Optimasi Fungsi Keanggotaan Fuzzy
|
|
- Lanny Pranoto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Optmas Fungs Keanggotaan Fuzzy Tsukamoto Dua Tahap Menggunakan Algortma Genetka Pada Pemlhan Calon Penerma Beasswa dan BBP-PPA (Stud Kasus: PTIIK Unverstas Brawjaya Malang) Bunga Amela Restuputr 1, Wayan Fdaus Mahmudy 2, Imam Cholssodn 3 Teknk Informatka, Program Teknolog Informas dan Ilmu Komputer, Unverstas Brawjaya Emal : 1 bungamelarestuputr@gmal.com, 2 wayanfm@ub.ac.d, 3 mamcs@ub.ac.d ABSTRAK Beasswa merupakan suatu bentuk bantuan keuangan yang dberkan kepada sesorang yang sedang menempuh bdang penddkan dengan tujuan dapat menngkatkan prestas dan menngkatkan pemerataan kesempatan belajar d perguruan tngg Bag mahasswa, beasswa menjad salah satu alternatf untuk menunjang bdang penddkan. Adanya sstem pendukung keputusan sebaga penentuan dalam penermaan beasswa agar beasswa yang dberkan tepat sasaran. Kenyataannya, dalam sstem pendukung keputusan dengan menggunakan konsep logka fuzzy terkadang mash menghaslkan hasl akhr yang belum optmal. Maka dar tu, dalam proses dar logka fuzzy dapat dlakukan optmas, salah satunya optmas fungs keanggotaan. Fungs keanggotaan dalam logka fuzzy merupakan nla batas-batas dar nla nput yang basanya dtentukan oleh seorang pakar. Pada peneltan n, metode optmas yang dgunakan adalah Algortma Genetka dan logka fuzzy menggunakan Sstem Inferens Fuzzy Metode Tsukamoto. Algortma genetka merupakan sebuah algortma yang sangat efektf dalam optmas dan dapat memecahkan suatu masalah yang kompleks. Hasl akhr dar algortma genetka adalah sebuha solus yang drepresentaskan dalam sebuah kromosom atau ndvdu dar suatu populas. Dalam proses algortma genetka, untuk menghaslkan solus terbak atau optmal maka terdapat proses reproduks dan seleks untuk setap kromosom. Berdasarkan hasl uj coba pada peneltan n, nla parameter algortma genetka yang terbak yatu ukuran populas sebesar 80 untuk penentuan Beasswa-PPA dan BBP-PPA. Selanjutnya, jumlah generas sebesar 150 untuk penentuan Beasswa-PPA dan 100 generas untuk BBP-PPA. Nla crossover rate dan mutaton rate untuk penentuan Beasswa dan BBP-PPA adalah masngmasng 0.5 dan 0.5. Kata Kunc : Algortma genetka, optmas fungs keanggotaan fuzzy, FIS Tsukamoto 1. PENDAHULUAN 1.1 Latar Belakang Beasswa merupakan suatu bentuk bantuan keuangan yang dberkan kepada sesorang yang sedang menempuh bdang penddkan dengan tujuan dapat menngkatkan prestas dan menngkatkan pemerataan kesempatan belajar d perguruan tngg. Bag mahasswa, beasswa menjad salah satu alternatf untuk menunjang bdang penddkan dmana zaman sekarang baya penddkan d unverstas neger semakn tngg, yatu dengan adanya Uang Kulah Tunggal (UKT). Akan tetap, dalam pemberan bantuan baya penddkan n terkadang terdapat masalah salah satunya yatu ketdaktepatan sasaran beasswa yang dberkan kepada mahasswa yang seharusnya layak mendapatkan. Banyak faktor yang dapat mengakbatkan masalah n serng muncul d banyak unverstas neger, salah satunya penetuan beasswa yang mash berjalan manual sehngga beasswa yang dberkan tdak tepat sasaran karena adanya unsur subyektftas dan ketdakkonsstenan dar tm penla. Selan tu, banyaknya data dan proses untuk penentuan beasswa dapat 1 menyebabkan lamanya hasl keputusan penentuan beasswa. Banyak peneltan yang berkatan dengan pendukung keputusan pemlhan beasswa, salah satunya adalah Iskandar (2012) melakukan peneltan mengena sstem pendukung keputusan untuk menyeleks calon penerma Beasswa PPA dan BBM dengan menggunakan metode Fuzzy AHP. Pada peneltan n krtera yang dgunakan untuk pendukung keputusan antara lan, nla Indeks Prestas Akademk (IPK), penghaslan orang tua, pagam penghargaan, taghan lstrk, taghan telepon, taghan PDAM, pembayaran PBB, dan tanggungan orang tua. Hasl akhr dar peneltan n memlk keakuratan dengan hasl kemahasswaan yatu Beasswa PPA sebesar 80% dan Beasswa BBM sebesar 33,33%. Pada peneltan n, metode penentuan beasswa yang dgunakan adalah nferens fuzzy model Tsukamoto. Tahapan dalam metode fuzzy Tsukamoto adalah yang pertama menentukan fungs keanggotaan, kemudan menentukan rules dar krtera atau parameter yang dgunakan, dan yang terakhr dlakukan perhtungan berupa hasl Restuputr, BA, Mahmudy, WF & Cholssodn, I 2015, 'Optmas fungs keanggotaan fuzzy Tsukamoto dua tahap menggunakan algortma genetka pada pemlhan calon penerma beasswa dan BBP-PPA (stud kasus: PTIIK Unverstas Brawjaya Malang)', DORO: Repostory Jurnal Mahasswa PTIIK Unverstas Brawjaya, vol. 5, no. 15.
