Aturan Pembelajaran Perceptron
|
|
- Yenny Kurniawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Aturan Pemelajaran Percetron ujuan Salah satu ertanyaan kita yang muncul adalah: "Bagaimana kita menentukan Matrik oot dan ias untuk jaringan ercetron dengan anyak inut dimana adalah mustahil untuk memvisualisasikan atasan-atasan keutusan? Dalam a ini kita akan menggamarkan suatu algoritma untuk elatihan jaringan ercetron sehingga mereka daat elajar untuk memecahkan masalah klasifikasi. Kita akan mulai dengan menjelaskan aa yang dimaksud dengan aturan elajar (learning rule) dan akan elajar mengemangkan aturan ercetron. Kami akan menyimulkan dengan mendiskusikan keuntungan dan keteratasan dari jaringan single - layer ercetron. Diskusi ini akan memaa kita ke dalam a-a selanjutnya. eori dan Contoh Pada tahun 9 Warren McCulloch dan Walter Pitts memerkenalkan salah satu artificial neurons [McPi]. Fitur utama dari model neuron mereka adalah aha jumlah oot sinyal inut diandingkan dengan amang atas untuk menentukan neuron outut. Ketika jumlah leih esar dari atau sama dengan amang atas outut adalah. Ketika jumlah kurang dari amang atas keluaran adalah. Mereka teta meneruskan enelitian dengan menunjukkan aha jaringan neuron ini ada rinsinya isa menghitung setia fungsi aritmetika atau logika. idak seerti jaringan iologis arameters jaringan mereka harus dirancang karena tidak ada metode elatihan yang tersedia. Namun huungan yang dirasakan antara iologi dan komuter digital menghasilkan anyak minat Pada akhir 95-an Frank Rosenlatt dan eeraa eneliti lain mengemangkan suatu kelas jaringan saraf yang diseut Percetrons. Neuron dalam jaringan yang miri dengan McCulloch dan itts. Kunci kontriusi Rosenlatt adalah engenalan aturan elajar untuk elatihan jaringan ercetron untuk memecahkan masalah engenalan ola [Rose58]. Ia memuktikan aha aturan elajarnya akan selalu ertemu untuk oot jaringan yang enar jika oot yang ada memecahkan masalah. Pemelajarannya sederhana dan otomatis. Contoh erilaku yang layak Diterjemahkan oleh Lily W.
2 diajukan ke jaringan yang elajar dari kesalahan. Percetron ahkan isa elajar ketika diinisialisasi dengan nilai acak untuk oot dan ias. Sayangnya jaringan ercetron secara inheren teratas. Keteratasan ini diulikasikan secara luas dalam uku Percetrons [MiPa69] oleh Marvin Minsky dan Seymour Paert. Mereka menunjukkan aha jaringan ercetron tidak mamu melaksanakan fungsi dasar tertentu. Hal ini tidak samai tahun 98-an dimana keteratasan ini diatasi dengan memeraiki jaringan ercetron (multilayer) dan aturan elajar yang saling terkait/erhuungan. Saat ini ercetron masih diandang seagai jaringan enting. Ia menyisakan suatu jaringan yang ceat dan handal untuk kelas masalah yang daat diecahkan. Selain dariada itu emahaman tentang oerasi dari ercetron menyediakan dasar yang aik untuk memahami jaringan yang leih komleks. Jadi jaringan ercetron dan aturan elajar yang terkait adalah aik dan layak untuk didiskusikan di sini. Pada sisa dari a ini kita akan mendefinisikan aa yang kita maksud dengan aturan elajar menjelaskan jaringan ercetron dan aturan elajar dan mendiskusikan keteratasan jaringan ercetron. Aturan Pemelajaran Pemelajaran erarti elajar dari kesalahan. Semakin sering jaringan syaraf tiruan ini digunakan semakin cerdaslah dia artinya kesalahannya semakin kecil. Keceatan eningkatan kecerdasan ditentukan oleh nilai arameter keceatan emelajaran (learning rate) disimolkan dengan α. Bagaimanaun jika samai kali ke-n komutasi ulang (istilahnya: N iterasi) kesalahannya teta esar maka roses emelajaran dihentikan dan jaringan digunakan aa adanya. Ketika kita mulai emahasan kita tentang aturan emelajaran ercetron kami ingin mendiskusikan aturan emelajaran secara umum. Aturan elajar yang kami maksud adalah seuah rosedur untuk memodifikasi oot dan ias dari jaringan. (Prosedur ini juga daat diseut seagai algoritma elatihan). ujuan aturan emelajaran untuk melatih jaringan untuk Diterjemahkan oleh Lily W.
3 melakukan eeraa tugas. Ada anyak jenis aturan elajar jaringan saraf. Mereka diagi dalam kategori esar : emelajaran dengan engaasan (suervised learning) emelajaran tana engaasan (unsuervised learning) dan emelajaran enguatan tana engaasan (atau dinilai) (reinforcement learning). Ada mekanisme enting roses emelajaran:. Hitung selisih keluaran (a) dari target (t). Jika esarnya selisih daat ditolerir maka a diterima tetai jika selisih terseut tidak daat ditolerir dan anyaknya iterasi elum N kali maka ruahlah dan lalu lakukan komutasi ulang.. Nilai aru dan ergantung keada nilai α. Segera setelah jaringan mengalami emelajaran jaringan terseut daat digunakan untuk menyelesaikan masalah yang sesuai dengan konstruksi jaringan terseut. Suervised Learning Pada emelajaran dengan engaasan aturan emelajaran dilengkai dengan serangkaian contoh (himunan elatihan) dari erilaku jaringan yang teat : { t ) { t } { q t q } (.) Dimana q adalah seuah inut ke jaringan dan yang erhuungan dengan (target) outut yang sesuai. Seerti inut yang diterakan ke jaringan outut jaringan diandingkan dengan target. Aturan emelajaran kemudian digunakan untuk mengatur oot dan ias dari jaringan untuk memindahkan outut jaringan mendekati target. Aturan emelajaran ercetron masuk dalam kategori emelajaran engaasan ini. Reinforcement Learning Pemelajaran dengan enguatan adalah serua dengan emelajaran dengan engaasan kecuali aha ada suervised learning dilengkai dengan outut yang enar untuk setia inut jaringan sementara algoritma Reinforcement Learning hanya dierikan satu nilai. Nilai adalah seuah ukuran dari kinerja jaringan atas eeraa rangkaian inut. Saat ini jenis emelajaran Diterjemahkan oleh Lily W.
4 ini jauh leih sedikit diandingkan emelajaran dengan engaasan. Ia tamaknya menjadi aling cocok untuk alikasi-alikasi sistem kontrol (lihat [BaSu8] [WhSo9]). Pemelajaran ana Pengaasan Pada emelajaran tana engaasan oot dan ias diuah seagai tanggaan untuk jaringan inut saja. idak ada target outut yang tersedia. Aalnya sekilas ini mungkin kelihatannya tidak raktis. Bagaimana anda isa melatih jaringan jika anda tidak tahu aa yang seharusnya dilakukan? Keanyakan dari algoritma ini melakukan semacam oerasi clustering (engelomokan). Mereka elajar untuk mengkategorikan ola inut dalam sejumlah kelas yang teratas. Hal ini sangat erguna khususnya dalam alikasi seerti vector kuantisasi. Arsitektur Percetron Seelum kami menyajikan aturan emelajaran ercetron marilah kita memerluas emahaman kita akan jaringan ercetron. Jaringan ercetron yang umum ditunjukkan ada Gamar.. Outut dari jaringan dierikan oleh a hardlim(w + ). (.) (Perhatikan aha dalam a kita menggunakan fungsi transfer ukan hardlim. Hal ini tidak memengaruhi kemamuan jaringan). Diterjemahkan oleh Lily W.
5 5 Diterjemahkan oleh Lily W. Gamar.. Jaringan Percetron Ini akan erguna dalam engemangan aturan jaringan ercetron kita menjadi daat dengan mudah mereferensikan elemen-elemen individu dari outut jaringan. Marilah kita lihat agaimana hal ini daat dilakukan. Pertama ertimangkan matrik oot jaringan erikut: R S S S R R W K K K K K K K (.) Kita akan mendefinisikan seuah vector yang terdiri dari elemen-elemen W dari aris ke-i R i i i i M (.) Sekarang kita daat merartisi matrik oot: S W M (.5) Hal ini memungkinkan kita untuk menulis elemen ke-i dari vektor outut jaringan seagai
6 a hard lim( n ) hard lim( + ) (.6) i i i i Ingatlah aha fungsi transfer hardlim (ditamilkan di seelah kiri) didefinisikan seagai { if n a hard lim( n) otherise (.7) Oleh karena itu jika roduk inner dari aris ke-i dari matrik oot dengan vektor inut leih esar dari atau sama dengan i outut akan menjadi sealiknya outut akan menjadi. Jadi setia neuron dalam jaringan memagi masukan ruang menjadi dua daerah. Hal ini erguna untuk menyelidiki atas-atas antara daerah ini. Kita akan mulai dengan kasus sederhana dari single-neuron ercetron dengan dua inut. Single-Neuron Percetron Marilah kita memertimangkan dua inut ercetron dengan satu neuron seerti yang ditunjukkan ada gamar.. Gamar. o-inut/single-outut Percetron Keluaran dari jaringan ini ditentukan oleh a hard lim( n) hard lim( W + ) hard lim( + ) hard lim( + + ) (.8) 6 Diterjemahkan oleh Lily W.
