Optimasi Filter Kalman dengan Metode Steepest Descent dan Least Mean Square pada Rekonstruksi Citra Dinamis
|
|
- Ari Hartono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Proceeding of NIONL CONFNC ON COMPU SCINC & INFOMION CHNOLOGY 007 January 9-30, 007, Faculy of Compuer Science, Universiy of Indonesia Opimasi Filer Kalman dengan Meode Seepes Descen dan Leas Mean Square pada eonsrusi Cira Dinamis ully Soelaiman*, Irfan Subai* dan oy Nugroho* * Faulas enologi Informasi Insiu enologi Sepuluh Nopember (IS), Surabaya, 60111, Indonesia. mail: rully13070@gmail.com, yifana@gmail.com BSK Filer Kalman erbui dapa melauan proses reonsrusi cira dinamis, dimana permasalahan reonsrusi cira dinamis dimodelan sebagai permasalahan esimasi dinamis dengan fungsi ujuan meminimalan Mean Squared rror (MS). Namun erdapa eerbaasan pada biaya ompuasi filer Kalman yang mahal, sehingga dilauan opimasi pada filer Kalman dengan menggunaan meode ieraif. Pada paper ini, pemodelan sisem linier dari reonsrusi cira dinamis diselesaian dengan meode ieraif, yaiu meode Seepes Descen (SD) dan Leas Mean Square (LMS). Kedua meode ini merupaan penurunan dari filer Kalman. Uji coba dilauan dengan menggunaan daa sineis, dengan membandingan filer Kalman, meode langsung (Pseudo-LS) dan meode ieraif (SD dan LMS). Hasil uji coba menunjuan bahwa meode ieraif lebih singa dalam biaya ompuasinya, dengan inerja yang hampir sama dengan filer Kalman dan meode Pseudo-LS. Kaa Kunci: Filer Kalman, esimasi dinamis, reonsrusi cira dinamis, sisem linier, meode ecursive Leas Squares (LS), meode ieraif, Seepes Descen, Leas Mean Square. 1. PNDHULUN eonsrusi cira dinamis merupaan permasalahan esimasi dinamis, yang dapa diselesaian dengan algorima esimasi dinamis, yaiu filer Kalman [1]. Keerbaasan pada filer Kalman adalah biaya ompuasi yang mahal, sehingga diperluan opimasi unu mendapaan biaya ompuasi yang lebih efisien. Opimasi dilauan dengan memodelan permasalahan reonsrusi cira dinamis menjadi permasalahan sisem linier yang diselesaian dengan meode langsung (Pseudo-LS) dan meode ieraif yaiu meode Seepes Descen dan Leas Mean Square. Model observasi yang digunaan pada reonsrusi cira dinamis dalam domain spasial dibagi menjadi dua []. Model observasi perama menyaaan model degradasi, yang dinyaaan pada persamaan (1): Y = DH( X + N( (1) M Y( adalah veor yang merepresenasian rangaian L cira resolusi rendah. X adalah veor yang merepresenasian rangaian cira resolusi inggi, dimana L > M. adalah uruan gambar aau jumlah cira. D adalah maris desimasi (downsample), dengan uuran M x L. H( adalah maris blur, dengan uuran L x L, dan N( adalah veor Gaussian noise dengan mean = 0 dan uuran M x 1, yang memilii maris auoorelasi W -1 ( = {N( N -1 (}, Maris W -1 ( diasumsian bernilai σ I, dimana σ adalah varians dari veor noise N(. Persamaan (1) emudian disederhanaan menjadi (), yang disebu juga dengan persamaan penguuran. Y = H X + N( () Model observasi edua adalah unu menyaaan eeraian anar cira resolusi inggi, yang diunjuan pada persamaan sisem (3): X = G( X ( 1) + V (3) dimana G( merepresenasian maris penghubung anara cira X( dan X(-1), yang dinyaaan dengan maris Idenias. Veor V( yang memilii maris auoorelasi Q - 1 ( = {V( V -1 (}, diasumsian bernilai nol sebagai aiba dari maris G( yang merupaan maris idenias. Pemodelan sisem linier dari reonsrusi cira dinamis dilauan dengan pendeaan fungsi ujuan unu meminimalan error dari Weighed Leas Squares (WLS). Dengan mengasumsian bahwa maris auoorelasi noise Q - 1 ( = 0, sehingga persamaan sisem (3) menjadi X( = G(X(-1), aau dapa diulis menjadi X(-1) = F(X(, dimana F( menunjuan bacward moion, aau gera 05
2 NIONL CONFNC ON COMPU SCINC & INFOMION CHNOLOGY 007 ISSN: Faculy of Compuer Science Universiy of Indonesia ebalian dari veor cira X( e X(-1). Sehingga dengan menggabungan persamaan penguuran () dan persamaan sisem (3), menjadi persamaan (4): Y ( ) = H ( ) F( + j) X () + N( ) j=1 ( ) F( ) X () + N( ) = H, (4) Unu mencari solusi opimal dari X () yaiu, maa error WLS dari persamaan (4) dinyaaan pada persamaan (5) beriu: ε = () = 0 ( ) H ( ) F(, ) () + N( ) Y (5) W (, ) ε () ( ) Dengan menurunan error WLS erhadap, emudian di se sama dengan nol, maa didapaan persamaan linier (6): Zˆ () = Lˆ () () (6) dengan Zˆ () = λ () F () Zˆ ( 1) + H () W () Y dan Lˆ () = λ () F () Lˆ () F() + H () W () H (). Persamaan sisem linier (6) aan diselesaian dengan meode ieraif yang biaya ompuasinya lebih efisien dari filer Kalman. Pada paper ini, penjelasan mengenai meode Seepes Descen dijelasan pada bagian, emudian meode Leas Mean Square pada bagian 3. Hasil uji coba diampilan pada bagian 4, emudian penarian esimpulan pada bagian 6.. MOD SPS DSCN Meode ieraif perama yang digunaan dalam paper ini adalah meode Seepes Descen, yang didasaran pada gradien. Benu umum dari algorima Seepes Descen dalam [3] dinyaaan pada persamaan (7) beriu: x( n + 1) = x( n) + α ( n) p( n) (7) dengan ujuan unu mendapaan nilai x(n+1) yang paling opimal dari x(n) yang diupdae dengan nilai α(n)p(n). α(n) adalah nilai salar yang disebu dengan sep size. p(n) adalah arah dari pergeraan unu mengopimalan nilai x(n+1). Nilai p(n) diupdae erhadap indes n, dimana pemilihan nilai p(n) berganung pada fungsi ujuannya. Bila digunaan unu memasimalan suau fungsi, maa dinamaan Seepes scen, dan bila digunaan unu meminimalan suau fungsi, maa dinamaan Seepes Descen. Dalam ones reonsrusi cira dinamis, persamaan sisem linier diunjuan pada persamaan (6) hasil dari pendeaan meode Pseudo-LS. rah pergeraan unu mengopimalan nilai adalah veor residu dari persamaan (8) yang merupaan hasil penurunan (gradien) dari fungsi ujuan meminimalan rieria error Weighed Leas Square: Zˆ Lˆ () (8) Penerapan dari meode Seepes Descen unu reonsrusi cira dinamis dinyaaan pada persamaan (9) dan (10): ( ) ( ) ˆ 0 = G X ( 1) (9) X ˆ = ( ) [ ( ) ( ) () + Zˆ Lˆ 1 µ 1 ], 1 (10) dimana X ˆ 0 adalah inisial awal unu perhiungan solusi opimal X ˆ secara ieraif sebanya ali pada persamaan (9), wau e. X ˆ 0 juga sebagai nilai updae dari wau - 1. Sedangan perhiungan ieraif pada persamaan (10), pencarian solusi opimal dari wau e dilauan dengan arah pergeraan veor residu, sep size µ, dan dengan indes dalam ondisi 1. Sehingga persamaan (9) dan (10) disebu dengan algorima -Seepes Descen (-SD), dengan ahap inisialisasi pada persamaan (11): ( 0) = Ε{ X ( 0) } ˆ 0 ˆ 1 L = P 0 Zˆ ( ) ( ) = Ε X ( 0) X ( 0) ( 0) = Lˆ ( 0) ( 0) [ { }] 1 (11) Normalisasi -SD Meode -SD pada persamaan (11) erdapa sep size µ, yang nilainya mempengaruhi onvergensi dari meode ini. Suau pendeaan unu pemilihan nilai µ adalah dengan menggunaan normalisasi meode -SD, dimana iap ierasinya didefinisian pada persamaan (1): µ () = Lˆ () () () () = Zˆ () Lˆ () () () = () + µ () (),1 1 1 (1) Sedangan pemilihan forgeing facor λ(, dilauan dengan rial dan error, dengan persyaraan 0 << λ( < 1, yang aan diunjuan pada bagian 4 yaiu hasil uji coba. Meode normalisasi -SD ini lebih bai dibandingan dengan meode -SD, yang aan dibahas pada bagian 4, hasil uji coba. Pseudocode dari meode normalisasi -SD diunjuan pada gambar 1. Veor inix dan maris inip merupaan insialisasi veor dan maris saa = 0. Veor 06
3 Opimasi Filer Kalman dengan Meode Seepes Descen dan Leas Mean Square pada eonsrusi Cira Dinamis [ully Soelaiman, Irfan Subai dan oy Nugroho] inix berisi hasil inerpolasi bilinier dari cira resolusi rendah Y( pada = 0, sedangan maris inip adalah maris ovarians dari veor inix []. 3. MOD LS MN SQU Meode ieraif edua yang digunaan unu melauan reonsrusi cira dinamis adalah meode - Leas Mean Squares (-LMS). Meode -LMS dalam ones reonsrusi cira Super-esolusi, didapaan dengan cara menggani nilai Ẑ () dan nilai Lˆ (), yang dinyaaan pada persamaan (13) dan (14) seperi pada [1]: Lˆ = H W H (14) Dengan mensubsiusian nilai Ẑ () pada persamaan (13) dan = H W Y() ( ) ( ) ( ) ( ) Zˆ (13) Lˆ pada persamaan (14) e dalam persamaan (10), didapaan persamaan (15): ˆ ( ) ˆ X ( ) ( ) ( )[ () ( ) ˆ = X 1 + µ H W Y H X 1 ] (15) dengan indes memenuhi 1, dan ahap inisialisasi dari meode -LMS dinyaaan pada persamaan (16): ( 0) = Ε{ X ( 0) } (16) Persamaan (15) dan (16) disebu dengan meode -LMS. Normalisasi-SD (inix, inip, F, Ha, Wa, Ya, lambda,, G) lengh[y[1]] for 1 o do if = 1 hen prevx inix prevl inip -1 prevz prevl x prevx else prevx Xfil[1..][-1] prevz Z[1..][-1] prevl hasill Z[1..][] lambda[1][] x F x prevz + Ha x W x Y[1..][] hasill lambda[1][] x F x prevl x F + Ha x W x Ha XrNol = G x prevx for 1 o do if = 1 hen prevx XrNol else prevx X[1..][-1] [1..][] Z[1..][] - hasill x prevx myu [1..][] x [1..][] /( [1..][] x hasill x [1..][]) Xfil[1..][] X[1..][] Gambar 1. Pseudocode meode Normalisasi -SD Normalisasi-LMS (inix, G, Ha, Wa, Ya, ) 1 lengh[y[1]] for 1 o 3 do if = 1 4 hen prevx inix 5 else prevx Xfil[1..][-1] 6 XrNol = G x prevx 7 for 1 o 8 do if = 1 9 hen prevx XrNol 10 else prevx X[1..][-1] 11 [1..][] Ha x W x (Y[1..][] - Ha x prevx) 1 myu [1..][] x [1..][] /( [1..][] x Ha x W x Ha x [1..][]) 13 Xfil[1..][] X[1..][] Gambar. Pseudocode meode Normalisasi -LMS 07