2 keputusan pemlhan calon penerma beasswa. Inferens fuzzy model Tsukamoto n nantnya akan dlakukan perhtungan secara dua tahap (Anas, 2012). Alasan dar penggunaan nferens fuzzy dua tahap adalah dkarenakan jumlah krtera penentuan yang akan dgunakan banyak sehngga akan menghaslkan rules yang banyak juga. Salah satu tahapan metode fuzzy Tsukamoto yatu menentukan fungs keanggotaan, dalam tahapan n dapat dkembangkan dengan menggunakan metode optmas fungs keanggotaan, yatu Algortma Genetka. Kelebhan metode Algortma Genetka dbandngkan dengan metode optmas lannya adalah algortma genetka dapat memecahkan suatu masalah yang kompleks dan memlk ruang pencaran (search space) yang luas (Gen & Cheng dalam Mahmudy, 2013). Selan tu, algortma genetka dapat memecahkan masalah optmas dalam bdang computer scence dengan tngkat kesuksesan yang tngg (Anggarawan, 2014). Dengan adanya optmas pada fungs keanggotaan menggunakan metode algortma genetka penentuan pemlhan calon penerma beasswa menggunakan metode fuzzy Tsukamoto dapat menyelesakan masalah, yatu hasl pemlhan calon penerma beasswa lebh akurat dar peneltan Iskandar (2012). 1.2 Rumusan Masalah Berdasarkan permasalahan yang terdapat dalam latar belakang, maka terdapat beberapa rumusan masalah, yatu: 1. Bagamana mengmplementas Algortma Genetka untuk optmas fungs keanggotaan Fuzzy Tsukamoto pada Pemlhan Calon Penerma Beasswa-PPA dan BPP-PPA. 2. Bagamana menentukan parameter Algortma Genetka yang tepat pada optmas fungs keanggotaan fuzzy Tsukamoto 3. Bagamana tngkat akuras sstem nferens fuzzy Tsukamoto yang telah doptmas menggunakan Algortma Genetka. 1.3 Batasan Masalah Batasan masalah yang terdapat dalam peneltan n, adalah: 1. Data mahasswa calon penerma Beasswa dan BBP PPA sebanyak 30 mahasswa PTIIK UB. 2. Data parameter penentuan pemlhan calon penerma beasswa, sepert IPK, penghaslan orang tua, pagam penghargaan, taghan rekenng lstrk, taghan telepon, taghan PDAM, pembayaran PBB, dan tanggungan orang tua/wal. 3. Pengolahan data menggunakan model Logka Fuzzy Tsukamoto dua tahap dan metode optmas keanggotaan menggunakan Algortma 2 Genetka. 1.4 Tujuan Peneltan Adapun tujuan yang dharapkan oleh penuls dalam peneltan, antara lan: 1. Mengmplementaskan Algortma Genetka untuk optmas fungs keanggotaan Fuzzy Tsukamoto pada Pemlhan Calon Penerma Beasswa-PPA dan BBP-PPA. 2. Menentukan parameter Algortma Genetka yang tepat pada optmas fungs keanggotaan fuzzy Tsukamoto. 3. Mengetahu tngkat akuras sstem nferens fuzzy Tsukamoto yang telah doptmas menggunakan Algortma Genetka. 1.5 Manfaat Peneltan Manfaat yang terdapat dalam peneltan, antara lan: 1. Mempermudah dalam pengamblan keputusan pemlhan calon penerma Beasswa-PPA dan BPP-PPA pada PTIIK Unverstas Brawjaya Malang. 2. Mendapatkan hasl keputusan pemlhan calon penerma Beasswa-PPA dan BBP-PPA lebh optmal dar peneltan sebelumnya. 3. Mendapatkan hasl keputusan penentuan beasswa Beasswa-PPA dan BBP-PPA lebh tepat sasaran. 4. Menjad lebh efektf dan efsen dalam perhtungan pengamblan keputusan pemlhan calon penerma Beasswa-PPA dan BBP-PPA pada PTIIK Unverstas Brawjaya Malang. 2. TINJAUAN PUSTAKA 2.1 Beasswa Beasswa merupakan suatu bentuk bantuan keuangan yang dberkan kepada sesorang yang sedang menempuh bdang penddkan. D Indonesa beasswa sudah sangat banyak dselenggarakan oleh Drektorat Jenderal Penddkan Tngg (DIKTI) maupun sebuah perusahaan-perusahaan yang pedul dengan duna penddkan. Dalam penyelenggaraannya, beasswa banyak dtawarkan kepada perguruan tngg. Salah satu program beasswa yang dtawarkan khusus untuk mahasswa perguruan tngg oleh Drektorat Jenderal Penddkan Tngg (DIKTI), yatu Beasswa Penngkatan Prestas Akademk (Beasswa-PPA) dan Bantuan Baya Penddkan Penngkatan Prestas Akademk (BBP-PPA). Dalam penjelasannya yang dmaksud dengan Beasswa- PPA adalah bantuan baya penddkan yang dberkan oleh pemerntah untuk mahasswa yang memlk prestas bak dalam akademk. Sedangkan yang dmaksud dengan BBP-PPA adalah bantuan baya penddkan yang dberkan oleh pemerntah Restuputr, BA, Mahmudy, WF & Cholssodn, I 2015, 'Optmas fungs keanggotaan fuzzy Tsukamoto dua tahap menggunakan algortma genetka pada pemlhan calon penerma beasswa dan BBP-PPA (stud kasus: PTIIK Unverstas Brawjaya Malang)', DORO: Repostory Jurnal Mahasswa PTIIK Unverstas Brawjaya, vol. 5, no. 15.