7 Batas Keutusan (Decision Boundary) Batas keutusan ditentukan oleh vektor inut dimana n inut jaringan adalah nol. n (.9) Untuk memuat contoh yang leih konret marilah kita menetakan nilai-nilai erikut untuk oot dan ias: Batas keutusan adalah (.) n (.) Ini mendefinisikan seuah garis dalam ruang inut. Di satu sisi garis jaringan outut akan menjadi ; ada aris dan ada sisi lain dari garis outut akan menjadi. Untuk menarik garis kita daat menemukan titik-titik dimana ia memotong sumu dan. Untuk menemukan yang memintas tentukan. Untuk menemukan yang memintas tentukan. if (.) if (.) Batas keutusan yang dihasilkan diilustrasikan ada Gamar. Untuk mengetahui sisi mana dari atasan yang erhuungan dengan outut kita hanya erlu menguji satu titik. Untuk inut [ ] keluaran jaringan akan menjadi a hard lim( + ) hard lim [ ]. (.) Oleh karena itu Keluaran jaringan akan menjadi untuk ilayah di atas dan ke kanan dari atasan keutusan. Wilayah ini ditandai dengan daerah yang diarsir ada Gamar.. 7 Diterjemahkan oleh Lily W.
8 Gamar. Batas Keutusan untuk Dua-Inut Percetron Kita juga daat menemukan atas keutusan secara grafis. Langkah ertama adalah erhatikan aha atas selalu orthogonal seerti yang digamarkan dalam angka yang erdekatan. Batas didefinisikan oleh + (.5) Untuk semua titik di eratasan roduk inner dari vektor inut dengan oot vektor adalah sama. Ini menunjukkan aha semua vektor inut ini akan memiliki royeksi yang sama ke vektor oot sehingga mereka harus terletak ada garis orthogonal dengan oot vektor. Seagai tamahan setia vektor di daerah ayangan dari Gamar. akan memiliki roduk inner yang leih esar dari - dan vektor di daerah yang tidak terarsir memiliki roduk inner yang leih kecil dari -. Oleh karena itu vektor oot akan selalu menunjuk ke arah dimana neuron outut adalah. Setelah kita memilih salah satu vektor oot dengan orientasi sudut yang enar nilai ias daat dihitung dengan memilih titik ada atas dan memenuhi ersamaan (.5) 8 Diterjemahkan oleh Lily W.
9 Marilah kita menerakan eeraa konse ini untuk desain seuah jaringan ercetron untuk melaksanakan fungsi logika sederhana: gerang AND. Pasangan inut/target untuk gerang AND adalah. t t t t Gamar di seelah kiri menggamarkan masalah secara grafis. Ia menamilkan ruang inut dengan masing-masing vector inut ditandai sesuai dengan targetnya. Lingkaran gela menunjukkan aha target adalah dan lingkaran terang menunjukkan aha target adalah. Langkah ertama dari desain adalah untuk memilih atas keutusan. Kami ingin memiliki garis yang memisahkan lingkaran hitam dan lingkaran terang. Ada sejumlah solusi yang tidak teratas untuk masalah ini. amaknya masuk akal untuk memilih garis yang jatuh di tengah antara dua kategori inut seerti ditunjukkan ada gamar yang erdekatan. Selanjutnya kami ingin memilih vector oot yang orthogonal terhada atas keutusan. Vektor oot ts daat erua semarang anjang sehingga terdaat kemungkinan yang tak terhingga. Satu ilihan adalah (.6) Seerti yang ditunjukkan ada gamar ke kiri. Akhirnya kita erlu menemukan ias. Kita daat melakukan ini dengan memilih seuah titik ada atas keutusan dan memenuhi ersamaan (.5). jika kita menggunakan [.5 ] kita menemukan.5 + [ ] + + (.7) Sekarang kita isa menguji jaringan ada salah satu asangan inut/target. Jika kita menerakan ke jaringan outut akan 9 Diterjemahkan oleh Lily W.
10 a hard lim( + ) hard lim a hard lim( ) [ ] (.8) Yang sama dengan outut target t. Lakukan hal yang sama untuk menguji semua inut aakah sudah diklasifikasi dengan enar. Untuk erekerimen dengan atasan keutusan gunakan disain jaringan Neural untuk memeragakan atas keutusan (nndd). Multile-Neuron Percetron Perhatikan aha untuk Percetron dengan eeraa neuron seerti dalam Gamar. akan ada satu atas keutusan untuk setia neuron. Batas keutusan untuk neuron i akan ditentukan dengan i (.9) Seuah Single-neuron ercetron daat mengklasifikasikan vektor-vektor inut ke dalam dua kategori karena outut daat erua atau. Seuah multile-neuron ercetron daat mengelomokkan masukan/inut ke dalam anyak kategori. Masing-masing kategori diakili oleh vektor outut yang ereda. Karena setia elemen dari vektor outut daat erua atau terdaat total dari S kategori yang mungkin dimana S meruakan jumlah neuron. + i Aturan Belajar Percetron Sekarang kita telah memeriksa kinerja jaringan ercetron kita erada dalam osisi untuk memerkenalkan aturan emelajaran ercetron. Aturan emelajaran ini adalah contoh dari elatihan dengan engaasan dimana aturan emelajaran disediakan dengan serangkaian contoh erilaku jaringan yang teat. Diterjemahkan oleh Lily W. { t } { t } { q t } q L (.) Dengan q adalah seuah inut ke jaringan dan t q erhuungan dengan target outut. Karena setia inut diterakan ke jaringan outut jaringan diandingkan ke target. Aturan elajar kemudian menyesuaikan oot dan ias jaringan untuk memindahkan keluaran/outut jaringan leih dekat ke sasaran.
11 Uji Masalah Pada resentasi kita mengenai aturan elajar ercetron kita akan mulai dengan seuah uji masalah yang sederhana dan akan erekserimen dengan aturan yang mungkin untuk mengemangkan eeraa intuisi tentang agaimana aturan harus ekerja. Pasangan inut/target untuk masalah engujian kita adalah. t t t Masalah terseut ditamilkan secara grafik dalam gamar di seelah dimana kedua vektor inut yang targetnya adalah direresentasikan dengan lingkaran terang dan vector yang targetnya direresentasikan dengan lingkaran gela. Ini meruakan masalah yang sangat sederhana dan kita hamir isa mendaatkan solusi dengan cara memeriksa. Kemudahan ini akan memantu kita mendaatkan eeraa emahaman intuitif tentang konse-konse dasar aturan emelajaran ercetron. Jaringan untuk masalah ini harus memiliki dua-masukan dan satu keluaran. Untuk menyederhanakan engemangan aturan elajar kita kita akan mulai dengan jaringan tana ias. Jaringan akan memiliki dua arameter dan seerti yang ditunjukkan ada Gamar. Gamar.. Uji Masalah Jaringan Diterjemahkan oleh Lily W.
12 Dengan menghaus ias kita dihadakan dengan seuah jaringan yang atas keutusannya harus melalui titik asal. Kita erlu memastikan aha jaringan ini masih mamu memecahkan masalah uji. Harus ada atas keutusan yang dierolehkan yang daat memisahkan vektor dan dari vektor. Gamar seelah kiri menunjukkan aha memang terdaat sejumlah atasan yang tidak teratas. arahnya enting. Gamar di seelah menunjukkan vektor oot yang sesuai dengan atas keutusan yang dierolehkan. (Ingat aha vektor oot adalah orthogonal terhada atas keutusan). Kita ingin seuah aturan elajar yang akan menemukan suatu vektor oot yang menunjuk ada salah satu arah. Ingat aha anjang vektor oot tidak menjadi masalah hanya Memangun Aturan Belajar Pelatihan dimulai dengan menetakan eeraa nilai aal untuk arameter jaringan. Dalam hal ini kita melatih jaringan dengan jaringan to-inut/single-outut tana ias jadi kita hanya erlu menginisialisasi dua oot. Di sini kita menetakan elemen-elemen vektor oot Untuk menghasilkan nilai random erikut: [..8]. (.) Sekarang kita akan mulai menamilkan vektor inut ke jaringan. Kita mulai dengan a hard lim a hard lim ( ) hard lim[..8] (.6) (.) Diterjemahkan oleh Lily W. Jaringan tidak mengemalikan nilai yang enar. Outut jaringan adalah sementara target reson t adalah. Kita isa melihat aa yang terjadi dengan melihat diagram yang di seelah. Hasil vektor oot aal dalam suatu atas keutusan yang salah mengklasifikasikan vector. Kita erlu menguah vektor oot
13 sehingga oin leih ke arah sehingga di masa mendatang memiliki kesematan yang leih aik dalam mengklasifikasikannya dengan enar. Salah satu endekatan akan menetakan sama dengan. Ini adalah sederhana dan akan memastikan aha telah diklasifikasi dengan enar di masa mendatang. Diagram di kiri aah menunjukkan masalah yang tidak daat diselesaikan dengan vektor oot menunjuk langsung ada salah satu dari dua kelas vektor. Jika kita menerakan aturan aha setia kali salah satu vektor ini tidak terklasifikasi oot jaringan hanya akan ergerak mundur terus dan tidak akan ernah menemukan suatu solusi. Kemungkinan lainnya ialah akan menamahkan ke. Penamahan ke akan memuat titik leih ke arah. Pengulangan resentasi dari akan menyeakan arah dari untuk secara asimtotik mendekati arah. Aturan ini daat dinyatakan : If t ne old dan a then + (.) Peneraan aturan ini untuk masalah engujian kita menghasilkan nilai aru untuk : ne old (.) Oerasi ini diilustrasikan dalam gamar seelah. Kita sekarang eralih ke vektor inut erikutnya dan akan melanjutkan memuat eruahan terhada oot dan cycling melalui inut samai mereka semua diklasifikasikan dengan enar. Vektor inut erikutnya adalah. Ketika itu disajikan ke jaringan kita menemukan : a hard lim ( ) hard lim[..] ( ) hard lim. (.5) arget t yang terkait dengan adalah dan outut a adalah. Kelas vektor tidak terklasifikasi seagai. Karena kita sekarang ingin memindahkan vektor oot menjauh dari Diterjemahkan oleh Lily W.