4 Proceeding of NIONL CONFNC ON COMPU SCINC & INFOMION CHNOLOGY 007 January 9-30, 007, Faculy of Compuer Science, Universiy of Indonesia Normalisasi -LMS Seperi pada meode -SD, meode -LMS juga memilii sep size µ yang mempengaruhi nilai onvergensi, sehingga dalam pemilihan sep size µ dilauan dengan pendeaan normalisasi meode -LMS, yang dinyaaan pada persamaan (17). Meode Normalisasi -LMS lebih bai daripada meode -LMS.Bila dibandingan dengan meode normalisasi -SD, meode normalisasi -LMS lebih sederhana dalam persamaan maemaianya dan lebih singa dalam wau ompuasinya, yang diunjuan pada hasil uji coba. Kedua meode ieraif -SD dan -LMS juga diaaan sebagai algorima filer adapif. Karaerisi dari algorima filer adapif memilii proses dasar yang melipui proses filering dan proses adapif. Proses filering menghasilan sinyal oupu yaiu X ˆ () dan error esimasi yaiu error Weighed Leas Squares. Sedangan proses adapif melauan penyesuaian pada sep size iap wau disri, yang diunjuan dengan perubahan pada nilai sep size µ. Pada edua meode ieraif ini, pemilihan nilai ierasi diunjuan pada bagian hasil uji coba. µ () = G() 0 ( 1) () () () = () H () W() H () () () = H () W() Y() H () 1 () () = () + µ () (),1 1 [ ] abel 1. Daa Cira Nama Cira Nama Cira (17) Gambar 3. Pembandingan -SD dengan nilai λ( berbeda Gambar 4. Pembandingan -SD dan Normalisasi -SD Lena Boa Peppers Baboon Bridge Cameraman Gambar 5. Pembandingan -SD dengan nilai berbeda 08
5 Opimasi Filer Kalman dengan Meode Seepes Descen dan Leas Mean Square pada eonsrusi Cira Dinamis [ully Soelaiman, Irfan Subai dan oy Nugroho] Uruan Gambar B C Gambar 6. Pembandingan -LMS dan Normalisasi - LMS D F G Gambar 8. angaian Cira Baboon Gambar 7. Pembandingan -LMS dengan nilai Berbeda 4. HSIL UJI COB Uji coba dilauan erhadap rangaian cira resolusi rendah unu direonsrusi menjadi rangaian cira resolusi inggi. Daa uji coba yang digunaan dalam forma grayscale, dengan uuran cira 50x50 pisel, dan jumlah cira sebanya 100 cira. Penggunaan uuran cira erai dengan eerbaasan memori ools Pembangun (Malab 7.0). Daa cira yang digunaan dinyaaan pada abel 1. Uji coba dierapan pada masing-masing algorima, dan emudian dilauan pembandingan pada aspe ualias gambar, dan nilai parameer penguuran MS, dan PSN dengan formulasi log, sera wau ompuasinya. 10 MS Pada paper ini hanya diberian conoh unu cira gambar, yaiu rangaian cira Baboon dan Cameraman. Gambar 9. MS Hasil eonsrusi angaian Cira Baboon 09
6 NIONL CONFNC ON COMPU SCINC & INFOMION CHNOLOGY 007 ISSN: Faculy of Compuer Science Universiy of Indonesia Gambar 10. PSN Hasil eonsrusi angaian Cira Baboon B C D F G Uruan Gambar Gambar 11. angaian Cira Cameraman Gambar 1. MS Hasil eonsrusi angaian Cira Cameraman Gambar 13. PSN eonsrusi angaian Cira Cameraman abel. aa-raa PSN PSN (db) Lena Peppers Bridge Boa Baboon lgorima Cameraman aaraa Filer Kalman Pseudo- LS SD Normal LMS Normal lgorima abel 3. Wau Kompuasi lgorima Wau Kompuasi (dei) Lena Peppers Bridge Boa Baboon Cameraman aa-raa Filer Kalman Pseudo-LS SD Normal LMS Normal angaian cira resolusi rendah yang direonsrusi adalah rangaian cira yang erdegradasi dengan blur uniform [3 x 3], dengan operaor desimasi, dan noise Gaussian dengan mean = 0 dan varians = 5, yang dihasilan secara sineis. Hasil pembandingan algorima dapa diliha pada gambar 8 sampai 13. Gambar 8 dan 11 memilii eerangan : rangaian cira resolusi inggi yang asli, B: rangaian cira resolusi rendah, C: rangaian cira inerpolasi bilinear, D: hasil reonrusi filer Kalman, : hasil reonsrusi Pseudo-LS, F: hasil reonsrusi normalisasi -SD, G: hasil reonsrusi normalisasi -LMS. abel dan abel 3 menunjuan pembandingan hasil PSN dan wau ompuasi iap algorima, yang menunjuan bahwa filer Kalman adalah algorima erbai dalam 10
7 Opimasi Filer Kalman dengan Meode Seepes Descen dan Leas Mean Square pada eonsrusi Cira Dinamis [ully Soelaiman, Irfan Subai dan oy Nugroho] melauan reonsrusi cira Super-esolusi, dilanjuan dengan Pseudo-LS, -SD dan -LMS. Sedangan dalam wau ompuasinya filer Kalman merupaan algorima paling lamba, dilanjuan dengan Pseudo-LS, -SD dan - LMS dengan wau paling cepa. Gambar 4 dan 6, menunjuan bahwa meode normalisasi -SD dan -LMS lebih cepa mengalami onvergensi daripada anpa normalisasi. Kemudian uji coba pemilihan nilai forgeing facor λ( dan pada meode -SD diunjuan pada gambar 3 dan 5. Sedangan gambar 7 adalah uji coba pemilihan nilai pada algorima -LMS. Hasil pada gambar 3 dan 5 menunjuan bahwa semain besar nilai λ(, yang mendeai nilai 1 dan semain besar nilai, semain cepa algorima -SD mengalami onvergensi. Hasil pada gambar 7 menunjuan bahwa semain ecil nilai, semain cepa algorima -LMS mengalami onvergensi. 5. KSIMPULN Dari hasil uji coba yang elah dilauan dapa diambil esimpulan: 1. lgorima esimasi dinamis dan algorima penurunannya erbui dapa melauan reonsrusi cira Super- esolusi. Hal ini diunjuan pada hasil reonsrusi cira iap algorima, dimana erdapa peningaan pada ualias resolusi rangaian cira hasil reonsrusi.. lgorima Filer Kalman merupaan algorima paling bai, dilanjuan dengan algorima Pseudo-LS, algorima -SD dan ahirnya algorima -LMS yang merupaan algorima paling lemah dalam melauan proses reonsrusi cira Super-esolusi. 3. lgorima Filer Kalman memerluan wau ompuasi paling lama, dilanjuan dengan algorima Pseudo-LS, algorima -SD dan algorima -LMS yang memerluan wau ompuasi paling pende. 4. Dari poin no dan 3, dapa disimpulan bahwa inerja dari algorima ieraif (-SD dan -LMS) mendeai inerja algorima esimasi dinamis (Filer Kalman), dengan wau ompuasi yang lebih singa. 5. Normalisasi algorima -SD dan -LMS lebih cepa mencapai onvergensi daripada algorima -SD dan - LMS anpa normalisasi. DF PUSK [1]. Soelaiman, I. Subai dan. Nugroho, Penerapan Filer Kalman dan Meode Pseudo-ecursive Leas Squares pada eonsrusi Cira Dinamis, Laporan Peneliian, Insiu enologi Sepuluh Nopember, Surabaya, Indonesia, 006. [] M. lad and. Feuer, Super-esoluion econs-rucion of Image Sequences, I ransacions on Paern nalysis and Machine Inelligence, vol. 1, no. 9, Sepember [3]. K. Moon and W. C. Sirling, Mahemaical Mehods and lgorihms for Signal Processing, Prenice-Hall, Inc., 000. [4] S. C. Par, M. K. Par and M. G. Kang, Super- esoluion Image econsrucion: echnical Overview, I Signal Processing Magazine,
