BAB II TINJAUAN PUSTAKA
|
|
- Yulia Lesmono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II TINJAUAN PUSTAKA II. Pengertan Klasfkas Klasfkas adalah proses untuk menemukan model atau fungs yang menelaskan atau membedakan konsep atau kelas data dengan tuuan untuk memperkrakan kelas yang tdak dketahu dar suatu obek. Dalam pengklasfkasan data terdapat dua proses yang dlakukan yatu:. Proses tranng Pada proses tranng dgunakan tranng set yang telah dketahu label-labelnya untuk membangun model atau fungs.. Proses testng Untuk mengetahu keakuratan model atau fungs yang akan dbangun pada proses tranng, maka dgunakan data yang dsebut dengan testng set untuk mempredks label-labelnya. Klasfkas dokumen adalah pemberan kategor yang telah ddefnskan kepada dokumen yang belum memlk kategor (Goller, 000). Mengklasfkas dokumen merupakan salah satu cara untuk mengorgansaskan dokumen. Dokumen-dokumen yang memlk s yang sama akan dkelompokkan ke dalam kategor yang sama. Dengan demkan, orang-orang yang melakukan pencaran nformas dapat dengan mudah meleatkan kategor yang tdak relevan dengan nformas yang dcar atau yang tdak menark perhatan (Feldman, 004). Penngkatan umlah dokumen yang begtu pesat telah mendorong berkembangnya metode pengklasfkasan secara otomats. Metode n dapat melakukan klasfkas dengan cara belaar dar sekumpulan contoh dokumen yang telah dklasfkas sebelumnya. Keuntungan dar metode n adalah dapat menghemat aktu kera dan memperoleh hasl yang lebh bak. Metode n adalah metode support vector machne. Unverstas Sumatera Utara
2 II. Support Vector Machne II.. Defns Support Vector Machne (SVM) Support Vector Machne (SVM) dkembangkan oleh Boser, Guyon, Vapnk, dan pertama kal dpresentaskan pada tahun 99 d Annual Workshop on Computatonal Learnng Theory. Konsep dasar SVM sebenarnya merupakan kombnas harmons dar teor-teor komputas yang telah ada puluhan tahun sebelumnya, sepert margn hyperplane (Duda & Hart tahun 973, Cover tahun 965, Vapnk 964, dan lanlannya), kernel dperkenalkan oleh Aronszan tahun 950, dan demkan uga dengan kosep-konsep pendukung yang lan. Akan tetap hngga tahun 99, belum pernah ada upaya merangkakan komponen-komponen tersebut. Konsep SVM dapat delaskan secara sederhana sebaga usaha mencar hyperplane terbak yang berfungs sebaga pemsah dua buah kelas pada nput space. pattern yang merupakan anggota dar dua buah kelas : + dan - dan berbag alternatve gars pemsah (dscrmnaton boundares). Margn adalah arak antara hyperplane tersebut dengan pattern terdekat dar masng-masng kelas. Pattern yang palng dekat n dsebut sebaga support vector. Usaha untuk mencar lokas hyperplane n merupakan nt dar proses pembelaaran pada SVM (Chrstann, 000). Data yang terseda dnotaskan sebaga x dnotaskan {, + } d R sedangkan label masng-masng y untuk =,,,l, yang mana l adalah banyaknya data. Dasumskan kedua kelas - dan + dapat terpsah secara sempurna oleh hyperplane berdmens d, yang ddefnskan :. x + b = 0 () Pattern x yang ternasuk kelas - (sampel negatf) dapat drumuskan sebaga pattern yang memenuh pertdaksamaan. x + b () Unverstas Sumatera Utara