14 inut kita daat dengan mudah menguah enamahan dalam ersamaan (.) menjadi engurangan: If t ne old dan a then (.6) Jika kita menerakan hal ini untuk menguji masalah kita akan menemukan : ne old....8 (.7) Yang digamarkan dalam gamar di seelah. Sekarang kita tamilkan vektor ketiga yakni : a hard lim hard lim.8 ( ) hard lim[..8] ( ). (.8) Hasil saat ini dalam atas keutusan aha tidak terklasifikasi. Ini adalah situasi dimana kita telah memiliki seuah aturan sehingga akan diuah kemali tergantung ada ersamaan (.6): ne old...8. (.9) Diagram di seelah kiri menunjukkan aha ercetron akhirnya elajar untuk menggolongkan tiga vektor dengan enar. Jika kita menghadirkan salah satu vektor inut untuk neuron ia akan menamilkan kelas yang enar untuk vektor inut terseut. Ini memaa kita ke aturan ketiga dan yang terakhir: jika ia ekerja jangan lakukan eraikan. ne old If t a then. (.) Berikut ini adalah tiga aturan yang mencaku semua kemungkinan kominasi outut dan nilainilai sasaran: If t dan a then ne old + If t ne old dan a then (.) ne then If t a old. Diterjemahkan oleh Lily W.
15 Aturan elajar Yang Diseragamkan (Unified Learning Rule) iga aturan dalam Persamaan. (.) daat ditulis kemali seagai satu eksresi. Pertama kita akan mendefinisikan seuah variale aru maka kesalahan ercetron e : e t a (.) Sekarang kita daat menulis kemali tiga aturan dari ersamaan di (.) seagai : If e then ne old + If e ne old then (.) ne If e then Lihat dengan hati-hati ada dua aturan ertama dalam ersamaan (.) kita daat melihat aha tanda adalah sama dengan tanda ada kesalahan e. Selanjutnya tidak adanya dalam aturan ketiga sesuai dengan e dari. Dengan demikian kita daat menyatukan tiga aturan terseut menjadi satu eksresi : old. ( t a). ne old old + e + (.) Aturan ini daat dierluas untuk melatih ias dengan catatan aha ias hanya oot yang inutnya selalu. Dengan demikian kita daat mengganti inut ada ersamaan (.) dengan inut ke ias adalah. Hasilnya adalah aturan ercetron untuk ias : ne old + e (.5) Pelatihan Multile-Neuron Percetron Aturan ercetron seerti yang dierikan oleh ersamaan (.) dan ersamaan (.5) memeraharui vektor oot dari suatu neuron ercetron. Kita isa generalisasi aturan ini untuk Multile-Neuron ercetron dari Gamar.. seagai erikut. Memeraharui aris ke i dari matrik oot yang digunakan: ne old i i + ei (.6) Untuk memeraharui elemen ke-i dari vector ias menggunakan: ne i old i + e. (.7) Aturan ercetron Aturan ercetron daat ditulis dalam notasi matriks: ne old W W + e (.8) 5 Diterjemahkan oleh Lily W. i
16 Dan ne old + e. (.9) Untuk menguji aturan emelajaran ercetron ertimangkan kemali masalah engenalan ael/jeruk dari a seelumnya. Vektor inut/outut rototie akan menjadi [] []. t t (.) (Perhatikan aha kita menggunakan seagai target outut untuk ola jeruk ukan - seerti yang digunakan dalam a seelumnya. Ini adalah karena kita menggunakan fungsi transfer hardlim ukan hardlims.) Biasanya oot dan ias yang diinisialisasi ke angka acak yang kecil. Anggalah aha di sini kita mulai dengan oot aal matrik dan ias : [.5.5].5. W (.) Langkah ertama adalah menerakan vektor inut ertama ke jaringan: a hard lim ( W + ) hard lim [.5.5] ( ) hard lim (.) Kemudian kita menghitung kesalahan: Peraikan oot adalah W Peraikan ias adalah : ne old W + e [.5.5]. ne Hal ini melengkai iterasi ertama. Iterasi kedua dari aturan ercetron adalah: e t a. (.) [.5.5] + ( )[ ] ( ).5. old + e.5 + (.) (.5) 6 Diterjemahkan oleh Lily W.
17 a hard lim hard lim ( W + ) hard lim [.5.5] + (.5) (.5) - (.6) e t a (.7) W ne old W + e [.5.5]. [.5.5] + ( )[ ] (.8) Iterasi ketiga dimulai lagi dengan vektor inut ertama: a hard lim ne ( ).5. old + e.5 + ( W + ) hard lim [.5.5] - + (.5) ( ) hard lim.5 - (.9) (.5) e t a (.5) W ne old W + e [.5.5]. [.5.5] + ( )[ ] (.5) ne ( ).5. old + e.5 + (.5) Jika anda lanjutkan dengan iterasi anda akan menemukan aha kedua masukan vector akan sekarang diklasifikasikan dengan enar. Algoritma telah ertemu ke seuah solusi. Catatan aha atas keutusan akhir tidak sama dengan yang kami kemangkan di a seelumnya meskiun kedua atasan enar mengklasifikasikan dua masukan vektor secara enar. Untuk ercoaan dengan aturan emelajaran ercetron gunakan Neural Netork Design Demonstration Percetron Rule (nndr). 7 Diterjemahkan oleh Lily W.
18 Keteratasan Aturan emelajaran Percetron dijamin untuk mengumul ada suatu solusi dalam satu jumlah taha yang teratas seanjang terdaat suatu solusi. Ini memaa kita ada satu ertanyaan enting. Aa ermasalahan yang isa diecahkan suatu ercetron? Mengingatkan kemali aha suatu single-neuron ercetron memungkinkan untuk memagi ruang inut ke dalam dua daerah. Peratasan antara daerah didefinisikan oleh ersamaan + (.77) Ini meruakan suatu atasan linier (hyerlane). Percetron daat digunakan untuk mengklasifikasikan vektor inut yang daat diisahkan oleh suatu atasan linier. Kita menyeut vektor seerti ini vektor yang daat diisahkan secara linear. Contoh gerang logika AND ada halaman -7 menggamarkan satu contoh dua-dimensi dari masalah yang daat diisah-isah secara linear. Masalah engenalan uah ael/jeruk dalam Chater adalah satu contoh tigadimensi. Sayangnya anyak ermasalahan yang tidak daat diisah-isah secara linear. Contoh klasik adalah gerang XOR. Inut/asangan target untuk gerang XOR adalah Masalah ini digamarkan secara grafis ada sisi kiri dari gamar.6 yang juga menunjukan dua ermasalahn lain yang tidak daat diisahkan secara linear. Coalah menggamar satu garis lurus antara vektor dengan target dari dan yang dengan target ada diagram aaun dari gamar.6. Gamar.6 Permasalahan Yang idak Daat Diisahkan Secara Linear 8 Diterjemahkan oleh Lily W.
19 Itu adalah ketidak-mamuan dari dasar ercetron untuk memecahkan seerti ermasalahan sederhana yang erua led ada seagian untuk engurangan dalam tertarik akan enelitian jaringan neural selama 97-an. Rosenlatt telah menyelidiki jaringan leih rumit dimana dia merasakan akan mengatasi keteratasan dari dasar ercetron tetai dia tidak ernah mamu untuk secara efektif memerluas aturan ercetron ke eeraa jaringan. Pada Ba kita akan memerkenalkan ercetrons anyak laisan yang daat memecahkan ermasalahan klasifikasi dan akan menggamarkan algoritma ackroagation yang daat digunakan untuk melatih mereka. Ringkasan Hasil Arsitektur Percetron Batasan Keutusan 9 Diterjemahkan oleh Lily W.
20 Batasan keutusan adalah selalu ortogonal untuk vektor oot. Single-layer ercetrons hanya daat mengklasifikasikan vektor yang terisah secara linear. Percetron Learning Rule Pemecahan Masalah P. Pecahkan tiga ermasalahan klasifikasi sederhana yang dierlihatkan di dalam gamar P. dengan cara menggamar suatu atasan keutusan. emukan nilai oot dan ias dimana hasil dalam single-neuron ercetrons dengan atasan keutusan yang terilih. Gamar P. Permasalah Klasifikasi Sederhana Pertama kita menggamar satu aris antara setia sekumulan titik data gela dan ringan. Diterjemahkan oleh Lily W.
21 aha erikutnya adalah mencari oot dan ias. Vektor oot harus ortogonal terhada atasan-atasan keutusan dan enunjukan dalam arah titik untuk digolongkan seagai (titik gela). Vektor oot daat memunyai anjang eraaun yang kita suka. Inilah sekumulan ilihan untuk vektor oot: ( a ) [ ] ( ) [ ] ( c) [ ]. Sekarang kita mencari nilai ias untuk setia ercetron dengan cara mengamil suatu titik ada atasan keutusan dan memenuhi Persamaan (.5). + Hal ini memerikan kita tiga ias erikut: a 6 c ( ) [ ] ( ) [ ] ( ) [ ]. Kita sekarang isa memeriksa solusi kita terhada titik asli. Di sini kita menguji jaringan ertama ada vektor inut [ ]. Diterjemahkan oleh Lily W. a hard lim hard lim hard lim 6 ( + ) [ ] ( ) + Kita isa menggunakan MALAB untuk mengotomatiskan roses engujian dan untuk mencoa titik yang aru. Inilah jaringan ertama yang digunakan untuk mengklasifikasikan suatu titik yang tidak erada dalam masalah seenarnya.