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini aan diemuaan beberapa onsep dasar yang beraian dengan analisis runun wau, dianaranya onsep enang esasioneran, fungsi auoorelasi dan fungsi auoorelasi parsial, macam-macam
Lebih terperinciModel GSTAR Termodifikasi untuk Produktivitas Jagung di Boyolali
Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 Model GSTAR Termodifiasi unu Produivias Jagung di Boyolali Prisa Dwi Apriyani ), Hanna Arini Parhusip ), Lili Linawai ) ))) Progdi Maemaia,
Lebih terperinciANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX
Seminar Nasional Maemaia dan Apliasinya, 1 Oober 17 ANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX Maylia Hasyim 1), Dedy Dwi Prasyo ) 1) Program Sudi Pendidian
Lebih terperinciUJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST
Vol. 7. No. 3, 36-44, Desember 004, ISSN : 1410-8518 UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST Budi Warsio, Dwi Ispriyani Jurusan Maemaia FMIPA Universias Diponegoro Absra Tulisan ini membahas
Lebih terperinciBAB IV SIMULASI MODEL
21 BAB IV SIMULASI MODEL Pada bagian ini aan diunjuan simulasi model melalui pendeaan numeri dengan menggunaan ala banu peranga luna Mahemaica. Oleh arena iu dienuan nilai-nilai parameer seperi yang disajian
Lebih terperinci4. VALIDITAS DAN RELIABILITAS DALAM MEMBUAT EVALUASI
4. ALIDITAS DA RELIABILITAS DALAM MEMBUAT EALUASI Tujuan : Seelah mempelajari modul ini mahasiswa mampu membua ala evaluasi bau unu program pembelajaran Evaluasi pembelajaran adalah ahap ahir dalam prosedur
Lebih terperinciBAB 1 PENDAHULUAN 1.1 LATAR BELAKANG 1.2 TUJUAN
BAB PENDAHUUAN. ATAR BEAKANG Seringali ara enelii aau saisiawan melauan enganalisaan erhada suau eadaan/masalah dimana eadaan yang dihadai adalah besarnya jumlah variabel samel yang diamai. Unu iu erlu
Lebih terperinciKINETIKA REAKSI HOMOGEN SISTEM BATCH
KINETIK REKSI HOMOGEN SISTEM BTH SISTEM REKTOR BTH OLUME TETP REKSI SEDERHN (SERH/IREERSIBEL Beberapa sisem reasi sederhana yang disajian di sini: Reasi ireversibel unimoleuler berorde-sau Reasi ireversibel
Lebih terperinciMahasiswa Jurusan Statistika FMIPA-ITS ( ) Abstrak
PEMODELAN DAYA LISTRIK DENGAN PENDEKATAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH). (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) Firoh Amalia, Drs. Haryono, MSIE Mahasiswa
Lebih terperinci( ) r( t) 0 : tingkat pertumbuhan populasi x
III PEMODELAN Model Perumbuan Koninu Terbaasnya sumber-sumber penyoong (ruang, air, maanan, dll) menyebaban populasi dibaasi ole suau daya duung lingungan Perumbuan populasi lamba laun aan menurun dan
Lebih terperinciBAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperinciMETODE NUMERIK STEPEST DESCENT TERINDUKSI NEWTON
Uomo, R. B. Jurnal Pendidian Maemaia STKIP Garu METODE NUMERIK STEPEST DESCENT TERINDUKSI NEWTON DALAM PEMECAHAN MASALAH OPTIMISASI TANPA KENDALA INDUCTED NEWTON STEEPEST DESCENT AS A NUMERICAL METHOD
Lebih terperinciPERBANDINGAN METODE CAMPBELL DUDEK AND SMITH (CDS) DAN PALMER DALAM MEMINIMASI TOTAL WAKTU PENYELESAIAN Studi Kasus : Astra Konveksi Pontianak
Bulein Ilmiah Mah. Sa. dan Terapannya (Bimaser) Volume 04, No. 3 (2015), hal 181 190. PERBANDINGAN METODE CAMPBELL DUDEK AND SMITH (CDS) DAN PALMER DALAM MEMINIMASI TOTAL WAKTU PENYELESAIAN Sudi Kasus
Lebih terperinciBAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun
BAB III ARFIMA-FIGARCH 3. Time Series Memori Jangka Panjang Proses ARMA sering dinyaakan sebagai proses memori jangka pendek (shor memory) karena fungsi auokorelasi anara dan urun cepa secara eksponensial
Lebih terperinciPrediksi Curah Hujan Kota Samarinda pada Tahun 2014 dengan Metode Filter Kalman. Rainfall Prediction Samarinda in 2014 with Kalman Filter Method
Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN 8-789 Predisi Curah Hujan Koa Samarinda pada Tahun dengan Meode Filer Kalman Rainfall Predicion Samarinda in wih Kalman Filer Mehod Ea Syafiri Andarini, Sri
Lebih terperinciAnalisis Model dan Contoh Numerik
Bab V Analisis Model dan Conoh Numerik Bab V ini membahas analisis model dan conoh numerik. Sub bab V.1 menyajikan analisis model yang erdiri dari analisis model kerusakan produk dan model ongkos garansi.
