Analisa dan Penerapan Metode Particle Swarm Optimization Pada Optimasi Penjadwalan Kuliah
|
|
- Suryadi Lesmana
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Teknk Informatka, Vol 1 September 2012 Analsa dan Penerapan Metode Partcle Swarm Optmzaton Pada Optmas Penjadwalan Kulah Rasha Ashla Rachman 1), Dadang Syarf 2), Rka Perdana Sar 3) 1) Program Stud Teknk Informatka Polteknk Caltex Rau, Pekanbaru 28265; rashaashla@gmal.com 2) Program Stud Sstem Informas Polteknk Caltex Rau, Pekanbaru 28265; dangsyarf@gmal.com 3) Program Stud Teknk Informatka Polteknk Caltex Rau, Pekanbaru 28265; rka@pcr.ac.d Abstrak Jadwal pentng artnya dalam keberlangsungan proses belajar mengajar d suatu perguruan tngg khususnya d Polteknk Caltex Rau (PCR). Penjadwalan kulah yang dlakukan oleh BAAK (Bagan Admnstras dan Akademk Kemahasswaan) Polteknk Caltex Rau dlakukan dengan memproses data data perkulahan dengan memanfaatkan software Mcrosoft Excel untuk menghaslkan jadwal kulah. Tngkat keteltan yang tngg mengurang fungs keefsenan dan terjadnya human error mash besar. Contohnya kemungknan jadwal kulah yang terjad pada jam dan har yang sama pada pemakaan ruangan ataupun pada jadwal mengajar dosen. Atas dasar tu, maka dbuatlah sebuah sstem untuk mengoptmalkan penjadwalan kulah sebaga solus dalam menyelesakan masalah penjadwalan kulah yang terjad d PCR. Algortma Partcle Swarm Optmzaton (PSO) sebaga algortma untuk penyelesaan masalah optmas dengan proses pembangktan poss dan velocty awal, update velocty dan update poss sebaga 3 tahapan utamanya sehngga ddapatkan solus berupa jadwal kulah. Berdasarkan peneltan yang telah dlakukan mash terdapat data bentrok jadwal kulah yang dapat dlhat dar nla ftness sstem sehngga hasl yang ddapat dar sstem penjadwalan kulah n belum dapat daplkaskan pada penjadwalan kulah yang sesungguhnya. Sstem n dbangun menggunakan bahasa pemograman web PHP dan database MySQL. Kata kunc : Penjadwalan Kulah, PSO, PHP, dan MySQL. Abstract Course schedule play crucal role n teachng and learnng at unversty, especally n Polteknk Caltex Rau. The mechansm of actvty n PCR depends on t. Currently the process of schedule management s conducted manually by PCR Student Admnstraton usng Mcrosoft Excel to manage courses schedule. Ths procedure requres hgh accuracy that decrease effcently way, long tme span of process, and the possblty of errors whch plot out schedule clash. Clashes of schedule drag not only tme but also the usage of room, due to ths matter, the schedulng would not be optmal. Based on t, the optmal schedulng requre an applcaton that provde soluton for the problem that occurs n PCR schedule. The method used to optmze the applcaton s Partcle Swarm Optmzaton Algorthm, even though PSO algorthm s used to produce an optmal soluton, there are stll clashes schedulng course conclude that ths method can not be appled n a real course schedulng. The applcaton system s bult by usng PHP web programmng language and MySQL as a database.. Keywords : Schedulng Course, PSO, PHP, and MySQL. 1 PENDAHULUAN Jadwal pentng artnya dalam keberlangsungan proses belajar mengajar d suatu perguruan tngg khususnya d Polteknk Caltex Rau (PCR). Penjadwalan kulah yang dlakukan oleh BAAK (Bagan Admnstras dan Akademk Kemahasswaan) Polteknk Caltex Rau dlakukan dengan memproses data data perkulahan dengan memanfaatkan software Mcrosoft Excel untuk menghaslkan jadwal kulah. Tngkat keteltan yang tngg mengurang fungs keefsenan dan terjadnya human error mash besar. Contohnya kemungknan jadwal kulah yang terjad pada jam dan har yang sama pada pemakaan ruangan ataupun pada jadwal mengajar dosen. Atas dasar tu, maka dbuatlah sebuah sstem untuk mengoptmalkan penjadwalan kulah sebaga solus dalam menyelesakan masalah penjadwalan kulah yang