22 P. Convert masalah klasifikasi yang didefinisikan di aah ke dalam suatu definisi masalah ekivalen terdiri dari ketidaksamaan atasan nilai oot dan ias. t t t t Masing-masing target t i mengindikasikan aakah inut jaringan dalam reson untuk i harus leih kecil dari atau leih esar dari atau sama dengan atau tidak. Seagai contoh karena t adalah kita tahu aha inut jaringan yang erhuungan dengan harus leih esar dari atau sama dengan. Sehingga kita daat ketidaksamaan erikut: W erakan rosedur yang sama ke asangan inut/target untuk { t } { t } dan { } t hasilhasil dalam himunan ketidaksamaan erikut < + < ( i) ( ii) ( iii) ( iv) Memecahkan suatu himunan ketidaksamaan adalah leih sulit diandingkan memecahkan suatu himunan ersamaan. Satu komleksitas ditamahkan seringkali sejumlah solusi tana atas (seerti sering ada sejumlah atasan-atasan keutusan linier tana atas yang isa memecahkan suatu masalah klasifikasi yang terisah secara linear). Bagaimanaun oleh karena kesederhanaan dari masalah ini kita isa memecahkannya dengan memuat grafik ruang solusi yang didefinisikan oleh ketidaksamaan. Catat aha hanya Diterjemahkan oleh Lily W.
23 Diterjemahkan oleh Lily W. muncul dalam ketidaksamaan (ii) dan (iv) dan hanya muncul dalam ketidaksamaan (i) dan (iii). Kita daat meletakkan masing-masing asangan ketidaksamaan dengan dua grafik. Nilai oot dan ias aaun yang jatuh dalam kedua daerah au-au yang gela terseut akan memecahkan masalah klasifikasi. Berikut ini salah satu dari solusi : [ ] W. P. Kita memunyai satu masalah klasifikasi dengan emat kelas dari vektor inut. Emat kelas terseut adalah : : : : class class class class Rancang seuah jaringan ercetron untuk memecahkan masalah ini. Untuk memecahkan seuah masalah dengan kelas vector inut kita akan memutuhkan seuah ercetron dengan aling sedikit dua neuron karena seuah S-neuron ercetron daat mengkategorikan S kelas. Percetron dua neuron ditunjukkan dalam Gamar P..
24 Gamar P. o-neuron Percetron Marilah kita mulai dengan menamilkan vector inut seerti dalam Gamar P.. Lingkaran terang mengindikasikan kelas vector segiemat terang mengindikasikan kelas vector lingkaran gela mengindikasikan kelas vector dan segiemat gela mengindikasikan kelas vector. Seuah ercetron dua neuron memuat dua atasan keutusan. Oleh karena itu untuk memagi ruang inut ke dalam emat kategori kita erlu untuk memiliki satu atasan keutusan yang memagi emat kelas ke dalam dua himunan dari dua. Sisa atasan kemudian harus mengisolasi masing-masing kelas. Dua atasan terseut digamarkan dalam Gamar P.. Sekarang kita tahu aha ola kita adalah terisah secara linear. Gamar P. Vektor Inut untuk Masalah P. Diterjemahkan oleh Lily W.
25 5 Diterjemahkan oleh Lily W. Gamar P. Batasan Keutusan yang ersifat sementara untuk masalah P. Vektor oot harus ortogonal terhada atasan-atasan keutusan dan harus menunjuk ke arah daerah dimana outut neuron adalah. aha erikutnya harus memutuskan aha sisi dari setia eratasan harus menghasilkan seuah. Satu ilihan digamarkan di dalam gamar P.5 dimana daerah yang di-shado mereresentasikan outut. Shado yang aling gela nilai target dari 8 7 : 6 5 : : : t t class t t class t t class t t class Kita sekarang daat memilih vektor-vektor oot: dan Perhatikan aha anjang vector oot tidak enting hanya arah mereka. Mereka harus orthogonal terhada atasan keutusan. Kita sekarang daat menghitung ias dengan mengamil seuah titik ada atasan dan memenuhi Persamaan (.5): [ ] [ ]
26 6 Diterjemahkan oleh Lily W. Gamar P.5 Daerah Keutusan untuk Masalah P. Dalam entuk matrik kita memiliki dan W Yang melengkai disain/rancangan kita. P. Pecahkan masalah klasifikasi erikut dengan aturan ercetron. erakan masing-masing vektor inut seanyak engulangan yang dierlukan untuk memastikan aha masalah daat diecahkan. Gamar suatu grafik dari masalah hanya setelah anda telah menemukan satu solusi. t t t t Gunakan oot dan ias aal s: ( ) [ ] ( ). W Kita mulai dengan menghitung outut ercetron a untuk vector inut yang ertama yakni menggunakan oot dan ias aal.
27 a hard lim hard lim ( W ( ) ) + ( ) [ ] + hard lim( ) Outut a tidak sama dengan nilai target t sehingga kita menggunakan aturan ercetron untuk menemukan oot dan ias yang aru erdasarkan ada error. e t a () W ( ) + e [ ] + ( )[ ] [ ] () ( ) + e + ( ) W Kita sekarang menerakan vector inut yang kedua yakni menggunakan oot dan ias yang aru (sudah diuah). hard lim ( W ( ) ) + ( ) a hard lim [ ] hard lim() Kali ini outut a adalah sama dengan target t. Peneraa aturan ercetron tidak akan menghasilkan eruahan aaun. ( ) W ( ) ( ) ( ) W Kita sekarang menerakan vector inut ketiga. hard lim ( W ( ) ) + ( ) a hard lim [ ] hard lim( ) Outut menanggai vector inut adalah sama dengan target t sehingga tidak ada eruahan terhada nilai oot mauun ias. ( ) W( ) ( ) ( ) W Sekarang kita lanjutkan ada vector inut yang terakhir yakni. hard lim ( W ( ) ) + ( ) a hard lim [ ] hard lim( ) 7 Diterjemahkan oleh Lily W.
28 8 Diterjemahkan oleh Lily W. Kali ini outut a tidak teat sama dengan target t. Aturan ercetron akan menghasilkan nilai W dan yang aru. ( ) ( ) [ ] ()[ ] [ ] ( ) ( ) ( ) e e W W a t e Sekarang kita harus menguji vector ertama yakni kemali. Kali ini outut a sama dengan target t. ( ) ( ) ( ) [ ] ( ) 8 lim lim lim + + hard hard W hard a Oleh karena itu tidak ada eruahan yang terjadi. ( ) ( ) ( ) ( ) 5 5 W W Presentasi kedua dari menghasilkan dalam satu error dan oleh karena itu suatu nilai oot dan ias yang aru harus ditetakan. ( ) ( ) ( ) [ ] ( ) lim lim 5 5 lim + + hard hard W hard a Berikut ini nilai-nilai yang aru terseut: ( ) ( ) [ ] ()[ ] [ ] ( ) ( ) e e W W a t e Perutaran melalui masing-masing vektor inut sekali lagi menghasilkan tidak ada error.
29 a hard lim a hard lim a hard lim a hard lim ( W ( 6) ) + ( 6) hard lim[ ] ( W ( 6) ) + ( 6) hard lim[ ] ( W ( 6) ) + ( 6) hard lim[ ] + t + t + t ( W ( 6) ) + ( 6) hard lim[ ] + t Oleh karena itu algoritma telah memusat. Solusi akhir adalah: Sekarang kita isa memuat grafik data elatihan dan atasan keutusan dari solusi. Batasan keutusan dierikan oleh W n +. Untuk menemukan memintas atasan keutusan tentukan : jika. Untuk menemukan yang memintas tentukan : jika. Batasan keutusan yang dihasilkan digamarkan di dalam Gamar P.6. 9 Diterjemahkan oleh Lily W. Gamar P.6 Batasan Keutusan untuk Masalah P.
30 Perhatikan aha atasan keutusan yang jatuh secara keetulan salah satu dari vektor elatihan. Hal ini adalah isa diterima dengan mengetahui definisi masalah karena fungsi hard limit mengemalikan ketika dierikan satu inut dan target untuk vektor di dalam ertanyaan adalah tentu saja. Diterjemahkan oleh Lily W.
