BAB II ESSAY GRADING METODE LSA DAN LATENT SEMANTIC ANALYSIS (LSA)
|
|
- Susanti Hartanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II ESSAY GRADING METODE LSA DAN LATENT SEMANTIC ANALYSIS (LSA) 2.. ESSAY GRADING METODE LSA Ada beberapa metode essay gradng yang saat n tengah dkembangkan bak untuk kebutuhan rset ataupun komersal. Metode-metode tersebut menunjukkan tngkat korelas yang cukup tngg bla dbandngkan dengan pemerksaan secara manual. Setap metode memlk teknk penlaan yang berbeda. Namun walaupun teknk penlaannya berbeda tap tujuan yang dcapa sama, yatu menbangun suatu sstem yang mampu memberkan penlaan terhadap jawaban esa secara otomats seobjektf mungkn. Akhr tahun 980-an, sekelompok lmuan Bellcore mengembangkan metode statstkal dan berbass jumlah untuk mengambl teks [3]. Tdak sepert teknk sederhana yang bergantung pada bobot kesamaan kata pada kalmat, metode mereka yang bernama Latent Semantc Analyss (LSA), mencptakan representas terhadap jumlah dan kebolehjadan kata untuk dbandngkan secara geometrs (matrk). Bagan pemrosesan pentng dar LSA adalah komponen penganalssan bernama SVD (Sngular Value Decomposton) yang mengkompres nformas berkatan dalam jumlah besar ke dalam ruang yang lebh kecl. LSA merepresentaskan s kata dalam matrks dua dmens yang besar. Menggunakan teknk aljabar matrks, yatu SVD tad, hubungan baru antara kata dan dokumen dtentukan dan dmodfkas untuk mewakl art sebenarnya. Tap analss kata drepresentaskan dalam kolom sedangkan tap bars mewakl kalmat, paragraf, dan sub dvs lannya yang berkatan. Landauer melaporkan, LSA telah dujkan dengan lma skema penlaan, masng-masng dengan perlakuan berbeda dmana esa mahasswa dbandngkan dengan esa referens. In terutama berkatan dengan vektor yang harus dkomputas. Unjuk kerja penlaan LSA hampr sama handalnya Implementas pembobotan SICBI..., Dud 3 Hermawand, FT UI, 2008
2 dengan penlaan manusa. Dar tes esa pada GMAT, kesepakatan antara penlaan manusa dan sstem LSA berksar antara 85% sampa 9% [4]. D Indonesa sendr penlaan esa otomats n tengah dkembangkan terutama untuk esa berbahasa Indonesa SVD (SINGULAR VALUE DECOMPOSITION) Telah durakan sebelumnya bahwa bagan pemrosesan dar LSA adalah SVD. Teknk Sngular Value Decomposton (SVD) dgunakan untuk melakukan estmas struktur dalam penggunaan kata dalam dokumendokumen. SVD pada dasarnya merupakan teknk untuk melakukan estmas rank dar matrks [3]. Jka dketahu matrks A dengan dmens m n, dmana nla m n dan rank(a) = r maka sngular value decomposton dar A, dnotaskan sebaga SVD(A), ddefnskan melalu persamaan A U V T... (2-) dmana T T U U V V I n dan memenuh konds... (2-2) dag(,, ) n... (2-3) dmana 0 untuk r j 0 untuk j r Kolom r pertama dar matrks U dan V mendefnskan vektor egen orthonormal yang bersesuaan dengan r nla vektor egen tdak-nol dar Implementas pembobotan SICBI..., Dud 4 Hermawand, FT UI, 2008
3 matrks AA T dan A T A berturut-turut. Kolom dar matrks U dan V bers vektor, masng-masng dsebut vektor sngular kr dan kanan. Nla sngular dar A merupakan elemen dagonal dar matrks Σ, dmana nla sngular ddapat dar akar pangkat dua dar nla absolut dar sejumlah n nla egen dar AA T [3] LSA VIA SVD Untuk melakukan LSA, harus dbuat sebuah matrks yang dbangun dar susunan kata kunc (terms) dan dokumen. Matrks n ddefnskan sebaga matrks A. Elemen dar matrks kata kunc-dokumen n ddapat dar banyaknya kehadran setap kata kunc pada dokumen tertentu, a a a A 2 j a2 a22 a2 j A2 A a A A 2 A j a a a A 2... (2-4) Dmana a bernla frekuens kehadran kata kunc pada dokumen j. Nla frekuens n umumnya dsebut tf (term frequency). A j merupakan matrks kolom yang elemennya menggambarkan kemunculan tap kata kunc pada dokumen ke-j. A menggambarkan frekuens kemunculan kata kunc pada setap dokumen. Karena tdak setap kata kunc akan muncul pada setap dokumen, maka matrks A pada umumnya lowong (sparse), yakn konds dmana elemen bernla 0 jauh lebh banyak. Matrks A dfaktorkan menjad hasl perkalan dar 3 matrks trplet sngular U, Σ dan V sepert dperlhatkan pada Gambar 2.. Inlah yang dsebut SVD. SVD menurunkan struktur laten semantk dar A melalu perkalan matrks ortogonal U, Σ dan V. Matrks-matrks n mereflekskan hubungan asl antara dokumen dengan kata-kata kunc menjad vektor-vektor yang bebas lnear. Implementas pembobotan SICBI..., Dud 5 Hermawand, FT UI, 2008