2 2 Rasha Ashla Rachman terjad d PCR. Optmas penjadwalan kulah adalah memaksmalkan teknk mengatur waktu perkulahan atau belajar mengajar. Algortma Partcle Swarm Optmzaton (PSO) sebaga algortma untuk penyelesaan masalah optmas sehngga ddapatkan solus berupa jadwal kulah. 2 Dasar Teor 2.1 Optmas Berdasarkan buku yang dtuls oleh Suyanto (2010) dsebutkan bahwa optmas merupakan aktvtas untuk mendapatkan hasl yang terbak atau optmal (nla efektf yang dapat dcapa) dar plhan yang terseda. Tujuan dar setap keputusan adalah untuk memnmumkan usaha yang dlakukan atau memaksmumkan keuntungan yang dperoleh. Usaha atau keuntungan tersebut secara praktek dnyatakan sebaga fungs dengan varabel keputusan yang akan dcar nla optmumnya. Optmas sangat berguna dhampr segala bdang dalam rangka melakukan usaha secara efektf dan efsen untuk mencapa target hasl yang ngn dcapa. [5] 2.2 Penjadwalan Kulah Pengertan penjadwalan dapat berbeda beda, tergantung dar konteks dmana kata tersebut dbcarakan, bak dar seg ndustr, bsns, manajemen, ataupun penddkan. Penjadwalan dalam bdang penddkan memlk pengertan secara khusus sebaga duras waktu dar waktu kerja yang dbutuhkan untuk melakukan serangkaan aktvtas kerja dalam kegatan belajar mengajar. Penjadwalan juga merupakan proses penyusunan daftar perkulahan atau daftar kegatan belajar mengajar yang akan dlakukan untuk mencapa atau mewujudkan suatu tujuan tertentu yang juga menamplkan hasl akhr berupa laporan. Dalam penjadwalan kulah dbahas tentang bagamana mengatur pembagan duras waktu perkulahan sesua dengan aturan yang berlaku d perguruan tngg, bak pembagan jadwal untuk tap mahasswa pada mata kulah tertentu maupun dosen pengajar d unverstas tersebut. [1] 2.3 Algortma PSO dengan Parameter Inerta Weght Pada saat sekarang n PSO telah mengalam banyak perubahan. Penelt penelt yang telah mempelajar dan menggunakan algortma telah mengembangkan vers, aplkas dan telah mengeluarkan teor teor pengembangan beberapa parameter dan aspek dar algortma PSO n. Sh dan Eberhart (1998) melakukan varas atau modfkas terhadap algortma orsnl untuk mengendalkan stagnas partkel dengan memasukkan parameter nerta weghtng (w) pada persamaan pertama PSO (Alrjadjs, 2010)[1]. Pada kasus penjadwalan kulah n, partkel adalah satu jadwal kulah yang terdr dar beberapa kelas. Terdapat 3 tahap dar metode PSO pada permasalahan penjadwalan kulah, sebaga berkut [2] : 1. Pembangktan poss dan velocty awal. Proses dar pembangktan poss X dan kecepatan Y n menggunakan fung rand. Pembangktan partkel poss X k dan partkel kecepatan V k dengan notas partkel ke pada waktu ke k menggunakan batas atas (X max ) dan batas bawah (X mn ) sepert persamaan berkut [1][2] : X 0 = X mn + rand (X max X mn ) (1) V 0 = X mn + rand (X max X mn ) (2) Dalam proses random dperlukan slot untuk menampung dar random poss dan random kecepatan. Melalu proses pembangktan partkel n dapat maka kumpulan partkel dapat terdstrbus secara acak. Poss dan kecepatan dar partkel drepresentaskan melalu vector. Vektor sepert dtunjukkan sebaga berkut :