3 kepada mahasswa yang memlk keterbatasan ekonom dalam membaya baya penddkan d perguruan tngg (Salah, 2014). 2.2 Sstem Inferens Fuzzy Tsukamoto Sstem Inferens Fuzzy (Fuzzy Inference System / FIS) merupakan suatu sstem yang melakukan perhtungan berdasarkan pada konsep teor hmpunan fuzzy, aturan fuzzy, dan konsep logka fuzzy (Kusumadew, 2003). Dalam sstem nferens fuzzy terdapat nput fuzzy berupa nla crsp. Kemudan, nla crsp akan dhtung berdasarkan aturan-aturan yang telah dbuat menghaslkan besaran fuzzy dsebut proses fuzzyfkas. Proses selanjutnya, deffuzyfkas yatu proses dmana merubah besaran fuzzy menjad nla crsp sebaga output dar sstem. Sstem nferens metode fuzzy Tsukamoto menggunakan rules based atau bass aturan dalam bentuk sebab-akbat atau f-then. Cara perhtungan pada metode fuzzy Tsukamoto adalah langkah pertama membuat suatu aturan fuzzy yang dbentuk mewakl hmpunan fuzzy. Selanjutnya, dhtung derajat keanggotaan sesua dengan aturan yang telah dbuat. Setelah dketahu nla derajat keanggotaan dar masng-masng aturan fuzzy, langkah selanjutnya mencar nla alpha predkat dengan cara menggunakan operas hmpunan fuzzy. Langkah terakhr adalah proses defuzzfkas dmana mencar nla output berupa nla crsp (z) dengan menggunakan metode Center Average Defuzzyfer. Persamaan 1 merupakan persamaan deffuzfkas. α _ p z Z = (1) α _ p Keterangan : Z = defuzzfkas rata-rata terpusat (Center Average Defuzzyfer) α _ p = nla alpha predkat (nla mnmal dar derajat keanggotaan) z = nla crsp yang ddapat dar hasl nferens = jumlah aturan fuzzy 2.3 Sstem Inferens Fuzzy Dua Tahap Secara umum sstem nferens fuzzy melput 3 tahap, yatu fuzzyfkas, nferens, dan deffuzfkas. Proses dalam masng-masng tahapan sstem nferens fuzzy membutuhkan waktu sendr sehngga menjad tdak efsen. Solus dar permasalahan tersebut adalah dengan menggunakan Sstem Inferens Fuzzy Dua Tahap (Fattouh, 2012). Dalam peneltan Fattouh (2012) menyatakan bahwa penggunaan nferens fuzzy dua tahap dapat mengurang waktu operas. Pada sstem nferens fuzzy dua tahap, tahapan deffuzzfkas akan dgunakan sebaga nla nput untuk tahapan 3 fuzzyfkas selanjutnya. Pada permasalahan optmas fungs keanggotaan, terdapat dua hmpunan krtera, krtera postf dan krtera negatf. Krtera postf melput IPK, tanggungan orang tua, dan pagam. Sedangkan, krtera negatf melput penghaslan orang tua, taghan telepon, lstrk, PDAM, dan PBB. Bass aturan krtera postf Nla output krtera postf Deffuzfkas Bass aturan krtera negatf Nla output krtera negatf Bass aturan fuzzy tahap2 Deffuzfkas Nla output keputusan beasswa Fuzzy tahap 1 Fuzzy tahap 2 Gambar 1 Sstem nferens fuzzy dua tahap 2.4 Algortma Genetka Dalam bdang kecerdasan buatan terdapat suatu teknk pemecahan dmana konsep metode yang dgunakan mengadaptas proses evolus seleks alam makhluk hdup dan genetk. Teknk pemecahan masalah n basa dsebut dengan Algortma Genetka (Genetc Algorthms), algortma genetka dapat memecahkan masalah dengan cara mendapatkan solus optmal. Sebaga contoh masalah yang memerlukan solus optmal adalah mnmalsas baya, maksmalsas keuntungan, efsens jadwal, dan penggunaan sumber daya (Laudon, 2008). Defns dar algortma genetka sendr adalah suatu teknk pemecahan masalah secara heurstk yang mengadaptas pada proses seleks alam makhluk hdup dan genetk. Algortma genetka memlk enam komponen utama, dantaranya adalah ndvdu, nla ftness, crossover, mutas evaluas, dan seleks,. Indvdu dalam algortma genetka merupakan sebuah kromosom yang dbentuk atau dbangktkan secara acak. Kromosom n nantnya setelah melalu proses algortma genetka akan menjad sebuah solus permasalahan. Kumpulan dar ndvdu basanya dsebut dengan populas. Ukuran populas yang dbentuk dalam algortma genetka Restuputr, BA, Mahmudy, WF & Cholssodn, I 2015, 'Optmas fungs keanggotaan fuzzy Tsukamoto dua tahap menggunakan algortma genetka pada pemlhan calon penerma beasswa dan BBP-PPA (stud kasus: PTIIK Unverstas Brawjaya Malang)', DORO: Repostory Jurnal Mahasswa PTIIK Unverstas Brawjaya, vol. 5, no. 15.
4 menyesuakan dengan permasalahan yang ada. Selanjutnya, setelah dbentuk suatu populas akan dhtung nla ftness dar masng-masng kromosom atau ndvdu. Nla ftness dalam algortma genetka dgunakan untuk menyeleks ndvdu yang terbak. Kualtas kromosom atau ndvdu dalam populas dtunjukkan pada nla ftness dar kromosom (Kusumadew, 2003). Proses crossover dan mutas merupakan proses reproduks untuk menghaslkan anak (offsprng) dar ndvdu yang terplh secara acak. Setelah menghaslkan sejumlah offsprng, proses selanjutnya adalah evaluas. Pada proses evaluas, offsprng akan dhtung nla ftnessnya. Kromosom atau ndvdu yang memlk nla ftness semakn besar maka semakn besar peluang kromosom menjad sebuah solus (Mahmudy, 2013). Untuk menghaslkan suatu solus yang optmal, terdapat proses seleks dengan cara memlh ndvdu-ndvdu dalam suatu populas berdasarkan nla ftness tertngg. 1. Representas Kromosom Pada optmas fungs keanggotaan fuzzy Tsukamoto untuk menentukan calon penerma beasswa dgunakan representas kromosom pengkodean real (real-coded) (Mahmudy, 2013). Alasan penggunaan representas kromosom n dkarenakan blangan yang dgunakan dalam batasbatas fungs keanggotaan fuzzy merupakan blangan pecahan dan bulat. Kromosom nsal dbangktkan secara random dan blangan random tersebut memlk rentang nla sesua dengan masng-masng krtera penentuan calon penerma beasswa atau fungs keanggotaan. sstem. Akuras sstem dhtung dengan menggunakan persamaan korelas spearman. Akuras sstem yang dlakukan adalah dengan menghtung nla bobot (Z) dar hasl sstem nferens fuzzy Tsukamoto kemudan dlakukan perankng-an. Korelas spearman merupakan ukuran antara hubungan dua varabel berdasarkan pe-rankng-an pada setap nla varabel (Supranto dalam Pradeka, 2012). Persamaan koefesen korelas spearman dnyatakan dalam persamaan 2. r s 6 = 1 n n 1 3 d 2 n Keterangan : r = koefsen koleras spearman s (2) d = selsh antara rankng yang dhaslkan antara dua varabel n = banyaknya data 3. Crossover Proses crossover yang dgunakan dalam peneltan n adalah one-cut-pont crossover. Dalam metode one-cut-pont crossover dlakukan dengan memlh ttk potong pada kromosom kemudan menukarkan nla gen parent satu dengan parent lannya (Mahmudy, 2013). Jumlah offsprng yang dhaslkan untuk proses crossover adalah offsprng = cr x popsze. Dmana cr adalah crossover rate dan popsze adalah ukuran populas. a b c d e f g h Gambar 2 Representas Kromosom Keterangan Gambar 5, adalah: a. Segmen gen krtera IPK b. Segmen gen krtera Penghaslan Orang Tua c. Segmen gen krtera Tanggungan Orang Tua d. Segmen gen krtera Taghan Telepon e. Segmen gen krtera Taghan Lstrk f. Segmen gen krtera Taghan PDAM g. Segmen gen krtera Pembayaran PBB h. Segmen gen krtera Keputusan Beasswa 2. Perhtungan Nla Ftness Pada masalah optmas akan dcar solus yang memaksmalkan fungs (h), maka nla ftness-nya bernla fungs tu, yatu f = h dmana f adalah nla ftness. Nla ftness yang dhtung untuk peneltan n ddapatkan dengan mencar akuras 4 P P C C Langkah awal one-cut-pont crossover adalah ambl beberapa bagan dar kromosom nduk pertama kemudan tukarkan dengan beberapa bagan lannya dar kromosom nduk kedua untuk menghaslkan satu offsprng (Mahmudy, 2013). Restuputr, BA, Mahmudy, WF & Cholssodn, I 2015, 'Optmas fungs keanggotaan fuzzy Tsukamoto dua tahap menggunakan algortma genetka pada pemlhan calon penerma beasswa dan BBP-PPA (stud kasus: PTIIK Unverstas Brawjaya Malang)', DORO: Repostory Jurnal Mahasswa PTIIK Unverstas Brawjaya, vol. 5, no. 15.