4 A = U V T a a a,, n 0 u u a m, m, n r r 0 v v r Gambar 2.. Dekomposs matrks A dengan SVD Penggunaan faktor k dalam sngular trplet merupakan langkah untuk membentuk A k, yang merupakan aproksmas matrks asl A dalam ruang k. Pada kasus n, SVD dpandang sebaga sebuah teknk yang dpaka untuk menurunkan kumpulan varabel ndeks, dmana setap kata kunc dan dokumen dapat drepresentaskan sebaga sebuah vektor dalam ruang k. Tabel 2-. Interpretas komponen SVD dalam LSA A = Matrks kata kunc dokumen m = Banyaknya kata kunc A k = Pendekatan rank-k terhadap A n = Banyaknya dokumen U = Vektor-vektor kata kunc k = Nla faktor Σ = Nla Sngular r = Rank dar A V = Vektor-vektor dokumen Gambar 2.2 adalah representas dar SVD dengan penggunaan faktor k. Bagan yang darsr pada matrks U dan V dan dagonal Σ membentuk A k. Untuk keterangan tap smbolnya, dapat dlhat pada Tabel 2- Gambar 2.2. Dekomposs SVD dengan faktor k [4] Implementas pembobotan SICBI..., Dud 6 Hermawand, FT UI, 2008
5 Ddalam metode LSA, operas truncated SVD menghaslkan matrks A k yang tdak sama dengan matrks A yang asl. Matrks A k hanyalah sebuah pendekatan atau aproksmas A pada faktor k. Truncated SVD mengambl sebagan besar struktur pentng yang terdapat pada hubungan kata kunc dan dokumen. Dan, pada saat yang sama juga menghlangkan nose atau varabltas penggunaan kata yang menjad gangguan utama dalam proses nformaton retreval [3]. Selama nla dar k jauh lebh kecl dar banyaknya kata kunc (m) maka perbedaan mnor dalam termnolog dapat dabakan. Kata-kata kunc yang terdapat dalam dokumen yang sama, akan berdekatan satu sama lan dalam ruang k walaupun kata-kata kunc tu tdak pernah hadr bersamaan lag pada dokumen yang sama. Hal n berart beberapa dokumen yang tdak memlk satupun kata kunc yang sama yang terdapat dalam query, maka da tdak akan mendekat query tersebut dalam ruang-k RELEVANSI DOKUMEN DAN QUERY Query dapat drepresentaskan sebaga vektor dalam ruang-k. Vektor nlah yang kemudan d bandngkan dengan vektor-vektor dokumen untuk selanjutkan dnla mana yang palng mendekat. Sebuah query sepert halnya dokumen, merupakan kumpulan dar kata-kata. Query pengguna dapat representaskan sebaga T q q U k k... (2-5 ) sebaga Mrp dengan vektor query, vektor dokumen drepresentaskan T d d U k k... (2-6) Matrks q adalah matrks satu kolom yang elemennya bers nla kehadran kata kunc dalam query. Sementara matrks d adalah matrks satu Implementas pembobotan SICBI..., Dud 7 Hermawand, FT UI, 2008
6 kolom. Elemennya bers nla kehadran kata kunc dalam dokumen. Matrks d sama dengan kolom matrks A. q adalah vektor query dan d adalah vektor dokumen. Vektor query dapat dbandngkan atau dkorelaskan dengan semua vektor dokumen yang ada. Teknk korelas yang umum dgunakan adalah dengan mencar nla kosnus sudut yang dbentuk antara vektor query dan vektor dokumen. Korelas kosnus antara vektor query dan vektor dokumen dberkan oleh persamaan cos q d q d... (2-7) α adalah sudut dantara kedua vektor tersebut. Jka q dan d dnormalsas, maka magntude dar vektor tersebut adalah dan persamaan datas dapat dsederhanakan menjad cos qd. Jad, nla korelas adalah perhtungan sudut berdasarkan kosnus antara q dan d. Jka dlakukan pengurutan dar dokumen yang