Dika Dwi Muharahman*, Nurul Gusriani, Elis Hertini. Departemen Matematika, Universitas Padjadjaran *E mail:
Perubahan Perilaku Pengguna nstant Messenger dengan Menggunakan Analisis Koresondensi Bersama (Studi Kasus Mahasiswa di Program Studi S-1 Matematika FMPA Unad) Dika Dwi Muharahman*, Nurul Gusriani, Elis
Lebih terperinciAnalisis Kestabilan Titik Keseimbangan Model Perilaku Jumlah Pelaku Narkoba dengan Faktor Rehabilitasi
Vol. 7 No. 6-7 Januari Analisis Kestailan Titik Keseimangan Model Perilaku Jumlah Pelaku Narkoa dengan Faktor ehailitasi Syamsuddin Toaha Astrak Tulisan ini memahas suatu model laju eruahan jumlah elaku
Lebih terperinciBab 3 PERUMUSAN MODEL KINEMATIK DDMR
Ba 3 PERUMUSAN MODEL KINEMATIK DDMR Model kinematika diperlukan dalam menganalisis pergerakan suatu root moil. Model kinematik merupakan analisis pergerakan sistem yang direpresentasikan secara matematis
Lebih terperinciBab 4 PRINSIP PRINSIP PEMODELAN FISIS
Bab 4 PRINSIP PRINSIP PEMODELAN FISIS 4. Fase-fase Pemodelan Dalam bab ini kita akan mendiskusikan bagaimana membangun model model matematika system dinamis. Kita akan memerhatikan masalah bagaimana mencaai
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Persoalan jalur terendek (Shortest Path) meruakan suatu jaringan engarahan erjalanan dimana seseorang engarah jalan ingin menentukan jalur terendek antara dua kota
Lebih terperinciMessage Authentication Code (MAC) Pembangkit Bilangan Acak Semu
Bahan Kuliah ke-21 IF5054 Kriptografi Message Authentication Code (MAC) Pemangkit Bilangan Acak Semu Disusun oleh: Ir. Rinaldi Munir, M.T. Departemen Teknik Informatika Institut Teknologi Bandung 2004
Lebih terperinciPERSAMAAN DAN PERTIDAKSAMAAN
PERSAMAAN DAN PERTIDAKSAMAAN Sumer: Art & Gallery 44 Matematika X SMK Kelompok: Penjualan dan Akuntansi Standar kompetensi persamaan dan pertidaksamaan linier dan kuadrat terdiri atas tiga kompetensi dasar.
Lebih terperinciIDENTIFIKASI WAJAH MANUSIA DENGAN ANALISIS KOMPONEN BEBAS
IDENIFIKASI WAJAH MANUSIA DENGAN ANALISIS KOMPONEN BEBAS Muhammad Arif Siddiq *), Imam Santoso, and Au Aulian Zahra Deartemen eknik Elektro, Universitas Dionegoro Jl. Prof. Sudharto, SH, Kamus UNDIP emalang,
Lebih terperinciBAB I. Ada beberapa macam sarana transportasi pribadi untuk membawa anak,yaitu : BERMOBILITAS
PENDAHLAN LATAR BELAKANG Aa eeraa macam sarana transortasi riai untuk memawa,yaitu : Motor Moil Menengah Tetai K E NYATAAN NYA: Menengah Dari segi keselamatanæ Moil jauh leih aman i aningkan motor. Karena
Lebih terperinciKompleksitas Algoritma Quick Sort
Komleksitas Algoritma Quick Sort Fachrie Lantera NIM: 130099 Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung Jln. Ganesha 10, Bandung E-mail : if099@students.if.itb.ac.id
Lebih terperinciAlgoritma Jaringan Syaraf Tiruan Hopfield
2.6. Jaringan Saraf Tiruan Hofield Jaringan syaraf Tiruan Hofield termasuk iterative autoassociative network yang dikembangkan oleh Hofield ada tahun 1982, 1984. Dalam aringan Hofield, semua neuron saling
Lebih terperinciSIMULASI PERHITUNGAN NILAI KETIDAKPASTIAN SPESIFIK IMPULS ROKET RX 150 L1000 STANDAR
Majalah Sains dan Teknologi Dirgantara Vol. 3 No. 4 Desemer 008:58-63 SIMULASI PERHITUNGAN NILAI KETIDAKPASTIAN SPESIIK IMPULS ROKET RX 50 L000 STANDAR Amor Dewanto Peneliti Pusat Teknologi ahana Dirgantara,
Lebih terperinciBAB II. PROTEKSI TRAFO 60 MVA 150/20 kv. DAN PENYULANG 20 kv
BAB II PROTEKSI TRAFO 60 MVA 150/20 kv DAN PENYULANG 20 kv 2.1. Transformator Daya Transformator adalah suatu alat listrik statis yang erfungsi meruah tegangan guna penyaluran daya listrik dari suatu rangkaian
Lebih terperinciIntegral dan Persamaan Diferensial
Sudaryatno Sudirham Studi Mandiri Integral dan Persamaan Diferensial ii Darublic BAB 3 Integral (3) (Integral Tentu) 3.. Luas Sebagai Suatu Integral. Integral Tentu Integral tentu meruakan integral yang
Lebih terperinciDESAIN KOMPENSATOR KAWASAN FREKUENSI. Dalam bab terdahulu, telah dipelajari analisa TKA dan prosedur desain. Desain
DESAIN KOMPENSATOR KAWASAN FREKUENSI Dalam bab terdahulu, telah dielajari analisa TKA dan rosedur desain. Desain TKA telah ditamilkan sebagai metode untuk menangani tanggaan eralihan (transien) sistem
Lebih terperinciCOURSE NOTE : Sistem Persamaan Liniear
COURSE NOTE : Sistem Persamaan Liniear PERSAMAAN LINIEAR Secara umum kita mendefinisikan persamaan liniear dalam n variale x 1 x x n seagai erikut : dengan a1 a... an adalah konstanta real. a1x 1 ax ax...
Lebih terperinciPertemuan XI, XII, XIII VI. Konstruksi Rangka Batang
ahan jar Statika Mulyati, ST., MT ertemuan XI, XII, XIII VI. Konstruksi Rangka atang VI. endahuluan Salah satu sistem konstruksi ringan yang mempunyai kemampuan esar, yaitu erupa suatu Rangka atang. Rangka
Lebih terperinciPERSAMAAN FUNGSI KUADRAT-1
PERSAMAAN FUNGSI KUADRAT- Mata Pelajaran K e l a s Nomor Modul : Matematika : X (Sepuluh) : MAT.X.0 Penulis Pengkaji Materi Pengkaji Media : Drs. Suyanto : Dra.Wardani Rahayu, M.Si. : Drs. Soekiman DAFTAR
Lebih terperinciBAB IV METODE BELAJAR HEBBIAN
BAB IV MEODE BELAJAR HEBBIAN - Aturan Hebb meruaan salah satu huum embelajaran jaringan neural yang ertama. Diemuaan oleh Donald Hebb (949). Hebb lahir di Chester, Nova Scotia, ada ergantian abad. - Isinya
Lebih terperinciBAB 3 PENGEMBANGAN TEOREMA DAN PERANCANGAN PROGRAM
BAB 3 PENGEMBANGAN TEOREMA DAN PERANCANGAN PROGRAM 3.1. Pengembangan Teorema Dalam enelitian dan erancangan algoritma ini, akan dibahas mengenai beberaa teorema uji rimalitas yang terbaru. Teorema-teorema
Lebih terperinciTRIGONOMETRI. Bab. Di unduh dari : Bukupaket.com. Aturan sinus Aturan kosinus Luas segitiga A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR
a 6 TRIGONOMETRI A. KOMPETENSI DASAR DAN PENGALAMAN ELAJAR Kompetensi Dasar 1. Menghayati pola hidup disiplin, kritis, ertanggungjawa, konsisten dan jujur serta menerapkannya dalam kehidupan sehari hari..
Lebih terperinciBAB I PENDAHULUAN. Y dikatakan linear jika untuk setiap x, Diberikan ruang Hilbert X atas lapangan F dan T B( X ), operator T
BAB I PENDAHULUAN. Latar Belakang dan Permasalahan Bidang ilmu analisis meruakan salah satu cabang ilmu matematika yang di dalamnya banyak membicarakan konse, aksioma, teorema, lemma disertai embuktian
Lebih terperinciHASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Lingkungan mikro di dalam rumah tanaman khususnya di daerah tropika asah perlu mendapat perhatian khusus, mengingat iri iklim tropika asah dengan suhu udara yang relatif panas,
Lebih terperinciBAB I PENDAHULUAN A. Latar Belakang B. Definisi C. Tujuan 1. Tujuan Umum 2. Tujuan Khusus
BAB I PENDAHULUAN A. Latar Belakang Pernahkah anda menjadi seorang pasien yang datang ke dokter dan menolak dirawat? Biasanya penolakan muncul jika sang dokter menyarankan untuk dilakukan tindakan seperti
Lebih terperinciBAB II TINJAUAN PUSTAKA. untuk berkunjung ke suatu negara. Permintaan pariwisata biasanya diukur dari segi
BAB II TINJAUAN PUSTAKA 2.1 Permintaan Pariwisata Pariwisata mamu mencitakan ermintaan yang dilakukan oleh wisatawan untuk berkunjung ke suatu negara. Permintaan ariwisata biasanya diukur dari segi jumlah
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK PENDUGAAN MUTU. Sandra 1)
Alikasi Jaringan Syaraf Tiruan (Sandra) APLIKASI JARINGAN SYARAF TIRUAN UNTUK PENDUGAAN MUTU MANGGA SEGAR SECARA NON-DESTRUKTIF Sandra 1) 1) Staf Pengajar Fakultas Pertanian, Universitas Andalas Padang
Lebih terperinci(R.2) PERBANDINGAN METODE BOOTSTRAP DAN JACKKNIFE DALAM PENDUGAAN PARAMETER REGRESI DENGAN PARTIAL LEAST SQUARE REGRESSION
Universitas Padjadjaran, 3 Novemer 200 (R.2) PERANDINGAN METODE OOTSTRAP DAN JACKKNIFE DALAM PENDUGAAN PARAMETER REGRESI DENGAN PARTIAL LEAST SQUARE REGRESSION I Gede Nyoman Mindra Jaya Jurusan Statistika
Lebih terperinciJurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN
Perbandingan Metode Klasifikasi Regresi Logistik Dengan Jaringan Saraf Tiruan (Studi Kasus: Pemilihan Jurusan Bahasa dan IPS ada SMAN 2 Samarinda Tahun Ajaran 2011/2012) Comarison of Classification Methods
Lebih terperinciHasil Kali Dalam Berbobot pada Ruang L p (X)
Hasil Kali Dalam Berbobot ada Ruang L () Muhammad Jakfar, Hendra Gunawan, Mochammad Idris 3 Universitas Negeri Surabaya, muhammadjakfar@unesa.ac.id Institut Teknologi Bandung, hgunawan@math.itb.ac.id 3
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 21 Distriusi Distriusi dapat diartikan seagai kegiatan pemasaran untuk memperlancar dan mempermudah penyampaian arang dan jasa dari produsen kepada konsumen, sehingga penggunaannya
Lebih terperinciBAB 5 DESAIN DAN ANALISIS SAMBUNGAN
BAB 5 DESAIN DAN ANALISIS SAMBUNGAN Ba ini akan memahas kapasitas samungan rangka aja ringan terhadap gaya-gaya dalam yang merupakan hasil analisis struktur rangka aja ringan pada pemodelan a seelumnya.