Lebih terperinciInfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 1, No.2, September 2012
InfiniyJurnal Ilmiah Program Sudi Maemaia STKIP Siliwangi Bandung, Vol 1, No.2, Sepember 2012 GRUP PERMUTASI SIKLIS DALAM PERMAINAN SUIT Oleh: Bagus Ardi Sapuro Jurusan Pendidian Maemaia, IKIP PGRI Semarang
Lebih terperinciAnalisis Faktorisasi Matriks Tak Negatif
Jurnal Maemaa, Saisa, & Kompuasi Vol. 3 No. Januari 07 Jurnal Maemaa, Saisa & Kompuasi Edisi Khusus Juli 007 Vol. 3, No.,, 4-46, 47-5, Januari January 07 07 47 57 nalisis Fakorisasi Mars ak Negaif bsrak
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
11 BAB I PENDAHULUAN 1.1 Laar Belakang Salah sau masalah analisis persediaan adalah kesulian dalam menenukan reorder poin (iik pemesanan kembali). Reorder poin diperlukan unuk mencegah erjadinya kehabisan
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang
Lebih terperinciADAPTIVE SMOOTHING NEURAL NETWORK UNTUK PERAMALAN NILAI TUKAR MATA UANG
ADAPTIVE SMOOTHIG EURAL ETWORK UTUK PERAMALA ILAI TUKAR MATA UAG Wiwi Anggraeni Jurusan Sisem Infomasi, Faulas Tenologi Informasi, Insiu Tenologi Sepuluh opember Surabaya Gedung Tenologi Informasi, Jalan
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciImplementasi Algoritma Kunang-Kunang Untuk Penjadwalan Mata Kuliah di Universitas Ma Chung
Seiawan, Implemenasi Algorima Kunang-Kunang unu Penjadwalan Maa Kuliah di Universias Ma Chung 269 Implemenasi Algorima Kunang-Kunang Unu Penjadwalan Maa Kuliah di Universias Ma Chung Hendry Seiawan 1,
Lebih terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY DAN DIMAS HARI SANOSO Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperinciANALISA PERENCANAAN TRAFO SISIPAN T. 416 PADA TRAFO HL. 017 DI JARINGAN TEGANGAN RENDAH DESA GUYANGAN KECAMATAN BAGOR KABUPATEN JOMBANG
ANALISA PERENCANAAN TRAFO SISIPAN T. 416 PADA TRAFO HL. 017 DI JARINGAN TEGANGAN RENDAH DESA GUYANGAN KECAMATAN BAGOR KABUPATEN JOMBANG Oleh: Muhlasin, Machrus Ali Teni Elero, Faulas Teni-Undar muhlasin.g@gmail.com,
Lebih terperinciPERBANDINGAN METODE TIME SERIES REGRESSION DAN ARIMAX PADA PEMODELAN DATA PENJUALAN PAKAIAN DI BOYOLALI ABSTRAK
PERBANDINGAN METODE TIME SERIES REGRESSION DAN ARIMAX PADA PEMODELAN DATA PENJUALAN PAKAIAN DI BOYOLALI Ardia Suma Perdana (1308 100 503 Dosen Pembimbing: Ir. Dwiamono A. W., M.Iom JURUSAN STATISTIKA Faulas
Lebih terperinciMODUL 7 APLIKASI TRANFORMASI LAPLACE
MODUL 7 APLIKASI TRAFORMASI LAPLACE Tranformai Laplace dapa digunaan unu menyeleaian bai peroalan analia maupun perancangan iem. Apliai Tranformai Laplace erebu berganung pada ifa-ifa ranformai Laplace,
Lebih terperinciADAPTIVE BACKGROUND DENGAN METODE GAUSSIAN MIXTURE MODELS UNTUK REAL-TIME TRACKING
ADAPTIVE BACKGROUND DENGAN METODE GAUSSIAN MIXTURE MODELS UNTUK REAL-TIME TRACKING Silvia Rosianingsih 1, Rudy Adipranaa, Fredy Seiawan Wibisono Jurusan Teni Informaia, Faulas Tenologi Indusri, Universias
Lebih terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih terperinciBab 5 BEBERAPA HUBUNGAN DASAR DALAM FISIKA
Bab 5 BEBERAPA HUBUNGAN DASAR DALAM FISIKA 5. Pendahuluan Keia memodelan sisem fisis, ia enu harus mulai dengan pengeahuan mengenai fisia. Dalam bab ini ia aan merangum hubungan hubungan paling umum dalam
Lebih terperincix 4 x 3 x 2 x 5 O x 1 1 Posisi, perpindahan, jarak x 1 t 5 t 4 t 3 t 2 t 1 FI1101 Fisika Dasar IA Pekan #1: Kinematika Satu Dimensi Dr.
Pekan #1: Kinemaika Sau Dimensi 1 Posisi, perpindahan, jarak Tinjau suau benda yang bergerak lurus pada suau arah erenu. Misalnya, ada sebuah mobil yang dapa bergerak maju aau mundur pada suau jalan lurus.
Lebih terperinciJumlah penjualan bulanan Produk X
BAB 4 HASIL DAN PEMBAHASAN 4.1 Eksraksi Hasil Pengumpulan Daa Hasil pengumpulan daa yang didapa pada periode Januari 006 sampai dengan Desember 009 disajikan dalam benuk abel seperi di bawah ini. Daa yang
Lebih terperinciDESAIN SENSOR KECEPATAN BERBASIS DIODE MENGGUNAKAN FILTER KALMAN UNTUK ESTIMASI KECEPATAN DAN POSISI KAPAL
DESAIN SENSOR KECEPAAN BERBASIS DIODE MENGGUNAKAN FILER KALMAN UNUK ESIMASI KECEPAAN DAN POSISI KAPAL Alrijadjis, Bambang Siswanto Program Pascasarjana, Jurusan eni Eletro, Faultas enologi Industri Institut
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN EMBAHASAN 4.1 Karakerisik dan Obyek eneliian Secara garis besar profil daa merupakan daa sekunder di peroleh dari pusa daa saisik bursa efek Indonesia yang elah di publikasi, daa di
Lebih terperinciANALISIS KEHANDDALAN DAN LAJU KERUSAKAN PADA MESIN CONTINUES FRYING (STUDI KASUS : PT XYZ)
hp://jurnal.upnyk.ac.id/index.php/opsi OPSI Jurnal Opimasi Sisem Indusri ANALISIS KEHANDDALAN DAN LAJU KERUSAKAN PADA MESIN CONTINUES FRYING (STUDI KASUS : PT XYZ) Ahmad Muhsin, Ichsan Syarafi Jurusan
Lebih terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
Lebih terperinciBlind Adaptive Multi-User Detection pada Sistem Komunikasi DS-CDMA dengan Kanal AWGN
Proceeding of Seminar on Intelligent echnology and Its Applications (SIIA ) Institut enologi Sepuluh Nopember, Surabaya, May 7 th, Blind Adaptive Multi-User Detection pada Sistem omuniasi DS-CDMA dengan
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*
PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih terperinciHIDDEN MARKOV MODEL. Proses Stokastik dapat dipandang sebagai suatu barisan peubah acak dengan T adalah parameter indeks dan X
BAB II HIDDE MARKOV MODEL.. Pendahuluan Proses Sokasik dapa dipandang sebagai suau barisan peubah acak { X, } dengan adalah parameer indeks dan X menyaakan keadaan pada saa. Himpunan dari semua nilai sae
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciLDMOSFET dengan beberapa keunggulannya. Struktur dasar dan prinsip kerja. LDMOSFET akan didiskusikan. Selain itu, didiskusikan pula model-model
BB II TINJUN PUSTK Pada bab ini, perama-ama, ami aan memberian elaah mengenai devais LDMOSFET dengan beberapa eunggulannya. Sruur dasar dan prinsip erja LDMOSFET aan didisusian. Selain iu, didisusian pula
Lebih terperinciINVESTIGASI FORENSIKA PADA LOG WEB SERVER UNTUK MENEMUKAN BUKTI DIGITAL TERKAIT DENGAN SERANGAN MENGGUNAKAN METODE HIDDEN MARKOV MODELS
INVESTIGASI FORENSIKA PADA LOG WEB SERVER UNTUK MENEMUKAN BUKTI DIGITAL TERKAIT DENGAN SERANGAN MENGGUNAKAN METODE HIDDEN MARKOV MODELS Triawan Adi Cahyano 1 Magiser Teni Informaia Faulas Tenologi Indusri
Lebih terperinci*Corresponding Author:
Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion
Lebih terperinciPENGEMBANGAN LEMBAR KEGIATAN SISWA (LKS) INKUIRI BERBASIS BERPIKIR KRITIS PADA MATERI DAUR BIOGEOKIMIA KELAS X
PENGEMBANGAN LEMBAR KEGIATAN SISWA (LKS) INKUIRI BERBASIS BERPIKIR KRITIS PADA MATERI DAUR BIOGEOKIMIA KELAS X Saviri Herdianawai, Herlina Firihidajai, Tarzan Purnomo Biologi, FMIPA, Universias Negeri
Lebih terperinciANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Studi kasus pada CV Cita Nasional.