palng dekat ke palng jauh relevansnya, maka dokumen yang palng dekat adalah dokumen yang memlk sudut dengan yang palng kecl PROGRAM PENDUKUNG Otomas essay gradng dengan metode LSA yang telah dkembangkan adalah suatu sstem terpadu yang dbangun dengan bahasa scrptng PHP dan HTML serta dukungan database MySQL. Selan tga program pendukung d atas, LSA sendr menggunakan modul JAMA yang dprogram ulang menjad program PHP untuk menghtung matrks yang haslnya dkrmkan ke database dan PHP kembal untuk dtamplkan. Web server yang dgunakan adalah Apache. Selan tu untuk menjalankan program bsa dlakukan dengan dukungan web browser sepert Internet Explorer, Opera atau Mozlla Frefox. Pembangunan ftur pembobotan juga harus Implementas pembobotan SICBI..., Dud 8 Hermawand, FT UI, 2008
7 dlakukan mengunakan bahasa scrptng dan sstem database yang sama untuk menjaln ntegras yang sesua PHP PHP yang merupakan sngkatan rekursf PHP: Hypertext Preprocessor bukan bahasa pemrograman. PHP adalah bahasa scrptng open source yang dtuls menggunakan sntaks bahasa C, Java, dan Perl [6]. PHP membuat sebuah halaman web menjad dnams. Artnya halaman web menjad lebh nteraktf dan halaman yang dtamplkan dbuat saat clent melakukan request halaman tersebut sehngga nformas yang dterma oleh clent adalah selalu nformas yang terbaru. Scrpt PHP menyatu dengan fle HTML (HyperText Markup Language), deksekus d komputer server dmana scrpt tersebut dalankan (server sde), jad semua nformas yang ngn dtamplkan d halaman web bsa dlhat dengan bak oleh semua jens browser clent MySQL MySQL merupakan salah satu program database server yang dkeluarkan oleh T.c.X. DataKonsultanAB, sebuah perusahaan IT Sweda dan banyak dgunakan d nternet saat n. MySQL bersama PHP adalah pasangan bahasa scrptng dan database server yang terbukt tangguh, memlk jamnan keamanan yang tngg dan cukup mudah dpelajar. Walau pada awalnya dbangun d atas platform Unx/Lnux namun kn sudah dapat berjalan dengan bak pada sstem operas Mcrosoft Wndows. Database sendr merupakan bagan ntegral dalam pendataan d berbaga bdang. Pada sstem, semua data pengajar, mahasswa, soal dan jawaban tersmpan dalam database sesua dengan kategor-kategornya. Tap nformas ddeskrpskan dalam tabel dengan feld-feld yang spesfk sepert Gambar 2.3. Selan MySQL banyak database server lan yang beredar d pasaran, namun selan menyedakan dukungan open source, MySQL memlk beberapa keunggulan lan. Pertama adalah kemampuannya menangan jutaan user dalam waktu yang bersamaan. Kelebhan n tentu cocok untuk dmanfaatkan pada sebuah program penlaan esa yang ujannya mungkn Implementas pembobotan SICBI..., Dud 9 Hermawand, FT UI, 2008
8 dkut ratusan bahkan rbuan mahasswa. Kedua adalah kemampuannya menampung lebh dar record. Selan tu MySQL sangat cepat mengeksekus perntah dan memlk sstem user prvledge yang mudah dan efsen. Gambar 2.3. Contoh tabel dalam MySQL Apache Sepert halnya PHP, Apache juga pertama kal ddesan untuk sstem operas Unx. Namun kn varan Apache telah dapat dalankan d lngkungan Wndows. Sebenarnya web server dbutuhkan untuk menjalankan PHP dan MySQL. Web server yang juga dkenal dengan stlah HTTPD (Hypertext Transfer Protocol Daemon) atau HTTP server adalah servce yang bekerja untuk melayan request dar HTTP clent (web browser) ke komputer server. Implementas pembobotan SICBI..., 0 Dud Hermawand, FT UI, 2008