5 4. Mutas Proses reproduks mutas reprsentas kromosom real-coded menggunakan metode random mutaton. Nla gen yang terplh pada kromosom parent akan dhtung dengan menggunakan persamaan 3 (Mahmudy, 2013). x' = x' + r(max j mn ) (3) Keterangan : x' = nla gen dar parent yang terplh r = blangan random rentang nla [-0,1 0,1] max, mn = batasan nla dar gen yang terplh j P C Seleks Metode seleks yang dgunakan pada permasalahan optmas fungs keanggotan fuzzy adalah eltsm selecton. Pada metode eltsm selecton, populas parent dan populas offsprng dgabung menjad satu populas kemudan durutkan berdasarkan nla ftness tertngg dan ndvdu yang terplh sejumlah dengan populas awal dmana memlk nla ftness tertngg (Mahmudy, 2013). 3. METODOLOGI PENELITIAN Peneltan mengena optmas fungs keanggotaan fuzzy Tsukamoto dengan menggunakan metode algortma genetka dalam menentukan calon penerma Beasswa-PPA dan BBP-PA, memlk beberapa tahapan yang dtunjukkan pada Gambar 3. Stud Lteratur Pengumpulan Data Analss Kebutuhan Sstem Mendefnskan Bass Pengetahuan Perancangan Algortma Pengujan dan Analss Pengamblan Kesmpulan Gambar 3 Tahapan Peneltan Optmas Fungs Keanggotaan Fuzzy Tsukamoto menggunakan Algortma Genetka 3.1 Data Peneltan Data yang dgunakan dalam peneltan n adalah data dar peneltan Iskandar (2012) yang memuat sektar 30 data mahasswa PTIIK UB yang mendaftar sebaga calon penerma Beasswa-PPA dan BBP-PPA. Dalam data mahasswa terdapat data krtera atau parameter untuk menentukan penerma beasswa. Data krtera tersebut terdr dar 8 krtera nput, antara lan Indeks Prestas Kumulatf (IPK), penghaslan orang tua, pagam penghargaan, taghan rekenng lstrk, taghan telepon, taghan PDAM, pembayaran PBB, dan tanggungan orang tua/wal. 3.2 Perancangan Sstem Pada peneltan n, dlakukan optmas fungs keanggotaan dengan model fuzzy Tsukamoto untuk menentukan calon penerma Beasswa-PPA dan BBP-PPA. Algortma genetka akan membentuk batas-batas dar fungs keanggotaan fuzzy Tsukamoto sehngga hasl akhr dar penentuan calon penerma Beasswa-PPA dan BBP-PPA akan lebh akurat. Perancangan sstem untuk permasalahan optmas fungs keanggotaan dengan model fuzzy Tsukamoto untuk menentukan calon penerma Beasswa-PPA dan BBP-PPA dtunjukkan pada Gambar 4. Restuputr, BA, Mahmudy, WF & Cholssodn, I 2015, 'Optmas fungs keanggotaan fuzzy Tsukamoto dua tahap menggunakan algortma genetka pada pemlhan calon penerma beasswa dan BBP-PPA (stud kasus: PTIIK Unverstas Brawjaya Malang)', DORO: Repostory Jurnal Mahasswa PTIIK Unverstas Brawjaya, vol. 5, no
6 Mula Input data: nla cr dan mr, jumlah generas, populas sze Insalsas populas awal For =1 to jumlah generas One-cut-pont crossover Random mutaton FIS Tsukamoto dua tahap Menghtung ftness Eltsm selecton Gambar 5 Antarmuka menu Algortma Genetka Menu Indvdu Terbak merupakan tamplan antarmuka yang terdapat kromosom dar masng-masng krtera beserta nla ftness tertngg untuk setap generas. Kromosom atau ndvdu yang dtamplkan berdasarkan hasl dar perhtungan algortma genetka pada saat pengguna meng-nput-kan nla parameter algortma genetka. Pada Gambar 6 dtamplkan mplementas antarmuka untuk menu ndvdu terbak. Ftness Indvdu terbak Selesa Gambar 4 Sklus formulas permasalahan 4. IMPLEMENTASI Implementas antarmuka dalam Sstem Optmas Fungs Keanggotaan Fuzzy Tsukamoto yang dgunakan berbass webste. Antarmuka sstem optmas n dgunakan oleh pengguna untuk melakukan optmas batasan fungs keanggotaan kedalam sstem. Pengguna hanya meng-nput-kan nla parameter algortma genetka untuk mendapatkan hasl optmas. Dalam mplementas antarmuka terdapat 3 halaman utama yang dapat dakses oleh pengguna, antara lan menu Algortma Genetka, Indvdu Terbak, dan FIS Tsukamoto. Halaman menu Algortma Genetka menamplkan form nput untuk parameter algortma genetka, yatu jumlah generas, populas awal, crossover rate, dan mutaton rate. Pengguna mengnput-kan masng-masng nla dar parameter untuk mendapatkan hasl optmas batasan fungs keanggotaan fuzzy Tsukamoto. Tamplan halaman menu Algortma Genetka dtamplkan pada Gambar 5. Gambar 6 Antarmuka menu Indvdu Terbak Menu FIS Tsukamoto menamplkan hasl perhtungan FIS Tsukamoto dengan menggunakan hasl optmas batasan-batasan fungs keanggotaan. Setelah dlakukan perhtungan FIS Tsukamoto dengan hasl optmas batasan-batasan fungs keanggotaan, pada sstem dtamplkan data-data mahasswa yang telah drankng berdasarkan nla bobot. Tamplan menu FIS Tsukamoto dtunjukkan pada Gambar 7. Gambar 7 Antarmuka menu FIS Tsukamoto Restuputr, BA, Mahmudy, WF & Cholssodn, I 2015, 'Optmas fungs keanggotaan fuzzy Tsukamoto dua tahap menggunakan algortma genetka pada pemlhan calon penerma beasswa dan BBP-PPA (stud kasus: PTIIK Unverstas Brawjaya Malang)', DORO: Repostory Jurnal Mahasswa PTIIK Unverstas Brawjaya, vol. 5, no
