eseus er det. Parameter-arameter worload mengndasan jumlah dar transas, request, roses, customer atau job, yang bersang untu mendaatan suatu resource dalam sebuah sstem. Model dengan transacton worload dhubungan dengan elas oen model, arena jumlah edatangan customer adalah tda terbatas, sedangan model batch dan termnal worload, dhubungan dengan elas closed model, arena

6 customer hanya bersulas d dalam sstem. Masng-masng dar elas worload n dbedaan sebaga berut [3,4,5].. Transacton worload, meml ntenstas yang dtetaan dengan sebuah arameter arrval rate, yang mengndasan eceatan request (customer) yang datang. Transacton worload dgunaan ada saat jumlah user tda detahu. Poulas yang efetf membuat request daat dandang tda terbatas, arena eceatan request yang datang e suatu antran, tda dengaruh oleh jumlah request yang ada dalam sstem, ba yang dlayan atau yang menunggu layanan. Request yang sudah menyelesaan layanan, aan mennggalan sstem. 2. Batch worload, meml ntenstas yang dtetaan dengan arameter M, yang mengndasan jumlah rata-rata job (customer) yang atf. Tujuan dar batch worload adalah untu memasmalan utlsas watu rocessor atau I/O, sehngga daat selesa dalam watu yang dtetaan atau denal dengan batch wndow. Karena roses batch tda melbatan seta delay dar nteras user, maa arameter thn tme tda daat dgunaan. 3. Termnal worload, meml ntenstas yang dtetaan dengan 2 arameter yatu M yang mengndasan jumlah termnal (customer) yang atf, dan Z yang mengndasan anjang rata-rata watu dmana customer menggunaan termnal (thn tme) dantara nteras. 2.2 Dstrbus atu Dstrbus watu yang aan djelasan ada subbab n, adalah dstrbus Posson dan dstrbus esonensal, arena dalam eneltan n dgunaan asums Marovan. [4, 5] 2.2. Dstrbus Posson Dstrbus Posson dgunaan untu mereresentasan ejadan dsrt yang terjad secara aca dalam watu ontnyu t. Contoh ejadannya adalah jumlah edatangan angglan teleon e suatu sentral atau jumlah elanggan yang memasu ban, dalam nterval watu tertentu, t T. Peroda T dbag menjad nterval dalam jumlah besar N. Ja events terjad ada eceatan teta, robabltas dmana ada n events dalam eroda T dnyataan

7 dengan hasl eralan dar robabltas dmana ada satu event ada seta n nterval dengan lebar T/N, robabltas watu dmana tda ada events dalam ssa nterval N n: n T N! T Pr( n event) lm (2.2.3.) N N n!( N n)! N N n Probablty densty functon (PDF) adalah : ( t) n t f ( n, t) e, n,2,... n! ( ) Persamaan ( ) dsebut dsrt robablty mass functon (PMF), ada saat random varable adalah dsrt. Dar ersamaan n, maa robabltas tda ada event selama eroda T adalah: f t e t (, ) ( ) Dengan ata lan, dstrbus dar nterval watu adalah esonensal. Hal n meruaan dasar hubungan antara dstrbus Posson dan esonensal. Ja jumlah events adalah dstrbus osson, maa nterval watu antara event adalah dstrbus esonensal. Karena, ja edatangan e sebuah antran dhaslan oleh roses Posson, maa watu nterarrval meruaan dstrbus esonensal. Cumulatve dstrbuton functon (CDF) adalah : n F( n, t) f (, t) ( ) Dalam batasan dmana jumlah menjad tda terbatas, maa endeatan yang berhubungan dengan fungs ontnyu e t dan ersamaan ( ) menjad: f (, t) t e e t ( ) Rata-rata dan varance dar dstrbus Posson adalah dent dengan ersamaan ( ). E(n) t, V ar(n) t. ( )

8 2.2.2 Dstrbus Esonensal [4][5] Dstrbus esonensal meml sfat Marovan, yatu state dmana robabltas ejadan dar suatu event, adalah sama seal bebas dar esermen sebelumnya. Karaterst n juga dsebut dengan sfat memoryless. Persamaan untu dstrbus esonensal adalah : e f ( x) x x > x < Graf dar urva esonensal dtunjuan ada Gambar 2.4. (2.2.4.) Gambar 2.4 Kurva dstrbus esonensal [4]. Gambar 2.5 Esonensal densty dan fungs dstrbus [4].

9 Dengan rata-rata / dan varance / 2, maa fungs dstrbus esonensal dnyataan sebaga berut: e f ( x) x x x < ( ) Fungs denstas (x) esonensal dan fungs dstrbus f(x) dtunjuan ada Gambar 2.5 untu nla arameter. Dstbus esonensal serng dgunaan dalam analss erformans omuter, untu mengaratersas watu nterarrval dan servce tme. 2.3 Teor Antran Teor antran meruaan suatu cabang dar teor robabltas teraan, dmana alasnya mencau bdang yang berbeda seert jarngan omunas, sstem omuter, dan lan-lan. Subje dar teor antran daat dgambaran sebaga suatu servce center dan suatu oulas dar customers, dmana ada suatu watu masu e servce center untu memeroleh layanan. Kasus yang serng terjad adalah servce center hanya daat melayan customer dalam jumlah terbatas. Ja customer yang baru datang, mendaat layanan enuh, maa customer aan masu e watng lne dan menunggu sama fasltas layanan menjad terseda. Sehngga, daat ddentfas 3 elemen utama dar suatu servce center yatu oulas customer, fasltas layanan dan watng lne. Sehngga Antran meruaan suatu aradgma untu menggambaran sebuah watng lne atau buffer [6]. Sebagan besar dar sstem nyata daat dbag menjad omonen-omonen yang daat dmodelan dengan onse antran. Ide dasar dar onse n dambl dar engalaman sehar-har, msalnya antran ada asr d suermaret. Sebuah antran terdr dar sebuah sstem, dmana terdaat user yang membutuhan layanan sstem ada nterval watu tertentu, dan mennggalan sstem. Dmana user dlayan dalam sstem oleh satu atau banya servce center [7].

10 Gambar 2.6, memerlhatan suatu sstem dengan satu servce center, dan Gambar 2.7 menunjuan suatu sstem dengan beberaa servce center yang dent dan aralel. Dmana customer datang ada suatu servce center, menunggu dalam antran ja tda ada server yang terseda, emudan menerma layanan dar server dan mennggalan sstem. Gambar 2.6 Antran dengan servce center tunggal [7, 8]. Buffer Antran Server Kedatangan Customer Buffer Antran Server 2 Keberangatan Customer Server N Buffer Antran Gambar 2.7 Antran dengan beberaa servce center aralel [7, [8]. 2.4 Model Jarngan Antran Jarngan antran meruaan suatu jarngan yang dhubungan dengan suatu antran, yang daat menggambaran suatu sstem omuter. Antran dalam jarngan antran n daat terdr dar; sebuah resource atau beberaa resource (msalnya CPU, ds dan lan-lan), dan antran dar request yang menunggu untu menggunaan resource. Jarngan antran meruaan umulan dar servce center yang mewal resource sstem, dan customer atau request yang mewal user atau transas. Pada model jarngan antran dengan servce center tunggal seert ada Gambar 2.6, meml 2 arameter. Pertama adalah menentuan ntenstas worload, edua adalah