9 2.5.4 JAMA Selan MATLAB, aplkas matemats web based yang bsa dgunakan untuk penghtungan SVD adalah JAMA. JAMA adalah sngkatan dar Java Matrx. JAMA yang dgunakan merupakan skrp php untuk perhtungan matrks kompleks. Class-class dar package JAMA akan serng dgunakan dalam operas matrks sepert perkalan matrks, transpose, dan nverse. Karena JAMA hanya merupakan scrpt PHP bukan merupakan aplkas maka knerja server-pun tdak akan terlalu terbeban PEMBOBOTAN (WEIGHTING) Sebuah metode pembobotan merupakan susunan dar tga buah pembobotan: pembobotan lokal (local weghtng), pembobotan global (global weghtng) dan normalsas (normalzaton) []. Teknk pembobotan yang tepat dapat menngkatkan performans LSA. Pembobotan dkenakan pada tap elemen matrks A. Pembobotan drumuskan melalu persamaan : a L(, j) G( ) N( j )... (2-8) L(,j) merupakan bobot lokal untuk kata kunc dalam dokumen j. G() adalah bobot global untuk kata kunc, dan N(j) adalah faktor normalsas dokumen j. Bobot lokal adalah fungs dar berapa banyak setap kata kunc muncul dalam suatu dokumen. Bobot global adalah fungs dar berapa banyak setap kunc muncul dalam semua dokumen. Faktor normalsas dgunakan untuk mengkompensas perbedaan panjang dokumen-dokumen. Vektor dokumen (matrks kolom A) dan vektor query dkenakan pembobotan dengan metode yang berbeda. Bobot lokal dhtung berhubungan dengan kata kunc pada dokumen atau query. Bobot global lebh ddasarkan pada sejumlah dokumen yang ada tanpa memperhatkan apakah tu pembobotan pada dokumen atau query. Normalsas vektor query sebenarnya tdak perlu karena tdak mempengaruh urutan relevans akhr terhadap dokumen. Implementas pembobotan SICBI..., Dud Hermawand, FT UI, 2008
10 2.6. Pembobotan Lokal Pembobotan lokal akan bekerja dengan bak jka berdasarkan prnsp bahwa kata-kata kunc dengan frekuens kemunculan yang banyak yang lebh berhubungan dengan dokumen []. Sejumlah pembobotan lokal yang umum dgunakan dberkan dalam Tabel 2-2. Pembobotan lokal yang palng sederhana adalah pembobotan bner (BNRY) dan frekuens ntra-dokumen (FREQ). Dar Tabel 2-2, f adalah frekuens kemunculan kata kunc dalam dokumen j. Pembobotan n basanya dgunakan untuk pembobotan pada query, dmana kata kunc hanya muncul satu-dua kal saja. Untuk pembobotan dokumen, metode n umumnya bukan yang terbak. Hal n karena BNRY tdak membedakan antara kata kunc yang muncul beberapa kal dengan kata kunc yang muncul hanya sekal. Selan tu metode FREQ dnla memberkan bobot terlalu besar untuk kata kunc yang muncul beberapa kal. Metode logartma dgunakan untuk menyesuakan frekuens ntra dokumen. Karena sebuah kata kunc yang muncul sepuluh kal dalam sebuah dokumen tdak berart sepuluh kal lebh pentng dbandngkan kata kunc yang muncul sekal dalam dokumen tersebut. Dua dar sejumlah metode pembobotan lokal dalam Tabel 2-2. bsa dkatakan mrp karena metode tersebut menggunakan logartma. Dua metode tu adalah LOGA dan LOGN. Semua logartma pada metode pembobotan berbass 2. a j adalah frekuens rata-rata dar kemunculan kata kunc dalam dokumen j. Karena dalam LOGN terdapat normalsas yakn ( log a j ), maka hasl pembobotan yang dberkan oleh LOGN akan selalu lebh kecl nlanya dbandngkan LOGA untuk kata kunc dan dokumen yang sama. Pembobotan lokal lannya, yang menjad penengah antara metode bner dan frekuens ntra dokumen adalah metode normalsas frekuens dperlebar (augmented normalzed term frequency) atau ATF. Pada Tabel 2-2. x j merupakan frekuens maksmum dar kata kunc dalam dokumen j. ATF memberkan bobot pada sebuah kata yang muncul pada dokumen dan memberkan tambahan bobot bla kata tersebut muncul beberapa kal. Dengan Implementas pembobotan SICBI..., 2 Dud Hermawand, FT UI, 2008
11 formula n, L(,j) bervaras hanya antara 0,5 sampa untuk kata yang muncul dalam dokumen. Tabel 2-2. Macam-macam pembobotan lokal Formula Nama Metode Kependekan jka f 0 0 jka f 0 Bner BNRY f Frekuens ntra-dokumen FREQ log f jka f 0 0 jka f 0 Log LOGA log f log a j jka f 0 0 jka f 0 Normalsas log LOGN f 0,5 jka f 0 0 jka f 0 Akar pangkat dua SQRT Normalsas frekuens dperlebar ATF f 0,9 0, jka f 0 a j 0 jka f 0 Normalsas frekuens rata-rata dperlebar ATFA f 0, 2 0,8 jka f 0 x j 0 jka f 0 ATF dengan perubahan koefsen ATFC [] Implementas pembobotan SICBI..., 3 Dud Hermawand, FT UI, 2008