JURNAL ILMIAH RANGGAGADING Volume 7 No. 1, April 7 : 3-9 ANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Sudi kasus pada CV Cia Nasional. Oleh Emmy Supariyani* dan M. Adi Nugroho *Dosen
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciKLASIFIKASI DOKUMEN TUGAS AKHIR MENGGUNAKAN ALGORITMA K-MEANS. Wulan Fatin Nasyuha¹, Husaini 2 dan Mursyidah 3 ABSTRAK
KLASIFIKASI DOKUMEN TUGAS AKHIR MENGGUNAKAN ALGORITMA K-MEANS Wulan Fain Nasyuha¹, Husaini 2 dan Mursyidah 3 1,2,3 Teknologi Informasi dan Kompuer, Polieknik Negeri Lhokseumawe, Jalan banda Aceh-Medan
Lebih terperinciPENGARUH STRATEGI PEMBELAJARAN GENIUS LEARNING TERHADAP HASIL BELAJAR FISIKA SISWA
ISSN 5-73X PENGARUH STRATEGI PEMBELAJARAN GENIUS LEARNING TERHADAP HASIL BELAJAR ISIKA SISWA Henok Siagian dan Iran Susano Jurusan isika, MIPA Universias Negeri Medan Jl. Willem Iskandar, Psr V -Medan
Lebih terperinciBAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu
BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciJurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jember ABSTRAK
PERBANDINGAN METODE DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN TES (TRIPLE EXPONENTIAL SMOOTHING) PADA PERAMALAN PENJUALAN ROKOK (STUDI KASUS TOKO UTAMA LUMAJANG) 1 Fajar Riska Perdana (1110651142) 2 Daryano,
Lebih terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciMODEL OPTIMASI PENGGANTIAN MESIN PEMECAH KULIT BERAS MENGGUNAKAN PEMROGRAMAN DINAMIS (PABRIK BERAS DO A SEPUH)
Journal Indusrial Servicess Vol. No. Okober 0 MODEL OPTIMASI PENGGANTIAN MESIN PEMECAH KULIT BERAS MENGGUNAKAN PEMROGRAMAN DINAMIS (PABRIK BERAS DO A SEPUH) Abdul Gopar ) Program Sudi Teknik Indusri Universias
Lebih terperinciKARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL. Sudarno Staf Pengajar Program Studi Statistika FMIPA UNDIP
Karakerisik Umur Produk (Sudarno) KARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL Sudarno Saf Pengajar Program Sudi Saisika FMIPA UNDIP Absrac Long life of produc can reflec is qualiy. Generally, good producs
Lebih terperinciPENGUJIAN HIPOTESIS. pernyataan atau dugaan mengenai satu atau lebih populasi.
PENGUJIAN HIPOTESIS 1. PENDAHULUAN Hipoesis Saisik : pernyaaan aau dugaan mengenai sau aau lebih populasi. Pengujian hipoesis berhubungan dengan penerimaan aau penolakan suau hipoesis. Kebenaran (benar
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN EORI.. Dasar Dari ransfer Panas Ilmu pengeahuan ermodinamia ang berhubungan dengan jumlah ransfer panas sebagai suau sisem ang menjalanan suau proses dari sau ii sabil e ii sabil lainna, dimana
Lebih terperinciBAB 2 KINEMATIKA. A. Posisi, Jarak, dan Perpindahan
BAB 2 KINEMATIKA Tujuan Pembelajaran 1. Menjelaskan perbedaan jarak dengan perpindahan, dan kelajuan dengan kecepaan 2. Menyelidiki hubungan posisi, kecepaan, dan percepaan erhadap waku pada gerak lurus
Lebih terperinciMATA KULIAH METODE RUNTUN WAKTU. Oleh : Entit Puspita Nip
MAA KULIAH MEODE RUNUN WAKU Oleh : Entit Puspita Nip 08 JURUSAN PENDIDIKAN MAEMAIKA FAKULAS PENDIDIKAN MAEMAIKA DAN ILMU PENGEAHUAN ALAM UNIVERSIAS PENDIDIKAN INDONESIA 00 //00 Entit Puspita BEBERAPA KONSEP
Lebih terperinciMAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS
1. Pendahuluan MAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS CAMPURAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh : Febriana Dwi P. (1306 100 011) Dosen Pembimbing I : Dr. Irhamah, S.Si,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran Salah sau ujuan didirikannya perusahaan adalah dalam rangka memaksimalkan firm of value. Salah sau cara unuk mengukur seberapa besar perusahaan mencipakan
Lebih terperinciPengenalan Angka Terisolasi dengan Menggunakan Pemodelan HMM Melalui Ekstraksi Feature Mel-Cepstrum Filter Bank
Pengenalan Anga erisolasi dengan Menggunaan Pemodelan Melalui Esrasi Feaure Mel-Cepsrum Filer Ban Sri Jayadi (L2F302562) Jurusan eni Elero, Faulas eni, Universias Diponegoro, Jl. Prof. Sudharo, embalang,
Lebih terperinciVolume 1, Nomor 1, Juni 2007 ISSN
Volume, Nomor, Juni 7 ISSN 978-77 Barekeng, Juni 7 hal6-5 Vol No ANALISIS VARIANS MULTIVARIAT PADA EKSPERIMEN DENGAN RANCANGAN ACAK LENGKAP (Variance Mulivaria Analysis for Experimen wih Complee Random
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN 3.1. Analisis Sistem Analisis sistem merupakan tahap penguraian konsep menjadi lebih sederhana, sehingga struktur
BAB 3 ANALISIS DAN PERANCANGAN 3.1. Analisis Sisem Analisis sisem merupakan ahap penguraian konsep menjadi lebih sederhana, sehingga srukur logisnya menjadi lebih jelas. Analisis sisem erdiri dari beberapa
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi dan Waku Peneliian Peneliian ini dilaksanakan di PT Panafil Essenial Oil. Lokasi dipilih dengan perimbangan bahwa perusahaan ini berencana unuk melakukan usaha dibidang
Lebih terperinciPenduga Data Hilang Pada Rancangan Bujur Sangkar Latin Dasar
Kumpulan Makalah Seminar Semiraa 013 Fakulas MIPA Universias Lampung Penduga Daa Pada Rancangan Bujur Sangkar Lain Dasar Idhia Sriliana Jurusan Maemaika FMIPA UNIB E-mail: aha_muflih@yahoo.co.id Absrak.