11 menentuan servce demand [3], yatu rata-rata layanan yang dbutuhan oleh seorang customer. Dengan menetaan nla dar edua arameter n, maa daat dgunaan untu mengevaluas model dengan menyelesaan beberaa ersamaan, yang menghaslan uuran-uuran nerja seert utlsas (uuran watu server sbu), resdence tme (rata-rata watu yang dbutuhan ada servce center untu satu customer, ba eta menunggu atau menerma layanan), queue length (rata-rata jumlah customer ada servce center yang menunggu layanan) dan throughut (eceatan dmana customer mennggalan sercve center). Sedangan ada model dmana terdaat beberaa servce center, seert Gambar 2.7, sama dengan arameter ada model servce center tunggal, yatu menentuan ntenstas worload, yang meruaan eceatan dar edatangan customer dan menentuan servce demand, teta ada servce demand, dtetaan untu seta servce center. Intenstas worload ada model n, berhubungan dengan eceatan user memberan sebuah transas e sstem, dan servce demand ada seta servce center berhubungan dengan ebutuhan total layanan er transas, yang berhubungan dengan resource dalam sstem. Pada sstem n customer datang, beredar dantara servce center, dan emudan eluar. 2.5 Huum-Huum Dasar Performans Pada subbab n, djelasan sejumlah uanttas yang entng dan derenalan notas-notas yang aan dgunaan untu uanttas n, memeroleh berbaga hubungan aljabar antara uanttas n, dan denal dengan Fundamental Laws [3,5,6,7,8] Huum Utlsas Gambar 2.8 menunjuan servce center tunggal, yang dlhat sebaga antran resource tungal, sehngga utlsas (U ) dar resource ddefensan sebaga ersentase watu dmana resource sbu. Ja antran tersebut dmontor selama τ det, dan menemuan resource sbu selama B det, maa deroleh utlsas, B U. Dasumsan bahwa selama nterval τ yang sama, C transas telah τ selesa dar antran. Hal n berart bahwa rata-rata throughut dar antran adalah

12 C X. Dengan menggabungan hubungan rata-rata throughut n dengan τ defens utlsas, maa deroleh ersamaan (2.5..). B B X U τ C S X (2.5..) Persamaan (2.5..) d atas menyataan bahwa rata-rata watu resource sbu er transas, meruaan rata-rata servce tme (S ) er transas, yang deroleh dar total watu resource sbu (B ), dbag dengan jumlah transas yang dlayan selama eroda watu yang dmontor. Pada onds equlbrum, X, dan servce tme S, maa deroleh ersamaan (2.5..2). U S X S (2.5..2) Utlsas daat juga dnterretasan sebaga jumlah rata-rata transas dalam resource, arena ada satu transas yang menggunaan resource selama U ersen watu dan nol transas selama (- U ) ersen watu. Untu asus multle servce center seert yang dtunjuan ada Gambar 2.9, yang meml banya antran resource, maa utlsas ddefensan sebaga jumlah ratarata transas yang menggunaan suatu resource, dan dnormalsasan dengan jumlah resource, maa deroleh ersamaan (2.5..3) untu utlsas dar antran m resource. U X S (2.5..3) m Huum Forced Flow Dengan defens dar rata-rata jumlah unjungan V, dmana seta enyelesaan transas harus melalu V al, ada rata-rata, dar antran. Sehngga, ja X transas selesa er satuan watu, maa V X transas aan mengunjung antran

13 er satuan watu. Sehngga, deroleh ersamaan (2.5.2.) untu rata-rata throughut dar antran. X V X. (2.5.2.) Persamaan (2.5.2.) d atas denal dengan huum Forced Flow Huum Servce Demand Total watu yang dbutuhan oleh sebuah request ada suatu server daat dbag menjad 2 jens nterval; yatu servce tme dan watng tme. Servce tme (S ), meruaan eroda watu selama request menerma layanan dar suatu resource (msalnya, CPU dan ds). Sedangan watu yang dbutuhan oleh sebuah request untu menunggu mendaatan layanan dar resource, dsebut dengan watng tme ( ). Jumlah dar servce tme ( S ), untu sebuah request ada resource, dalan dengan rata-rata jumlah unjungan ( V ) dsebut dengan servce demand dan dlambangan dengan (D ), sehngga deroleh ersamaan (2.5.3.). D V S (2.5.3.) Dengan ersamaan (2.5.3.) d atas, ja dhubungaan dengan throughut dan utlsas sstem, dan menggabungan huum Utlsas dengan Forced Flow, maa deroleh ersamaan ( ). X U U D V S X X ( ) X

14 2.5.4 Huum Lttle s Gambar 2.8 Kota Lttle s [5]. Kota ada Gambar 2.8 d atas, daat bers aa saja, contoh yang alng sederhana adalah ds, atau yang omles adalah nternet. Dasumsan bahwa customer datang e blac box tersebut menggunaan rata-rata R det dalam blac box, dan emudan mennggalan blac box tersebut. Rata-rata eceatan eberangatan yatu throughut dar blac box adalah X customer/det dan jumlah rata-rata customer dalam blac box adalah N. τ Gambar 2.9 Graf hubungan n(t) terhada t [5]. Pada Gambar 2.9 terlhat sebuah graf jumlah customer n(t) d dalam blac box ada watu t. Msalan, alran customer dmula dar watu sama watu τ. Maa, jumlah rata-rata customer selama nterval tersebut adalah sama dengan jumlah semua hasl eralan dar f, dmana meruaan jumlah customer dalam blac

15 box, dan f meruaan ersentase watu dmana customer ada dalam blac box. r f, dmana r τ adalah total watu dmana ada customer dalam blac box. Sehngga deroleh ersamaan (2.5.4.). N r f (2.5.4.) τ Dengan mengalan dan membag ss bagan anan dar ersamaan (2.5.4.) dengan jumlah customer C, maa deroleh ersamaan ( ) untu eberangatan dar blac box dalam nterval [,τ ]. N C r τ C ( ) C meruaan throughut X, maa ersamaan ( ) d atas menjad jumlah total τ customer (customer det) yang daumulas dalam sstem. Ja dbag jumlah n dengan jumlah total customer C yang selesa, maa deroleh rata-rata watu R, seta customer dalam blac box, sehngga deroleh ersamaan ( ). N X R ( ) Ja huum Lttle s n dalasan untu seumulan m resource, maa deroleh ersamaan ( ). N X R ( ) [3, 5] 2.6 Inut Parameter Performans Model Inut Parameter untu erformans model menggambaran onfguras hardware, software dan worload sstem. Parameter-arameter n terdr dar 4 elomo nformas, yatu sebaga berut:. queue atau devce, 2. elas worload,

16 3. ntenstas worload, 4. servce demand Queue atau devce Langah ertama dalam menentuan nut arameter yatu menentuan antran untu membangun sebuah model, dmana dlh antran yang relevan untu erformans model, dan menentuan omonen-omonen untu erformans model. Sebaga contoh, suatu model untu sstem terdstrbus terdr dar fle server dan worstaton yang dhubungan melalu LAN. Dalam contoh n, sstem dgambaran dengan sebuah model jarngan antran oen yang terdr dar 3 antran, yatu satu rocessor dan 2 ds. orstaton dgambaran dengan eceatan edatangan request yang read /wrte, dan dhaslan oleh worstaton Kelas orload Langah edua dalam menentuan nut arameter untu erformans model adalah menentuan te elas worload. Tergantung ada cara suatu elas dlhat oleh sstem, dan dar jumlah customer dalam sstem aaah ta terbatas, atau dalam jumlah yang teta, maa elas worload daat dlasfasan menjad oen dan closed. Pada elas oen, jumlah customer atau request dalam sstem adalah tda terbatas. Dmana, customer datang, menggunaan berbaga resource, dan emudan mennggalan sstem. Sedangan ada elas closed, meml jumlah request atau customer yang teta. Teta teradang suatu sstem daat terdr dar gabungan dar elas oen dan closed, dan dsebut dengan mxed queueng networ model Intenstas orload Parameter-arameter worload mengndasan jumlah dar transas, request, roses, customer atau job, yang bersang untu mendaatan suatu resource dalam sebuah sstem. Intenstas worload sudah djelasan ada subbab Servce Demand Servce demand dar sebuah request ada suatu antran meruaan jumlah total dar servce tme yang dbutuhan oleh request selama eseus ada suatu resource.