12 2.6.2 Pembobotan Global Pembobotan global dtujukan untuk memberkan sebuah nla beda kepada setap kata kunc. Pembobotan global yang berdasarkan de bahwa semakn kecl nla frekuens kemunculan kata dalam seluruh koleks dokumen, maka makn berbedalah kata tersebut []. Tabel 2-3. Macam-macam pembobotan global Formula Nama Metode Kependekan log N n Invers frekuens dokumen IDFB log N n n Invers probablstk IDFP N j f F log f log N F Entrop ENPY F n Frekuens global IDF IGFF F n 0,9 Akar pangkat dua global IDF IGFS Tdak ada bobot global NONE [] Sebuah pembobotan global yang umum dgunakan adalah nverted document frequency atau IDF. Dalam Tabel 2-3 dberkan dua varas yakn IDFB dan IDFP. N adalah jumlah dokumen dalam koleks dan n merupakan jumlah dokumen dmana kata kunc muncul ddalamnya. IDFB adalah logartma dar nvers dar probabltas kata kunc muncul dalam dokumen acak. IDFP adalah logartma dar nvers dar probabltas ketdak-hadran kata kunc dalam dokumen acak. IDFB dan IDFP adalah sama dalam artan keduanya memberkan bobot yang lebh besar untuk kata yang tampl pada Implementas pembobotan SICBI..., 4 Dud Hermawand, FT UI, 2008
13 beberapa dokumen saja dan memberkan bobot yang lebh kecl untuk kata yang muncul pada banyak dokumen dalam koleks. IDFP memberkan bobot negatf untuk kata yang muncul pada lebh dar separuh jumlah seluruh dokumen. Sementara pada IDFB, nla terendah pembobotan adalah. Pada metode entrop (ENPY), F merupakan frekuens kemunculan kata kunc d seluruh koleks dokumen. Jka sebuah kata kunc muncul sekal pada setap dokumen, maka kata tersebut dberkan bobot bernla nol. Jka sebuah kata kunc muncul sekal pada satu dokumen, maka kata tersebut dber bobot satu. Kombnas dan varas lan dar frekuens kemunculan akan menghaslkan bobot yang nlanya antara nol dan satu. Entrop adalah teknk pembobotan yang sangat berguna karena a memberkan bobot yang lebh besar untuk kata yang frekuens kemunculannya kecl pada sejumlah kecl dokumen. Dalam Tabel 2-3. juga dsebutkan pembobotan frekuens global IDF (IGFF). Jka sebuah kata kunc muncul sekal pada setap dokumen atau sekal pada satu dokumen, maka kata tersebut dberkan bobot sebesar satu, yang merupakan bobot terkecl. Sebuah kata yang muncul beberapa kal pada sejumlah dokumen akan mendapat bobot yang besar. Pembobotan n bekerja dengan bak jka dkombnaskan dengan pembobotan global yang berbeda pada vektor query Normalsas Bagan ketga dar sebuah pembobotan adalah faktor normalsas atau N(j), yang mana dgunakan untuk mengkompensas perbedaan panjang dokumen-dokumen dalam koleks. Bagan n berguna untuk menormalkan vektor dokumen sehngga dokumen-dokumen tersebut ndependen terhadap panjangnya. Pada Tabel 2-4. dperlhatkan dua buah metode normalsas. Normalsas yang palng umum dgunakan dalam model ruang vektor adalah normalsas kosnus (COSN). Normalsas n memlk faktor pembag magntude dar dokumen yang dbobotkan, sehngga hal n menyebabkan magntude dar vektor dokumen selalu bernla satu. Dalam metode COSN, dokumen yang lebh panjang dberkan bobot lebh kecl untuk kata kunc, Implementas pembobotan SICBI..., 5 Dud Hermawand, FT UI, 2008
14 sehngga dokumen yang lebh pendek akan lebh panjang dalam proses perolehan nformas. Tabel 2-4. Macam-macam Normalsas Formula Nama Metode Kependekan m 0 GL 2 Normalsas kosnus COSN ( slope) pvot slope l j Normalsas pvot PUQN Tdak ada normalsas NONE [] Metode pvoted unque normalzaton (PUQN) mencoba untuk mengatas masalah dalam penanganan dokumen-dokumen yang pendek. Dalam Tabel 2.4, l j adalah banyaknya kata kunc yang berbeda dalam dokumen j. Nla slope dapat dset sebesar 0,2 dan pvot adalah rata-rata banyaknya kata kunc yang berbeda per dokumen dalam seluruh koleks. Prnsp dasar