OPTIMASI MULTI TRAVELLING SALESMAN PROBLEM (M-TSP) PADA MOBIL PATROLI POLISI DENGAN ALGORITMA HEURISTIC ASSIGNMENT FISHER-JAIKUMAR DAN ALGORITMA A*
|
|
- Yandi Sutedja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 OPTIMASI MULTI TRAVELLING SALESMAN PROBLEM (M-TSP) PADA MOBIL PATROLI POLISI DENGAN ALGORITMA HEURISTIC ASSIGNMENT FISHER-JAIKUMAR DAN ALGORITMA A* Sati Dwi Nurhumam 1 Waya Firdaus Mahmudy (wayafm@brawijaya.ac.id) 2 1 Alumus Program Studi Ilmu Komputer Jurusa Matematika FMIPA Uiversitas Brawijaya 2 Staf Pegajar Program Studi Ilmu Komputer Jurusa Matematika FMIPA Uiversitas Brawijaya ABSTRAK Perjalaa mobil patroli (>1) ke sejumlah m titik rawa (m>) termasuk dalam m-tsp (Multi Travellig Salesma Problem). Makalah ii memaparka peyelesaika permasalaha m-tsp dega megelompokka terlebih dahulu m-1 (m titik tapa titik start) titik rawa ke dalam sub tur, da satu titik rawa haya boleh mejadi aggota sebuah sub tur. Pegelompokka ii megguaka metode heuristic assigmet Fisher- Jaikumar. Selajutya masig-masig sub tur direpresetasika dalam betuk graf da dilakuka optimasi pecaria rute berdasarka jarak pada masig-masig sub tur megguaka algoritma A*, hasilya berupa rute yag harus ditempuh oleh masig-masig mobil patroli. Evaluasi hasil dilakuka dega cara membadigka dega solusi semua kemugkia. Perbadiga dilakuka pada lima kali uji coba megguaka tujuh, delapa, sembila, sepuluh da sebelas titik rawa. Pada perhituga total jarak megguaka metode heuristic assigmet Fisher-Jaikumar da algoritma A* meghasilka galat rata-rata sebesar 20,43% dari jarak miimum sebearya. Sedagka waktu pemrosesaya jauh lebih cepat utuk jumlah titik rawa lebih dari tujuh daripada dega meghitug semua kemugkia. 1. PENDAHULUAN Trasportasi merupaka salah satu permasalaha yag serig dihadapi dalam kehidupa sehari-hari. Salah satu cotoh yaitu rute maakah yag memiliki biaya palig murah utuk dilalui seorag salesma yag harus megujugi sejumlah daerah, tiap daerah harus dikujugi tepat satu kali kemudia kembali lagi ke tempat semula. Permasalaha tersebut dikeal sebagai Travellig Salesma Problem (TSP). Jika terdapat lebih dari seorag salesma maka disebut multi Travellig Salesma Problem (m-tsp). Permasalaha TSP maupu m-tsp dimodelka dalam betuk graf legkap. Pada kasus m-tsp graf legkap tersebut memiliki buah simpul yag meyataka daerah-daerah yag harus dikujugi oleh sejumlah m salesma. Bobot pada tiap garis pada graf tersebut meyataka jarak tiap daerah. Secara matematis m-tsp bisa diformulasika dalam persamaa [9]: Z = mi cijxij (1) i1 j1 dega kedala i1 j1 i1 j1 xij 1 utuk j = 1, 2, 3,..., -1 (2) x ij 1 utuk i = 1, 2, 3,..., -1 (3) xi1 m (4) x1 j m (5) 1
2 x ij 1, apabila ada perjalaa salesma dari simpul i meuju simpul j x ij 0, apabila tidak ada perjalaa salesma dari simpul i meuju simpul j c ij, meyataka jarak dari simpul i meuju simpul j. Persamaa (2) da Persamaa(3) mejami bahwa setiap simpul haya dikujugi sekali oleh salesma. Persamaa (4) da Persamaa (5) mejami bahwa sejumlah m salesma melakuka tur. Dalam tulisa ii simpul merupaka represetasi dari kator polisi da pusat kerawaa yag harus dikujugi sedagka salesma merupaka represetasi dari mobil patroli Graf Sebuah graf G = (V,E) terdiri dari sebuah himpua titik-titik V yag tidak boleh kosog serta himpua garis-garis E (edge). Jika garis-garis tersebut diasumsika sebagai pasaga beruruta dari titik-titik (v,w) maka disebut graf berarah; v disebut sebagai ekor da w sebagai kepala dari garis (v,w). Jika garis-garis tersebut merupaka pasaga titik-titik yag tidak beruruta, tetap dilambagka sebagai garis (v,w), amu disebut sebagai graf tidak berarah. Titik-titik tersebut biasa disebut sebagai ode atau vertex. Sedagka jumlah garis (edge) yag meghubugka suatu ode dega ode lai disebut derajat [1]. (a) (b) Gambar 1 (a) Graf Tidak Berarah; (b) Graf Berarah. Gambar 1 (a) merupaka graf tidak berarah yag memiliki empat ode yaitu ode 1, 2, 3 da 4. Node 1 memiliki derajat 2, ode 2 memiliki derajat 3, ode 3 memiliki derajat 2 da ode 4 memiliki derajat 4. Gambar 2 (b) merupaka graf berarah yag memiliki empat buah ode yaitu ode 1, 2, 3 da 4. utuk jumlah derajat pada masig-masig ode sama dega Gambar 1 (a) Graf Hamilto Suatu graf disebut sebagai graf Hamilto apabila terdapat sirkuit dalam graf tersebut yag megujugi tiap titik tepat satu kali, kecuali titik awal yag sama dega titik akhirya. Apabila graf tersebut merupaka graf dega litasa terbuka (titik awalya berbeda dega titik akhirya) maka disebut sebagai graf semi Hamilto [4]. Jika G merupaka graf Hamilto maka G mempuyai subgraf H dega sifat-sifat sebagai berikut [10]: 1. H terhubug 2. H memuat semua titik G 3. H mempuyai jumlah garis yag sama dega jumlah titikya 4. setiap titik dalam H mempuya derajat 2. (a) (b) Gambar 2 (a) Graf Hamilto (b) Buka Graf Hamilto Misalka graf pada Gambar 2 (a) adalah graf G, di dalamya terdapat subgraf H yaitu ABCDEFGA. Subgraf tersebut telah memuat semua titik yag ada dalam graf G. Jumlah titikya adalah tujuh da jumlah garisya adalah tujuh. Dega kata lai jumlah titik da jumlah garis dalam subgraf H adalah sama. Dalam subgraf H semua titik mempuyai derajat dua. Sehigga dapat disimpulka bahwa graf G adalah graf Hamilto. 2