7 5. PENGUJIAN DAN ANALISIS 5.1 Hasl dan Analss Pengujan Ukuran Populas Skenaro pengujan pertama akan dlakukan pengujan terhadap ukuran populas. Pengujan ukuran populas n bertujuan mengetahu ukuran populas yang tepat untuk menghaslkan nla ftness terbak. Pada saat melakukan pengujan ukuran populas, dgunakan generas sebanyak 100 generas dan nla crossover rate-mutaton rate sebesar 0.4 dan 0.2. Pengujan dlakukan sebanyak 5 kal pada masng-masng ukuran populas kemudan dhtung rata-rata nla ftness-nya. Pengujan n dlakukan terhadap optmas fungs keanggotaan fuzzy Tsukamoto pada penentuan Beasswa-PPA dan BBP-PPA. Hasl pengujan n dtunjukkan pada Gambar 8 untuk penentuan Beasswa-PPA dan Gambar 9 untuk penentuan BBP-PPA Gambar 8 Hasl pengujan populas Beasswa-PPA Berdasarkan hasl rata-rata nla ftness pengujan ukuran populas untuk penentuan Beasswa-PPA dapat dketahu rata-rata nla ftness terbesar adalah 9 dengan ukuran populas sebesar 80. Ukuran populas 80 nlah akan dgunakan dalam skenaro pengujan 2 untuk penentuan Beasswa-PPA. Sedangkan, rata-rata nla ftness terendah terletak pada ukuran populas sebanyak 20. Ftness Populas Beasswa-PPA Populas Populas BBP-PPA Populas Gambar 9 Hasl pengujan populas BBP-PPA pengujan populas untuk penentuan BBP-PPA terdapat pada ukuran populas sebesar 80 dengan rata-rata nla sebesar 4. Ukuran populas 80 akan dgunakan pada pengujan 2 untuk penentuan BBP-PPA. Berdasarkan hasl analss, semakn besar ukuran populas yang dgunakan, maka semakn besar mendapatkan hasl akhr yang optmal. Tetap, jka ukuran populas yang terlalu besar dapat mengakbatkan waktu eksekus algortma genetka lebh lama dan belum past mendapatkan hasl akhr yang lebh optmal (Pratw, 2014). 5.2 Hasl dan Analss Pengujan Kombnas Crossover Rate dan Mutaton Rate Skenaro pengujan kedua merupakan pengujan terhadap nla crossover rate (cr) dan mutaton rate (mr). Pengujan n bertujuan untuk mendapatkan nla cr dan mr yang tepat sehngga pada proses algortma genetka menghaslkan hasl akhr yang optmal. Grafk hasl pengujan terhadap nla crossover rate dan mutaton rate untuk masng-masng penentuan Beasswa-PPA dan BBP- PPA dtunjukkan pada Gambar 10 dan Gambar 11. Ftness ; ; ; 0.2 Cr dan Mr Beasswa-PPA 0.7 ; ; ; ; ; 0.7 Nla cr dan mr 0.2 ; ; ; 1 Gambar 10 Hasl pengujan kombnas crossover rate dan mutaton rate Beasswa-PPA Berdasarkan hasl rata-rata nla ftness pengujan untuk penentuan Beasswa-PPA terhadap dapat dketahu bahwa rata-rata nla ftness terbesar terdapat pada kombnas nla cr = 0. 5 dan mr = 0.5. Rata-rata nla ftness yang ddapat untuk nla cr = 0. 5 dan mr = 0. 5 adalah sebesar Sedangkan untuk penentuan BBP-PPA, hasl rata-rata nla ftness pengujan terhadap nla cr dan mr ddapatkan rata-rata nla ftness terbesar adalah 8 pada kombnas nla cr = 0. 5 dan mr = 0.5. Kombnas nla tersebut merupakan nla cr dan mr terbak yang akan dgunakan pada pengujan jumlah generas untuk penentuan BBP- PPA. Rata-rata nla ftness terbesar pada 7 Restuputr, BA, Mahmudy, WF & Cholssodn, I 2015, 'Optmas fungs keanggotaan fuzzy Tsukamoto dua tahap menggunakan algortma genetka pada pemlhan calon penerma beasswa dan BBP-PPA (stud kasus: PTIIK Unverstas Brawjaya Malang)', DORO: Repostory Jurnal Mahasswa PTIIK Unverstas Brawjaya, vol. 5, no. 15. Ftness
8 ; ; ; ; ; ; ; ; ; ; ; 1 Gambar 11 Hasl pengujan kombnas crossover rate dan mutaton rate BBP-PPA Berdasarkan hasl pengujan terhadap kombnas nla cr dan mr bahwa pengunaan kombnas nla cr tngg dan mr rendah menyebabkan algortma genetka lebh cepat mencapa konvergens (early convergence) dan tdak mampu mencar solus alternatf yang lebh bak. Sebalknya, jka menggunakan nla cr yang rendah dan nla mr tngg maka algortma genetka akan bekerja sepert random search dan tdak mampu untuk mengeksploras daerah pencaran secara efektf (Mahmudy, 2014). 5.3 Hasl dan Analss Pengujan Jumlah Generas Pada skenaro pengujan jumlah generas akan dlakukan pengujan terhadap jumlah generas yang dlakukan pada proses algortma genetka sendr. Dalam pengujan terhadap n bertujuan untuk mendapatkan jumlah generas tebak dmana dapat menghaslkan hasl akhr yang optmal. Pengujan terhadap jumlah generas untuk masngmasng penentuan Beasswa-PPA dan BBP-PPA dtunjukkan pada Gambar 12 dan Gambar 13. Ftness Cr dan Mr BBP-PPA Nla cr dan mr Generas Beasswa-PPA Generas Gambar 12 Hasl pengujan generas Beasswa-PPA Pengujan jumlah generas untuk penentuan Beasswa-PPA akan dgunakan nla parameter algortma genetka, antara lan ukuran populas sebanyak 80 populas dan nla cr = 0. 