dar normalsas pvot adalah untuk mengatas perbedaan panjang dokumen dantara dokumen yang memlk probabltas relevan dan dokumen yang memlk probabltas akan dperoleh atau d-retreve. Dengan faktor normalsas n, kurva relevans dan kurva retreval dgambarkan berdasarkan panjang dokumen. Ttk dmana kedua kurva n bersnggungan atau memotong dsebut pvot. Dokumen pada sebelah kr dar pvot umumnya memlk probabltas yang lebh besar untuk d-retreve darpada tngkat relevansnya. Dan, dokumen yang ada d sebelah kanan pvot memlk probabltas lebh relevan darpada untuk d-retreve. Melalu penggeseran pvot n, faktor normalsas dapat dubah-ubah sedemkan rupa untuk mendapatkan hasl kombnas yang lebh bak antara probabltas relevans dan retreval. Implementas pembobotan SICBI..., 6 Dud Hermawand, FT UI, 2008
Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih 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 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 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 terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
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 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 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 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 terperinciDekomposisi Nilai Singular dan Aplikasinya
A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB 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 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 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 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 terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB 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. 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 II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih 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 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 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 III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB II TINJAUAN PUSTAKA 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 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 terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciBAB 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 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 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 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 terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
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 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 terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan 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 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 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 terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
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 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 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.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 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 terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih 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 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 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 I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
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 terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
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 5 HASIL DAN PEMBAHASAN. Sampel yang digunakan dalam penelitian ini adalah data pengujian pada