3 Misalka Gambar 2 (b) adalah graf G. Bisa dibetuk subgraf H yag memuat semua titikya yaitu ABDCBEA atau AEBCDBA ataupu yag lai, amu tetap saja B berderajat empat. Sehigga subgraf H tidak memeuhi syarat yag keempat. Dalam suatu kasus yag membutuhka graf Hamilto, mugki saja terjadi masuka yag ada berupa graf terbuka yag berarti buka merupaka graf Hamilto. Permasalaha seperti ii termasuk dalam Graphical Travellig Salesma Problem (GTSP). Permasalaha ii bisa diselesaika dega cara meambahka busur pada pasaga simpul yag belum bertetagga Geeralized Assigmet Problem (GAP) Utuk meyelesaika m-tsp mula-mula harus dilakuka pembagia sejumlah titik rawa kepada sejumlah salesma. Permasalaha tersebut termasuk dalam Geeralized Assigmet Problem (GAP) [5]. Total biaya yag dikeaka bisa berubah tergatug pada titik maa saja yag harus dikujugi oleh seorag salesma (agetask assigmet). Dalam GAP salesma direpresetasika sebagai age da titik rawa sebagai pekerjaa yag harus dikerjaka oleh age. Dalam permasalaha ii dibutuhka tepat seorag age utuk meyelesaika masig-masig pekerjaa sehigga bisa diperoleh total biaya yag miimum. Dega kata lai jika diberika himpua N yag berisi sejumlah pekerjaa da himpua M yag berisi sejumlah m age (tiap pekerjaa harus diselesaika oleh tepat seorag age). Formula dari permasalaha tersebut ditujukka pada Persamaa 6. max cijxij (6) i1 j1 dega kedala m j1 x ij 1 i = 1, aijxij i1 ij 0,1 bj j = 1, m (8) x i = 1,, j = 1,m i N da j M, x ij adalah variabel yag berarti apakah pekerjaa i dikerjaka oleh age j atau tidak, c ij adalah biaya yag dibutuhka age j utuk megerjaka pekerjaa i,. a ij adalah jumlah sumber (resource) yag dibutuhka utuk oleh pekerjaa i ketika diselesaika oleh age j, sedagka b j adalah jumlah sumber yag dimiliki oleh age j [2]. Salah satu metode yag bisa diguaka utuk meyelesaika GAP adalah algoritma heuristik Fisher-Jaikumar Algoritma Heuristic Assigmet Fisher-Jaikumar Algoritma Fisher-Jaikumar adalah sebuah algoritma heuristik yag dikembagka oleh Fisher da Jaikumar pada tahu Berikut ii lagkah-lagkah utuk meyelesaika kasus m-tsp dega algoritma Fisher- Jaikumar [2] : 1. Diberika masuka berupa matrik jarak dari tiap-tiap kota serta jumlah salesma. 2. Dipilih salah satu kota sebagai titik awal (start ode). 3. Dilakuka pegeceka apakah jumlah kota kurag dari atau sama dega jumlah salesma kurag satu, jika tidak, jumlah salesma diubah mejadi sama dega jumlah kota kurag satu, kemudia dilakuka pemiliha pusat cluster yaitu sesuai dega jumlah kota kurag satu. Jika jumlah kota sudah kurag dari atau sama dega jumlah salesma, maka lagsug dilakuka pemiliha pusat cluster. 4. Memilih pusat cluster dega cara memilih simpul tetagga start ode mulai dari jarak terkecil sebayak jumlah salesma. 5. Diperoleh pusat cluster sebayak jumlah salesma. 6. Utuk setiap kota yag belum dikujugi (buka termasuk start ode maupu pusat cluster), kota tersebut ditetuka utuk masuk dalam sub tur (cluster) yag maa, dega cara dicari pusat cluster yag bertetagga palig dekat dega kota tersebut. Jika terdapat lebih dari satu pusat cluster memiliki jarak terkecil yag sama maka prioritaska pada cluster dega jumlah titik rawa terkecil. Ulagi lagkah (7) 3
4 tersebut sampai semua kota telah dikujugi. 7. Dihasilka sub tur sebayak jumlah salesma. 8. Algoritma ii memberika output berupa matrik jarak kota pada masig-masig sub tur Algoritma A* Algoritma A* pertama kali diperkealka pada tahu 1968 oleh Peter Hart, Nils Nilsso da Bertram Raphael. Dalam tulisa mereka, algoritma ii disebut sebagai algoritma A. Algoritma A merupaka salah satu algoritma pecaria graf, yaitu meemuka jalur terpedek dari titik awal sampai ke titik tujua dalam suatu graf. Algoritma ii megguaka perkiraa heuristic h(x) yag meyusu tiap titik x berdasarka perkiraa rute terbaik yag melalui titik tersebut. Kemudia titik yag dikujugi adalah titik dega perkiraa terbaik tersebut [3][6]. Algoritma A bekerja dega meyimpa sebuah atria prioritas dari garis-garis yag melalui graf tersebut dimulai dari titik awal. Misalka dari titik awal (start ode) ke titik A terdapat sebuah garis, prioritas pada garis x berdasarka Persamaa 9 