17 Jumlah dar servce tme ( S ), untu sebuah request ada resource, dal dengan rata-rata jumlah unjungan ( V ) aan menghaslan servce demand dan dlambangan dengan (D ), sehngga deroleh D V S. Pandangan lan dar servce demand adalah deroleh dar enguuran data. Ja sstem dmontor selama eroda watu τ, maa utlsas dar resource adalah U, yang menyataan bahwa sstem sbu selama U τ satuan watu. Ja dhtung jumlah request yang selesa selama eroda watu tersebut adalah C, maa deroleh servce demand adalah: D U τ. C 2.7 Level Performans Model Sstem Performans model daat dembangan ada level yang berbeda. Level erformans model sstem n memandang sebuah sstem sebaga suatu blac box. Dalam hal n, detl dar nternal blac box tda dmodelan secara eslst, teta throughut dar blac box yang aan menjad ertmbangan. Fungs throughut X ( ), dnyataan sebaga rata-rata throughut dar blac box, sebaga suatu fungs dar jumlah request yang ada dalam blac box. Level erformans model sstem n dreresentasan dengan state transton dagram (STD), yang menggambaran state dmana suatu sstem daat melhat bagamana transs dar satu state e state yang lan. Pada bagan n hanya aan djelasan model dengan oulas yang tda terbatas atau nfnte dengan antran yang terbatas (fnte) dan tda terbatas (nfnte) Smle Server Model I Infnte Poulaton/Infnte Queue Infnte oulaton adalah ja suatu sstem daat dases oleh suatu oulas yang sangat besar, dmana jumlah user tda detahu dan sangat besar, yang berart bahwa arrval rate dar request e suatu sstem tda dengaruh oleh jumlah request yang sudah ada dan sedang droses. Dan sstem tda aan menola seta

18 request, sehngga semua request yang datang aan mengantr untu mendaat layanan. Asums n denal dengan nfnte queue. Asums yang dgunaan untu menganalss sstem adalah bersfat oeratonal equlbrum. Dmana jumlah request yang ada dalam sstem ada awal nterval observas adalah sama dengan jumlah request yang ada ada ahr nterval. Request yang datang e sstem ada eceatan request/det, aan mengantr untu suatu layanan, dan mendaatan layanan ada eceetan request/det, dan emudan mennggalan sstem. Persentase atu Server Meml Request Desrs state dalam suatu sstem meruaan arameter tunggal, yatu jumlah request yang ada dalam sstem, ba yang menunggu atau menerma layanan. Dmana tda aan dertmbangan bagamana sstem mencaa suatu state tertentu, atau beraa lama sstem berada dalam state tersebut. Yang menjad ertmbangan adalah masalah sstem ada ada state. Hal n denal dengan asums memoryless atau marovan. State dnyataan dengan nteger,,2, K,. Gambar 2. menunjuan sebuah state transton dagram (STD), dmana seta state dreresentasan dengan lngaran. Transs antara state yang berhubungan dalam sstem, dreresentasan dengan tanda anah. Ja suatu request datang e suatu sstem, dmana sstem meml request, maa state sstem adalah +. Te transas yang terjad ada edatangan request, dan eceatan dar transs yang terjad adalah arrval rate ( transs/det). Dan ja sstem meml request, dan salah satunya telah selesa, maa state menjad -. Transs terjad ada eceatan yatu eceatan request selesa. Karena dgunaan asums oeratonal equlbrum, maa alran transs menuju state aan sama dengan alran transs yang eluar dar state tersebut. Hal n denal dengan rns flow equlbrum equaton atau flow n flow out.

19 Flow n Flow out (2.7..) 2 (2.7..2)... (2.7..3)... 2 Jumlah request dalam sstem Gambar 2. State transton dagram nfnte oulaton/nfnte queue [5]. Ja dgabungan ersamaan (2.7..) sama ersamaan (2.7..3), maa deroleh ersamaan (2.7..4). 2 L,,,... (2.7..4) Dar ersamaan (2.7..4) deroleh sebaga suatu fungs dar untu semua nla,2,.... Dalam hal n, sstem hanya meml satu state yang mungn seta saat. Sehngga, jumlah ersentase watu dmana sstem ada ada suatu state, dar sama sama dengan satu L L (2.7..5)

20 Deroleh ersentase sstem dle ada ersamaan (2.7..6). (2.7..6) Dar ersamaan (2.7..4) dan (2.7..6), deroleh ersentase watu dmana ada request ada server adalah:,,,... (2.7..8) Utlsas Sstem Utlsas dar sebuah sstem daat dartan sebaga ersentase watu dmana sstem sbu. Utlsas dlambangan dengan U. U (2.7..9) Sehngga ersentase watu dmana ada request ada server menjad ( U ) U,,,... Jumlah Rata-rata Request dalam Sstem Setelah detahu nla, maa dengan mudah daat dtentuan jumlah rata-rata request N ada sstem dengan menggunaan defens rata-rata. ( U ) U ( U ) N U (2.7..) Pada enyajan terahr ersamaan (2.7..) U U U ( ) 2, untu U <, adalah ada U N (2.7..) ( U )

21 Rata-rata Throughut Sstem Throughut dar sstem adalah ada saat ada alng sedt satu request yang sedang droses, hal n terjad selama ersentase watu sama dengan U. Throughut sama dengan ada saat server dle. Sehngga rata-rata throughut X sstem dtunjuan ada ersamaan (2.7..2). X ( U ) + ( ( U )) (2.7..2) Throughut yang dharaan adalah X, arena tda ada request yang hlang ada sstem. Sehngga, ada onds equlbrum, rata-rata arrval rate aan sama dengan rata-rata dearture rate. Rata-rata Resonse Tme Untu menghtung rata-rata resonse tme (R), dgunaan ersamaan huum Lttle s. Dmana untu throughut (X), dhtung dengan menggunaan ersamaan (2.7..2) dan jumlah rata-rata request (N ), dhtung dengan menggunaan ersamaan (2.7..), sehngga deroleh ersamaan (2.7..3). R N X ( U ) ( U ) ( U ) S ( U ) (2.7..3) Dmana S meruaan rata-rata servce tme dar sebuah request ada sstem. Pada saat utlsas sangat rendah, yatu U mendeat, maa rata-rata resonse tme aan sama dengan rata-rata servce tme. Hal n dharaan arena tda ada watu yang dgunaan untu menunggu layanan. Pada saat utlsas sangat tngg, yatu U mendeat, maa R aan menuju ta hngga, arena denomnator ada ersamaan (2.7..3) aan menuju nol Smle Server Model II Infnte Poulaton/Fnte Queue Pada model n, edatangan request yang menemuan ada request dalam sstem ba dantran atau yang sedang droses, aan dtola. Beberaa sstem membatas jumlah request yang daat dtangan untu menjamn suatu erformans yang ba.

22 Karena sstem aan menola seta request tambahan ada saat ada request dalam sstem, maa state yang mungn terjad adalah,,,. Kedatangan request yang menemuan ( < ) request dalam sstem, menyebaban suatu transs e state + ada eceatan, dan menyelesaan request ada state (,,), menyebaban transs e state - dengan eceatan. Gambar 2. menunjuan State Transton Dagram (STD) untu asus n. Gambar 2. State transton dagram nfnte oulaton/fnte queue [5]. Persentase atu Server Meml Request,...,, (2.7.2.) Perbedaan model untu fnte queue n dengan nfnte queue adalah ada, dmana ada model n meml jumlah state yang terbatas. Sehngga deroleh ersamaan ( ) L ( ) Persentase dmana sstem dle dtunjuan ada ersamaan ( ) + ( )

23 Dar ersamaan (2.7.2.) dan ( ), deroleh ersentase watu dmana ada request ada server adalah dtunjuan ada ersamaan ( ).,,, K + ( ) Utlsas Sstem Utlsas dar sebuah sstem adalah ersentase watu dmana sstem tda dle. Utlsas ada model nfnte queue adalah U, dan dnyataan dengan ersamaan ( ), sehngga deroleh ersamaan ( ). + U ( ) Jumlah Rata-rata Request Dalam Sstem Untu jumlah rata-rata request N ada sstem dtunjuan ada ersamaan ( ). ( ) N ( ) Teta menggunaan [ ] ( ) 2 2 a a a a a dgabungan dengan ada ersamaan ( ) maa deroleh ersamaan ( ). ( ) ( ) ( )( ) [ ] ( ) [ ] ( ) ( ) N ( )