3 Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 3 X k = (X k 1,X k 1,,X k n ) T V k = (V k 1,V k 1,,V k n ) T Untuk jens mata kulah praktkum mengkut pembebanan yang telah dtentukan oleh masng masng prod tap jurusan. Msalkan, data kulah yang dgunakan sebaga berkut : Tabel 1 Data Kulah d_ kulah d_ matkul d_ dosen d_ kelas nama_ matkul KUL DSN59 KLS24 Prak. Keamanan dan Jarngan Komputer KUL DSN38 KLS25 Prak. Keamanan dan Jarngan Komputer KUL DSN61 KLS03 Algortma dan Pemrogram an (Java) KUL DSN62 KLS04 Algortma dan Pemrogram an (Java) nama_ dosen status_ dosen nama_ kelas RMT TETAP 3SI WNS TETAP 3SI JNS TETAP 1TIA DYH TETAP 1TIB 2. Menentukan nla ftness masng masng partkel Tabel 2 Batasan Constrant No Batasan Tdak bentrok dosen Tdak bentrok matakulah Tdak bentrok ruangan Dar nla ftness yang ddapat akan menentukan pelanggaran pelanggaran konstran dar penjadwalan kulah. Apabla pada tap - tap partkel terjad pelanggaran terhadap konstran konstran datas maka nla ftness masng masng partkel akan d-ncrement sebanyak satu untuk tap pelanggaran yang terjad. 3. Proses Update Velocty dan Poss Nla dar local best dan global best yang ddapat akan dgunakan untuk proses update kecepatan dan update poss. Adapun 3 parameter yang mempengaruh pencaran pada algortma partcle swarm optmzaton n adalah w (nerta weght), c1 (faktor learnng
4 4 Rasha Ashla Rachman local partkel), c2 (faktor learnng global partkel) yang dgabungkan dalam satu persamaan [3] : = w *V k + c1 * rnd * (p - X k ) + c2 * rnd * (p g k - X k ) (3) V k 1 Dmana : w = faktor nersa (nerta weght) V k = kecepatan X k = poss rnd = parameter random range 0-1 c1, c2 = konstanta akseleras (learnng rate) p = local best g p k = global best = partkel Persamaan datas adalah persamaan yang dgunakan untuk proses update velocty (update kecepatan) untuk masng - masng partkel dengan menggunakan nla ftness terbak yang ddapat dar perulangan partkel. Perumusan dar update velocty n menggunakan beberapa parameter random (rnd) dengan range 0-1 untuk mendapatkan nla velocty yang bak. Proses terakhr yang dlakukan adalah update poss dar nla update velocty, sepert pada persamaan [4]: X k 1 = X k + V k 1 (4) 3 Perancangan Perancangan mengena aplkas n sepert yang tampak pada gambar-gambar berkut: Gambar 1 Use Case Dagram Use case dagram dgunakan untuk menggambarkan bagamana sstem akan dbangun. Aplkas penjadwalan kulah n dperuntukkan untuk satu orang pengguna (admn).
5 Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 5 Gambar 2 Flowchart Sstem Proses penjadwalan kulah menggunakan Partcle Swarm Optmzaton (PSO) dapat dlhat pada flowchart Gambar 2 datas. Proses awal yang dlakukan adalah nsalsas partkel awal dan parameter perkulahan yang dgunakan untuk proses penjadwalan kulah dengan Algortma PSO. Untuk melakukan proses pembangktan poss dan kecepatan awal maka kta mengambl data pertemuan kulah dar database yang dperlukan untuk proses random untuk poss dan kecepatan yang dmsalkan sebaga slot. Setelah tu kta htung nla ftness dar tap partkel sesua dengan jumlah partkel. Lalu kta menghtung nla local best dan nla global best yatu nla partkel terbak dar semua partkel local best. Kemudan kta melakukan tahapan htung velocty partkel yang dgunakan untuk update nla velocty untuk semua partkel. Apabla krtera berhent tercapa maka proses pun berhent.