f(x) = g(x) + h(x) (9) g(x) merupaka biaya yag dimiliki oleh garis yag meghubugka dari titik awal meuju ke titik x. Sedagka h(x) adalah biaya miimum yag sebearya utuk mecapai titik tujua dari titik x. Nilai f(x) yag palig redah medapat prioritas palig tiggi dalam atria tersebut. Algoritma A ii kemudia dikembagka sehigga mejadi algoritma A*. Jika dalam algoritma A diguaka ilai h(x) maka dalam algoritma A* diguaka ilai h (x) yag merupaka perkiraa biaya utuk sampai pada suatu tujua dari titik x. Dega syarat h () h(x). Utuk evaluasiya algoritma ii megguaka fugsi seperti yag terlihat pada Persamaa 10 f (x) = g(x) + h (x) (10) Beberapa istilah yag diguaka dalam algoritma ii atara lai ope list, closed list, start ode, goal ode da paret. Ope list diumpamaka seperti daftar belajaa. Dalam algoritma ii ope list berisi daftar titik (ode) yag memiliki kemugkia utuk dikujugi berikutya. Jika dari ope list sudah ditemuka titik yag dipilih sebagai jalur berikutya maka bisa dimasukka dalam closed list. Dega closed list ii bisa diketahui ode-ode yag telah diperiksa. Pada kasus perjalaa mobil patroli ii start ode adalah titik rawa awal yag diguaka sebagai titik beragkat semua mobil patroli. Goal ode adalah ode tujua utuk masig-masig mobil patroli. Paret adalah ode yag dikujugi tepat sebelum sebuah ode. Berikut ii pseudo-code algoritma A* [5]: fuctio A*(start,goal) var closed := the empty set var q := make_queue(path(start)) while q is ot empty var p := remove_first(q) var x := the last ode of p if x i closed cotiue if x = goal retur p add x to closed foreach y i successors(p) equeue(q, y) retur failure 1.6. Sistematika Perjalaa Mobil Patroli Keamaa Polisi Pada tigkat kota atau Polresta, patroli dibagi mejadi dua bagia yaitu patroli terbuka da patroli tertutup. Patroli terbuka adalah patroli yag dilakuka oleh aggota kepolisia bagia lalu litas da SABARA (Samapta Bayagkara). Sedagka pada patroli tertutup yag dilaksaaka oleh bagia Itel da Serse, lebih ditujuka utuk pegawasa orag asig, teroris, atau adaya kegiata yag dicurigai megarah pada tidak krimial. Jadi 4
5 pelaksaaa patroli tertutup ii haya sewaktu-waktu jika ada peritah utuk melakuka pegawasa terhadap sesuatu atau seseorag yag diaggap mecurigaka. Tulisa ii megguaka kasus pelaksaaa patroli keamaa terbuka di wilayah kota yag dilakuka oleh SABARA. Dalam teoriya, semua patroli wajib dilakuka secara terus-meerus baik pagi, siag maupu malam. Namu megigat adaya keterbatasa biaya operasioal utuk kedaraa da keterbatasa mausia, maka patroli haya dilakuka sesekali. SABARA biasaya melakuka patroli haya sekali dalam sehari melalui rute yag telah ditetuka. Jadi dalam sekali patroli, tidak semua tempat-tempat vital bisa dikujugi. Hal ii memugkika terjadiya tidak krimial pada tempat-tempat tidak dikujugi karea tidak adaya pegawasa yag lebih itesif dari pihak kepolisia, haya ada pegawasa dari pihak keamaa yag berjaga di tempat tersebut. Karea kelemaha-kelemaha tersebut, maka pelaksaaa patroli keamaa belum bisa mecapai hasil yag maksimal Pecaria Rute Miimum dega Meghitug Semua Kemugkia Utuk megetahui ilai pecaria rute yag palig miimum bisa dilakuka dega cara meghitug semua kemugkia yag ada sebagai berikut: 1. Dilakuka pedataa rute-rute yag mugki utuk dilalui. 2. Kemudia dilakuka perhituga jarak yag diperoleh dari masig-masig kemugkia rute yag ada. 3. Selajutya jarak dari masig-masig kemugkia rute yag telah dihitug tersebut dibadigka utuk diambil jarak yag palig miimum. 4. Jarak palig miimum iilah yag mejadi hasil pecaria rute miimum dega meghitug semua kemugkia Aalisis Galat Galat (error) adalah selisih atara solusi sebearya (exact solutio) dega solusi hampira (approximatio). Galat berasosiasi dega seberapa dekat solusi hampira terhadap solusi sebearya. Semaki kecil galatya, semaki teliti solusi umerik yag didapatka [7]. Selisih (galat) atara ilai sebearya dega ilai hampira ditujukka dalam Persamaa 11. ε = a - â Keteraga : ε : galat a : ilai sebearya â : ilai hampira Karea ilai positif atau egatif tidak dipertimbagka, maka galat didefiisika sebagai suatu ilai mutlak seperti ditujukka dalam Persamaa 12. ε = a - â (12) Dari Persamaa 11 da Persamaa 12 tidak terdapat iformasi seberapa besar galat yag terjadi pada ilai hampira dibadigka dega ilai sebearya. Sehigga bisa meimbulka ilai galat yag racu utuk kasus yag berbeda. Utuk meghidari keracua iterpretasi ilai galat, maka ilai galat tersebut harus diormalka terhadap ilai sebearya da disebut sebagai galat relatif, seperti ditujukka dalam Persamaa 13 da Persamaa 14. ε R = a Atau dalam betuk presetase ε R = a x 100% (14) (11) (13) 2. METODE Tahapa pecaria rute optimal dilakuka peragkat luak dega lagkah-lagkah beikut: 5