Lebih terperinciJURNAL TEKNIK POMITS Vol. 2, No. 2, (2013) ISSN: ( Print) D-108
JURNAL TEKNIK POMITS Vol., No., (013) ISSN: 337-3539 (301-971 Prin) D-108 Simulasi Peredaman Gearan Mesin Roasi Menggunakan Dynamic Vibraion Absorber () Yudhkarisma Firi, dan Yerri Susaio Jurusan Teknik
Lebih terperinci3. Kinematika satu dimensi. x 2. x 1. t 1 t 2. Gambar 3.1 : Kurva posisi terhadap waktu
daisipayung.com 3. Kinemaika sau dimensi Gerak benda sepanjang garis lurus disebu gerak sau dimensi. Kinemaika sau dimensi memiliki asumsi benda dipandang sebagai parikel aau benda iik arinya benuk dan
Lebih terperinciBab 5 Penaksiran Fungsi Permintaan. Ekonomi Manajerial Manajemen
Bab 5 Penaksiran Fungsi Perminaan 1 Ekonomi Manajerial Manajemen Peranyaan Umum Tenang Perminaan Seberapa besar penerimaan perusahaan akan berubah seelah adanya peningkaan harga? Berapa banyak produk yang
Lebih terperinciAljabar Linear Elementer
Silabus : Aljabar Linear Elemener MA SKS Bab I Mariks dan Operasinya Bab II Deerminan Mariks Bab III Sisem Persamaan Linear Bab IV Vekor di Bidang dan di Ruang Bab V Ruang Vekor Bab VI Ruang Hasil Kali
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciBAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel
BAB III ANALISIS INTERVENSI 3.1. Pendahuluan Analisis inervensi dimaksudkan unuk penenuan jenis respons variabel ak bebas yang akan muncul akiba perubahan pada variabel bebas. Box dan Tiao (1975) elah
Lebih terperinciVARIABEL-VARIABEL YANG MEMPENGARUHI ACTUAL SYSTEM USAGE (ASU) PADA PEMANFAATAN STUDENTSITE
VARIABEL-VARIABEL YANG MEMPENGARUHI ACTUAL SYSTEM USAGE (ASU) PADA PEMANFAATAN STUDENTSITE Indra Nurhadi Program Sudi Manajemen Ekonomi, Fakulas Ekonomi, Universias Gunadarma Jl. Akses Kelapa Dua Cimanggis,
Lebih terperinciAbstrak Hampir seluruh aktivitas manusia di berbagai belahan bumi sangat bergantung terhadap ketersediaan air bersih.
1 Peramalan Volume Produksi Air Bersih di PDAM Kabupaen Bojonegoro berdasarkan Jumlah Pelanggan dan Volume Konsumsi Air Fasha Aulia Pradhani dan Adaul Mukarromah Jurusan Saisika, FMIPA, ITS Jl. Arief Rahman
Lebih terperinciRANCANG BANGUN OPTIMASI PERENCANAAN KEBUTUHAN BAHAN BAKU DENGAN ALGORITMA SILVER-MEAL
RANCANG BANGUN OPTIMASI PERENCANAAN KEBUTUHAN BAHAN BAKU DENGAN ALGORITMA SILVER-MEAL Aulia Bahar, Sarwosri Jurusan Teknik Informaika, Fakulas Teknologi Informasi, Insiu Teknologi Sepuluh Nopember Kampus
Lebih terperinciCONDITIONAL HETEROSCEDASTIC (ARCH) DENGAN METODE RASIO LIKELIHOOD SKRIPSI
ADLN Perpusaaan Universias Airlangga DEEKSI OULIER PADA MODEL AUOREGRESSIVE CONDIIONAL HEEROSCEDASIC ARCH DENGAN MEODE RASIO LIKELIHOOD SKRIPSI FIRIKA RAKHMADYAH DEPAREMEN MAEMAIKA FAKULAS SAINS DAN EKNOLOGI
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas dasar-dasar teori yang akan digunakan
BAB II LANDASAN TEORI Pada bab ini akan dibahas dasar-dasar eori yang akan digunakan dalam penulisan skripsi ini, yaiu model regresi dua level, meode penaksiran maximum likelihood, mariks parisi, kronecker
Lebih terperinciRANK DARI MATRIKS ATAS RING
Dela-Pi: Jurnal Maemaika dan Pendidikan Maemaika ISSN 089-855X ANK DAI MATIKS ATAS ING Ida Kurnia Waliyani Program Sudi Pendidikan Maemaika Jurusan Pendidikan Maemaika dan Ilmu Pengeahuan Alam FKIP Universias
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini adalah penelitian Quasi Eksperimental Design dengan
BAB III METODOLOGI PENELITIAN A. Jenis dan Desain Peneliian Peneliian ini adalah peneliian Quasi Eksperimenal Design dengan kelas eksperimen dan kelas conrol dengan desain Prees -Poses Conrol Group Design
Lebih terperinciPemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Metode Intervensi dan Regresi Spline ABSTRAK
Pemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Meode Inervensi dan Regresi Spline Rina Andriani, Dr. Suharono, M.Sc 2 Mahasiswa Jurusan Saisika FMIPA-ITS, 2 Dosen Jurusan Saisika FMIPA-ITS
Lebih terperinciB a b 1 I s y a r a t
TKE 305 ISYARAT DAN SISTEM B a b I s y a r a Indah Susilawai, S.T., M.Eng. Program Sudi Teknik Elekro Fakulas Teknik dan Ilmu Kompuer Universias Mercu Buana Yogyakara 009 BAB I I S Y A R A T Tujuan Insruksional.