3 Sedangkan pattern x yang termasuk kelas + (sampel postf) memenuh pertdaksamaan :. x + b + (3) Margn terbesar dapat dtemukan dengan memaksmalkan nla arak antara hyperplane dan ttk terdekatnya, yatu /. Hal n dapat drumuskan sebaga Quadratc Programmng (QP) Problem, yatu mencar ttk mnmal persamaan (4) dengan memperhatkan constrant persamaan (8). mn ( ) τ = (4) y ( x + b) 0,. (5) Problem n dapat dpecahkan dengan berbag teknk komputas, dantaranya dengan Lagrange Multpler. L l (, b, α ) = α ( y (( x. + b) ) ) (,,3,...,l) = = (6) α adalah Lagrange multplers, yang bernla nol atau postf ( α 0 ). Nla optmal dar Persamaan (6) dapat dhtung dengan memnmalkan L terhadap dan b, dan memaksmalkan L terhadap α. Dengan memperhatkan sfat baha pada ttk optmal gradent L = 0, persamaan (6) dapat dmodfkas sebaga maksmalsas problem yang hanya mengandung α, sebagamana persamaan (7) berkut. Maksmas : l Dengan Constrant : l α α α y y x x (7) =, = Unverstas Sumatera Utara
4 ( =,,3,..., l) l α 0 α y = 0 (8) = Dar hasl perhtungan n dperoleh α yang kebanyakan bernla postf. Data yang berkorelas dengan α yang postf nlah yang dsebut sebaga support vector (Vapnk, 995). Penelasan d atas berdasarkan asums baha kedua belah kelas dapat terpsah secara sempurna oleh hyperplane (lnear separable). Akan tetap, pada umumnya dua belah kelas pada nput space tdak dapat terpsah secara sempurna (non lnear separable). Hal n menyebabkan constrant pada persamaan (8) tdak dapat terpenuh, sehngga optmsas tdak dapat dlakukan. Untuk mengatas masalah n, SVM drumuskan ulang dengan memperkenalkan teknk softmargn. Dalam softmargn, Persamaan (5) dmodfkas dengan memasukkan slack varable ξ ( ξ > 0) sebaga berkut : y ( x b) +,. ξ (9) Dengan demkan persamaan (4) dubah menad : l mnτ (, ξ ) = + C ξ (0) = Parameter C dplh untuk mengontrol tradeoff antara margn dan error klasfkas ξ. Nla C yang besar berart akan memberkan penalty yang lebh besar terhadap error klasfkas tersebut (Sembrng, 007). II... Non-Lnear Classfcaton (Klasfkas yang tdak Lner) Pada umumnya masalah dalam doman duna nyata (real orld problem) arang yang bersfat lnear separable (tdak terpsahkan secara lnear), tetap bersfat non-lnear. Untuk menyelesakan problem non-lnear, SVM dmodfkas dengan memasukkan fungs kernel. Dalam non-lnear SVM, pertama-tama data x dpetakan oleh fungs Φ ( x) ke ruang vektor yang berdmens lebh tngg. Hyperplane yang memsahkan kedua kelas tersebut dapat dkontrukskan. Selanutnya gambar (.) menunukkan baha fungs Φ memetakan tap data pada nput space tersebut ke ruang vektor baru yang berdmens lebh tngg (dmens 3), sehngga kedua kelas dapat dpsahkan Unverstas Sumatera Utara
5 secara lnear oleh sebuah hyperplane. Notas matematka dar mappng n adalah sebaga berkut : d d Φ : R R d < q () Gambar. Fungs Φ memetakan data ke ruang vector yang berdmens lebh tngg Selanutnya proses pembelaaran pada SVM dalam menemukan ttk-ttk support vector, hanya bergantung pada dot product dar data yang sudah dtransformaskan pada ruang baru yang berdmens lebh tngg, yatu ( x ) Φ( x ) Φ.. Karena umumnya transformas Φ n tdak dketahu, dan sangat sult untuk dfaham secara mudah, maka perhtungan dot product dapat dgantkan dengan fungs kernel K ( x, x ) yang mendefnskan secara mplst transformas Φ. Hal n dsebut sebaga Kernel Trck, yang drumuskan : K ( x, x ) = ( x ) Φ( x ) Φ. () ( Φ ( x ). ( x ) + b f = n =, X SV Φ (3) = α y Φ ( x ). Φ( x ) + b (4) Unverstas Sumatera Utara