6 1. Masuka pada sistem diperoleh dari peggua, yaitu dega cara peggua memilih peta apa yag igi diaalisaya, jumlah daerah rawa serta jumlah mobil yag igi diperguaka. 2. Sistem yag meerima masuka tersebut kemudia aka megambil database yag dimiliki oleh peta tersebut yaitu data matrik jarak da koordiat titik kerawaa yag dimiliki oleh peta tersebut. 3. Dari data tersebut kemudia dilakuka pegolaha dalam sistem dega megguaka algoritma heuristic Fisher-Jaikumar sehigga terbetuklah beberapa sub tur. 4. Pada masig-masig sub tur dilakuka optimasi pecaria rute terpedek dega algoritma A*. 5. Hasil akhir dari pegolaha tersebut berupa total jarak yag ditempuh serta rute terpedek yag dihasilka. Hasil tersebut diolah dulu mejadi graf baru kemudia hasilya dikembalika pada peggua. Utuk megetahui optimal atau tidakya program aplikasi ii maka dilakuka lima kali uji coba pada sistem megguaka data simulasi masig-masig sebayak tujuh, delapa, sembila, sepuluh da sebelas titik rawa dega asumsi titik (1) adalah kator polisi da titik-titik rawa yag laiya berupa pusat-pusat keramaia yag mejadi prioritas utuk dilakuka patroli, seperti hotel, tempat idustri, pusat perbelajaa da sebagaiya. Sedagka jumlah mobil yag diguaka sebayak dua buah mobil patroli. Pada masig-masig uji coba diberika koordiat titik rawa yag berbeda-beda. Uji coba dilakuka dalam dua tahap, yag pertama yaitu dilakuka pecaria rute miimum pada data sampel megguaka program aplikasi dega metode heuristic assigmet da algoritma A*, selajutya dilakuka pecaria rute miimum dega cara meghitug semua kemugkia rute pada data sampel. 3. HASIL DAN PEMBAHASAN Utuk megetahui keoptimala hasil perhituga metode heuristic assigmet Fisher-Jaikumar da Algoritma A*, berikut ii diberika tabel perbadigaya dega hasil perhituga pada semua kemugkia jalur utuk data sampel. Uji Ke Jumlah Titik Rawa Metode Heuristic Assigmet da Algoritma A* Tabel 1. Perbadiga Hasil Perhituga Total Jarak (piksel) Semua Kemugkia Jalur Waktu Proses (milidetik) Galat (%) Metode Heuristic Assigmet da Algoritma A* Semua Kemugkia Jalur , , , , , Rata-Rata 20,43 Dari hasil pegujia pada Tabel 1, bisa diketahui bahwa selisih jarak yag dihasilka oleh algoritma heuristic assigmet Fisher-Jaikumar da algoritma A* dega jarak miimum sebearya bervariasi. Algoritma A* merupaka metode heuristik sehigga total jarak miimum yag diperoleh hayalah pedekata dari jarak miimum yag sebearya. Tetapi secara umum dega bertambahya titik rawa, selisih total jarak miimum (ditujukka oleh ilai galat) yag dihasilka cederug semaki meuru. Utuk waktu pelaksaaa proses, metode heuristic assigmet Fisher-Jaikumar da algoritma A* haya megalami peambaha waktu yag sedikit pada tiap peambaha jumlah titik rawa. Sedagka pecaria rute dega meghitug semua kemugkia yag ada memerluka waktu hampir sama dega algoritma heuristic assigmet Fisher-Jaikumar da algoritma A* pada saat jumlah titik rawa kurag dari delapa. Namu utuk jumlah titik rawa lebih dari delapa, waktu yag dibutuhka utuk melakuka proses meigkat drastis. Hal ii disebabka peambaha jumlah kemugkia rute yag harus dihitug aka semaki besar tiap kali dilakuka peambaha jumlah titik rawa. Peambaha jumlah kemugkia rute yag harus dihitug di tujukka pada persamaa 15. Jumlah kemugkia rute = ((-1)!) x Jumlah Kombiasi (15) 6
7 adalah jumlah titik rawa sedagka yag dimaksud jumlah kombiasi adalah jumlah kemugkia pegelompoka titik-titik rawa ke dalam sejumlah mobil patroli. Misalka utuk titik rawa berjumlah tujuh dega dua buah mobil patroli, memiliki jumlah kombiasi sebayak tiga yaitu kombiasi pertama dua titik rawa utuk mobil pertama da eam titik rawa utuk mobil kedua. Kombiasi kedua terdiri dari tiga titik rawa utuk mobil pertama da lima titik rawa utuk mobil kedua. Da kombiasi yag terakhir terdiri dari empat titik rawa utuk mobil pertama da empat titik rawa juga utuk mobil kedua. Dega asumsi titik rawa (1) adalah kator polisi sehigga diguaka sebagai start ode da goal ode utuk semua mobil patroli. 4. KESIMPULAN Pecaria rute megguaka algoritma heuristic assigmet Fisher-Jaikumar da Algoritma A* meghasilka ilai jarak yag medekati optimum dega tigkat kesalaha rata-rata sebesar 20,43%. Waktu yag dibutuhka utuk meyelesaika suatu pecaria rute dega metode heuristic assigmet Fisher-Jaikumar da algoritma A* lebih cepat daripada meghitug semua kemugkia rute. Pegguaa algoritma heuristic assigmet Fisher-Jaikumar da algoritma A* lebih cocok utuk jumlah data yag besar. Sedagka utuk data yag berukura kecil lebih baik dega meghitug semua kemugkia rute yag ada karea hasil yag diperoleh pasti optimal. DAFTAR PUSTAKA [1] Aho, Alfred V et al The Desig ad Aalysis of Computer Algorithm. America: Addiso-Wesley Publishig Compay. [2] Alfadari, Lauret et al A Two-Phase Path-Relikig Algorithm for the Geeralized Assigmet Problem. 