6 6 Rasha Ashla Rachman Gambar 3 Entty Relatonshp Dagram Gambar 3. datas menjelaskan perancangan Entty Relatonshp Dagram yang merupakan tabel tabel yang akan dgunakan untuk aplkas penjadwalan kulah. Dar gambar 3 datas dapat dlhat bahwa tabel jadwal memlk semua d dar tabel lan yang menjad foregn key pada tabel jadwal. Tabel dbawah n akan menjelaskan kegunaan dar masng masng tabel. Tabel 3 Penjelasan Tabel dalam ERD Nama Tabel Penjelasan Admn Tabel untuk menympan data admn Mata Kulah Tabel untuk menympan data mata kulah Dosen Tabel untuk menympan data dosen Kelas Tabel untuk menympan data kelas Ruang Tabel untuk menympan data ruangan Ruang _praktkum Tabel untuk menympan data ruang praktkum Kulah Tabel untuk menympan data pertemuan kulah Slot Tabel untuk menympan data slot 4 Hasl dan Dskus Adapun urutan proses yang dlakukan dalam partcle swarm optmzaton untuk penjadwalan kulah n adalah : 1. Buat suatu bass data yang menampung data perkulahan, msalkan tabelnya :
7 Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 7 Tabel 4 Bass Data Perkulahan ID KULIAH ID MATKUL ID DOSEN ID KELAS KUL01 1 DSN83 KLS01 KUL02 1 DSN53 KLS02 KUL03 1 DSN53 KLS03 KUL04 1 DSN53 KLS04 KUL05 1 DSN83 KLS07 2. Buat suatu slot yang akan menampung poss dan velocty dengan ukuran hasl kal jumlah jam, jumlah har, dan jumlah kelas. Slot = jumlah jam x jumlah har x jumlah kelas = 10 x 6 x 38 = 2280 slot Gambaran dar slot awal yang akan dgunakan untuk tap partkel adalah sebaga berkut : Gambar 4 Representas Poss awal dalam slot Berdasarkan gambar 4 datas ddapat nla poss (x) awal, sebaga berkut : x0=0 x5=5 x10=10 x15=15 x20=20 x25=25 x1=1 x6=6 x11=11 x16=16 x21=21 x26=26 x2=2 x7=7 x12=12 x17=17 x22=22 x27=27 x3=3 x8=8 x13=13 x18=18 x23=23 x28=28 x4=4 x9=9 x14=14 x19=19 x24=24 x29=29 x0 mengnsalsakan poss ke 0 atau poss awal ddalam slot. Kemudan masukkan d perkulahan ke dalam slot secara acak. Hal n dlakukan hngga seluruh slot ters. Dmsalkan proses memasukkan d perkulahan dapat dlhat pada Gambar 5 d bawah n :
8 8 Rasha Ashla Rachman Gambar 5 Representas Pembangktan Poss dan Velocty 3. Tentukan parameter parameter PSO dmsalkan : jumlah partkel = 4, jumlah teras = 1, w = 0.9, c1 = 2.5, c2 = 2.5 Kemudan tentukan populas awal secara random, untuk awal proses nla velocty sama dengan nla poss. Setap terjad pelanggaran maka nla ftness akan dncrement sebanyak satu karena nla ftness merealsaskan jumlah bentrokan yang terjad sehngga ddapat nla ftness sebaga berkut : - Nla ftness untuk partkel 1. f1 = 6 - Nla ftness untuk partkel 2. f2 = 2 - Nla ftness untuk partkel 3. f3 = 5 - Nla ftness untuk partkel 4. f4 = 4 Dar nla ftness yang sudah ddapat, kta dapat menentukan nla local best dan global best. Adapun nla local best n adalah ftness yang mempunya nla bentrokan / pelanggaran palng sedkt dan nla global best adalah nla local best yang palng bak dar setap teras sehngga ddapat nla local best sebaga berkut : - Local best = 2 Setelah ddapat nla local best kta dapat menentukan nla global best. Pada perhtungan manual n jumlah teras = 1 dmaksudkan sebaga teras awal. Maka pada teras awal nla local best sama dengan nla global best, sehngga ddapat nla global best sebaga berkut : - Global best = 2 4. Update velocty ( kecepatan ). Setap partkel yang berpndah dar satu poss ke poss yang lan dpengaruh oleh suatu velocty (kecepatan) yang menggambarkan perpndahan poss. Ddalam persamaan untuk mencar velocty terdapat parameter random yang berada pada range 0-1. Nla poss (x) awal yang telah dtentukan dmasukkan ke dalam persamaan velocty [3] : x0=0 x5=5 x10=10 x15=15 x20=20 x25=25 x1=1 x6=6 x11=11 x16=16 x21=21 x26=26 x2=2 x7=7 x12=12 x17=17 x22=22 x27=27 x3=3 x8=8 x13=13 x18=18 x23=23 x28=28 x4=4 x9=9 x14=14 x19=19 x24=24 x29=29