6 n = =, X SV α K( x x ) + b y, (5) SV pada persamaan d atas dmaksudkan dengan subset dar tranng set yang terplh sebaga support vector, dengan kata lan data x yang berkorespondens pada α 0. Peneltan n menggunakan package (e07) dar perangkat lunak R open source vers.3. (Dmtradou, 007) II..3. Karakterstk Support Vector Machne (SVM) Menurut (Nugroho,003), karakterstk SVM secara umum drangkumkan sebaga berkut:. Secara prnsp SVM adalah lnear classfer.. Pattern recognton dlakukan dengan mentransformaskan data pada nput space ke ruang yang berdmens lebh tngg, dan optmsas dlakukan pada ruang vector yang baru tersebut. Hal n membedakan SVM dar solus pattern recognton pada umumnya, yang melakukan optmsas parameter pada ruang hasl transformas yang berdmens lebh rendah darpada dmens nput space. 3. Menerapkan strateg Structural Rsk Mnmzaton (SRM). 4. Prnsp kera SVM pada dasarnya hanya mampu menangan klasfkas dua kelas. II..4 Multclass Support Vector Machne (SVM) Ada dua plhan untuk mengmplementaskan multclass SVM yatu dengan menggabungkan beberapa SVM bner atau menggabungkan semua data yang terdr dar beberapa kelas ke dalam sebuah bentuk permasalahn optmal. Namun pada pendekatan yang kedua permasalahn optmas yang harus dselesakan auh lebh rumt. Berkut n adalah metode yang umum dgunakan untuk mengmplementaskan multclass SVM dengan pendekatan yang pertama:. Metode one-aganst-all (satu laan semua) Dengan menggunakan metode n, dbagun k buah model SVM bner (k adalah umlah kelas) Unverstas Sumatera Utara
7 . Metode one-aganst-one (satu laan satu) Dengan menggunakan metode n, dbagun k(k-)/ buah model klasfkas bner (k adalah umlah kelas). Terdapat beberapa metode untuk melakukan penguan setelah keseluruhan k(k-)/ model klasfkas selesa dbagun. Salah satunya adalah metode votng (Santosa, 007). II..5 Kelebhan Support Vector Machne (SVM) Adapun beberapa keuntungan dar metode SVM adalah sebaga berkut:. Generalsas Generalsas ddefnskan sebaga kemampuan suatu metode untuk mengklasfkaskan suatu pattern, yang tdak termasuk data yang dpaka dalam fase pembelaaran metode tu.. Curse of dmensonalty Curse of dmensonalty ddefnskan sebaga masalah yang dhadap suatu metode pettern recognton dalam mengestmaskan parameter dkarenakan umlah sampael data yang relatve lebh sedkt dbandngkan dengan dmensonal ruang vektor data tersebut. 3. Feasblty SVM dapat dmplementaskan relatve mudah, karena proses penentuan support vector dapat drumuskan dalam QP problem (Nugroho, 003) II..6 Kekurangan Support Vector Machne (SVM) Adapun beberapa kerugan dar metode SVM adalah sebaga berkut :. Sult dpaka problem berskala besar. Dalam hal n dmaksudkan dengan umlah sampel yang dolah.. SVM secara teortk dkembangkan untuk problem klasfkas dengan dua kelas. Deasa n SVM telah dmodfkas agar dapat menyelesakan masalah dengan lebh dar dua kelas (Nugroho, 003). II.3 Metode Kernel Pada mulanya teknk machne learnng dkembangkan dengan asums kelnearan. Sehngga algortma yang dhaslkan terbatas untuk kasus-kasus yang lnear saa. Akan tetap untuk menghadap kasus yang tdak lnear maka dapat menggunakan bantuan Unverstas Sumatera Utara
8 berbaga macam fungs kernel. Kernel trck memberkan berbaga kemudahan, karena dalam proses pembelaaran SVM, untuk menentukan support vector, maka cukup dengan mengetahu fungs kernel yang dpaka, dan tdak perlu mengetahu uud dar fungs non-lnear. Menurut (Karatzouglou, dkk, 004) ada beberapa fungs kernel yang serng dgunakan dalam lterature SVM anatara lan sebaga berkut: a. Kernel lnear adalah kernel yang palng sederhana dar semua fungs kernel. Kernel n basa dgunakan dalam kasus klasfkas teks. b. Kernel Radal Bass Gaussan adalah kernel yang umum dgunakan untuk data yang sudah vald (avalable) dan merupakan default dalam tools SVM. c. Kernel Polynomnal adalah kernel yang serng dgunakan untuk klasfkas gambar. d. Kernel Tangent Hyperbolc adalah kernel yang serng dgunakan