4 th Metaheuristic Iteratioal Coferece (MIC). Porto, Portugal. [3] Aoymous. A* search algorithm, diakses pada taggal 3 Pebruari 2007 dari [4] Aoymous. Hamiltoia path, diakses pada taggal 6 Maret 2007 dari [5] Koskosidis, Yiais A & Powell, Warre B Clusterig Algorithms for Cosolidatio of Customer Orders ito Vehicle Shipmets. Trasp. Res. B, 26B(5): [6] Lester, Patrick A* Pathfidig for Begiers. Diakses pada taggal 4 Pebruari 2007 dari [7] Muir, Rialdi Metode Numerik. Badug: Iformatika Badug. [8] Muir, Rialdi Algoritma Brute Force (lajuta) 2. Heuristik. Baha Kuliah-2 Strategi Algoritmik. Departeme Tekik Iformatika, Istitut Tekologi Badug, Badug. [9] Setiyoo, Budi Pembuata Peragkat Luak Peyelesaia Multi Travellig Salesma Problem (m- TSP). KAPPA, 3(2): [10] Siag, Jog Jek Matematika Diskrit da Aplikasiya pada Ilmu Komputer. Yogyakarta: Adi. 7
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Permasalaha peugasa atau assigmet problem adalah suatu persoala dimaa harus melakuka peugasa terhadap sekumpula orag yag kepada sekumpula job yag ada, sehigga tepat satu
Lebih terperinciBAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy
BAB III PEMBAHASAN Pada BAB III ii aka dibahas megeai betuk program liear fuzzy dega koefisie tekis kedala berbetuk bilaga fuzzy da pembahasa peyelesaia masalah optimasi studi kasus pada UD FIRDAUS Magelag
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Dalam duia iformatika, assigmet Problem yag biasa dibetuk dega matriks berbobot merupaka salah satu masalah terbesar, dimaa masalah ii merupaka masalah yag metode peyelesaiaya
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciAlgoritma Branch and Bound pada Permasalahan 0-1 Knapsack
Algoritma Brach ad Boud pada Permasalaha 0-1 Kapsack Sady Socrates (13508044) Program Studi Tekik Iformatika 2008, Istitut Tekologi Badug Jl. Gaesha 10, 40116 Badug e-mail: if18044@studets.if.itb.ac.id
Lebih terperinciPenyelesaian Asymmetric Travelling Salesman Problem dengan Algoritma Hungarian dan Algoritma Cheapest Insertion Heuristic.
Peyelesaia Asymmetric Travellig Salesma Problem dega Algoritma Hugaria da Algoritma Cheapest Isertio Heuristic Caturiyati Staf Pegaar Jurusa Pedidika Matematika FMIPA UNY E-mail: wcaturiyati@yahoo.com
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciII. LANDASAN TEORI. Pada bab ini akan diberikan beberapa istilah, definisi serta konsep-konsep yang
II. LANDASAN TEORI Pada bab ii aka diberika beberapa istilah, defiisi serta kosep-kosep yag medukug dalam peelitia ii. 2.1 Kosep Dasar Teori Graf Berikut ii aka diberika kosep dasar teori graf yag bersumber
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciBalas Additive Algorithm, Algoritma Branch & Bound untuk Binary Integer Programming
Balas Additive Algorithm, Algoritma Brach & Boud utuk Biary Iteger Programmig Aditio Pagestu 13514030 Program Studi Tekik Iformatika Sekolah Tekik Elektro da Iformatika Istitut Tekologi Badug, Jl. Gaesha
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih terperinciKompleksitas dari Algoritma-Algoritma untuk Menghitung Bilangan Fibonacci
Kompleksitas dari Algoritma-Algoritma utuk Meghitug Bilaga Fiboacci Gregorius Roy Kaluge NIM : 358 Program Studi Tekik Iformatika, Istitut Tekologi Badug Jala Gaesha, Badug e-mail: if8@studets.if.itb.ac.id,
Lebih terperinciLaboratorium Ilmu dan Rekayasa Komputasi Departemen Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung
Eksplorasi Algoritma Mass, Profit,, Profit / Mass, atau Profit / utuk Persoala Iteger Kapsack yag Bedaya Berupa Zat Kimia dega Jeisya Terdefiisi Abstrak Riyai Mardikaigrum 1, Nurshati 2, Vaia Karimah 3
Lebih terperinciIII PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah
III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka
Lebih terperinciBAB III METODOLOGI PENELITIAN. kuantitatif karena bertujuan untuk mengetahui kompetensi pedagogik mahasiswa
54 BAB III METODOLOGI PENELITIAN A. Jeis Peelitia Peelitia ii merupaka peelitia deskriptif dega pedekata kuatitatif karea bertujua utuk megetahui kompetesi pedagogik mahasiswa setelah megikuti mata kuliah
Lebih terperinciAplikasi Interpolasi Bilinier pada Pengolahan Citra Digital
Aplikasi Iterpolasi Biliier pada Pegolaha Citra Digital Veriskt Mega Jaa - 35408 Program Studi Iformatika Sekolah Tekik Elektro da Iformatika Istitut Tekologi Badug, Jl. Gaesha 0 Badug 403, Idoesia veriskmj@s.itb.ac.id
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
Lebih terperinciBAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.
BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder
Lebih terperinciPersamaan Non-Linear
Persamaa No-Liear Peyelesaia persamaa o-liear adalah meghitug akar suatu persamaa o-liear dega satu variabel,, atau secara umum dituliska : = 0 Cotoh: 2 5. 5 4 9 2 0 2 5 5 4 9 2 2. 2 0 2 5. e 0 Metode
Lebih terperinciPENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK. Sutikno
sutiko PENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK Sutiko Program Studi Tekik Iformatika Fakultas Sais da Matematika UNDIP tik@udip.ac.id
Lebih terperinciAn = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3
SUKU BANYAK A Pegertia: f(x) x + a 1 x 1 + a 2 x 2 + + a 2 +a 1 adalah suku bayak (poliom) dega : - a, a 1, a 2,.,a 2, a 1, a 0 adalah koefisiekoefisie suku bayak yag merupaka kostata real dega a 0 - a
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinci2 BARISAN BILANGAN REAL
2 BARISAN BILANGAN REAL Di sekolah meegah barisa diperkealka sebagai kumpula bilaga yag disusu meurut "pola" tertetu, misalya barisa aritmatika da barisa geometri. Biasaya barisa da deret merupaka satu
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuha Sistem Sebelum melakuka deteksi da trackig obyek dibutuhka peragkat luak yag dapat meujag peelitia. Peragkat keras da luak yag diguaka dapat dilihat pada Tabel
Lebih terperinciBAB IV. METODE PENELITlAN. Rancangan atau desain dalam penelitian ini adalah analisis komparasi, dua
BAB IV METODE PENELITlAN 4.1 Racaga Peelitia Racaga atau desai dalam peelitia ii adalah aalisis komparasi, dua mea depede (paired sample) yaitu utuk meguji perbedaa mea atara 2 kelompok data. 4.2 Populasi
Lebih terperinciPertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd
Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag
Lebih terperinciBAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
Lebih terperinciSTUDI PERBANDINGAN PERFORMANCE ALGORITMA HEURISTIK POUR TERHADAP MIXED INTEGER PROGRAMMING DALAM MENYELESAIKAN PENJADWALAN FLOWSHOP
STUDI PERBANDINGAN PERFORMANCE ALGORITMA HEURISTIK POUR TERHADAP. (Tessa Vaia Soetato, et al.) STUDI PERBANDINGAN PERFORMANCE ALGORITMA HEURISTIK POUR TERHADAP MIXED INTEGER PROGRAMMING DALAM MENYELESAIKAN
Lebih terperinciTomi Tristono 1 Santi Dwi Nurhumam 2. Abstract. Key words: multi Traveling Salesman Problem, heuristic assignment
PENENTUAN RUTE PERJALANAN MULTI TRAVELLING SALESMAN PROBLEM (M-TSP) PADA MOBIL PATROLI KEAMANAN POLISI DENGAN METODE HEURISTIC ASSIGNMENT FISHER JAIKUMAR DAN ALGORITMA A*. Tomi Tristono 1 Santi Dwi Nurhumam
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
Lebih terperinciIII. METODE PENELITIAN. kelas VIII semester ganjil SMP Sejahtera I Bandar Lampung tahun pelajaran 2010/2011
III. METODE PENELITIAN A. Latar Peelitia Peelitia ii merupaka peelitia yag megguaka total sampel yaitu seluruh siswa kelas VIII semester gajil SMP Sejahtera I Badar Lampug tahu pelajara 2010/2011 dega
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciBAB III METODOLOGI PENELITIAN. Variabel-variabel yang digunakan pada penelitian ini adalah:
BAB III METODOLOGI PENELITIAN 3. Variabel da Defiisi Operasioal Variabel-variabel yag diguaka pada peelitia ii adalah: a. Teaga kerja, yaitu kotribusi terhadap aktivitas produksi yag diberika oleh para
Lebih terperinciBAB IV PEMBAHASAN DAN ANALISIS
BAB IV PEMBAHASAN DAN ANALISIS 4.1. Pembahasa Atropometri merupaka salah satu metode yag dapat diguaka utuk meetuka ukura dimesi tubuh pada setiap mausia. Data atropometri yag didapat aka diguaka utuk
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciAn = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3
BAB XII. SUKU BANYAK A = a Pegertia: f(x) = a x + a x + a x + + a x +a adalah suku bayak (poliom) dega : - a, a, a,.,a, a, a 0 adalah koefisiekoefisie suku bayak yag merupaka kostata real dega a 0 - a
Lebih terperinciMETODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa
19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh
Lebih terperinciDIMENSI PARTISI PADA GRAF KINCIR PARTITION DIMENSION OF WINDMILL GRAPH
PROPOAL TUGA AKHIR DIMENI PARTII PADA GRAF KINCIR PARTITION DIMENION OF WINDMILL GRAPH Oleh: CHANDRA IRAWAN NRP : 100 109 04 JURUAN MATEMATIKA FAKULTA MATEMATIKA DAN ILMU PENGETAHUAN ALAM INTITUT TEKNOLOGI
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinciBAB III METODOLOGI 3.1 Tempat dan Waktu Penelitian 3.2 Bahan dan Alat 3.3 Metode Pengumpulan Data Pembuatan plot contoh
BAB III METODOLOGI 3.1 Tempat da Waktu Peelitia Pegambila data peelitia dilakuka di areal revegetasi laha pasca tambag Blok Q 3 East elevasi 60 Site Lati PT Berau Coal Kalimata Timur. Kegiata ii dilakuka
Lebih terperinciIII. METODELOGI PENELITIAN
III. METODELOGI PENELITIAN A. Metode Peelitia Metode peelitia merupaka suatu cara tertetu yag diguaka utuk meeliti suatu permasalaha sehigga medapatka hasil atau tujua yag diigika, meurut Arikuto (998:73)
Lebih terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciII. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel.
II. LANDASAN TEORI Defiisi 2.1 Distribusi Samplig Distribusi samplig adalah distribusi probibilitas dari suatu statistik. Distribusi tergatug dari ukura populasi, ukura sampel da metode memilih sampel.
Lebih terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinciMATEMATIKA DISKRIT FUNGSI
1 MATEMATIKA DISKRIT FUNGSI Fugsi Misalka A da B himpua. Relasi bier f dari A ke B merupaka suatu fugsi jika setiap eleme di dalam A dihubugka dega tepat satu eleme di dalam B. Jika f adalah fugsi dari
Lebih terperinciIII. METODE PENELITIAN
30 III. METODE PENELITIAN A. Metode Dasar Peelitia Metode yag diguaka dalam peelitia adalah metode deskriptif, yaitu peelitia yag didasarka pada pemecaha masalah-masalah aktual yag ada pada masa sekarag.