5 dan 8 mr = 0.5. Berdasarkan dar hasl pengujan dapat dketahu bahwa jumlah generas sebanyak 150 generas merupakan jumlah generas yang terbak untuk penentuan Beasswa-PPA dengan rata-rata nla ftness sebesar Sedangkan untuk penentuan BBP-PPA, ddapatkan hasl pengujan jumlah generas yatu sebanyak 100 generas dengan nla ftness sebesar Generas BBP-PPA Generas Gambar 13 Hasl pengujan generas BBP-PPA Berdasarkan hasl pengujan dapat dsmpulkan bahwa semakn besar jumlah generas yang dgunakan, maka semakn besar mendapatkan hasl akhr yang optmal. Tetap, jka jumlah generas yang terlalu besar dapat mengakbatkan waktu eksekus algortma genetka lebh lama dan belum past mendapatkan hasl akhr yang lebh bak dar jumlah generas sebelumnya. Hal tu dapat dlhat pada generas 150 yang tdak menunjukkan perubahan rata-rata nla ftness. Sebalknya, perubahan rata-rata nla ftness cenderung bernla sama (Pratw, 2014). 5.4 Hasl dan Analss Akuras Sstem Setelah ddapatkan nla dar masng-masng parameter algortma genetka, akan dlakukan pengujan terhadap akuras sstem. Akuras sstem merupakan pe-rankng-an data mahasswa dengan menggunakan hasl optmas dbandngkan dengan pe-rankng-an data mahasswa menurut pakar. Pengujan akuras sstem dlakukan sebanyak 5 kal untuk masng-masng penentuan Beasswa-PPA dan BBP-PPA. Nla parameter algortma genetka yang dgunakan adalah hasl dar pengujan skenaro ukuran populas, kombnas nla cr dan mr, dan jumlah generas. Pengujan akuras sstem untuk penentuan Beasswa-PPA dgunakan ukuran populas sebesar 80, kombnas nla cr dan mr yatu 0.5 dan 0.5, dan jumlah generas sebesar 150. Sedangkan untuk penentuan BBP-PPA, ukuran populas sebesar 80, kombnas nla cr = 0.5 dan mr = 0.5, dan jumlah generas sebanyak 100 generas. Data mahasswa Restuputr, BA, Mahmudy, WF & Cholssodn, I 2015, 'Optmas fungs keanggotaan fuzzy Tsukamoto dua tahap menggunakan algortma genetka pada pemlhan calon penerma beasswa dan BBP-PPA (stud kasus: PTIIK Unverstas Brawjaya Malang)', DORO: Repostory Jurnal Mahasswa PTIIK Unverstas Brawjaya, vol. 5, no. 15.
9 yang dgunakan pada pengujan n sebanyak 30 data mahasswa. Nla akuras sstem ddapatkan dengan menggunakan persamaan korelas spearman, persamaan 2. Jka nla akuras sstem bernla 1 maka hasl optmas fungs keanggotaan fuzzy Tsukamoto sama dengan hasl penentuan fungs keanggotaan menurut pakar. Sebalknya, jka bernla -1 haslnya bertolak belakang dengan pendapat pakar. Berdasarkan hasl pengujan akuras sstem untuk penentuan Beasswa-PPA memlk persentase akuras sebesar 98.9% dan BBP-PPA sebesar 98.7%. 6. PENUTUP 6.1 Kesmpulan Berdasarkan hasl pengujan dan analss, kesmpulan yang ddapat dar peneltan n antara lan: 1. Representas kromosom yang dgunakan pada peneltan n adalah real-coded yang mewakl nla batas-batas fungs keanggotaan fuzzy Tsukamoto. Selan tu, dengan proses crossover yang dgunakan adalah one-cut-pont crossover dan random mutaton untuk proses mutas, permasalahan optmas fungs keanggotaan fuzzy Tsukamoto mampu dselesakan. 2. Berdasarkan hasl pengujan yang telah dlakukan, dapat dsmpulkan bahwa penentuan nla nput parameter algortma genetka yang melput, jumlah generas, ukuran populas, nla crossover rate dan mutaton rate memlk pengaruh terhadap hasl akhr dar optmas fungs keanggotaan. Pada jumlah generas dan ukuran populas, semakn besar nla kedua parameter tersebut, maka semakn besar mendapatkan hasl akhr yang optmal. Tetap, jka jumlah generas yang terlalu besar dapat mengakbatkan waktu eksekus algortma genetka lebh lama dan belum past mendapatkan hasl akhr yang lebh optmal. 3. Hasl nla parameter algortma genetka yang ddapat dar sstem optmas fungs keanggotaan fuzzy Tsukamoto menggunakan metode algortma genetka adalah ukuran populas sebesar 80 dengan rata-rata nla ftness 9. Kombnas nla cr dan mr adalah 0.5 dan 0.5, dan jumlah generas sebanyak 150 generas untuk penentuan Beasswa-PPA. Sedangkan untuk penentuan BBP-PPA, ukuran populas terbak adalah 80, kombnas nla cr dan mr adalah 0.5 dan 0.5, dan jumlah generas sebanyak 100 generas. 4. Hasl akuras sstem dengan menggunakan perhtungan korelas spearman ddapatkan untuk penentuan Beasswa-PPA sebesar 98.9% dan penentuan BBP-PPA sebesar 98.7%. Hasl 9 akuras n menunjukkan penngkatan dar peneltan Iskandar (2012) yang membuktkan bahwa algortma genetka mampu menghaslkan hasl akhr yang optmal. 6.2 Saran Sstem optmas fungs keanggotaan fuzzy Tsukamoto menggunakan algortma genetka pada pemlhan calon penerma Beasswa-PPA dan BBP- PPA mash dapat dkembangkan lebh bak lag. Saran yang dberkan mengena sstem n, antara lan: 1. Pengembangan dalam sstem n yatu dapat mengoptmas rules based atau bass aturan yang terdapat dalam nferens fuzzy Tsukamoto sehngga hasl akhr penentuan beasswa menjad lebh optmal dbandngkan dengan hanya optmas fungs keanggotaan. 2. Penggunaan metode Hybrd Genetc Algorthms (HGAs) merupakan metode yang dapat dkembangkan untuk sstem optmas n. Metode HGAs dapat memberkan hasl atau solus yang optmal dan lebh efsen dbandng dengan metode algortma genetka pada umumnya (Mahmudy, Maran & Luong dalam Mahmudy, 2013). 