untuk neural netorks. II.4 Recever Operatng Characterstc (ROC) Kurva ROC pertama kal dgunakan pada perang duna II untuk menganalss snyal radar sebelum dkembangkan dalam sgnal detecton theory. Berdasarkan serangan d Pearl Harbon tahun 94, tentara Amerka melakukan rset untuk menngkatkan ketepatan predks dalam mendeteks snyal radar pesaat Jepang. Akhr-akhr n penggunaan kurva ROC semakn popular dalam berbaga aplkas terutama dalam bdang meds, radolog, dan processng mage. Recever Operatng Characterstc (ROC) adalah hasl pengukuran klasfkas dalam bentuk -dmens. Berkut ada empat peluang yang dapat dformulaskan dalam tabel kontngens x untuk menganalss ROC : Tabel. Tabel Kontngens ROC Kelas Sebenarnya Benar Salah Postf Benar Postf Salah Postf Kelas Predks Negatf Benar Negatf Salah Negatf Unverstas Sumatera Utara
9 Adapun krtera ROC adalah sebaga berkut: True Postve Rate dsebut uga Senstvty (TPR)=TP/(TP+FN) True Negatve Rate dsebut uga Specfty (TNR)= TN/(TN+FP) Accuracy = (TP+TN)/(TP+FP+TN+FN). Dmana: TP = True Postve yatu klasfkas yang dar kelas yang postf FN = False Negatve yatu kesalahan Type II FP = False Postve atau kesalahan Type I Gambar. Krtera ROC (MedCalc Softare bvba, 00) Jka nla krtera yang dplh lebh tngg, maka bagan FP akan menurun dan specfty akan menngkat, namun TP dan senstvty akan menurun. Sebalknya ka nla crtera yang dplh lebh rendah, maka bagan TP akan menngkat, namun bagan TN dan specfcty akan menurun (MedCalc Softare bvba, 00). AUC (Area Under Curva) adalah luas daerah d baah kurva ROC.bla nlanya mendekat satu, maka model yang ddapat lebh akurat. Berdasarkan gambar datas maka dapat dlhat karakterstk dar AUC adalah sebaga berkut: - Area maksmum adalah - Jka ROC = 0,5 maka model yang dhaslkan belum terlhat optmal - Sedangkan ka ROC > 0,5 maka model yang dhaslkan akan lebh bak Formula AUC : Unverstas Sumatera Utara
10 AUC = + n n = f n + n + ( x ) f ( x ) Keterangan : F(.) = nla suatu fungs x + dan x = sampel postf dan negatf n + dan n = umlah sampel postf dan negatve (Brefeld, 005) Peneltan n menggunakan package (catools) dar perangkat lunak R vers.3. (Tuszynsk, 007). II.5 Implementas Masalah Berkut n adalah contoh kasus SVM dengan dua kelas dan empat data. Problem n merupakan problem lnersehngga tdak dperlukan Kernelsas. Formulas masalahnya adalah sebaga berkut : Tabel. Contoh Kasus X X y Optmas masalah sebaga berkut : mn ( + ) + C ( t + t + t + t ) Konstran : + + b + t b + t + b + t3 + b + t4 t, t, t3, t Unverstas Sumatera Utara
11 Karena merupakan kasus klasfkas lnear, maka bsa dpastkan nla varabel slack t = 0. Jad bas dmasukkan nla C = 0. Setelah menyelesakan problem optmas d atas, maka ddapat solus : =, =, b = Jad Persamaan fungs pemsahnya adalah : f ( x) = x + x Sehngga semua nla ( x) < 0 (Santosa, 007). f dber label - sedangkan yang lannya dber label + Unverstas Sumatera Utara
PENERAPAN METODE SUPPORT VECTOR MACHINE PADA DIAGNOSA HEPATITIS
Volume 04, No.01 Februar 2016 PENERAPAN METODE SUPPORT VECTOR MACHINE PADA DIAGNOSA HEPATITIS Raudlatul Munawarah 1, On Soesanto 2, M. Reza Fasal 3 1,3 Prod Ilmu Komputer FMIPA UNLAM, 2 Prod Matematka
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 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 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 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciBAB 2 LANDASAN TEORI. 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 terperinciANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE M. Fachrurroz, M.T. 1, Nov Yuslan, M.T. 2 1,2 Jurusan Teknk Informatka Fakultas Ilmu Komputer, Unverstas Srwjaya 1 obetsobets@gmal.com,