Lebih terperinci1 n MODUL 5. Peubah Acak Diskret Khusus
ODUL 5 Peubah Acak Diskret Khusus Terdapat beberapa peubah acak diskret khusus yag serig mucul dalam aplikasi. Peubah Acak Seragam ( Uiform) Bila X suatu peubah acak diskret dimaa setiap eleme dari X mempuyai
Lebih terperinciMATHunesa (Volume 3 No 3) 2014
MATHuesa (Volume 3 No 3) 014 MINIMUM PENUTUP TITIK DAN MINIMUM PENUTUP SISI PADA GRAF KOMPLIT DAN GRAF BIPARTIT KOMPLIT Yessi Riskiada Kusumawardai Program Studi S1 Matematika, Fakultas Matematika da Ilmu
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Racaga da Jeis Peelitia Racaga peelitia ii adalah deskriptif dega pedekata cross sectioal yaitu racaga peelitia yag meggambarka masalah megeai tigkat pegetahua remaja tetag
Lebih terperinciIII. METODOLOGI PENELITIAN. diinginkan. Menurut Arikunto (1991 : 3) penelitian eksperimen adalah suatu
III. METODOLOGI PENELITIAN A. Metode Peelitia Metode peelitia merupaka suatu cara tertetu yag diguaka utuk meeliti suatu permasalaha sehigga medapatka hasil atau tujua yag diigika. Meurut Arikuto (99 :
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian tindakan kelas yang dilaksanakan pada siswa
III. METODE PENELITIAN A. Settig Peelitia Peelitia ii merupaka peelitia tidaka kelas yag dilaksaaka pada siswa kelas VIIIB SMP Muhammadiyah 1 Sidomulyo Kabupate Lampug Selata semester geap tahu pelajara
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinciInduksi Matematika. Pertemuan VII Matematika Diskret Semester Gasal 2014/2015 Jurusan Teknik Informatika UPN Veteran Yogyakarta
Iduksi Matematika Pertemua VII Matematika Diskret Semester Gasal 2014/2015 Jurusa Tekik Iformatika UPN Vetera Yogyakarta Metode pembuktia utuk peryataa perihal bilaga bulat adalah iduksi matematik. Cotoh
Lebih terperinciLANGKAH-LANGKAH PENENTUAN SUATU BARISAN SEBAGAI SUATU GRAFIK DENGAN DASAR TEOREMA HAVEL-HAKIMI. Jl. Prof. H. Soedarto, S.H., Tembalang, Semarang.
LANGKAH-LANGKAH PENENTUAN SUATU BARISAN SEBAGAI SUATU GRAFIK DENGAN DASAR TEOREMA HAVEL-HAKIMI Erly Listiyaa, Susilo Hariyato 2 da Lucia Ratasari 3, 2, 3 Jurusa Matematika FMIPA UNDIP Jl. Prof. H. Soedarto,
Lebih terperinciDefinisi Integral Tentu
Defiisi Itegral Tetu Bila kita megedarai kedaraa bermotor (sepeda motor atau mobil) selama 4 jam dega kecepata 50 km / jam, berapa jarak yag ditempuh? Tetu saja jawabya sagat mudah yaitu 50 x 4 = 200 km.
Lebih terperinciPenyelesaian Persamaan Non Linier
Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciBAB VIII KONSEP DASAR PROBABILITAS
BAB VIII KONSEP DASAR PROBABILITAS 1.1. Pedahulua Dalam pertemua ii Ada aka mempelajari beberapa padaga tetag permutasi da kombiasi, fugsi da metode perhituga probabilitas, da meghitug probabilitas. Pada
Lebih terperinciRange atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu
BAB 4 UKURAN PENYEBARAN DATA Pada Bab sebelumya kita telah mempelajari beberapa ukura pemusata data, yaitu ukura yag memberika iformasi tetag bagaimaa data-data ii megumpul atau memusat Pada bagia Bab
Lebih terperinciII. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang
II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori
Lebih terperinciANALISIS TENTANG GRAF PERFECT
Aalisis Tetag Graf Perfect ANALISIS TENTANG GRAF PERFET Nurul Imamah AH Fakultas Matematika da Ilmu Pegetahua Alam Uiversitas Pesatre Tiggi Darul Ulum Jombag urul.imamah86@gmail.com Abstrak Seirig perkembaga
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB ENDAHULUAN. Latar Belakag Masalah Dalam kehidupa yata, hampir seluruh feomea alam megadug ketidak pastia atau bersifat probabilistik, misalya pergeraka lempega bumi yag meyebabka gempa, aik turuya
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena
7 BAB III METODE PENELITIAN A. Jeis Peelitia Peelitia ii merupaka jeis peelitia deskriptif-kuatitatif, karea melalui peelitia ii dapat dideskripsika fakta-fakta yag berupa kemampua siswa kelas VIII SMP
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciBAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA DAN FAKTOR DISKON
BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARA DAN FAKTOR DIKON 3.1 Ecoomic Order Quatity Ecoomic Order Quatity (EOQ) merupaka suatu metode yag diguaka utuk megedalika
Lebih terperinci3. Rangkaian Logika Kombinasional dan Sequensial 3.1. Rangkaian Logika Kombinasional Enkoder
3. Ragkaia Logika Kombiasioal da Sequesial Ragkaia Logika secara garis besar dibagi mejadi dua, yaitu ragkaia logika Kombiasioal da ragkaia logika Sequesial. Ragkaia logika Kombiasioal adalah ragkaia yag
Lebih terperinciBAB III METODOLOGI PENELITIAN
22 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di tiga kator PT Djarum, yaitu di Kator HQ (Head Quarter) PT Djarum yag bertempat di Jala KS Tubu 2C/57 Jakarta Barat,
Lebih terperinciMETODE PENELITIAN. Penelitian tentang Potensi Ekowisata Hutan Mangrove ini dilakukan di Desa
III. METODE PENELITIAN A. Lokasi da Waktu Peelitia Peelitia tetag Potesi Ekowisata Huta Magrove ii dilakuka di Desa Merak Belatug, Kecamata Kaliada, Kabupate Lampug Selata. Peelitia ii dilaksaaka atara
Lebih terperinciBAB III METODE PENELITIAN. pre test post test with control group. Penelitian ini berupaya untuk
BAB III METODE PENELITIAN A. Desai Peelitia Peelitia ii megguaka desai Eksperimet dega pedekata pre test post test with cotrol group. Peelitia ii berupaya utuk megugkapka hubuga sebab-akibat dega cara
Lebih terperinciFungsi. Jika f adalah fungsi dari A ke B kita menuliskan f : A B yang artinya f memetakan A ke B.