BAB 5 ASIL DAN PEMBAASAN 5. asl Peneltan asl peneltan akan membahas secara lebh lengkap mengena penyajan data peneltan dan analss data. 5.. Penyajan Data Peneltan Sampel yang dgunakan dalam peneltan n
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 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 terperinciUKURAN LOKASI, VARIASI & BENTUK KURVA
UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya
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 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 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciBab 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 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 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 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 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. 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 terperinciSTATISTIK menyatakan kumpulan data, bilangan maupun non bilangan, yg disusun ke dlm tabeldiagram-grafik yang menggambarkan suatu persoalan.
PERTEMUAN 1 STATISTIK menyatakan kumpulan data, blangan maupun non blangan, yg dsusun ke dlm tabeldagram-grafk yang menggambarkan suatu persoalan. STATISTIKA lmu yang berhubungan dengan cara-cara pengumpulan
Lebih terperinciSEARAH (DC) Rangkaian Arus Searah (DC) 7
ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan
Lebih 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. 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 terperinciUKURAN GEJALA PUSAT &
UKURAN GEJALA PUSAT & UKURAN LETAK UKURAN GEJALA PUSAT & LETAK Untuk mendapatkan gambaran yang jelas mengena suatu populas atau sampel Ukuran yang merupakan wakl kumpulan data mengena populas atau sampel
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 terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih 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 terperinci2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil
.1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)
Lebih 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 terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciPENENTUAN DENSITAS PERMUKAAN
PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan
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 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 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 II TINJAUAN PUSTAKA. Pemodelan persamaan struktural atau Structural Equation Modeling
BAB II TINJAUAN PUSTAKA 1.1 Pemodelan Persamaan Struktural Pemodelan persamaan struktural atau Structural Equaton Modelng (SEM) merupakan analss multvarat yang dapat menganalss hubungan varabel secara
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 terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciBAB III METODOLOGI PENELITIAN. dalam situs BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal dari dua
BAB III METODOLOGI PENELITIAN 3.1. Ruang Lngkup Peneltan Reksadana yang dgunakan dalam peneltan n adalah reksadana yang terdaftar dalam stus BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Sejalan dengan semakn populernya penggunaan Internet dan Perpustakaan Dgtal nformas dalam jumlah yang luar basa besar kn bsa dakses secara luas oleh masyarakat suatu hal yang
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciBAB III METODE PENELITIAN. menggunakan strategi pembelajaran mind mapping dalam pendekatan
35 BAB III METODE PENELITIAN A. Jens dan Desan Peneltan Jens peneltan n adalah kuas ekspermen. Pada peneltan n terdapat dua kelompok subjek peneltan yatu kelompok ekspermen yang dberkan suatu perlakuan
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 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 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 terperinci