Lebih terperinciBAB 1 PENDAHULUAN. Masalah kependudukan di Indonesia merupakan masalah penting yang perlu
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah kependudukan di Indonesia merupakan masalah penting yang perlu mendapat perhatian dan pemahasan serius dari pemerintah dan ahli kependudukan. Bila para ahli
Lebih terperinciPengendalian Level Coupled Tank Menggunakan Metode Sliding Mode Control (SMC) Hybrid Proportional Integral Derivative (PID) di Simulink Matlab
Jurnal Sains, eknologi dan Industri, Vol. 3, No., Desemer 05,.5- ISSN 693-390 rint/issn 407-0939 online Pengendalian Level Couled ank Menggunakan Metode Sliding Mode Control (SMC) Hyrid Proortional Integral
Lebih terperinciHASIL DAN PEMBAHASAN
31 HASIL DAN PEMBAHASAN Silika Hasil Isolasi dari Sekam Padi Analisis kuantitatif dengan metode X-Ray Fluorescence dilakukan untuk mengetahui kandungan silika au sekam dan oksida-oksida lainnya aik logam
Lebih terperinciOPTIMASI PERENCANAAN ANTENA HORN PIRAMIDA DENGAN MENGGUNAKAN ALGORITMA GENETIK
OPTIMASI PEENCANAAN ANTENA HON PIAMIDA DENGAN MENGGUNAKAN ALGOITMA GENETIK MAKALAH SEMINA TUGAS AKHI Oleh TIYOGA PAPTO W LF 300 570 Jurusan Teknik Elektro Fakultas Teknik Universitas Dionegoro Astrak Antena
Lebih terperinci1). Definisi Relasi Relasi dari dua himpunan A dan B adalah pemasangan anggota-anggota A dengan anggota B.
Bayangkan suatu fungsi seagai seuah mesin, misalnya mesin hitung. Ia mengamil suatu ilangan (masukan), maka fungsi memproses ilangan yang masuk dan hasil produksinya diseut keluaran. x Masukan Fungsi f
Lebih terperinciPERSEPSI TERHADAP PELAYANAN RUMAH KOST DI KELURAHAN GEBANG REJO (PERCEPTION BOARDING HOUSE SERVICES IN VILLAGE GEBANGREJO) BY Tabita R.
PERSEPSI TERHADAP PELAYANAN RUMAH KOST DI KELURAHAN GEBANG REJO (PERCEPTION BOARDING HOUSE SERVICES IN VILLAGE GEBANGREJO) BY Taita R. Matana ABSTRACT The purpose of this study was to determine the pereptions
Lebih terperinciMETODE SIMPLEKS PRIMAL MENGGUNAKAN WORKING BASIS
JURNAL MATEMATIKA DAN KOMPUTER Vol 6 No 3, 118-177, Desemer 2003, ISSN : 1410-8518 METODE SIMPLEKS PRIMAL MENGGUNAKAN WORKING BASIS Sunarsih dan Ahmad Khairul Ramdani Jurusan Matematika FMIPA UNDIP ABSTRAK
Lebih terperinciKonstruksi Rangka Batang
Konstruksi Rangka atang Salah satu sistem konstruksi ringan yang mempunyai kemampuan esar, yaitu erupa suatu Rangka atang. Rangka atang merupakan suatu konstruksi yang terdiri dari sejumlah atang atang
Lebih terperinciSKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN
SKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN Oleh : Rengganis L. N. R 302 00 046 PENDAHULUAN Latar Belakang Penduduk
Lebih terperinciBAB XIV V E K T O R Pengertian Vektor adalah besaran yang mempunyai arah. Tafsiran geometri sebuah vektor dilukiskan sebagai panah.
XIV V E K T O R 4. engertian adalah esaran yang mempunyai arah. Tafsiran geometri seuah vektor dilukiskan seagai panah. dengan titik pangkal (a x, a y, a z ) dan titik ujung ( x, y, z ) dinotasikan dengan.
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinci8. Rangkaian Arus Searah, Pemroses Energi
ntroduction to ircuit nalysis Time Domain www.dirhamblora.com 8. angkaian rus Searah, Pemroses Energi Kita mengetahui bahwa salah satu bentuk gelombang dasar adalah bentuk gelombang anak tangga. Di bagian
Lebih terperinciMETODE SIMPLEKS PRIMAL MENGGUNAKAN WORKING BASIS
JURNAL MATEMATIKA DAN KOMPUTER Vol 6 No 3, 167-178, Desemer 2003, ISSN : 1410-8518 METODE SIMPLEKS PRIMAL MENGGUNAKAN WORKING BASIS Sunarsih dan Ahmad Khairul Ramdani Jurusan Matematika FMIPA UNDIP ABSTRAK
Lebih terperinciPENGARUH GAYA BELAJAR VISUAL, AUDIOTORIAL DAN KINESTETIK TERHADAP KEMAMPUAN ANALISIS SISWA KELAS VII MTs NEGERI GENENG TAHUN PELAJARAN 2010/2011
PENGARUH GAYA BELAJAR VISUAL, AUDIOTORIAL DAN KINESTETIK TERHADAP KEMAMPUAN ANALISIS SISWA KELAS VII MTs NEGERI GENENG TAHUN PELAJARAN 2010/2011 Inti Anif Fujiati 1, Sri Utami 2 FPMIPA IKIP PGRI MADIUN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. MANAJEMEN Manajemen adalah Kegiatan perencanaan (planning), pengorganisasian (organizing), penempatan orang (stafing), pengendalian (controlling), pengamilan keputusan (decision) dan
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciSistem Informasi Penyebaran Penyakit Demam Berdarah Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation
Sistem Informasi Penyebaran Penyakit Demam Berdarah Menggunakan Metode Jaringan Syaraf Tiruan Backroagation Didi Suriyadi Program Studi Teknik Informatika Sekolah Tinggi Teknologi Telematika Telkom Purwokerto
Lebih terperinciPRAKTIKUM 3 Penyelesaian Persamaan Non Linier Metode Regula Falsi
PRAKIKUM 3 Penyelesaian Persamaan Non Linier Metode Regula alsi ujuan : Mempelajari metode Regula alsi untuk penyelesaian persamaan non linier Dasar eori : Metode regula falsi adalah metode pencarian akar
Lebih terperinciAPLIKASI DISCOUNTED CASH FLOW PADA KONTROL INVENTORY DENGAN BEBERAPA MACAM KREDIT PEMBAYARAN SUPPLIER
Program Studi MMT-ITS, Surabaya Agustus 9 APLIKASI ISOUNTE ASH FLOW PAA KONTROL INVENTORY ENGAN BEBERAPA MAAM KREIT PEMBAYARAN SUPPLIER Hansi Aditya, Rully Soelaiman Manajemen Teknologi Informasi MMT -
Lebih terperinciPERATURAN MENTERI TENAGA KERJA REPUBLIK INDONESIA NOMOR PER-04/MEN/1993 TAHUN 1993 TENTANG JAMINAN KECELAKAAN KERJA
PERATURAN MENTERI TENAGA KERJA REPUBLIK INDONESIA NOMOR PER-04/MEN/1993 TAHUN 1993 TENTANG JAMINAN KECELAKAAN KERJA MENTERI TENAGA KERJA REPUBLIK INDONESIA, Menimang: a ahwa seagai pelaksanaan Pasal 19
Lebih terperinci4. Mononom dan Polinom
Darpulic www.darpulic.com 4. Mononom dan Polinom Sudaratno Sudirham Mononom adalah pernataan tunggal ang erentuk k n, dengan k adalah tetapan dan n adalah ilangan ulat termasuk nol. Fungsi polinom merupakan