Fugsi Misalka A da B himpua. Relasi bier f dari A ke B merupaka suatu fugsi jika setiap eleme di dalam A dihubugka dega tepat satu eleme di dalam B. Jika f adalah fugsi dari A ke B kita meuliska f : A
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciMatematika Terapan Dosen : Zaid Romegar Mair, ST., M.Cs Pertemuan 3
Matematika Terapa Dose : Zaid Romegar Mair ST. M.Cs Pertemua 3 PROGRAM STUDI TEKNIK INFORMATIKA Jl. Koloel Wahid Udi Lk. I Kel. Kayuara Sekayu 30711 web:www.polsky.ac.id mail: polsky@polsky.ac.id Tel.
Lebih terperinciSoal dan Pembahasan. Ujian Nasional Matematika Teknik SMK matematikamenyenangkan.com
Soal da Pembahasa jia Nasioal 06 Matematika Tekik SMK matematikameyeagka.com . pqr Betuk sederhaa dari p q r A. p 8 q r adalah... B. p q 0 r 0 D. p q 0 r 0 C. p 8 q r 0 E. p 6 q r Igat rumus berikut m
Lebih terperinciIV. METODE PENELITIAN. Penelitian ini dilakukan di Kawasan Pantai Anyer, Kabupaten Serang
IV. METODE PENELITIAN 4.1 Lokasi da Waktu Peelitia Peelitia ii dilakuka di Kawasa Patai Ayer, Kabupate Serag Provisi Bate. Lokasi ii dipilih secara segaja atau purposive karea Patai Ayer merupaka salah
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciMateri 5 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2016 Nizar Rabbi Radliya
Materi 5 DATA MINING 3 SKS Semester 6 S1 Sistem Iformasi UNIKOM 2016 Nizar Rabbi Radliya izar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Kompetesi Dasar Memahami tekik data miig klasifikasi da mampu meerapka
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya. Model Sistem dalam Persamaan Keadaan
Istitut Tekologi Sepuluh Nopember Surabaya Model Sistem dalam Persamaa Keadaa Pegatar Materi Cotoh Soal Rigkasa Latiha Pegatar Materi Cotoh Soal Rigkasa Istilah-istilah Dalam Persamaa Keadaa Aalisis Sistem
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Bicriteria Liear Programmig (BLP) Pesoala optimisasi dega beberapa fugsi tujua memperhitugka beberapa tujua yag koflik secara simulta, secara umum Multi objective programmig (MOP)
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1.Tempat da Waktu Peelitia ii dilakuka di ligkuga Kampus Aggrek da Kampus Syahda Uiversitas Bia Nusatara Program Strata Satu Reguler. Da peelitia dilaksaaka pada semester
Lebih terperinciBAB III METODOLOGI PENELITIAN
3 BAB III METODOLOGI PENELITIAN A. Metode Peelitia Metode yag diguaka dalam peelitia ii adalah metode kuatitatif dega eksperime semu (quasi eksperimet desig). Peelitia ii melibatka dua kelas, yaitu satu
Lebih terperinciBatas Bilangan Ajaib Pada Graph Caterpillar
J. Math. ad Its Appl. ISSN: 189-605X Vol. 3, No., Nov 006, 49 56 Batas Bilaga Ajaib Pada Graph Caterpillar Chairul Imro Jurusa Matematika FMIPA ITS Surabaya imro-its@matematika.its.ac.id Abstrak Jika suatu
Lebih terperinciEKSPANSI MULTINOMIAL, KOMBINASI, DAN PERMUTASI
EKSPANSI MULTINOMIAL, KOMBINASI, DAN PERMUTASI Oleh: Sutopo Jurusa Fisika FMIPA UM sutopo@fisika.um.ac.id Ditulis pada sekitar bula Maret 2011. Diuggah pada 3 Desember 2011 PROBLEM Gambar di bawah ii meyataka
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Optimasi 2.1.1. Pegertia Optimasi Optimasi (Optimizatio) adalah aktivitas utuk medapatka hasil terbaik di bawah keadaa yag diberika. Tujua akhir dari semua aktivitas tersebut
Lebih terperinciBab 7 Penyelesaian Persamaan Differensial
Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala
Lebih terperinciIV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data
IV METODE PENELITIAN 4.1 Lokasi da waktu Peelitia ii dilakuka di PD Pacet Segar milik Alm Bapak H. Mastur Fuad yag beralamat di Jala Raya Ciherag o 48 Kecamata Cipaas, Kabupate Ciajur, Propisi Jawa Barat.
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I
7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian ini adalah penelitian pengembangan (research and
BAB III METODE PENELITIAN A. Jeis Peelitia Jeis peelitia ii adalah peelitia pegembaga (research ad developmet), yaitu suatu proses peelitia utuk megembagka suatu produk. Produk yag dikembagka dalam peelitia
Lebih terperinciPENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart
Prosidig Semiar Nasioal Peelitia, Pedidika da Peerapa MIPA, Fakultas MIPA, Uiversitas Negeri Yogyakarta, 2 Jui 2012 PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart Adi Setiawa
Lebih terperinciProbabilitas dan Statistika Teorema Bayes. Adam Hendra Brata
robabilitas da Statistika Teorema ayes dam Hedra rata Itroduksi - Joit robability Itroduksi Teorema ayes eluag Kejadia ersyarat Jika muculya mempegaruhi peluag muculya kejadia atau sebalikya, da adalah
Lebih terperinci