24 Rata-rata Throughut Sstem Throughut (X) dar sstem adalah ada saat sstem sbu (ersentase watu dmana sstem sbu meruaan utlsas), dan nol ada saat server dle. Sehngga rata-rata throughut (X) sstem dtunjuan ada ersamaan ( ). X [ ( ) ] ( ) U + ( U ) ( ) + Rata-rata Resonse Tme Untu menghtung rata-rata resonse tme (R) ada model n, juga dgunaan ersamaan huum Lttle s. Dmana untu throughut (X), dhtung dengan menggunaan ersamaan ( ), dan jumlah rata-rata request (N ), dhtung dengan menggunaan ersamaan ( ), sehngga deroleh ersamaan ( ). + [ ( ) ( + )( ) + ] ( ) ( ) N S R ( ) X [ ] ( ) Dmana S adalah rata-rata servce tme dar sebuah request ada sstem. Probabltas Lost Pada sstem dengan fnte queue, metr erformans yang entng adalah ersentase dar request yang hlang (lost), yang dsebaban arena antran enuh, dnyataan dengan w, arena request hanya aan hlang eta sstem berada ada state, sehngga loss w. + U U (2.7.2.)

25 2.8 Sngle Class Oen Queueng Networ Sebuah antran dlambangan dengan fungs S(n) yang mereresentasan servce tme er request ada saat ada n request dalam antan. Jumlah request n dalam antran dsebut dengan anjang antran. Ada 3 jens resource dalam model jarngan antran yatu sebaga berut:. load ndeendent resource : menggambaran resource dmana ada antran, teta rata-rata servce tme tda tergantung ada load, yatu S(n)S, untu semua nla n, seert yang terlhat ada Gambar 2.2a, 2. load deendent resource : dgunaan untu menggambaran resource dmana ada antran, dan rata-rata servce tme tergantung ada load, yatu S(n) meruaan fungs arbtrary dar n, seert yang terlhat ada Gambar 2.2b, 3. delay resource : mengndasan stuas dmana tda ada antran. Sehngga, total watu yang dbutuhan oleh suatu request ada sebuah delay resource adalah request servce tme. Fungs rata-rata servce tme tda tergantung ada jumlah request yang ada ada resource, yatu S(n)S untu semua nla n, seert yang terlhat ada Gambar 2.2c. Gambar 2.2 Jens resource ada jarngan antran [5]. Pada jarngan antran sngle class oen, semua resource dandang sebaga delay atau load ndeendent resource. Notas-notas yang aan dgunaan adalah sebaga berut. : rata-rata arrval rate request e jarngan antran.

26 K : jumlah antran. X : rata-rata throughut dar jarngan antran. Pada oen sstem dengan oeratonal equlbrum, rata-rata throughut adalah sama dengan rata-rata arrval rate. Sehngga X. V : rata-rata jumlah unjungan e antran oleh sebuah request. S : rata-rata servce tme dar sebuah request ada antran er unjungan e antran. : rata-rata watng tme dar sebuah request ada antran er unjungan e antran. X : rata-rata throughut antran. R : rata-rata resonse tme dar sebuah request ada antran, ddefensan sebaga jumlah rata-rata watng tme dtambah rata-rata servce tme er unjungan e antran. Sehngga, R + S. ' R : rata-rata resdence tme dar sebuah request ada antran. yatu meruaan total watng tme (yatu watu mengantr) dtambah total servce tme (yatu, servce demand), untu semua unjungan e antran. Sehngga, R Q + D V R. ' R : rata-rata resonse tme; sama dengan jumlah dar resdence tme ada semua antran. Sehngga, R K ' R. n : rata-rata jumlah request ada antran yang menunggu atau menerma layanan dar suatu resource ada antran. N : rata-rata jumlah request ada jarngan antran. Rata-rata resonse tme adalah sama dengan rata-rata servce tme ( S ) dtambah dengan rata-rata watng tme ( ) dar sebuah request. Rata-rata watng tme meruaan rata-rata jumlah request yang terlhat ada antran oleh sebuah edatangan request e antran, dalan dengan rata-rata servce tme ( S ) er request.

27 Pada oen jarngan antran, rata-rata jumlah request yang terlhat ada antran adalah sama dengan rata-rata jumlah request dalam antran ( n ). Sehngga, deroleh rata-rata resonse tme ( R ) ada antran seert yang dtunjuan ada ersamaan (2.8.). R S + n S (2.8.) Teta dar huum Lttle s, n X R, sehngga dengan menggabungan ersamaan (2.8.) dengan huum Lttle s dan Utlsas dmana deroleh ersamaan (2.8.2). U X S, R ( U ) S (2.8.2) Dar ersamaan (2.8.2), maa deroleh resdence tme ada antran, seert yang dtunjuan ada ersamaan (2.8.3). R ' V + R V R U D U (2.8.3) Menggunaan huum Lttle s, ersamaan (2.8.3) dan huum Utlsas, maa daat deroleh jumlah rata-rata request ada antran, seert ada ersamaan (2.8.4). n U (2.8.4) U [7, 9,, ] 2.9 Teorema Jacson Teorema Jacson daat dgunaan untu menganalss suatu jarngan antran. Teoreman n ddasaran ada 3 asums yatu:. jarngan antran terdr dar m node, dmana masng-masng node memberan layanan esonensal yang bebas, 2. sebuah request datang dar luar sstem e suatu node, dengan arrval rate adalah Posson,

28 3. setelah dlayan ada satu node, request tersebut aan menuju e node yang lan dengan suatu robabltas atau eluar dar sstem. State ada Jacson theorem meruaan suatu jarngan antran, dmana masngmasng node adalah sstem antran yang bebas, dengan nut Posson yang dtentuan dengan antran arttonng, mergng atau tandem.. Antran arttonng. Request datang e suatu antran dengan rata-rata arrval rate, dan ada 2 emungnan tujuan dar request selanjutnya yatu A dan B (Gambar 2.3a). Pada saat request telah selesa dlayan dan eluar dar jalur A dengan robabltas, dan dar jalur B dengan robabltas -. Secara umum, dstrbus alran request A dan B aan berbeda dengan dstrbus ncomng. Namun, ja dstrbus ncomng meruaan Posson, maa 2 alran eberangatan request juga dstrbus Posson, sehngga arrval rate-nya adalah 2. Antran Mergng. dan ( ). Ja 2 dstrbus Posson dengan rata-rata arrval rate adalah dan 2 dgabung, maa menghaslan dstrbus Posson dengan rata-rata arrval rate adalah + 2, seert yang terlhat ada Gambar 2.3b. 3. Antran Tandem. Gambar 2.3c meruaan contoh rangaan dar antran server tandem tunggal. Masuan untu seta antran ecual antran yang ertama, meruaan eluaran untu antran selanjutnya. Ja dasumsan masuan untu antran ertama adalah Posson, maa servce tme untu seta antran adalah esonensal dan watng lne adalah nfnte. Keluaran dar masng-masng antran adalah dstrbus Posson yang dent dengan masuan. Pada saat suatu request menuju e antran berutnya, delay ada antran edua adalah sama, ja request orsnl sudah melalu antran yang ertama, dan lansung menuju antran edua. Jad, antran adalah ndeendent, dan aan danalss satu al ada satu watu. Sehngga, rata-rata total delay dalam sstem tandem n adalah sama dengan jumlah rata-rata delay ada seta stage.