Lebih terperinciPrediksi Pergerakan Harga Saham Pada Bank Terbesar Di Indonesia Dengan Metode Backpropagation Neural Network
ISSN: 2089-3787 965 Prediksi Pergerakan Harga Saham Pada Bank Terbesar Di Indonesia Dengan Metode Backroagation Neural Network Agnes Novita Fakultas Teknologi Informasi, ABFI Institute Perbanas Jln. Perbanas,
Lebih terperinciGelanggang Evalusi dan Sifat-sifatnya
Vol. 5, No.1, 52-57, Juli 2008 Gelanggang Evalusi dan Sifat-sifatnya Amir Kamal Amir Astrak Sifat-sifat gelanggang evaluasi eserta pemuktiannya sudah ada dieerapa literatur seperti misalnya pada McConnel
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya. Analisa Kestabilan Lyapunov
Institut Teknologi Seuluh Noember Surabaya Analisa Kestabilan Lyaunov Contoh Soal Ringkasan Latihan Contoh Soal Ringkasan Latihan Sistem Keadaan Kesetimbangan Kestabilan dalam Arti Lyaunov Penyajian Diagram
Lebih terperinciTRANSFORMASI AFFIN PADA BIDANG
Jurnal Matematika Vol. No. November 03 [ : 8 ] TRANSFORMASI AFFIN PADA BIDANG Gani Gunawan dan Suwanda Program Studi Matematika, Fakultas MIPA, Universitas Islam Bandung Prgram Studi Statistika, Fakultas
Lebih terperinciBab I Pendahuluan. I.1 Latar Belakang Masalah
Bab I Pendahuluan I. Latar Belakang Masalah Dalam beberaa tahun terakhir ini, roses emonitoran kestabilan barisan matriks korelasi mendaatkan erhatian yang amat serius dalam literatur, terutama dalam literatur
Lebih terperinciDisusun Oleh : Dewi Ratna Nawangsari NRP Dosen Pembimbing : Tri Tiyasmihadi, ST. MT
STUDI PENGARUH BENTANGAN(SPAN) PADA SINGLE GIRDER OVERHEAD CRANE DENGAN KAPASITAS 5 TON TYPE EKKE DAN ELKE DAN KAPASITAS 10 TON TYPE EKKE TERHADAP BERAT KONSTRUKSI GIRDERNYA Disusun Oleh : Dewi Ratna Nawangsari
Lebih terperinciBAB III METODE PENELITIAN. Populasi yang digunakan dalam penelitian ini meliputi seluruh perusahaan yang
35 BAB III METODE PENELITIAN 3.1. Populasi dan sampel Populasi yang digunakan dalam penelitian ini meliputi seluruh perusahaan yang go pulic di Bursa Efek Indonesia. Sampel yang diamil diatasi pada perusahaanperusahaan
Lebih terperinciPROSIDING ISSN: PM-32 ANALISI KESULITAN MAHASISWA DALAM MENYELESAIKAN MASALAH PERSAMAAN DIFERENSIAL
PM-32 ANALISI KESULITAN MAHASISWA DALAM MENYELESAIKAN MASALAH PERSAMAAN DIFERENSIAL Sumargiyani 1), Muhammad Iqna Hibatallah 2), Universitas Ahmad Dahlan 1),2) sumargiyani04@yahoo.om, iqnaunyu@gmail.om
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANASAN EORI. Masalah ersediaan alam Sistem Manufaktur Biasanya suatu perusahaan memagi milik perusahaannya menjadi dua agian.. engaturan persediaan atau inventaris dierikan untuk meningkatkan pengurusan
Lebih terperinciPROSIDING ISSN: PM-20 ANALISIS KESULITAN MAHASISWA DALAM MENYELESAIKAN MASALAH PERSAMAAN DIFERENSIAL
PM-20 ANALISIS KESULITAN MAHASISWA DALAM MENYELESAIKAN MASALAH PERSAMAAN DIFERENSIAL Sumargiyani 1) Muhammad Iqna Hibatallah 2) Universitas Ahmad Dahlan 1)2) sumargiyani04@yahoo.om iqnaunyu@gmail.om Abstrak
Lebih terperinciPRAKTIKUM 3 Penyelesaian Persamaan Non Linier Metode Regula Falsi
PRAKIKUM 3 Penyelesaian Persamaan Non Linier Metode Regula alsi ujuan : Mempelajari metode Regula alsi untuk penyelesaian persamaan non linier Dasar eori : Metode regula falsi adalah metode pencarian akar
Lebih terperinciPemodelan Biaya Tak Langsung Proyek Konstruksi di PT Wijaya Karya (Studi Kasus: Proyek Konstruksi Di Provinsi Kalimantan Timur)
Pemodelan Biaya Tak Langsung Proyek Konstruksi di PT Wijaya Karya (Studi Kasus: Proyek Konstruksi Di Provinsi Kalimantan Timur) Odik Fajrin Jayadewa, Dr. Irhamah, S.Si, M.Si, dan 3 Dwi Endah Kusrini, S.Si,
Lebih terperinciJEMBATAN KÖNIGSBERG. Puji Nugraheni. Abstrak
JEMTN KÖNIGSERG Puji Nugraheni Jurusan Pendidikan Matematika FKIP Universitas Muhammadiyah Purworejo bstrak erbagai ermasalahan dalam kehiduan sehari-hari daat dimodelkan dengan menggunakan diagram titik
Lebih terperinciPENENTUAN JUMLAH BUS YANG OPTIMAL DENGAN MENGGUNAKAN METODE GOAL PROGRAMMING (Studi Kasus Di Trayek B 35 Jurusan Terboyo - Cangkiran Semarang)
PENENTUAN JUMLAH BUS YANG OPTIMAL DENGAN MENGGUNAKAN METODE GOAL PROGRAMMING (Studi Kasus Di Trayek B 35 Jurusan Teroyo Cangkiran Semarang) Arfan Bakhtiar, Diana Puspita Sari, Hendy Tantono Industrial
Lebih terperinciPEMERINTAH KABUPATEN SUKOHARJO DINAS PENDIDIKAN SMA KABUPATEN SUKOHARJO Sekretariat : Jl. Jend. Sudirman No.197 Sukoharjo Telp.
PEMERINTAH KABUPATEN SUKOHARJO DINAS PENDIDIKAN SMA KABUPATEN SUKOHARJO Sekretariat : Jl. Jend. Sudirman No.197 Sukoharjo Telp. 071-5904 5751 TRY OUT UJIAN NASIONAL TAHAP 1 TAHUN PELAJARAN 01/01 Mata Pelajaran
Lebih terperinciUM UNPAD 2007 Matematika Dasar
UM UNPAD 007 Matematika Dasar Kode Soal Doc. Name: UMUNPAD007MATDAS999 Version : 0- halaman 0. Jika A e adalah komplemen dari A, maka daerah yang diarsir pada diagram Venn di awah ini dapat dinyatakan
Lebih terperinciPENERAPAN MODEL PEMBELAJARAN KONTEKSTUAL UNTUK MENINGKATKAN KEMAMPUAN GURU DALAM MENYUSUN RPP
Jurnal Pulikasi Pendidikan http://ojs.unm.ac.id/index.php/pupend Volume VI Nomor 2 Juni 2016 ISSN 2088-2092 PENERAPAN MODEL PEMBELAJARAN KONTEKSTUAL UNTUK MENINGKATKAN KEMAMPUAN GURU DALAM MENYUSUN RPP
Lebih terperinciUN SMA IPA 2010 Matematika
UN SMA IPA 00 Matematika Kode Soal P0 Doc. Name: UNSMAIPA00MATP0 Doc. Version : 0-0 halaman 0. Akar-akar persamaan kuadrat x² + (a - ) x + =0 adalah α dan β. Jika a > 0 maka nilai a =. 8 x 0. Diketahui
Lebih terperinciBAB II FUNGSI, PERSAMAAN DAN PERTIDAKSAMAAN KUADRAT
BAB II FUNGSI, PERSAMAAN DAN PERTIDAKSAMAAN KUADRAT Standar kompetensi:. Memecahkan masalah yang erkaitan dengan fungsi, persamaan dan pertidaksamaan kuadrat Kompetensi Dasar:. Memahami konsep fungsi.