3. Metode dalam proses reproduks dan seleks dapat dgant dengan metode lannya sehngga hasl akhr yang ddapat lebh beragam dan dapat dketahu metode apa yang tepat untuk menghaslkan hasl akhr yang optmal. 7. DAFTAR PUSTAKA Anggarawan, H. Dew, C. dan Setawan, BD Penerapan Algortma Genetka Untuk Optmas Fungs Keanggotaan Fuzzy Inference System Model Sugeno Pada Perhtungan Angka Metabolsme Basal (AMB). DORO: Repostory Jurnal Mahasswa PTIIK Unverstas Brawjaya, Vol. 4, No. 4. Fattouh, A., & FadFouz., A Two-Stage Representaton of Fuzzy Systems. Internatonal Journal of Engneerng Research and Applcatons (IJERA), Vol. 2, Issue 3, pp Iskandar, FM. Soebroto, AA. dan Regasar, R Sstem Pendukung Keputusan Pemlhan Calon Penerma Beasswa PPA Dan BBM Menggunakan Metode Fuzzy AHP. DORO: Repostory Jurnal Mahasswa PTIIK Unverstas Brawjaya, Vol. 1, No. 8. Kusumadew, Sr Artfcal Intellgence (Teknk dan Aplkasnya). Penerbt Graha Ilmu. Yogyakarta. Restuputr, BA, Mahmudy, WF & Cholssodn, I 2015, 'Optmas fungs keanggotaan fuzzy Tsukamoto dua tahap menggunakan algortma genetka pada pemlhan calon penerma beasswa dan BBP-PPA (stud kasus: PTIIK Unverstas Brawjaya Malang)', DORO: Repostory Jurnal Mahasswa PTIIK Unverstas Brawjaya, vol. 5, no. 15.
10 Mahmudy, W.F Algortma Evolus. Program Teknolog Informas dan Ilmu Komputer, Unverstas Brawjaya. Malang. Mahmudy, W.F., Maran, R.M., & Luong, L.H.S., 2014, Hybrd Genetc Algorthms for Part Type Selecton and Machne Loadng Problems wth Alternatve Producton Plans n Flexble Manufacturng System, ECTI Transactons on Computer and Informaton Technology (ECTI CIT), Vol. 8, No. 1, pp Pradeka, R. Setawan, A. dan Lnawat, L Uj Koefsen Korelas Spearman dan Kendall Menggunakan Metode Bootstrap (Stud Kasus: Beberapa Kurs Mata Uang Asng Terhadap Rupah). Semnar Nasonal Matematka Fakultas Sans dan Matematka, Unverstas Krsten Satya Wacana. Salatga. Pratw, M.I., Mahmudy, W.F., & Dew, C Implementas Algortma Genetka Pada Optmas Baya Pemenuhan Kebutuhan Gz. DORO: Repostory Jurnal Mahasswa PTIIK Unverstas Brawjaya. Vol. 4, No. 6. Salah, Illah Pedoman Beasswa dan Bantuan Baya Penddkan PPA Drektorat Jenderal Penddkan Tngg. Jakarta. 10 Restuputr, BA, Mahmudy, WF & Cholssodn, I 2015, 'Optmas fungs keanggotaan fuzzy Tsukamoto dua tahap menggunakan algortma genetka pada pemlhan calon penerma beasswa dan BBP-PPA (stud kasus: PTIIK Unverstas Brawjaya Malang)', DORO: Repostory Jurnal Mahasswa PTIIK Unverstas Brawjaya, vol. 5, no. 15.
IV. 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 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 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 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 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 terperinciPrediksi Jumlah Follower Official Account Line Menggunakan Regresi dan Algoritma Genetika
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 217, hlm. 1312-132 http://j-ptk.ub.ac.d Predks Jumlah Follower Offcal Account Lne Menggunakan Regres dan
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 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 terperinciArdi Kurniawan 1), Kusrini 2) Sistem Informasi STMIK AMIKOM Yogyakarta 2)
Semnar Nasonal Teknolog Informas dan Multmeda 2016 STMIK AMIKOM Yogyakarta, 6-7 Februar 2016 ANALISIS DAN PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA GURU (PKG) MENGGUNAKAN METODE SIMPLE ADDITIVE
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 terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciMahasiswa Program Studi Informatika / Ilmu Komputer Universitas Brawijaya
Implementas Evoluton Strateges untuk Penyelesaan Vehcle Routng Problem Wth Tme Wndows pada Dstrbus Mnuman Soda XYZ Isyar Andka Harun 1, Wayan F. Mahmudy 2, Novanto Yudstra 3 1 Mahasswa Program Stud Informatka
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 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu
Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan
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 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 terperinciPENGEMBANGAN 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 terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciBAB IV 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 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciBAB 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 terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
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 terperinciModel SPK. Model optimasi (2) Model optimasi (1) Metode-metode Optimasi dengan Alternatif Terbatas 4/30/2017. Tujuan.