29 Ρ A A + 2 (a) ( Ρ) B B 2 (b) Node Node2 Node3 (c) Gambar 2.3 Elemen jarngan antran []. Pada bagan n yang aan dbahas lebh detl adalah antran arttonng. Pada Gambar 2.4 terlhat suatu oen jarngan antran dengan arttonng dan feedbac. Dmana esternal request datang dengan arrval rate. Request yang sudah menyelesaan layanan aan eluar dar sstem, atau aan embal e antran untu memeroleh layanan lag, dengan robabltas, dengan eceatan, dan dgabungan dengan request esternal, sehngga arrval rate ada antran n dtunjuan ada ersamaan (2.9.). + (2.9.) ( ) Gambar 2.4 Oen antran dengan arttonng dan feedbac [7]. Untu utlsas server ddefensan seert ada ersamaan (2.9.2). ρ S (2.9.2) Alran feedbac aan membuat suatu masalah, dmana tda detahu bagamana mereresentasan engaruh dar antran yang menerma dua masuan, dar masuan bagan luar dan masuan bagan dalam.

30 Untu menentuan rata-rata jumlah unjungan e server dnyataan dengan ersamaan (2.9.3). C srv V srv (2.9.3) Csys Dmana C srv meruaan jumlah request yang selesa ada server dan C sys meruaan jumlah request yang selesa ada level sstem, dmana mungn meml lebh dar satu antran. Dengan meneraan defens throughut ada subbab 2.5. C yatu X dan ersamaan (2.9.3), maa deroleh ersamaan (2.9.4). τ V C srv τ srv srv (2.9.4) Csys ( ) τ Dmana sudah detahu dar ersamaan (2.9.) bahwa ( ), maa rata-rata jumlah unjungan e server daat dnyataan dalam hubungan dengan robabltas yatu dtunjuan ada ersamaan (2.9.5). V srv (2.9.5) ( ) 2. Batasan Performans Penggunaan beberaa omutas untu menentuan batas atas dan batas bawah ada throughut sstem dan resonse tme, sebaga fungs dar ntenstas worload sstem (jumlah atau arrval rate customer). Ten untu menghtung batasan erformans n adalah asymtotc bound dan balanced system bound. Yang aan djelasan ada bagan n hanya untu asymtotc bound. Untu model dengan te transacton worload, batasan throughut mengndasan masmum arrval rate customer yang daat droses oleh sstem, sementara batasan resonse tme, menggambaran resonse tme yang terbesar dan terecl, dmana customer daat mengalam sebaga suatu fungs dar arval rate sstem. Untu model dengan te batch atau termnal worload, batasan mengndasan emungnan masmum dan mnmum throughut sstem, dan resonse tme sebaga fungs dar

31 jumlah customer dalam sstem. Untu batas atas throughut dan batas bawah resonse tme, dhubungan dengan batasan yang otmst, arena mengndasan emungnan erformans yang terba, dan untu batas bawah throughut dan batas atas resonse tme, dhubungan dengan batasan yang esmsts, arena mengndasan emungnan erformans yang terburu. Aysmtotc bound analss memberan batasan yang otmst dan esmst dar throughut sstem, dan resonse tme ada sngle class jarngan antran. Seert namanya, analss n deroleh dengan memertmbangan (asymtotcally) ondsonds estrm dar load yang rngan dan load yang berat. Valdtas dar batasan n hanya tergantung ada sebuah asums tunggal yatu servce demand dar customer ada servce center, dan tda tergantung ada beraa banya customer lan ada d dalam sstem atau ada servce center. Jens nformas yang dsedaan oleh asymtotc bound tergantung ada worload sstem yatu oen untu transacton worload, atau closed untu termnal dan batch worload. Dan yang aan djelasan hanya untu transacton worload. Untu transacton worload, batasan throughut mengndasan emungnan masmum arrval rate dar customer, dmana sstem daat memroses secara suses. Ja arrval rate melebh batasan n, maa suatu baclog dar customer yang tda droses aan menngat secara ontnyu mengut edatagan job. Sehngga, suatu job yang datang aan menunggu untu janga watu yang tda tentu, arena mungn ada beberaa job yang sudah ada dalam antran, eta job yang baru tersebut datang. Dalam hal n dataan bahwa sstem saturas. Batasan throughut meruaan arrval rate yang emrosesannya mungn tersah dar saturas. Untu menentuan batasan throughut adalah menggunaan huum Utlsas, U X S untu seta. Ja arrval rate e sstem dnotasan sebaga, maa X V dan huum Utlsas menjad U D, yatu servce demand ada resource. Untu mendaatan batasan throughut, ja selama semua servce center meml aastas yang tda dgunaan, dmana utlsas urang dar, maa

32 enngatan arrval rate daat daomodas. Namun, ada saat seta servce center menjad saturas, yatu meml utlsas sama dengan, maa seluruh sstem menjad saturas, arena enngatan arrval rate customer tda daat dtangan secara suses. Sehngga batasan throughut adalah arrval rate yang terecl sat ada seta saturas servce center. Servce center yang saturas ada arrval rate yang terendah meruaan bottlenec servce center, yatu servce center dengan servce demand terbesar. Dan max meruaan ndes dar bottlenec servce center. [3, 5] Maa deroleh max ( ) U D max sat X () D max D max D R() Untu arrval rate yang lebh besar atau sama dengan D max, maa sstem adalah saturas, sementara sstem mamu memroses arrval rate adalah yang urang dar D. max 2. Performans Hardds [5] Magnet ds meruaan omonen entng untu seta sstem omuter. Jumlah ases nformas yang dsman ada magnet ds, lebh banya dbandngan jumlah ases nformas ada Random Access Memory (RAM). Gambar 2.5 menunjuan sebuah ds terdr dar satu atau banya latter yang berutar ada locste, dasang e sndle. Informas secara magnet dream ada ermuaan bagan atas dan ermuaan bagan bawah seta latter. Permuaan latter dbag menjad lngaran osentrs yang dsebut dengan trac. Read/wrte head dtemelan ada ujung arm, yang dhubungan dengan seta latter. Hanya satu read/wrte head yang daat atf ada satu saat. Actuator menggeraan semua arm secara bersamaan seanjang radus latter. Seumulan trac dtematan ada jara yang

33 sama dar usat yang dsebut cylnder. Trac dbag menjad setor-setor dengan uuran yang sama. Untu read/wte dar/e sebuah magnet ds, actuator bergera e cylnder yang teat. Hal n dsebut dengan see. Read/wrte head berhubungan untu memnta trac yang atf. Meansme ds untu menunggu sama utaran ds membawa setor yang dngnan d bawah read/wrte head dsebut dengan rotatonal latency. Setelah mencaa tt n, maa emndahan data daat dmula. Gambar 2.6 menunjuan arstetur I/O subsstem dar sebuah server. I/O request dberan e sstem. Cache ada sstem menyman blo fle yang alng serng dgunaan. Ja blo yang dngnan ada dalam cache, maa ases ds tda derluan dan request denuh secara langsung oleh cache. Hal n dsebut dengan cache ht. Sebalnya, cache mss bsa terjad, dan request drm e devce drver. Request aan mengantr ada devce drver, yang aan mengulang urutan untu mengotmalan erformans. Request emudan drm e ds controller. Cache ada ds controller (dsebut dengan ds cache) dgunaan untu mencocoan eceatan antara ds dan I/O bus. Ds cache daat dgunaan untu menjemut dulu blo yang dbutuhan dalam watu deat. Sebaga contoh, ja sebuah fle yang sedang dases secara berurutan, hal n berat bahwa untu membawa e cache sejumlah blo tertentu yang mengut blo yang baru saja dmnta, sehngga cache ht terjad ada saat blo-blo n dmnta. Ten n denal dengan raed-ahead atau reftetch. Ds controller menggunaan dsln enjadwalan ds ada antrannya, yang bertujuan untu memnmalan jumlah ratarata cylnder yang dlewat oleh arm untu melayan ds request. Contoh dsln enjadwalan ds adalah LOOK, CSCAN, Shortest See Tme Frst (SSTF) dan Shortest Parttonng Tme Frst (SPTF).