Lebih terperincib. Titik potong grafik dengan sumbu y, dengan mengambil x = 0
B.3 Fungsi Kuadrat a. Tujuan Setelah mempelajari uraian kompetensi dasar ini, anda dapat: Menentukan titik potong grafik fungsi dengan sumu koordinat, sumu simetri dan nilai ekstrim suatu fungsi Menggamar
Lebih terperinciPENINGKATAN PRODUKTIFITAS PROSES PRODUKSI PENGRAJIN KUSEN DAN PINTU BERBASIS MESIN BAND SAW
PENINGKATAN PRODUKTIFITAS PROSES PRODUKSI PENGRAJIN KUSEN DAN PINTU BERBASIS MESIN BAND SAW Silviana 1, Nova Risdiyanto Ismail 2 1 Universitas Widyagama Malang/ Dosen Teknik Industri, Kota Malang 2 Universitas
Lebih terperinciANALISA STABILITAS LERENG TANAH BERBUTIR HALUS UNTUK KASUS TEGANGAN TOTAL DENGAN MENGGUNAKAN MICROSOFT EXEL ABSTRACT
ANALISA STABILITAS LERENG TANAH BERBUTIR HALUS UNTUK KASUS TEGANGAN TOTAL DENGAN MENGGUNAKAN MICROSOFT EXEL Handali, S 1), Gea, O 2) 1) Jurusan Teknik Sipil Universitas Kristen Immanuel Yogyakarta e-mail
Lebih terperinciANALISA TRAFIK PADA JARINGAN CDMA
BAB V AALSA TRAFK PADA JARGA CDMA Analisa trafik pada suatu sistem seluler sangat terkait dengan kapasitas aringan dari sistem terseut. Yang terkait erat dengan kapasitas aringan ini adalah intensitas
Lebih terperinci6. 2 Menerapkan konsep fungsi linier Menggambarkan fungsi kuadrat Menerapkan konsep fungsi kuadrat
Sumer: Art and Gallery Standar Kompetensi 6. Memecahkan masalah yang erkaitan dengan fungsi, persamaan fungsi linier dan fungsi kuadrat Kompetensi Dasar 6. Mendeskripsikan peredaan konsep relasi dan fungsi
Lebih terperinciMETODE SIMPLEKS YANG DIREVISI 1. Bentuk Standar Dalam Matriks Maksimumkan atau minimumkan:
JHON HENDR RSET OERASONAL UNVERSTAS GUNADARMA 9 age METODE SMLEKS YANG DREVS. entuk Standar Dalam Matriks Maksimumkan atau minimumkan: atasan: (A) ontoh: Maksimumkan: + atasan: + + - + entuk standar simpleks:
Lebih terperinciPETA KENDALI R ADAPTIF SEBAGAI ALTERNATIF PETA KENDALI R SHEWHART DALAM MENDETEKSI PERGESERAN KECIL PADA VARIANS
PETA KENDALI R ADAPTIF SEBAGAI ALTERNATIF PETA KENDALI R SHEWHART DALAM MENDETEKSI PERGESERAN KECIL PADA VARIANS Adative R Control Chart as Alternative Shewhart R Control Chart in Detecting Small Shifts
Lebih terperinciGEOMETRI PROYEKTIF PG(2, p n ) UNTUK MEMBENTUK RANCANGAN BLOK TIDAK LENGKAP SEIMBANG SIMETRIS. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang
urnal atematika Vol, No3, Desemer 8: -5, ISSN: 4-858 GEOERI PROYEKIF PG(, p n ) UNUK EBENUK RANCANGAN BOK IDAK ENGKAP SEIBANG SIERIS Yuni Hidayati dan Bamang Irawanto, urusan atematika FIPA Uniersitas
Lebih terperinciSTUDI KEANDALAN (RELIABILITY) PEMBANGKIT LISTRIK TENAGA UAP (PLTU) LABUHAN ANGIN SIBOLGA
STUDI KEANDALAN (RELIABILITY) PEMBANGKIT LISTRIK TENAGA UAP (PLTU) LABUHAN ANGIN SIBOLGA Oloni Togu Simanjuntak, Ir. Syamsul Amien, MS Konsentrasi Teknik Energi Listrik, Departemen Teknik Elektro Fakultas
Lebih terperinciPerancangan Alat Pembuat Tusuk Sate Dengan Kaidah Ergonomis
TEKNOLOGI DI INDUSTRI (SENIATI) 206 ISSN : 2085-428 Perancangan Alat Pemuat Tusuk Sate Dengan Kaidah Ergonomis Mujiono,*, Erni Junita Dosen Teknik Industri, Institut Teknologi Nasional Malang *E-mail :
Lebih terperinciPENDAHULUAN Drs. C. Jacob, M.Pd
PENDAHULUAN Drs. C. Jacob, M.Pd Email: cjacob@ui.edu. Pengantar Umum Untuk mengerti matematika tertulis, kita harus mengerti aa yang membuat suatu argumen matematis benar, yaitu, suatu bukti. Untuk elajaran
Lebih terperinciFaktor yang mempengaruhi ketidaklengkapan DRM : 1. Aspek sumber daya manusia 2. Aspek pendukung
BAB III METODE PENELITIAN A. Kerangka Konsep Tael 3.1 Kerangka Konsep Faktor yang mempengaruhi ketidaklengkapan DRM : 1. Aspek sumer daya manusia 2. Aspek pendukung Assemling Lengkap Tidak Lengkap Klaim
Lebih terperinci270 o. 90 o. 180 o PENDAHULUAN
PENDAHULUAN Latar Belakang Perkembangan analisis data saat ini masih bertumu ada analisis untuk data linear. Disisi lain, untuk kasus-kasus tertentu engukuran dilakukan secara sirkular. Beberaa ilustrasi
Lebih terperinciPEMERINTAH KABUPATEN SUKOHARJO DINAS PENDIDIKAN SMA KABUPATEN SUKOHARJO Sekretariat : Jl. Jend. Sudirman No.197 Sukoharjo Telp.
PEMERINTAH KABUPATEN SUKOHARJO DINAS PENDIDIKAN SMA KABUPATEN SUKOHARJO Sekretariat : Jl. Jend. Sudirman No.197 Sukoharjo Telp. 071-90 71 TRY OUT UJIAN NASIONAL TAHAP 1 TAHUN PELAJARAN 01/01 Mata Pelajaran
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciKURIKULUM TINGKAT SATUAN PENDIDIKAN ( KTSP ) ANALISIS MATERI KOMPETENSI SISWA SMP ( SILABUS ) KEGIATAN PEMBELAJARAN TEKNIK.
SEKOLAH : SMP NEGERI 9 CIMAHI KELAS : IX MATA PELAJARAN : MATEMATIKA SEMESTER : ( DUA ) KURIKULUM TINGKAT SATUAN PENDIDIKAN ( KTSP ) ANALISIS MATERI KOMPETENSI SISWA SMP ( SILABUS ) BILANGAN Standar Kompetensi
Lebih terperinciPENGARUH PERETAKAN BETON DALAM ANALISIS STRUKTUR BETON
PENGARUH PERETAKAN BETON DALAM ANALISIS STRUKTUR BETON Wiratman Wangsadinata 1, Hamdi 2 1. Pendahuluan Dalam analisis struktur eton, pengaruh peretakan eton terhadap kekakuan unsurunsurnya menurut SNI
Lebih terperinciInisiasi 2 (MATERI ENERGI GELOMBANG)
Inisiasi 2 (MATEI ENEGI GELMBANG) Saudara mahasiswa, calon endidik bangsa, selamat bertemu dalam kegiatan tutorial online kedua. Untuk kegiatan kali ini, kita akan berdiskusi tentang gelombang, teatnya
Lebih terperinciUN SMA 2015 Matematika IPA
UN SMA 05 Matematika IPA Soal Doc. Name: UNSMA05MATIPA Doc. Version : 05- halaman 0. Ani rajin elajar maka naik kelas. Ani dapat hadiah atau tidak naik kelas. Ani rajin elajar. Kesimpulan yang sah adalah
Lebih terperinciUPAYA KECIL BERKELANJUTAN MENGURANGI PENYEBAB PEMANASAN GLOBAL MELALUI PEMBELAJARAN PEMBUATAN ALAT PERAGA DALAM PERKULIAHAN FLUIDA
180 Prosiding Pertemuan Ilmiah XXIV HFI Jateng & DIY, Semarang 10 April 2010 hal. 180-185 UPAYA KECIL BERKELANJUTAN MENGURANGI PENYEBAB PEMANASAN GLOBAL MELALUI PEMBELAJARAN PEMBUATAN ALAT PERAGA DALAM
Lebih terperinciFungsi dan Grafik Diferensial dan Integral
Studi Mandiri Fungsi dan Grafik Diferensial dan Integral oleh Sudaratno Sudirham i Hak cita ada enulis, SUDIRHAM, SUDARYATNO Fungsi dan Grafik, Diferensial dan Integral Oleh: Sudaratmo Sudirham Darublic,
Lebih terperinciPENGARUH UKURAN GRANULA BOBOT TEPUNG JAGUNG TERHADAP PROFIL GELATINISASI DAN MI JAGUNG
PEMBAHASAN UMUM PENGARUH UKURAN GRANULA BOBOT TEPUNG JAGUNG TERHADAP PROFIL GELATINISASI DAN MI JAGUNG Pada penelitian tahap pertama diperoleh hasil ahwa ukuran partikel tepung sangat erpengaruh terhadap
Lebih terperinci7. FLUIDA FLUIDA STATIK FENOMENA FLUIDA DINAMIK
7. FLUID Materi Kuliah: - Fluida dan Fenomena - Massa Jenis - Tekanan - Prinsip Pascal - Prinsip rchimedes FLUID Fluida merupakan sesuatu yang dapat mengalir sehingga sering diseut seagai zat alir. Fasa
Lebih terperinciANALISA REFRAKSI GELOMBANG PADA PANTAI
ANALISA REFRAKSI GELOMBANG PADA PANTAI A.P.M., Tarigan *) dan Ahmad Syarif Zein **) *) Staf Pengajar Departemen Teknik Sipil Fakultas Teknik USU **) Sarjana Departemen Teknik Sipil Fakultas Teknik USU
Lebih terperincidlp2usaha - - USAHA DAN ENERGI - - Usaha dan Eenergi 8105 Fisika 1 mv
- - USAHA DAN ENERGI - - Modul ini singkron dengan Aplikasi Android, Download melalui Play Store di HP Kamu, ketik di pencarian dlp2usaha Jika Kamu kesulitan, Tanyakan ke tentor agaimana cara downloadnya.
Lebih terperinciLAJU PERTUMBUHAN BAKTERI S. Aerous MELALUI PENDEKATAN PERSAMAAN DIFERENSIAL
LAJU PERTUMBUHAN BAKTERI S. Aerous MELALUI PENDEKATAN PERSAMAAN DIFERENSIAL Nurdeni 1, Witri Lestari 2, dan Seruni 3 1 Program Studi Pendidikan Matematika, FTMIPA, Universitas Indraprasta PGRI [Email:
Lebih terperinciTEORI BAHASA DAN AUTOMATA
MODUL V TEORI BAHASA DAN AUTOMATA Tujuan : Mahasiswa memahami NFA dengan e-move, dapat malakukan ekivalensi ke NFA tanpa e-move dan operasi gaungan/konkatenasi. Materi : NFA dengan e-move Ekivalensi NFA
Lebih terperinciTRY OUT UN MATEMATIKA SMA IPA 2014
TRY OUT UN MATEMATIKA SMA IPA 4 Berilah tanda silang () ada huruf a, b, c, d, atau e di dean jawaban yang benar!. Diketahui remis-remis berikut. Jika Yudi rajin belajar maka ia menjadi andai. Jika Yudi
Lebih terperincioleh seperangkat variabel X, maka persamaan di atas dinamakan persamaan struktural, dan modelnya disebut model struktural.
ANALISIS JALUR A. PENGERTIAN ANALISIS JALUR Telaah statistika menyatakan bahwa untuk tujuan eramalan/ endugaan nilai Y atas dasar nilai-nilai X 1, X,., X i, ola hubungan yang sesuai adalah ola hubungan
Lebih terperinci