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 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 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 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 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 terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
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 terperinciKrisantus Sembiring. Selasa, 11 September /1/2008 1
Penerapan Teknk Support Vector Machne untuk Pendeteksan Intrus pada Jarngan Sdang IF40Z2-Tugas Akhr II Krsantus Sembrng 13503121 Selasa, 11 September 2007 2/1/2008 1 Latar Belakang Pentngnya pendeteksan
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 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 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 terperinciSISTEM DETEKSI RETINOPATI DIABETIK MENGGUNAKAN SUPPORT VECTOR MACHINE
SISEM DEEKSI REINOPAI DIABEIK MENGGUNAKAN SUPPOR VECOR MACHINE ess untuk memenuh sebagan persyaratan mencapa deraat Sarana S- Program Stud Magster Sstem Informas Oleh: Wahyud Setawan 40040400060 PROGRAM
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 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 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 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciBAB II LANDASAN TEORI Kajian Pustaka
perpustakaan.uns.ac.d dglb.uns.ac.d.. Kajan Pustaka BAB II LANDASAN TEORI HCCI (homogeneous charge compresson gnton) adalah teknolog pembakaran yang memlk efsens yang tngg dan dapat mengurang kadar ems.
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB III METODOLOGI PENELITIAN
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 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciBab 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 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 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 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
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 terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
Lebih terperinciSistem Pendeteksian Kerusakan Mesin Sepeda Motor 4-Langkah Berbasis Suara Menggunakan Support Vector Machine (SVM)
52 JURNAL ILMIAH SEMESTA TEKNIKA Vol. 4, No., 52-57, Me 2 Sstem Pendeteksan Kerusakan Mesn Sepeda Motor 4-Langkah Berbass Suara Menggunakan Support Vector Machne (SVM) (Sound Based Detecton System on 4-
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 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 terperinciImplementasi Adaptive Support Vector Machine untuk Membantu Identifikasi Kanker Payudara
1 Implementas Adaptve Support Vector Machne untuk Membantu Identfkas Kanker Payudara Baktar Karsma, Dana Purwtasar, Anny Yunart Teknk Informatka, Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember
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 terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
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 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 terperinciKORELASI DAN REGRESI LINIER. Debrina Puspita Andriani /
KORELASI DAN REGRESI LINIER 9 Debrna Puspta Andran www. E-mal : debrna.ub@gmal.com / debrna@ub.ac.d 2 Outlne 3 Perbedaan mendasar antara korelas dan regres? KORELASI Korelas hanya menunjukkan sekedar hubungan.
Lebih 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 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 III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
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 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih 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 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 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 terperinciBab 1 Ruang Vektor. R. Leni Murzaini/0906577381
Bab 1 Ruang Vektor Defns Msalkan F adalah feld, yang elemen-elemennya dnyatakansebaga skalar. Ruang vektor atas F adalah hmpunan tak kosong V, yang elemen-elemennya merupakan vektor, bersama dengan dua
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 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 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 terperinciDalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang
LARGE SCALE SYSEM Course by Dr. Ars rwyatno, S, M Dept. of Electrcal Engneerng Dponegoro Unversty BAB V OPIMASI SISEM Dalam sstem pengendalan berhrark level, maka optmas dapat dlakukan pada level pertama
Lebih 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 terperinciALJABAR LINIER LANJUT
ALABAR LINIER LANUT Ruang Bars dan Ruang Kolom suatu Matrks Msalkan A adalah matrks mnatas lapangan F. Bars pada matrks A merentang subruang F n dsebut ruang bars A, dnotaskan dengan rs(a) dan kolom pada
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 terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TINJAUAN TEORITIS. DATA MINING Data mnng terdr dar berbaga metode. Berbaga metode mempunya tuuan yang berbeda, masng-masng menawarkan metode yang memlk kelebhan dan kekurangan. Namun, penambangan
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Kamus Buku acuan yang memuat kata dan ungkapan, basanya dsusun menurut abjad berkut keterangan tentang makna, pemakaan, atau terjemahannya, kamus juga dsebut buku yang memuat
Lebih terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
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 terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciBAB III 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 terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres
Lebih terperinciSifat-sifat Operasi Perkalian Modular pada Graf Fuzzy
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 07 Sfat-sfat Operas Perkalan Modular pada raf Fuzzy T - 3 Tryan, ahyo Baskoro, Nken Larasat 3, Ar Wardayan 4,, 3, 4 Unerstas Jenderal Soedrman transr@yahoo.com.au
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 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 terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN :
JURNA MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN : 1410-8518 MASAAH RUTE TERPENDEK PADA JARINGAN JAAN MENGGUNAKAN AMPU AU-INTAS Stud Kasus: Rute Peralanan Ngesrep Smpang ma Eko Bud
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciContoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi.
BAB V TEOEMA-TEOEMA AGKAIA 5. Teorema Superposs Teorema superposs bagus dgunakan untuk menyelesakan permasalahan-permasalahan rangkaan yang mempunya lebh dar satu sumber tegangan atau sumber arus. Konsepnya
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA.1. Support Vector Machne Support Vector Machne (SVM) dkembangkan oleh Boser, Guyon, dan Vapnk, pertama kal dperkenalkan pada tahun 199 d Annual Workshop on Computatonal Learnng Theory.
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 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 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 terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
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 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 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. Sebelum melakukan penelitian, langkah yang dilakukan oleh penulis
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum melakukan peneltan, langkah yang dlakukan oleh penuls adalah mengetahu dan menentukan metode yang akan dgunakan dalam peneltan. Sugyono (2006: 1) menyatakan:
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 terperinciOptimasi Perencanaan Hasil Produksi dengan Aplikasi Fuzzy Linear Programming (FLP)
Semnar Nasonal Waluyo Jatmko II FTI UPN Veteran Jawa Tmur Optmas Perencanaan Hasl Produks dengan Aplkas Fuzzy Lnear Programmng (FLP) Akhmad Fauz Jurusan Teknk Informatka UPNV Veteran Jawa Tmur Emal: masuz@upnatm.ac.d
Lebih terperinciIII.METODE PENELITIAN. Pada penelitian ini subyek yang digunakan adalah siswa VII A SMPN 5
33 III.METODE PENELITIAN A Jens Dan Desan Peneltan. Jens peneltan yang dgunakan dalam peneltan n adalah peneltan kuanttatf. Peneltan n merupakan peneltan korelas yang bertujuan untuk mengetahu hubungan
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 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 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 terperinciGambar 3.1 Diagram alir penelitian
BAB 3 METODE PENELITIAN 3.1 Dagram Alr Peneltan Materal Amorph Magnetk (Fe 73 Al 5 Ga 2 P 8 C 5 B 4 S 3 ) Ekspermen DfraksNeutron (I vs 2theta) Smulas Insalsas atom secara random Fungs struktur, F(Q) Perhtungan
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 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 terperinciPENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER
Penerapan Program Lner Kabur dalam Analss.. Elfranto PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER Elfranto Dosen Unverstas Muhammadyah Sumatera Utara Abstrak: Salah satu kaan
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 terperinci