34 Gambar 2.5 Bagan-bagan dar magnet ds. Gambar 2.6 Arstetur subsstem I/O.

35 Notas-notas yang dgunaan adalah sebaga berut. S d : rata-rata watu (det) yang dbutuhan ada controller dtambah dengan watu untu ases sebuah blo dar ds. SeeTme: rata-rata see tme (det), yatu rata-rata watu untu menematan arm e cylnder yang teat. See rand : rata-rata see tme (det) untu sebuah request e sebuah random cylnder, yang dberan oleh abr ds; teradang, rata-rata see tme untu read dan wrte requet sedt berbeda. DsSeed: eceatan erutaran ds, dalam revoluton er mnute (RPM), yang dberan oleh abr ds. DsRevolutonTme: watu (det) untu sebuah ds menyelesaan sebuah utaran enuh, sama dengan 6 DsSeed. RotatonalLatency: rata-rata rotatonal latency (det), yatu rata-rata watu yang dlewatan seja ahr encaran sama engrman data dmula. atu n meruaan watu yang dgunaan menuggu ds berutar sama setor yang dngnan berada d bawah read/wrte head. BlocSze: uuran blo dalam byte. TransferRate: eceatan dmana data drm e/dar ds (MB/sec) TransferTme: watu (det) untu mengrman satu blo dar ds e ds controller. ControllerTme: watu (det) yang dgunaan ada controller memroses sebuah I/O request. Hal n termasu watu untu memersa cache dtambah watu untu membaca/menuls sebuah blo dar/e cache. P mss : robabltas dmana blo yang dngnan tda ada dalam cache. Rata-rata watu ases ada controller dtambah ds daat dnyataan sebaga berut: S d ControllerTme + P mss ( SeeTme + RotatonalLatency + TransferTme) (2..)

36 Transfer tme meruaan erbandngan sederhana antara uuran blo dengan eceatan transfer (byte/det). Sehngga deroleh, BlocSze TransferT me (2..2) TransferRate Probabltas cache mss, rata-rata see tme dan rata-rata rotatonal latency tergantung ada jens worload yang dberan e ds subsstem. Ds worload ddefensan sebaga rangaan dar anga-anga blo ds yang dberan e ds subsstem. Ada dua jens worload yatu random dan sequental. Random worload adalah blo yang dmnta, secara aca tersebar ada blo-blo dalam ds. Sequental worload adalah subsequences yang dberan dsebut dengan run dar request untu blo yang berurutan dalam ds. Sebaga contoh, worload, 2, 5, 23, 45, 39, 782, meruaan random worload dan 4, 35, 35, 352, 353, 8, 4, 5, 6, 7, 8, meruaan contoh sequental worload dengan 2 run dengan anjang 4 blo dan 5 blo. Untu random worload dnyataan sebaga berut: P mss (2..3) RunLength (2..4) SeeTme See rand (2..5) RotatonalLatency DsRevolutonTme 2 (2..6) Sedangan untu sequental worload dnyataan sebaga berut: P mss /RunLength (2..7) SeeTme See rand /RunLength (2..8) [( ) 2] 2 + ( RunLength ) + U RotatonalLatency RunLength Ds Re volutontme d (2..9)

37 2.2 Performans Central Processng Unt (CPU) [2] CPU dgeraan oleh sebuah cloc dengan cycle tme yang teta (τ dalam nanodet). Cloc cycle tme ddefensan sebaga watu antara dua rsng edge snyal cloc erod yang berurutan. Kebalan dar cycle tme n adalah cloc rate ( f dalam megahertz). Uuran dar seta rogram dtentuan oleh nstructon τ count (I c ), yatu jumlah nstrus mesn yang deseus oleh rogram. Instrus mesn yang berbeda aan membutuhan jumlah cloc cycle yang berbeda. Sehngga, cycles er nstructon (CPI) menjad sebuah arameter entng untu enguuran watu yang dbutuhan untu mengeseus seta nstrus. Maa untu seumulan nstrus, yang dhtung adalah rata-rata CPI untu semua jens nstrus. I c meruaan jumlah nstrus dalam sebuah rogram atau nstructon count. Sehngga watu CPU (T dalam det/rogram) derluan untu mengeseus rogram yang dtunjuan ada ersamaan (2..). T I c CPI τ (2..) C meruaan jumlah total cloc cycle yang dbutuhan untu mengeeseus suatu C rogram. Maa, CPU tme ada ersamaan (2..) menjad : T C τ. f Selanjutnya, C CPI dan I c T CPI I c CPI τ I c. Keceatan rocessor f serng duur dengan stlah mllon nstructon er second (MIPS). MIPS rate dengaruh oleh sejumlah fator, yatu cloc rate (f), nstructon count (I c ) dan CPI, sehngga deroleh ersamaan (2..2). I MIPS rate T f CPI f I c 6 6 C c 6 (2..2)

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

Probabilitas 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 terperinci

BAB II TEORI DASAR. Analisis Kelompok

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

EKSPEKTASI SATU PEUBAH ACAK

EKSPEKTASI 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 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 terperinci

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG

USULAN 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 terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created 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 terperinci

KUNCI JAWABAN SOAL TEORI FISIKA OLIMPIADE SAINS NASIONAL Ketinggian maksimum yang dicapai beban dihitung dari permukaan tanah (y t ) 1 mv

KUNCI JAWABAN SOAL TEORI FISIKA OLIMPIADE SAINS NASIONAL Ketinggian maksimum yang dicapai beban dihitung dari permukaan tanah (y t ) 1 mv KUNI JWBN SO EOI FISIK OIMPIDE SINS NSION 00. a. Dhtung dahulu watu yang derluan dar beban dleas sama e etnggan masmum yatu t. v 0 at 0 0t t =0, seon. Ketnggan masmum yang dcaa beban dhtung dar ermuaan

Lebih terperinci

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh

BAB 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 terperinci

BAB II DIMENSI PARTISI

BAB 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 terperinci

Bab III. Plant Nonlinear Dengan Fase Nonminimum

Bab 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

Analisis Penyelesaian Persamaan Kuadrat Matriks

Analisis 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 terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

BAB 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 terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah

BAB 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

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN

Benyamin 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 terperinci

Karakterisasi Matrik Leslie Ordo Tiga

Karakterisasi 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 terperinci

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar

VI. 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 terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)

FUZZY 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 terperinci

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)

BAB 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 terperinci

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN

INVERS 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 terperinci

BAB 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. 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 terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 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 terperinci

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil

STATISTIKA. 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 terperinci

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode

BAB 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 terperinci

AKAR KUADRAT ENSEMBLE KALMAN FILTER (AK-EnKF) PADA ESTIMASI POSISI ROBOT MOBIL

AKAR KUADRAT ENSEMBLE KALMAN FILTER (AK-EnKF) PADA ESTIMASI POSISI ROBOT MOBIL -6 98:. eguh d. AAR UADRA ESEMBLE ALMA FILER (A-EnF PADA ESIMASI POSISI ROBO MOBIL. eguh, Subchan,*,. endro, A. Erna, S.P. Dd 2, dan M. omarudn 3 Insttut enolog Seuluh oember 2 Polten Eletrna eger Surabaya

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB 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 terperinci

PEMODELAN 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 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 terperinci

BAB II LANDASAN TEORI

BAB 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 terperinci

Studi Perhitungan CCT Menggunakan Metode EEAC (Extended Equal Area Criterion) Dan Trajektori Kritis/ Critical Trajectory Untuk Kestabilan Transien

Studi 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 terperinci

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman

Lucas 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 terperinci

Optimasi Bobot Portofolio dan Estimasi VaR * (Portfolio Weighted Optimization and VaR Estimation)

Optimasi Bobot Portofolio dan Estimasi VaR * (Portfolio Weighted Optimization and VaR Estimation) Otmas Bobot Portofolo dan Estmas VaR * (Portfolo Weghted Otmzaton and VaR Estmaton) Suono, Subanar & Ded Rosad 3 Jurusan Matemata FMIPA UNPAD Bandung, e-mal : fsuono@yahoo.com Jurusan Matemata FMIPA UGM