4/0/207 Tujuan Metode-metode Optmas dengan Alternatf Terbatas N O V R I N A Mahasswa dapat memaham dan mampu mengaplkaskan beberapa metode untuk menyelesakan masalah dengan alternatf-alternatf dalam jumlah
Lebih terperinciBAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas
BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan
Lebih terperinciPEMILIHAN LAHAN TERBAIK UNTUK TANAMAN KELAPA SAWIT MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING
Semnar Nasonal Inovas Dan Aplkas Teknolog D Industr 2017 ISSN 2085-4218 ITN Malang, 4 Pebruar 2017 PEMILIHAN LAHAN TERBAIK UNTUK TANAMAN KELAPA SAWIT MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING Helza
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih 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 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 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 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 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 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 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 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 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 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 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 terperinciHUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT
HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT ABSTRAK STEVANY HANALYNA DETHAN Fakultas Ekonom Unv. Mahasaraswat Mataram e-mal : stevany.hanalyna.dethan@gmal.com
Lebih 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 terperinciSistem Pendukung Keputusan dalam Merekomendasikan Smartphone untuk Kalangan Pemula dengan Metode TOPSIS
Sstem Pendukung Keputusan dalam Merekomendaskan Smartphone untuk Kalangan Pemula dengan Metode TOPSIS Karmla 1, Muhammad dwan 2, In Parlna 3, Heru Satra 3 1,2,3 Jurusan Sstem Informas, STIKOM Tunas Bangsa,
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 terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciBAB 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 terperinciPENGGUNAAN HIBRIDISASI GENETICS ALGORITHMS DAN FUZZY SETS UNTUK MEMPRODUKSI PAKET SOAL
PENGGUNAAN HIBRIDISASI GENETICS ALGORITHMS DAN FUZZY SETS UNTUK MEMPRODUKSI PAKET SOAL Rolly Intan Fakultas Teknolog Industr, Jurusan Teknk Informatka, Unverstas Krsten Petra e-mal: rntan@petra.ac.d ABSTRAK:
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 terperinciMETODE PENELITIAN. digunakan untuk mengetahui bagaimana pengaruh variabel X (celebrity
37 III. METODE PENELITIAN 3.1 Jens dan Sumber Data Jens peneltan yang dgunakan adalah peneltan deskrptf, yang mana dgunakan untuk mengetahu bagamana pengaruh varabel X (celebrty endorser) terhadap varabel
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 terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih 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. 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 terperinciJURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-324
JURNAL SAINS DAN SENI IS Vol. 1, No. 1, (Sept. ) ISSN: 3-98X D-3 Analss Statstk entang Faktor-Faktor yang Mempengaruh Waktu unggu Kerja Fresh Graduate d Jurusan Statstka Insttut eknolog Sepuluh Nopemper
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber
Lebih terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN MENENTUKAN MEREK DAN TIPE SEPEDA MOTOR BERBASIS WEB DENGAN METODE TOPSIS
SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN MEREK DAN TIPE SEPEDA MOTOR BERBASIS WEB DENGAN METODE TOPSIS Lnda Purnama Sar (0911103) Mahasswa Program Stud Teknk Informatka, STMIK Buddarma Medan Jl. Ssmangaraja
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 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 terperinciSISTEM PENDUKUNG KEPUTUSAN PEMBELIAN PERANGKAT KOMPUTER DENGAN METODE TOPSIS (Studi Kasus: CV. Triad)
Jurnal Informatka Mulawarman Vol. 10 No. 2 September 2015 1 SISTEM PENDUKUNG KEPUTUSAN PEMBELIAN PERANGKAT KOMPUTER DENGAN METODE TOPSIS (Stud Kasus: CV. Trad) Bunga Annete Bennng 1), Indah Ftr Astut 2),
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 III METODE PENELITIAN
BAB III METODE PENELITIAN Bab n membahas tentang prosedur pengembangan pembelajaran dan mplementas model Problem Based Learnng dalam pembelajaran Konsep Dasar Matematka, Subjek Peneltan, Teknk dan Instrumen
Lebih terperinciMETODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. Manurung (2010) menerapkan sistem pendukung keputusan seleksi
BAB 2 TINJAUAN PUSTAKA 2.1. Tnjauan Pustaka Manurung (2010) menerapkan sstem pendukung keputusan seleks penerma beasswa dengan metode Analtcal Herarcy Process (AHP) dan Technque Order Preference by Smlarty
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 terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER
UNIVERSITAS DIPONEGORO 013 ISBN: 978-60-14387-0-1 FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER Saftr Daruyan
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 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 terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
Lebih terperinciPERBANDINGAN METODE SAW DAN TOPSIS PADA KASUS UMKM
PERBANINGAN METOE SAW AN TOPSIS PAA KASUS UMKM Muh. Alyazd Mude al.mude@yahoo.com Teknk Informatka Unverstas Muslm Indonesa Abstrak alam pengamblan keputusan terhadap masalah berdasarkan sebuah analsa
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 terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang akan digunakan dalam penelitian ini adalah
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan yang akan dgunakan dalam peneltan n adalah peneltan pengembangan (Research and Development). Peneltan Research and Development (R&D) n merupakan
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
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 terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN BIBIT UBI KAYU MENGGUNAKAN METODE TOPSIS (Studi Kasus : PT. Hutahaean)
Majalah Ilmah Informas dan Teknolog Ilmah (INTI ISSN : 3390X SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN BIBIT UBI KAYU MENGGUNAKAN METODE TOPSIS (Stud Kasus : PT. Hutahaean Relska Elfrda Capah (086 Mahasswa
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL
BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL Analss sumbangan sektor-sektor ekonom d Bal terhadap pembangunan ekonom nasonal bertujuan untuk mengetahu bagamana pertumbuhan dan
Lebih 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 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 terperinciMATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT)
MATERI KULIAH STATISTIKA I UKURAN (Nuryanto, ST., MT) Ukuran Statstk Ukuran Statstk : 1. Ukuran Pemusatan Bagamana, d mana data berpusat? Rata-Rata Htung = Arthmetc Mean Medan Modus Kuartl, Desl, Persentl.
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 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 terperinciBABl PENDAHULUAN. Indonesia merupakan negara yang sedang berkembang dengan tingkat
BABl PENDAHULUAN 1.1. LAT AR BELAKANG PERMASALAHAN ndonesa merupakan negara yang sedang berkembang dengan tngkat populas yang cukup besar. Dengan jumlah penduduk dewasa n mencapa lebh dar 180 juta jwa
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciPERHITUNGAN PENILAIAN MAHASISWA TERHADAP MENGAJAR DOSEN BERBASIS KASUS MENGGUNAKAN ALGORITMA BAYESIAN
JURNAL DAI IN: - Vol. No. JUNI ERHITUNGAN ENILAIAN MAHAIWA TERHADA MENGAJAR DOEN BERBAI KAU MENGGUNAKAN ALGORITMA BAYEIAN Ern enwat TMIK AMIKOM Yogyakarta ern.s@amkom.ac.d ABTRAKI roses belaar mengaar
Lebih terperinciDesain Kontroler PID-Genetic Algorithm untuk Sistem Pengaturan Level Air Steam Drum pada Pembangkit Listrik Tenaga Uap (PLTU)
JURNAL TEKNIK ITS Vol. 6, No. 1, (2017) ISSN: 2337-3539 (2301-9271 Prnt) A-153 Desan Kontroler PID-Genetc Algorthm untuk Sstem Pengaturan Level Ar Steam Drum pada Pembangkt Lstrk Tenaga Uap (PLTU) Mohamad
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciSUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD
SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya
Lebih terperinci