Lebih terperinciPEMODELAN PRODUKSI SEKTOR PERTANIAN
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 2009 PEMODELAN PRODUKSI SEKTOR PERTANIAN Brodjol Suijo Jurusan Saisika ITS Surabaya ABSTRAK Pada umumnya daa ekonomi bersifa ime
Lebih terperinciKAJIAN PEMODELAN DERET WAKTU: METODE VARIASI KALENDER YANG DIPENGARUHI OLEH EFEK VARIASI LIBURAN
JMP : Volume 4 omor, Juni 22, hal. 35-46 KAJIA PEMODELA DERET WAKTU: METODE VARIASI KALEDER YAG DIPEGARUHI OLEH EFEK VARIASI LIBURA Winda Triyani Universias Jenderal Soedirman winda.riyani@gmail.com Rina
Lebih terperinciPELABELAN TOTAL (a, d)-sisi ANTIAJAIB SUPER PADA K 1,m K 1,n untuk d = 1 atau d = 2
Jurnal Maemaika UNAND Vol. No. 1 Hal. 3 36 ISSN : 303 910 c Jurusan Maemaika FMIPA UNAND PELABELAN TOTAL (a, d)-sisi ANTIAJAIB SUPER PADA K 1,m K 1,n unuk d = 1 aau d = DINA YELNI Program Sudi Maemaika,
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciIII. PEMODELAN HARGA PENGGUNAAN INTERNET
8 III EMODELAN HARGA ENGGUNAAN INTERNET 3 Asumsi dan Model ada peneliian ini diperhaikan beberapa asumsi yaiu sebagai beriku: Waku anarkedaangan menyebar eksponensial dengan raaan λ - (laju kedaangan adalah
Lebih terperinciPENGGUNAAN KONSEP FUNGSI CONVEX UNTUK MENENTUKAN SENSITIVITAS HARGA OBLIGASI
PENGGUNAAN ONSEP FUNGSI CONVEX UNU MENENUAN SENSIIVIAS HARGA OBLIGASI 1 Zelmi Widyanuara, 2 Ei urniai, Dra., M.Si., 3 Icih Sukarsih, S.Si., M.Si. Maemaika, Universias Islam Bandung, Jl. amansari No.1 Bandung
Lebih terperinciUnjuk Kerja Call Admission Control Berbasis SIR pada Sistem Seluler CDMA
55 Unju Kerja Call Admission Conrol Berbasis SR pada Sisem Seluler CDMA Suwadi Mulimedia Telecommunicaion Research Group, Dep of Elecrical Engineering, TS Surabaya ndonesia 60111, email: suwadi@eeisacid
Lebih terperinciANALISIS KORELASI KANONIK PADA PERILAKU KESEHATAN DAN KARAKTERISTIK SOSIAL EKONOMI DI KOTA PATI JAWA TENGAH ABSTRACT
ANALISIS KOELASI KANONIK PADA PEILAKU KESEHATAN DAN KAAKTEISTIK SOSIAL EKONOMI DI KOTA PATI JAWA TENGAH Diah Sairi, Paramia Indrasari Program Sudi Saisia FMIPA UNDIP Alumni Program Sudi Saisia FMIPA UNDIP
Lebih terperinciPENJADWALAN PEMBUATAN BOX ALUMININUM UNTUK MEMINIMUMKAN MAKESPAN (Studi Kasus di Perusahaan Karoseri ASN)
B PENJADWALAN PEMBUATAN BOX ALUMININUM UNTUK MEMINIMUMKAN MAKESPAN (Sudi Kasus di Perusahaan Karoseri ASN) Firiya Gemala Dewi, Bobby O.P. Soepangka, Nurhadi Siswano Program Pasca Sarjana Magiser Manajemen
Lebih terperinciExponential smoothing
Exponenial smoohing This is a widely used forecasing echnique in reailing, even hough i has no proven o be especially accurae, www,cl,asae,edu/crbrown/smoohing07,pp 1 Exponenial Smoohing n Period Moving
Lebih terperinciBAB 2 TINJAUAN TEORITIS. dari bahasa Yunani yang berarti Demos adalah rakyat atau penduduk,dan Grafein
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian Demografi Keadaan penduduk sanga era kaiannya dengan demografi. Kaa demografi berasal dari bahasa Yunani yang berari Demos adalah rakya aau penduduk,dan Grafein adalah
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Disini tujuan akhir yang ingin dicapai penulis adalah pembuatan suatu aplikasi
BAB 5 HASIL DAN PEMBAHASAN Disini ujuan akhir yang ingin dicapai penulis adalah pembuaan suau aplikasi program yang digunakan unuk membanu perusahaan dalam menenukan jumlah produksi demand. Disini ada
Lebih terperinciIII. KERANGKA PEMIKIRAN. setinggi-tingginya untuk kesejahteraan masyarakat, oleh karenanya pengelolaannya
III. KERANKA PEMIKIRAN 3. Keranga Teoriis 3.. Model Maemai dalam Aloasi umberdaya Air Tujuan Pengelolaan sumberdaya air dan sumberdaya alam lainnya adalah seinggi-ingginya unu esejaheraan masyaraa, oleh
Lebih terperinciGERAK LURUS BESARAN-BESARAN FISIKA PADA GERAK KECEPATAN DAN KELAJUAN PERCEPATAN GLB DAN GLBB GERAK VERTIKAL
Suau benda dikaakan bergerak manakalah kedudukan benda iu berubah erhadap benda lain yang dijadikan sebagai iik acuan. Benda dikaakan diam (idak bergerak) manakalah kedudukan benda iu idak berubah erhadap
Lebih terperinci