Lebih terperinci

Pengolahan lanjut data gravitasi

Pengolahan 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 terperinci

SEARAH (DC) Rangkaian Arus Searah (DC) 7

SEARAH (DC) Rangkaian Arus Searah (DC) 7 ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)

FUZZY 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 terperinci

Pendekatan Regresi Semiparametrik Spline untuk Memodelkan Rata-Rata Umur Kawin Pertama (UKP) di Provinsi Jawa Timur

Pendekatan Regresi Semiparametrik Spline untuk Memodelkan Rata-Rata Umur Kawin Pertama (UKP) di Provinsi Jawa Timur JURNAL SAINS DAN SENI ITS Vol. 6, No., (07) ISSN: 337-350 (30-98X Prnt) D-9 Pendeatan Regres Semarametr Slne untu Memodelan Rata-Rata Umur Kawn Pertama (UKP) d Provns Jawa Tmur Dhra Audha Pratw, I Nyoman

Lebih terperinci

ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA

ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA Hars Bhat Prasetyo, Dan Handayan, Wdyant Rahayu JURUSAN MATEMATIKA FMIPA-UNIVERSITAS NEGERI

Lebih terperinci

Bab III Analisis dan Rancangan Sistem Kompresi Kalimat

Bab III Analisis dan Rancangan Sistem Kompresi Kalimat Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton

Lebih terperinci

ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS

ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data

Lebih terperinci

BAB II KONDUKSI ALIRAN STEDI SATU DIMENSI

BAB II KONDUKSI ALIRAN STEDI SATU DIMENSI BB II KONDUKSI LIRN SEDI SU DIMENSI Dndng Datar Persamaan alr : (5- Harga ndutvtas termal dasumsan nstan, tebal dndng, dan dan adalah temperatur permuaan dndng. Ja ndutvtas termal bervaras arena temperatur

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)

BAB 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 terperinci

Rekayasa Trafik Telekomunikasi

Rekayasa Trafik Telekomunikasi Rekayasa Trafk Telekomunkas TEU9948 INDAR SURAHMAT emodelan Interval Waktu engetahuan yang mendasar pemodelan nterval waktu adalah teor robabltas engetahuan Dasar robabltas Jka A dan B kejadan sembarang,

Lebih terperinci

PEMANFAATAN KOMPUTER PADA SISTEM KONTROL DENGAN MENGATUR SET-OFF SAAT KONDISI TUNAK (STEADY STATE)

PEMANFAATAN KOMPUTER PADA SISTEM KONTROL DENGAN MENGATUR SET-OFF SAAT KONDISI TUNAK (STEADY STATE) PEMNFTN OMPUTER PD SISTEM ONTROL DENGN MENGTUR SET-OFF ST ONDISI TUN (STEDY STTE) Saful Manan Program Dloma III Ten Eletro Faultas Ten Unverstas Donegoro bstracts Saful Manan, n aer control system wth

Lebih terperinci

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD

PENGUJIAN 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 terperinci

U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK

U 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 terperinci

BAB II LANDASAN TEORI

BAB 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 terperinci

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)

MODEL 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 terperinci

Perbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield

Perbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya

Lebih terperinci

Oleh : Harifa Hanan Yoga Aji Nugraha Gempur Safar Rika Saputri Arya Andika Dumanauw

Oleh : Harifa Hanan Yoga Aji Nugraha Gempur Safar Rika Saputri Arya Andika Dumanauw Oleh : Harfa Hanan Yoga A Nugraha Gemur Safar ka Sautr Arya Andka Dumanau Dosen : Dr.rer.nat. Ded osad, S.S., M.Sc. Program Stud Statstka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Gadah Mada

Lebih terperinci

IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN

IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas,

Lebih terperinci

Universitas Gadjah Mada Fakultas Teknik Jurusan Teknik Sipil dan Lingkungan VARIABEL RANDOM. Statistika dan Probabilitas

Universitas Gadjah Mada Fakultas Teknik Jurusan Teknik Sipil dan Lingkungan VARIABEL RANDOM. Statistika dan Probabilitas Unverstas Gadjah Mada Fakultas Teknk Jurusan Teknk Sl dan Lngkungan VARIABEL RANDOM Statstka dan Probabltas 2 Pengertan Random varable (varabel acak) Jens suatu fungs yang ddefnskan ada samle sace Dscrete

Lebih terperinci

METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND

METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa

Lebih terperinci

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

KOLINEARITAS 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 terperinci

Oleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si

Oleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf

Lebih terperinci

Evaluasi Tingkat Validitas Metode Penggabungan Respon (Indeks Penampilan Tanaman, IPT)

Evaluasi Tingkat Validitas Metode Penggabungan Respon (Indeks Penampilan Tanaman, IPT) Evaluas Tngkat Valdtas Metode Penggabungan Reson (Indeks Penamlan Tanaman, IPT) 1 Gust N Adh Wbawa I Made Sumertajaya 3 Ahmad Ansor Mattjk 1 Mahasswa S3 Pascasarjana Statstka IPB,3 Staf Pengajar Deartemen

Lebih terperinci

BAB II PENDEKATAN PROBABILITAS DAN MODEL TRAFIK

BAB II PENDEKATAN PROBABILITAS DAN MODEL TRAFIK Dktat Rekayasa Trafk BB II PDKT PROBBILITS D MODL TRFIK 2. Pendahuluan Trafk merupakan perstwa-perstwa kebetulan yang pada dasarnya tdak dketahu kapan datangnya dan berapa lama akan berlangsung. Maka untuk

Lebih terperinci

BAB II TINJAUAN PUSTAKA. Control chart pertama kali dikenalkan oleh Dr. Walter Andrew Shewhart dari

BAB II TINJAUAN PUSTAKA. Control chart pertama kali dikenalkan oleh Dr. Walter Andrew Shewhart dari BAB II TINJAUAN PUSTAKA. Pendahuluan Control chart pertama al denalan oleh Dr. Walter Andrew Shewhart dar Bell Telephone Laboratores Amera Serat pada tahun 94. Control chart adalah sebuah gra yang member

Lebih terperinci

KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR

KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR Berala Fsa ISSN : 1410-966 Vol.8, No.1, Januar 005, hal 7-10 KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR Agus Setyawan Laboratorum Geofsa, Jurusan

Lebih terperinci

Contoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi.

Contoh 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 terperinci

BAB IV HASIL ANALISIS

BAB 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 terperinci

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN

Didownload 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 terperinci

PEMBUATAN KALIBRATOR METER REAKTIVITAS DENGAN SISTEM DAQ BERBASIS PC

PEMBUATAN KALIBRATOR METER REAKTIVITAS DENGAN SISTEM DAQ BERBASIS PC 24 ISSN 2-328 Edson, d. PEMBUATAN KALIBRATOR METER REAKTIVITAS DENGAN SISTEM DAQ BERBASIS PC Edson, A.Maratmo, Suarwono Pusat Reator Serba Guna - BATAN ABSTRAK PEMBUATAN KALIBRATOR METER REAKTIVITAS DENGAN

Lebih terperinci

PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK.

PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. Fanny Ayu Octavana dan Dra. Luca Ardnant, MT. Jurusan Statsta, Faultas Matemata dan Ilmu

Lebih terperinci

TINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph

TINJAUAN 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 terperinci

ANALISIS BENTUK HUBUNGAN

ANALISIS 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 terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 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 terperinci

SUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD

SUMBER 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 terperinci

ANALISIS MODEL PERSEDIAAN BARANG EOQ DENGAN MEMPERTIMBANGKAN FAKTOR KADALUARSA DAN FAKTOR ALL UNIT DISCOUNT

ANALISIS MODEL PERSEDIAAN BARANG EOQ DENGAN MEMPERTIMBANGKAN FAKTOR KADALUARSA DAN FAKTOR ALL UNIT DISCOUNT LAORAN HASIL ENELITIAN ANALISIS MOEL ERSEIAAN BARANG EO ENGAN MEMERTIMBANGKAN FAKTOR KAALUARSA AN FAKTOR ALL UNIT ISOUNT Tauf Lmansyah LEMBAGA ENELITIAN AN ENGABIAN KEAA MASYARAKAT UNIVERSITAS KATOLIK

Lebih terperinci

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya

BAB 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 terperinci

I BBB TINJAUAN PUSTAKA

I BBB TINJAUAN PUSTAKA I BBB TINJAUAN PUTAKA. Pendahuluan Dalam enulsan mater okok dar skrs n derlukan beberaa teor-teor yang mendukung, yang menjad uraan okok ada bab n. Uraan dmula dengan membahas dstrbus varabel acak kontnu,

Lebih terperinci

Pemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a

Pemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a Pemodelan Anomal Magnet Berbentu Prsma Menggunaan Algortma Geneta Antonus a, Yudha Arman a *, Joo Sampurno a a Jurusan Fsa, FMIPA Unverstas Tanjungpura, Jalan Pro. Dr. Hadar Nawaw, Pontana, Indonesa *Emal

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga

Lebih terperinci

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan

Lebih terperinci

III. METODE PENELITIAN

III. 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

PERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT

PERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT PERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT Ngarap Im Man Jurusan Matemata FST BINUS Unversty, Jln.Kebon Jeru Raya no.27 Jaarta Barat 11480, Indonesa

Lebih terperinci

PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI

PENYELESAIAN 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 terperinci

Mekanika Lagrangian (Fowles) Mekanika Lagrangian. , q n. q 3 ) ) ) ke nilai tetangga (q 1

Mekanika Lagrangian (Fowles) Mekanika Lagrangian. , q n. q 3 ) ) ) ke nilai tetangga (q 1 Meana Lagrangan (Fowles) Supar Meana Lagrangan Melalu meana Lagrangan n persamaan gera Newton untu sstem seerhana aan beran engan lebh sphstcate. Koornat Umum Poss partel alam ruang apat tentuan melalu

Lebih terperinci

BAB III METODE PENELITIAN. Karangkajen, Madrasah Tsanawiyah Mu'allimaat Muhammadiyah Yogyakarta,

BAB III METODE PENELITIAN. Karangkajen, Madrasah Tsanawiyah Mu'allimaat Muhammadiyah Yogyakarta, BAB III METODE PENELITIAN A. Tempat dan Waktu Peneltan Peneltan n dlakukan pada 6 (enam) MTs d Kota Yogyakarta, yang melput: Madrasah Tsanawyah Neger Yogyakarta II, Madrasah Tsanawyah Muhammadyah Gedongtengen,

Lebih terperinci

Diagram Kontrol Fuzzy Multinomial Untuk Data Linguistik

Diagram Kontrol Fuzzy Multinomial Untuk Data Linguistik Prosdng Statsta ISSN: 2460-6456 Dagram Kontrol Fuzzy Multnomal Untu Data ngust 1 Amy Amallya Azzah, 2 Suwanda Idrs, 3 snur Wachdah 1,2,3 Prod Statsta, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas

Lebih terperinci

BAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh

BAB 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 terperinci

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

BAB 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 terperinci

PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI

PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI Yunarstanto 1 Irwan Iftad 1 Iwan Ngabd Raharjo 2 Abstract: Producton flow n PT. Tga Seranga Pustaa Mandr

Lebih terperinci

Statistika. Bab. Mean (rata-rata) Ukuran Pemusatan Ukuran Letak Median Modus Kuartil Desil A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR

Statistika. Bab. Mean (rata-rata) Ukuran Pemusatan Ukuran Letak Median Modus Kuartil Desil A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Bab Statsta A KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Melalu proses pembelajaran statsta, sswa mampu menghayat pola hdup dspln, rts, bertanggungjawab, onssten, dan jujur serta menerapannya

Lebih terperinci

IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN

IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN 69 IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN Dtnau dar sfat hubungan antar persamaan terdapat dua ens model persamaan yatu model persamaan tunggal dan model sstem persamaan. Model persamaan tunggal adalah

Lebih terperinci

BAB 4 METODOLOGI PENELITIAN DAN ANALISIS

BAB 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 terperinci

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d

Lebih terperinci

Imam Ahmad Al Fattah 1), Madu Ratna 2), dan Vita Ratnasari 3) 1),2),3)

Imam Ahmad Al Fattah 1), Madu Ratna 2), dan Vita Ratnasari 3) 1),2),3) Analss Fatorfator yang Memengaruh Masa Stud Lulusan Mahaswa Program Magster Insttut enolog Seuluh Noember (IS) Surabaya Menggunaan Regres Logst Ordnal Dan Regres Probt Ordnal Imam Ahmad Al Fattah ), Madu

Lebih terperinci

ANALISIS REGRESI MULTIVARIAT BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHI DERAJAT KESEHATAN DI PROVINSI JAWA TIMUR

ANALISIS REGRESI MULTIVARIAT BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHI DERAJAT KESEHATAN DI PROVINSI JAWA TIMUR ANALISIS REGRESI MULIVARIA BERDASARKAN FAKOR-FAKOR ANG MEMPENGARUHI DERAJA KESEHAAN DI PROVINSI JAWA IMUR Rosy Rsyant Ir. Sr Pngt Wulandar, M.S Mahasswa Jurusan Statsta FMIPA-IS (308 00 508) Dosen Jurusan

Lebih terperinci

Nilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4

Nilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4 Statsta, Vo. 7 No. 2, 65 71 Nopember 27 Na Krts Permutas Esa untu Anova Satu Arah Krusa-Was pada Kasus Banyanya Sampe, = 4 Inne Maran, Yayat Karyana, dan Aceng Komarudn Mutaqn Jurusan Statsta FMIPA Unsba

Lebih terperinci

Analisis Persebaran Seismisitas Wilayah Sumatera Selatan Menggunakan Metode Double Difference

Analisis Persebaran Seismisitas Wilayah Sumatera Selatan Menggunakan Metode Double Difference B-54 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Prnt) Analss Persebaran Sesmstas Wlayah Sumatera Selatan Menggunaan Metode Double Dfference Dew Fajryyatul Mauldah, Bagus Jaya Santosa

Lebih terperinci

Bab III Analisis Rantai Markov

Bab 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 terperinci

BAB III MODUL INJEKTIF

BAB 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 terperinci

JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU

JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU Ea Saputra LF096585 Jurusan Ten Eletro Faultas Ten Unverstas Dponegoro Abstra Jarngan saraf truan merupaan suatu metode yang salah satunya

Lebih terperinci

Taksiran Kurva Regresi Spline pada Data Longitudinal dengan Kuadrat Terkecil

Taksiran Kurva Regresi Spline pada Data Longitudinal dengan Kuadrat Terkecil Vol. 11, No. 1, 77-83, Jul 2014 Taksran Kurva Regres Slne ada Data Longtudnal dengan Kuadrat Terkecl * Abstrak Makalah n mengka tentang estmas regres slne khususnya enggunaan ada data longtudnal. Data

Lebih terperinci

IDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER

IDENTIFIKASI 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 terperinci

BAB III. ANALISIS dan PERANCANGAN MODEL JARINGAN ANTRIAN

BAB III. ANALISIS dan PERANCANGAN MODEL JARINGAN ANTRIAN BAB III ANALISIS dan PERANCANGAN MODEL JARINGAN ANTRIAN Pada bagian ini akan dijelaskan tahap-tahap yang dilakukan untuk melakukan analisis dan perancangan model jaringan antrian sistem SMS Kampus, yaitu

Lebih terperinci

VII AKSI DASAR PENGENDALIAN

VII AKSI DASAR PENGENDALIAN 110 VII ASI DASAR PENGENDALIAN Deskrs : Bab n memberkan gambaran tentang aks dasar engendalan dengan menggunakan engendal roorsonal, ntegral dan dervatf serta kombnasnya ada berbaga sstem kendal Objektf

Lebih terperinci

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

IV. 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 terperinci