9 Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 9 sehngga ddapat nla velocty sebaga berkut : v0=3 v5=10 v10=12 v15=16 v20=21 v25=23 v1=1 v6=5 v11=10 v16=14 v21=19 v26=23 v2=2 v7=4 v12=8 v17=13 v22=15 v27=19 v3=-2 v8=2 v13=7 v18=16 v23=21 v28=20 v4=4 v9=8 v14=-2 v19=2 v24=14 v29=19 5. Update poss Adapun proses update poss menggunakan persamaan [4]. Sehngga ddapat poss baru yang merupakan hasl tambah poss yang lama dengan velocty yatu: x0=3 x5=15 x10=22 x15=2 x20=12 x25=19 x1=2 x6=11 x11=21 x16=1 x21=11 x26=20 x2=4 x7=11 x12=20 x17=1 x22=8 x27=17 x3=1 x8=10 x13=20 x18=5 x23=15 x28=19 x4=8 x9=17 x14=12 x19=9 x24=9 x29=19 Jka poss baru yang ddapatkan dtamplkan ke dalam bentuk representas poss, maka dapat dlhat pada gambar 6 d bawah n: Gambar 6 Representas Poss Baru 4.1 Pengujan Aplkas 1. Ftur Menu Penjadwalan Kulah 1) Menu Proses Penjadwalan Kulah Menu Penjadwalan kulah n memlk dua sub menu yatu Lhat Jadwal dan Proses Penjadwalan Kulah. Pada menu Proses Penjadwalan kulah dlakukan proses dar mplementas metode Partcle Swarm Optmzaton. Dengan menekan tombol Mula Proses Penjadwalan Kulah untuk mendapatkan hasl penjadwalan kulah sepert yang dlhat pada Gambar 10 berkut n :
10 10 Rasha Ashla Rachman Gambar 7 Halaman Proses Penjadwalan Kulah 5 KESIMPULAN 1. Masalah penjadwalan kulah dapat drepresentaskan ke dalam slot yang merupakan tahapan dar metode PSO yang selanjutnya dapat dbuat program untuk menghaslkan jadwal kulah dengan memenuh aturan aturan penjadwalan dan parameter parameter PSO yang dgunakan. 2. Berdasarkan pengujan parameter yang dlakukan, jumlah partkel yang lebh besar dapat mempengaruh hasl solus yang lebh bak walaupun membutuhkan waktu yang lebh lama dalam pemrosesannya. 3. Spesfkas dar komputer yang dpaka berpengaruh terhadap waktu proses penjadwalan kulah. Spesfkas yang tngg dar komputer yang dpergunakan untuk pengujan dapat menjalankan partkel yang lebh bak dalam pemrosesan penjadwalan kulah dan dapat menghaslkan waktu proses yang lebh cepat. 4. Webste n sudah dapat menghaslkan jadwal kulah, namun mash terdapat bentrokan jadwal dkarenakan langkah langkah PSO yang banyak memlk proses random sehngga tdak sepert penjadwalan kulah yang sesungguhnya. DAFTAR PUSTAKA [1] Alrjadjs. (2010). Optmas Parameter Kontroler PID Berbass Algortma Partcle Swarm Optmzaton (PSO) Untuk Sstem Dengan Waktu Tunda. Insttut Teknolog Sepuluh Nopember. Surabaya. [2] Aran, Dan. (2010). Optmas Penjadwalan Mata Kulah Dengan Menggunakan Algortma Partcle Swarm Optmzaton (PSO). Polteknk Elektronka Neger Surabaya-Insttut Teknolog Sepuluh Nopember. Surabaya. [3] Gazal, Harry Rahmat. (2010). Penjadwalan Kulah Menggunakan Genetc Algorthm. Polteknk Caltex Rau. Pekanbaru. [4] Shau, Der-Fang,. (2011). A Hybrd Partcle Swarm Optmzaton for a Unversty Course Schedulng Problem wth Flexble Preferences. Fooyn Unversty, Kaohsung, Tawan, ROC. [5] Suyanto. (2010). Algortma Optmas Determnstk atau Probablstk. Yogyakarta [6] Zerda, Ev Ra. (2009). Analss dan Penerapan Algortma Partcle Swarm Optmzaton (PSO) pada Optmas Penjadwalan Sumber Daya Proyek. Insttut Teknolog Telkom. Bandung..
PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
Lebih terperinciAPLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)
APLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) Irfrans Kusmarna, Luh Kesuma Wardhan 2, Muhammad Safrzal 3,3 Jurusan Teknk Informatka, Fakultas Sans dan Teknolog,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciRoy Madi Mahasiswa Teknik Informatika, FT UMRAH
OPTIMASI WAKTU KEBERANGKATAN FERRY TANJUNGPINANG BATAM DENGAN METODE PARTICLE SWARM OPTIMIZATION (Stud Kasus : Pelabuhan Sr Bntan Pura, Kota Tanjungpnang) Roy Mad Mahasswa Teknk Informatka, FT UMRAH (roymad0@gmal.com)
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Pustaka 2.1.1 Tmetable Tmetable merupakan alokas subjek yang memlk kendala untuk dtempatkan pada ruang waktu (Gan dkk, 2004). Permasalahan Tmetable cukup luas. Masalah
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB 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 terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciBAB 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 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 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 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 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 terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
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 terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBab III 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciPENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION
PENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION Yudh Purwananto Rully Soelaman dan Bambang Santoso. Fakultas Teknolog Informas Insttut Teknolog Sepuluh Nopember
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciImplementasi Metode Particle Swarm Optimization-Dempster Shafer untuk Diagnosa Indikasi Penyakit pada Budidaya Ikan Gurami
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 2, Februar 2018, hlm. 503-509 http://j-ptk.ub.ac.d Implementas Metode Partcle Swarm Optmzaton-Dempster Shafer untuk
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
Lebih terperinciBAB 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 II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
Lebih terperinciOPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO)
OPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO) Efrta Arfah Z Jurusan Teknk Elektro, FTI-ITATS Surabaya Jl. Aref Rahman Hakm 100 Tlp
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 terperinciOPTIMASI MASALAH PENUGASAN. Siti Maslihah
JPM IIN ntasar Vol. 01 No. 2 Januar Jun 2014, h. 95-106 OPTIMSI MSLH PNUGSN St Maslhah bstrak Pemrograman lner merupakan salah satu lmu matematka terapan yang bertuuan untuk mencar nla optmum dar suatu
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB 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 terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciPENJADWALAN PRODUKSI di PT MEUBEL JEPARA PROBOLINGGO
Prosdng Semnar Nasonal Manajemen Teknolog III Program Stud MMTITS, Surabaya 4 Pebruar 2006 PENJADWALAN PRODUKSI d PT MEUBEL JEPARA PROBOLINGGO Mohammad Khusnu Mlad, Bobby Oedy P. Soepangkat, Nurhad Sswanto
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciBab 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 II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
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 III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 II TINJUN PUSTK 2.1 Manaemen Proyek 2.1.1 Pengertan Manaemen Proyek Sebelum mengemukakan apa art dar Manaemen Proyek, terlebh dahulu akan mengetahu art dar Manaemen dan Proyek tu. Menurut Hamng dan Nurnaamuddn
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB 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 terperinciAnalisis Kecepatan Dan Percepatan Mekanisme Empat Batang (Four Bar Lingkage) Fungsi Sudut Crank
ISSN 907-0500 Analss Kecepatan Dan Percepatan Mekansme Empat Batang (Four Bar ngkage Fungs Sudut Crank Nazaruddn Fak. Teknk Unverstas Rau nazaruddn.unr@yahoo.com Abstrak Pada umumnya analss knematka dan
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciBAB 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 terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih 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 III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciKata kunci: development planning, development index, integer linear programming
FORMULASI DEVELOPMENT INDEX UNTUK OPTIMASI RENCANA PENGEMBANGAN INSTITUSI PENDIDIKAN TINGGI: STUDI KASUS PROGRAM STUDI X SURABAYA Suseno Bud Prasetyo Jurusan Teknk Industr-FTI Unverstas Pembangunan Nasonal
Lebih terperinciBab III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciREKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA
REKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA Jl. Boulevard Bntaro Sektor 7, Bntaro Jaya Tangerang Selatan 15224 PENDAHULUAN Bangktan perjalanan (Trp generaton model ) adalah suatu tahapan
Lebih terperinci2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil
.1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)
Lebih terperinciIII. METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
8 III. METODE PENELITIAN A. Metode Peneltan Metode peneltan adalah suatu cara yang dpergunakan untuk pemecahan masalah dengan teknk dan alat tertentu sehngga dperoleh hasl yang sesua dengan tujuan peneltan.
Lebih terperinciMETODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
TESIS METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS Oleh : I Made Wdartha NRP. 5109201009 Dosen Pembmbng : Dr. Agus Zanal Arfn, S.Kom, M.Kom Anny Yunart, S.Kom, M.Comp.Sc
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciPROSEDUR MENGGUNAKAN STRATIFIED RANDOM SAMPLING METHOD DALAM MENGESTIMASI PARAMETER POPULASI
JEMI, Vol 1, No 1, Desember 2010 PROSEDUR MENGGUNAKAN STRATIFIED RANDOM SAMPLING METHOD DALAM MENGESTIMASI PARAMETER POPULASI Des Rahmatna, SPd, MSc (Unverstas Martm Raja Al Haj) ABSTRAKSI Peneltan n dmaksudkan
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinci