Human-Friendly Arm Robot Berbasis Interactive Particle Swarm Optimization (IPSO)

Ukuran: px
Mulai penontonan dengan halaman:

Download "Human-Friendly Arm Robot Berbasis Interactive Particle Swarm Optimization (IPSO)"

Transkripsi

1 Human-Frendly Arm Robot Berbass Interactve Partcle Swarm Optmzaton (IPSO) Anhar Rsnumawan, Indra Adj Sulstjono ) Jurusan Teknk Elektronka, Polteknk Elektronka Neger Surabaya Kampus PENS-ITS Sukollo, Surabaya Antong@student.eeps-ts.edu ndra@eeps-ts.edu Abstrak Makalah n membahas tentang lengan robot sebaga pembangkt trayektor untuk jabat tangan dengan manusa. Berbaga metode pembangkt trayektor telah dkenalkan, tetap robot harus dapat bernteraks dengan lngkungan termasuk dengan manusa. Dalam makalah n dterapkan nteractve partcle swarm optmzaton sebaga pembangkt trayektor menggunakan evaluas manusa. Dbutuhkan suatu metode untuk memperkrakan nla evaluas manusa, untuk tu dgunakan fungs state-value. Hasl percobaan menunjukkan trayektor terbak dperoleh saat tral kelma dengan parameter pemberat jumlah sudut, jumlah jarak, dan jumlah evaluas manusa yatu 0.3, 0., dan 0.6. Kata kunc Robot, trayektor, nteractve partcle swarm optmzaton, evaluas, state-value I. PENDAHULUAN Dewasa n robot human-frendly dan robot partner telah banyak dkembangkan untuk generas selanjutnya dem kepentngan manusa []-[3]. Robot robot tersebut memerlukan kemampuan kecerdasan melalu nteraks antara robot dengan manusa. Robot harus dapat menghaslkan tngkah laku yang dngnkan sebaga komunkas dengan pemlknya []-[3]. S.Krstensen dkk, mengenalkan metode pembelajaran secara langsung antara manusa dengan robot dalam aplkas pelayan kop [3]. Artur M.A. mengenalkan strateg strateg untuk memperoleh kemampuan tertentu berbass nteraks robot dengan manusa. Interaksnya dengan manusa memberkan kemampuan baru sebaga seorang aktor [4]. Algortma algortma yang lan telah dterapkan untuk memecahkan masalah masalah pencaran jalur (pathplannng). Xao mengenalkan adaptve evolutonary planner / navgator menggunakan berbaga macam operator untuk mengembangkan dan memperbak jalur jalur yang akan dlalu [5]. Metode perencanaan trayektor secara herark pada ruang pseudo-potental untuk proses peraktan telah dkembangkan. Metode n secara dasar mempunya dua permukaan yatu trajectory generator dan confguraton generator menggunakan algortma vrus-evolutonary genetka [6]-[8], [5]. Sekarang, berbaga macam sstem adaptve robot telah dkenalkan untuk beradaptas dengan lngkungan yang dnams. Pembelajaran dengan bantuan (renforcement learnng) telah dterapkan untuk membangun sebuah agen yang memaksmalkan penggunaan yang dharapkan, dengan memberkan hadah (reward) atau hukuman (punshment) dar lngkungan. Yatu, renforcement learnng tdak menggunakan snyal pembelajaran secara langsung, tetap menggunakan evaluas umpan - balk yang dperoleh melalu nteraks dengan lngkungan. Pencaran akan menjad sult jka ruang keadaan berukuran besar. Jka menggunakan lookup table, ruang kerja tga dmens durakan ke dalam sel sel NxNxN dmana N menunjukkan ukuran dar sel sel pada masng masng sumbu. Selanjutnya, pencaran yang berturut turut dar kanddat trayektor sult dlakukan karena dnamka robot lengan. Sehngga, evaluas manusa dperlukan untuk mewujudkan robot lengan yang human-frendly yatu pergerakan lengan danggap aman dan efsen oleh manusa. Efsen dengan maksud, () trayektor yang dhaslkan mempunya jarak terdekat, (2) trayektor bergerak sepanjang ttk ttk yang dberkan, (3) trayektor jauh dar halangan, (4) trayektor mencapa obyek dengan fungs energ mnmum dan (5) trayektor bergerak dengan kecepatan motor tngg atau rendah. Sehngga robot akan mudah dgunakan dan mudah bernteraks. Robot akan memlh sebuah tngkah laku dan membuat suatu keputusan untuk beraks dengan manusa. Karena tu, akan dkenalkan metode perencanaan trayektor menggunakan fungs state-value dan nteraktf algortma genetka. Fungs state-value dgunakan untuk memperkrakan evaluas manusa. Dalam proyek n, jumlah kuadrat jarak antara dua konfguras, jumlah kuadrat beda dantara sudut masng masng jont antara dua konfguras, dan jumlah dar evaluas manusa menggunakan fungs state-value telah dkenalkan. Robot human-frendly harus menghaslkan trayektor berbass evaluas manusa. II. PARTICLE SWARM OPTIMIZATION (PSO) Adalah salah satu teknk pencaran dalam lmu komputer yang ddasarkan pada suatu populas. Sepert teknk pencaran yang lan, proses nsalsas PSO dmula dengan populas acak yang dnamakan partkel. Tetap tdak sepert metode lan, setap partkel PSO mempunya komponen kecepatan. Partkel partkel mempunya kecepatan yang secara dnams akan mengalam perubahan tergantung dar pengalaman partkel partkel. Oleh karena tu, partkel partkel akan mempunya solus yang semakn bak dalam daerah proses pencarannya. Persamaan PSO mempunya tga komponen, sepert pada persamaan (). Komponen pertama adalah momentum part,

2 kecepatan nerta suatu partkel. komponen kedua adalah cogntve part, merupakan bagan pengalaman partkel, belajar dar pengalaman partkel tu sendr. Dan komponen ketga adalah socal part, merupakan kerja sama antar partkel, belajar dar pengalaman partkel partkel lan. Berkut n adalah persamaan PSO. v ( t + ) = v c j r 2 2 j max j [ gbest + c r j j x xj ( t + ) = xj + v v v v max j j [ pbest ] j x j ] +...() ( t + )...(2) Dmana v j adalah kecepatan partkel ke- dalam dmens j pada waktu ke-t, x j adalah poss partkel ke- dalam dmens j pada waktu ke-t, c,c 2 adalah konstanta postf, r j, r2 j adalah dua fungs acak yang mempunya nla 0 sampa dengan, pbest j adalah poss terbak dalam suatu partkel. Sedangkan gbest adalah poss terbak dalam suatu populas. Seleks poss terbak atau mencar pbest dmula dengan menghtung nla ftness setap poss yang dlalu satu partkel. Dengan membandngkan nla ftness setap poss yang dlalu partkel tertentu maka akan ddapat personal best poston suatu partkel. For each partcle =,,n do // Set the personal best poston If f ( x ) > f ( pbest ) then pbest x = Dmana f() adalah fungs nla ftness. Seleks poss terbak dalam populas dmula dengan membandngkan nla nla ftness pbest dengan nla ftness gbest, jka nla ftness pbest kurang dar nla ftness gbest maka gant gbest dengan pbest. berkut adalah algortma seleks tersebut. For each partcle =,,n do // Set the global best poston If f ( pbest ) > f ( gbest ) then pbest gbest = Update kecepatan dan poss dgambarkan sebaga bekut. For each partcle =,,n do Update the velocty Update the poston jka kecepatan partkel melebh menjad ± vmax. ± vmax maka kecepatan akan III. RANCANGAN SISTEM Trayektor yang dbangktkan oleh CPU akan dkrm ke rangkaan hardware dan melalu evaluas manusa akan dnla trayektor trayektor yang terbak pada saat tu. Trayektor yang terbak akan tergantung dar operator. Gambar berkut adalah blok dagram keseluruhan sstem. Gambar. Blok dagram sstem. Nla ftness merupakan ukuran yang menentukan seberapa bak setap ndvdu yang dbangktkan. Tujuan utama dar keseluruhan proses n adalah untuk membangktkan trayektor yang mempunya jarak mnmum dar konfguras awal sampa konfguras akhr dan mempunya nla evaluas manusa tertngg. ft w f p + w2 fd + w3 f v = f... (3) = ( x, P v value( x,... (4) w, w2, w3 adalah koefsen jarak, f p adalah jumlah kuadrat dar jarak antara 2 konfguras, f d adalah jumlah kuadrat dar sudut antara 2 konfguras pada masng masng jont, dan f v adalah jumlah nla evaluas manusa yang menggunakan fungs state-value. Evaluas manusa yang dberkan akan dgunakan untuk memperbaru fungs state-value. Gambar 2 menunjukkan contoh cara pemberan nla dan cara memperbaru setap trayektor yang dhaslkan, dengan memsalkan kotak berbentuk dua dmens. value( x, ( γ ) value( x, + γe... (5) γ adalah ukuran step, E adalah evaluas manusa, value( x, adalah nla pada koordnat x, z. 2

3 Gambar 2. Sel sel fungs state-value. dmana kanddat kanddat atau partkel partkel solus akan dbangktkan secara acak. Dar setap kanddat tersebut akan dcar nla pbest (pengalaman terbak menurut suatu partkel) kemudan mengevaluas trayektor partkel tersebut melalu fungs evaluas ftness. Kemudan mencar gbest (pengalaman terbak dalam suatu populas), proses tersebut berlanjut sampa seluruh partkel dproses. Proses selanjutnya adalah memperbaru poss masng masng partkel. Pertama adalah menghaslkan blangan acak yang dgunakan dalam menghtung persamaan PSO. Kemudan memperbaru kecepatan dan poss masng masng partkel. Proses tersebut berlangsung sampa seluruh partkel telah dproses. Evaluas manusa berlangsung dalam tahap n, operator memberkan nla pada trayektor terbak yang telah dbangktkan. IV. HASIL PERCOBAAN Pengujan lengan robot dlakukan pada beberapa parameter yatu. Gambar 3. Pergerakan dan ukuran robot lengan. Gambar 3 adalah pergerakan dan ukuran lengan robot yang nant dgunakan dalam percobaan. Ttk awal robot adalah ttk (0,0,0), memanjang ke arah sumbu y negatf. Gambar berkut adalah flowchart dar nteractve partcle swarm optmzaton (IPSO). TABEL I PARAMETER IPSO YANG DIBUAT KONSTAN Populaton Sze 50 Num Confguraton 0 Local Evaluatons (Inner loop tmes) 25 Space Sze 22 PSO Cogntve Constant PSO Socal Constant 0.0 Coba ke TABEL II PARAMETER IPSO YANG DIBUAT VARIABEL SUM OF ANGLE SUM OF DISTANCES SUM OF ESTIMATED EVALUATION. 0,8 0, 0, 2. 0, 0,8 0, 3. 0, 0, 0,8 Gambar 4. Flowchart IPSO Terdapat dua bagan utama dalam flowchart datas yatu nner-loop dan outer-loop. Pada nner-loop terdapat proses PSO sedangkan human-evaluaton dan update state-value terdapat d outer-loop. Proses pertama adalah nsalsa Gambar 5. Grafk sum-of-angle, w=0.8, w2=0., w3=0.. 3

4 Gambar 6. Grafk nla evaluas manusa, w=0.8, w2=0., w3=0.. Dar gambar 7 nampak nla ftness mengalam penurunan (trayektor semakn bak) dan grafk jumlah sudut yang semakn bak. Gambar 9. Grafk nla evaluas manusa, w=0., w2=0.8, w3=0.. Gambar 8 dan 9 menunjukkan perbakan nla tetap saat tral kelma grafk evaluas manusa mengalam kenakan, gerakan robot menjad tak menentu atau acak. Gerakan yang dbangktkan hanya mengkondskan jumlah jarak yang terkecl. Nla evaluas manusa tdak pernah mencapa solus terbak. Gambar 7. Grafk nla ftness, w=0.8, w2=0., w3=0.. Tetap saat tral kelma gambar 6 grafk evaluas manusa mengalam kenakan nla yang berart trayektor tersebut kurang dsenang oleh manusa. Gerakan atau trayektor yang dhaslkan hanya tergantung dar jumlah sudut terkecl. Namun terlhat trayektor mencapa nla evaluas manusa terbak saat tral ke-8. Gambar 0. Grafk nla ftness, w=0., w2=0.8, w3=0.. Gambar 0 grafk nla ftness, meskpun menunjukkan perbakkan nla tetap mash evaluas menunjukkan trayektor yang buruk saat tral kelma. Gambar 8. Grafk sum of dstance, w=0., w2=0.8, w3=0.. Gambar. Grafk sum of human-evaluaton, w=0., w2=0., w3=0.8. 4

5 Gambar 2. Grafk sum of angles, w=0., w2=0., w3=0.8. Gambar dan 2 keseluruhan grafk mengalam perbakan tetap dalam skala yang kecl, terlhat sampa tral ke- tetap tdak bsa mencapa solus terbak. Trayektor yang dbangktkan sepert terperangkap dalam daerah tertentu. Gambar 5. Grafk 3D nla ftness, pop sze=50. TABEL III PARAMETER PEMBERAT PERCOBAAN IPSO Gambar 3. Grafk sum of dstances, w=0., w2=0., w3=0.8. Gambar, 2, dan 3, meskpun menunjukkan keseluruhan grafk yang semakn bak (grafk menurun) tetap kurang bsa untuk menemukan solus yang dharapkan dtunjukkan dengan grafk nla evaluas manusa yang datar. Hal n menunjukkan gerakan robot sepert terperangkap dalam daerah tertentu. Gambar 4. Grafk nla ftness, pop sze=50. Data seres 6 sampa 2 dapat mencapa trayektor yang terbak terutama seres 6, yatu mencapa trayektor terbak saat tral ke-5. Data tersebut danggap terbak menurut subjektf manusa sebaga lawan jabat tangan. Data seres 6 mempunya nla konstanta w = 0.3, w2 = 0., w3 = 0. 6, hal n berart trayektor yang dbangktkan lebh mengutamakan evaluas manusa dengan sebagan jumlah sudut dan sebagan kecl lag jumlah jarak. 5

6 Data seres 6 sampa 2 menunjukkan data terbak dengan jumlah tral yang sedkt jka dbandngkan dengan data data yang lan. Hal n berart data optmum dperoleh saat konstanta w = Seres 22 sampa 30 dapat mencapa trayektor yang terbak meskpun dengan jumlah tral yang cukup tngg, namun saat nla konstanta dtngkatkan melalu seres 3 sampa 36 maka trayektor tdak dapat dperoleh. Trayektor yang dbangktkan saat seres 3 sampa 36 (nla w cukup tngg dbandng parameter lan) mempunya gerakan yang halus, namun semakn sult untuk menemukan solus trayektor trayektor yang danggap terbak oleh user V. KESIMPULAN Hasl hasl percobaan menunjukkan beberapa hal yatu () Nla pemberat w (pemberat sum of angle) datas 0.6 mengakbatkan gerakan robot yang kurang bak menurut evaluas manusa, gerakan lengan robot menjad lebh halus namun tdak menunjukkan jabat tangan yang bak, (2) Nla pemberat w 2 (pemberat sum of dstance) datas 0.4 dengan w kurang dar 0.3 mengakbatkan gerakan robot menjad acak atau tak menentu atau bahkan melebh batas batas jabat tangan yang dperbolehkan, (3) Nla pemberat w 3 (pemberat sum of human-evaluaton) datas 0.6 mengakbatkan robot terperangkap pada daerah tertentu saja, tdak bsa menemukan daerah solus yang terbak, (4) Perpaduan ketga parameter w, w2, w3 akan menemukan solus yang terbak (yatu saat w = 0.3, w2 = 0., w3 = 0.6 ), (5) Terlhat pada data hasl percobaan bahwa IPSO dapat menemukan trayektor lebh cepat (yatu dengan jumlah tral 5) darpada IGA (yatu dengan jumlah tral 0). [8] N.Baba and N.Kubota, "Collson Avodance Plannng of a Robot Manpulator by Usng Genetc Algorthm-A Consderaton for the Problem n whch Movng Obstacles and/or Several Robots Are n the Workspace", Proc. of The Frst IEEE Conference on Evolutonary Computaton, 994, pp [9] J.H. Holland, Adaptaton n Natural and Artfcal Systems, Cambrdge, Massachusetts, MIT Press, 995. [0] S.J.Russell, P.Norvg, Artfcal Intellgence, Prentce Hall, Inc., 995. [] N.Kubota, I.Adj S., F.Kojma, Interactve Genetc Algortm for Trajectory Generaton of a Robot Manpulator, Proceedng (CD ROM) of 4 th Asa-Pasfc Conference On Smulated Evoluton And Learnng (SEALO2), pp.46-50, Sngapore, 8-22 November, [2] Sh Yuhu, Partcle Swarm Optmzaton, IEEE Neural Networks Socet February [3] A.P. Engelbrecht, Fundamentals of Computatonal Swarm Intellgence, John Wley & Sons, DAFTAR PUSTAKA [] O.Khatb, K.Yoko, O.Brock, K-S.Chang, and A.Casal, "Robots n Human Envronments", In Archves of Control Scences, Specal Issue on Granular Computng. Vol. (XLVII), No. 3-4, pp.23-28, [2] N.Kubota, D.Hsajma, F.Kojma, and T.Fukuda, "Fuzzy and Neural Computng for Communcaton of a Partner Robot", Journal of Mult-Valued Logc and Soft Computng, Vol.9, No.2, pp , [3] S.Krstensen, S.Horstmann, J.Klandt, F.Lohnert and A.Stopp, "Human-Frendly Interacton for Learnng and Cooperaton", Proc. of the 200 IEEE ICRA, pp , 200. [4] Artur M. Arseno, Emboded Vson - Percevng Objects from Actons, Proceedng of the 2th IEEE Workshop Robot and Human Interactve Communcaton RO-MAN 2003, pp , [5] J.Xao, Z.Mchalewcz, L.Zhang, K.Trojanowsk, Adaptve Evolutonary Planner/Navgator for Moble Robots, IEEE Trans. Evolutonary Computaton, Vol., No., 998, pp [6] T.Fukuda, N.Kubota, and T.Arakawa, "GA Algorthms n Intellgent Robot", Fuzzy Evolutonary Computaton, Kluwer Academc Publshers, 997, pp [7] T.Arakawa and T.Fukuda, "Natural Moton Trajectory Generaton of Bped Locomoton Robot Usng Genetc Algorthm through Energy Optmzaton", n Proc. of The IEEE Internatonal Conference on Systems, Man, and Cybernetcs, 996, pp

Human-Friendly Arm Robot Using Interactive Genetic Algorithm

Human-Friendly Arm Robot Using Interactive Genetic Algorithm Human-Friendly Arm Robot Using Interactive Genetic Algorithm Cynthia Rachmanita, Indra Adji Sulistijono ) Jurusan Teknik Elektronika, Politeknik Elektronika Negeri Surabaya Kampus PENS-ITS Sukolilo, Surabaya

Lebih terperinci

PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL

PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas

Lebih terperinci

IV. PERANCANGAN DAN IMPLEMENTASI SISTEM

IV. PERANCANGAN DAN IMPLEMENTASI SISTEM IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa

Lebih terperinci

Tinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal

Tinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal 157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang

Lebih terperinci

BAB IV PENGUJIAN DAN ANALISA

BAB IV PENGUJIAN DAN ANALISA BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan

Lebih terperinci

BAB V ANALISA PEMECAHAN MASALAH

BAB V ANALISA PEMECAHAN MASALAH BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan

Lebih terperinci

PENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION

PENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION PENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION Yudh Purwananto Rully Soelaman dan Bambang Santoso. Fakultas Teknolog Informas Insttut Teknolog Sepuluh Nopember

Lebih terperinci

OPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO)

OPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO) OPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO) Efrta Arfah Z Jurusan Teknk Elektro, FTI-ITATS Surabaya Jl. Aref Rahman Hakm 100 Tlp

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Pustaka 2.1.1 Tmetable Tmetable merupakan alokas subjek yang memlk kendala untuk dtempatkan pada ruang waktu (Gan dkk, 2004). Permasalahan Tmetable cukup luas. Masalah

Lebih terperinci

RANGKAIAN SERI. 1. Pendahuluan

RANGKAIAN SERI. 1. Pendahuluan . Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan

Lebih terperinci

Kata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.

Kata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal. Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu

Lebih terperinci

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan

Lebih terperinci

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi. BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan

Lebih terperinci

BAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis

BAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan

Lebih terperinci

Pembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1

Pembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1 Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut

Lebih terperinci

APLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)

APLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) APLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) Irfrans Kusmarna, Luh Kesuma Wardhan 2, Muhammad Safrzal 3,3 Jurusan Teknk Informatka, Fakultas Sans dan Teknolog,

Lebih terperinci

PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)

PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia) PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas

Lebih terperinci

PERANCANGAN DAN PEMBUATAN TRAJECTORY PLANNING (PERENCANAAN LINTASAN) UNTUK ARTICULATED ROBOT ARM MENGGUNAKAN METODE GENETIC ALGORITHM (GA)

PERANCANGAN DAN PEMBUATAN TRAJECTORY PLANNING (PERENCANAAN LINTASAN) UNTUK ARTICULATED ROBOT ARM MENGGUNAKAN METODE GENETIC ALGORITHM (GA) PERNCNGN DN PEMBUTN TRJECTORY PLNNING (PERENCNN LINTN) UNTUK RTICULTED ROBOT RM MENGGUNKN METODE GENETIC LGORITHM (G) Reza kbar Rzaldy Jurusan Teknk Mekatronka, Polteknk Elektronka Neger urabaya Kampus

Lebih terperinci

Bab III Analisis dan Rancangan Sistem Kompresi Kalimat

Bab III Analisis dan Rancangan Sistem Kompresi Kalimat Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton

Lebih terperinci

MODIFIED IMPROVED PARTICLE SWARM OPTIMIZATION FOR OPTIMAL GENERATOR SCHEDULING

MODIFIED IMPROVED PARTICLE SWARM OPTIMIZATION FOR OPTIMAL GENERATOR SCHEDULING Semnar Nasonal Aplkas Teknolog Informas 009 (SNATI 009) ISSN: 1907-50 Yogyakarta, 0 Jun 009 MODIFIED IMPROVED PARTICLE SWARM OPTIMIZATION FOR OPTIMAL GENERATOR SCHEDULING Mackel Tuegeh 1, Soeprjanto, Maurdh

Lebih terperinci

Perbaikan Unjuk Kerja Sistem Orde Satu PERBAIKAN UNJUK KERJA SISTEM ORDE SATU DENGAN ALAT KENDALI INTEGRAL MENGGUNAKAN JARINGAN SIMULATOR MATLAB

Perbaikan Unjuk Kerja Sistem Orde Satu PERBAIKAN UNJUK KERJA SISTEM ORDE SATU DENGAN ALAT KENDALI INTEGRAL MENGGUNAKAN JARINGAN SIMULATOR MATLAB Perbakan Unjuk Kerja Sstem Orde Satu PERBAIKAN UNJUK KERJA SISTEM ORDE SATU DENGAN ALAT KENDALI INTEGRAL MENGGUNAKAN JARINGAN SIMULATOR MATLAB Endryansyah Penddkan Teknk Elektro, Jurusan Teknk Elektro,

Lebih terperinci

PROPOSAL SKRIPSI JUDUL:

PROPOSAL SKRIPSI JUDUL: PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan

Lebih terperinci

2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil

2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil .1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)

Lebih terperinci

ANALISIS DATA KATEGORIK (STK351)

ANALISIS DATA KATEGORIK (STK351) Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat

Lebih terperinci

BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode

BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang

BAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan

Lebih terperinci

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan

Lebih terperinci

PRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel

PRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan

Lebih terperinci

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga

Lebih terperinci

P n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman

P n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran

Lebih terperinci

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan

Lebih terperinci

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan

Lebih terperinci

Analisa dan Penerapan Metode Particle Swarm Optimization Pada Optimasi Penjadwalan Kuliah

Analisa dan Penerapan Metode Particle Swarm Optimization Pada Optimasi Penjadwalan Kuliah Jurnal Teknk Informatka, Vol 1 September 2012 Analsa dan Penerapan Metode Partcle Swarm Optmzaton Pada Optmas Penjadwalan Kulah Rasha Ashla Rachman 1), Dadang Syarf 2), Rka Perdana Sar 3) 1) Program Stud

Lebih terperinci

Preferensi untuk alternatif A i diberikan

Preferensi untuk alternatif A i diberikan Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses

Lebih terperinci

ANALISIS BENTUK HUBUNGAN

ANALISIS BENTUK HUBUNGAN ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel

Lebih terperinci

OPTIMAL GENERATOR SCHEDULING BASED ON PARTICLE SWARM OPTIMIZATION

OPTIMAL GENERATOR SCHEDULING BASED ON PARTICLE SWARM OPTIMIZATION Semnar Nasonal Informatka 009 (semnasif 009) ISSN: 1979-38 UPN Veteran Yogyakarta, 3 Me 009 OPTIMAL GENERATOR SCHEDULING BASED ON PARTICLE SWARM OPTIMIZATION Mackel Tuegeh 1, Ad Soeprjanto, Maurdh Hery

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang

Lebih terperinci

METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS

METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS TESIS METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS Oleh : I Made Wdartha NRP. 5109201009 Dosen Pembmbng : Dr. Agus Zanal Arfn, S.Kom, M.Kom Anny Yunart, S.Kom, M.Comp.Sc

Lebih terperinci

BAB 2 TINJAUAN KEPUSTAKAAN

BAB 2 TINJAUAN KEPUSTAKAAN BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud

Lebih terperinci

Pendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan

Pendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk

Lebih terperinci

Analisis Kecepatan Dan Percepatan Mekanisme Empat Batang (Four Bar Lingkage) Fungsi Sudut Crank

Analisis Kecepatan Dan Percepatan Mekanisme Empat Batang (Four Bar Lingkage) Fungsi Sudut Crank ISSN 907-0500 Analss Kecepatan Dan Percepatan Mekansme Empat Batang (Four Bar ngkage Fungs Sudut Crank Nazaruddn Fak. Teknk Unverstas Rau nazaruddn.unr@yahoo.com Abstrak Pada umumnya analss knematka dan

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.

Lebih terperinci

BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE

BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan

Lebih terperinci

METODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang

METODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang

Lebih terperinci

PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY

PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY I Made Wdartha Program Stud Teknk Informatka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana emal : madewdartha@cs.unud.ac.d

Lebih terperinci

PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF

PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak

Lebih terperinci

BAB IV PERHITUNGAN DAN ANALISIS

BAB IV PERHITUNGAN DAN ANALISIS BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter

Lebih terperinci

PENDAHULUAN Latar Belakang

PENDAHULUAN Latar Belakang PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang

Lebih terperinci

Optimasi Fungsi Keanggotaan Fuzzy

Optimasi Fungsi Keanggotaan Fuzzy Optmas Fungs Keanggotaan Fuzzy Tsukamoto Dua Tahap Menggunakan Algortma Genetka Pada Pemlhan Calon Penerma Beasswa dan BBP-PPA (Stud Kasus: PTIIK Unverstas Brawjaya Malang) Bunga Amela Restuputr 1, Wayan

Lebih terperinci

Bab III Analisis Rantai Markov

Bab III Analisis Rantai Markov Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada

Lebih terperinci

MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM

MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam

Lebih terperinci

HAK CIPTA (HKI) Judul Invensi: METODE OPTIMISASI KONFIGURASI JARINGAN DISTRIBUSI BERBASIS LOGIKA FUZZY DAN PARTICLE SWARM OPTIMIZATION

HAK CIPTA (HKI) Judul Invensi: METODE OPTIMISASI KONFIGURASI JARINGAN DISTRIBUSI BERBASIS LOGIKA FUZZY DAN PARTICLE SWARM OPTIMIZATION 0 HAK CIPTA HKI 1 Judul Invens: METODE OPTIMISASI KONFIGURASI JARINGAN DISTRIBUSI BERBASIS LOGIKA FUZZY DAN PARTICLE SWARM OPTIMIZATION Inventor: Dr. Ramadon Syahputra, S.T., M.T. Ir. Agus Jamal, M.Eng.

Lebih terperinci

BAB III METODE KOMPRESI DAN DEKOMPRESI. untuk setiap B X. fraktal. Penjelasan dimulai dengan pengenalan Multiple Reduction Copy

BAB III METODE KOMPRESI DAN DEKOMPRESI. untuk setiap B X. fraktal. Penjelasan dimulai dengan pengenalan Multiple Reduction Copy BAB III METODE KOMPRESI DAN DEKOMPRESI Kompres ctra fraktal memodelkan ctra sebaga lmt dar suatu proses teras. Jka dberkan suatu ctra A X, metode n akan mencar suatu proses W sedemkan sehngga ttk tetap

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu 4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013

Lebih terperinci

PENGURUTAN DATA. A. Tujuan

PENGURUTAN DATA. A. Tujuan PENGURUTAN DATA A. Tuuan Pembahasan dalam bab n adalah mengena pengurutan data pada sekumpulan data. Terdapat beberapa metode untuk melakukan pengurutan data yang secara detl akan dbahas ddalam bab n.

Lebih terperinci

Bab 2 AKAR-AKAR PERSAMAAN

Bab 2 AKAR-AKAR PERSAMAAN Analsa Numerk Bahan Matrkulas Bab AKAR-AKAR PERSAMAAN Pada kulah n akan dpelajar beberapa metode untuk mencar akar-akar dar suatu persamaan yang kontnu. Untuk persamaan polnomal derajat, persamaannya dapat

Lebih terperinci

BAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan

BAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana

Lebih terperinci

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj

Lebih terperinci

Dalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang

Dalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang LARGE SCALE SYSEM Course by Dr. Ars rwyatno, S, M Dept. of Electrcal Engneerng Dponegoro Unversty BAB V OPIMASI SISEM Dalam sstem pengendalan berhrark level, maka optmas dapat dlakukan pada level pertama

Lebih terperinci

BAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan

BAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan 7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat

Lebih terperinci

BAB IV PEMBAHASAN HASIL PENELITIAN

BAB IV PEMBAHASAN HASIL PENELITIAN BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon

Lebih terperinci

BAB 2 KAJIAN PUSTAKA

BAB 2 KAJIAN PUSTAKA BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,

Lebih terperinci

BAB VB PERSEPTRON & CONTOH

BAB VB PERSEPTRON & CONTOH BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur

Lebih terperinci

Bab 1 PENDAHULUAN Latar Belakang

Bab 1 PENDAHULUAN Latar Belakang 11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa

Lebih terperinci

ANALISIS REGRESI. Catatan Freddy

ANALISIS REGRESI. Catatan Freddy ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :

Lebih terperinci

BAB IV PEMBAHASAN MODEL

BAB IV PEMBAHASAN MODEL BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa

III. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB

SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.

Lebih terperinci

PERBANDINGAN METODE SAW DAN TOPSIS PADA KASUS UMKM

PERBANDINGAN METODE SAW DAN TOPSIS PADA KASUS UMKM PERBANINGAN METOE SAW AN TOPSIS PAA KASUS UMKM Muh. Alyazd Mude al.mude@yahoo.com Teknk Informatka Unverstas Muslm Indonesa Abstrak alam pengamblan keputusan terhadap masalah berdasarkan sebuah analsa

Lebih terperinci

PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING

PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas

Lebih terperinci

berasal dari pembawa muatan hasil generasi termal, sehingga secara kuat

berasal dari pembawa muatan hasil generasi termal, sehingga secara kuat 10 KARAKTRISTIK TRANSISTOR 10.1 Dasar Pengoperasan JT Pada bab sebelumnya telah dbahas dasar pengoperasan JT, utamannya untuk kasus saat sambungan kolektor-bass berpanjar mundur dan sambungan emtor-bass

Lebih terperinci

BAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah

BAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu

Lebih terperinci

BAB 4 PERHITUNGAN NUMERIK

BAB 4 PERHITUNGAN NUMERIK Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat

Lebih terperinci

BAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada

BAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka

Lebih terperinci

SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN

SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN AALISIS DISKRIMIA DISKRIT UTUK MEGELOMPOKKA KOMPOE Bernk Maskun Jurusan Statstka FMIPA UPAD jay_komang@yahoo.com Abstrak Untuk mengelompokkan hasl pengukuran yang dukur dengan p buah varabel dmana penlaan

Lebih terperinci

III. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.

III. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan. 3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan

Lebih terperinci

Wisnu Ananta Kusuma, Irman Hermadi, Ardiansyah 1. Staf Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor 2 ABSTRAK

Wisnu Ananta Kusuma, Irman Hermadi, Ardiansyah 1. Staf Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor 2 ABSTRAK ANALISIS METODE ANALOGY BASED ESTIMATION UNTUK PERKIRAAN BIAYA PERANGKAT LUNAK Wsnu Ananta Kusuma, Irman Hermad, Ardansyah 1 Staf Departemen Ilmu Komputer, Fakultas Matematka dan IPA, Insttut Pertanan

Lebih terperinci

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c 6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan

Lebih terperinci

Sistem Kriptografi Stream Cipher Berbasis Fungsi Chaos Circle Map Dengan Pertukaran Kunci Diffie-Hellman

Sistem Kriptografi Stream Cipher Berbasis Fungsi Chaos Circle Map Dengan Pertukaran Kunci Diffie-Hellman SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Sstem Krptograf Stream Cpher Berbass Fungs Chaos Crcle Map Dengan Pertukaran Kunc Dffe-Hellman A-6 Muh. Fajryanto 1,a), Aula Kahf 2,b), Vga Aprlana

Lebih terperinci

PENGGUNAAN HIBRIDISASI GENETICS ALGORITHMS DAN FUZZY SETS UNTUK MEMPRODUKSI PAKET SOAL

PENGGUNAAN HIBRIDISASI GENETICS ALGORITHMS DAN FUZZY SETS UNTUK MEMPRODUKSI PAKET SOAL PENGGUNAAN HIBRIDISASI GENETICS ALGORITHMS DAN FUZZY SETS UNTUK MEMPRODUKSI PAKET SOAL Rolly Intan Fakultas Teknolog Industr, Jurusan Teknk Informatka, Unverstas Krsten Petra e-mal: rntan@petra.ac.d ABSTRAK:

Lebih terperinci

Prediksi Jumlah Follower Official Account Line Menggunakan Regresi dan Algoritma Genetika

Prediksi Jumlah Follower Official Account Line Menggunakan Regresi dan Algoritma Genetika Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 217, hlm. 1312-132 http://j-ptk.ub.ac.d Predks Jumlah Follower Offcal Account Lne Menggunakan Regres dan

Lebih terperinci

PENDUGAAN RASIO, BEDA DAN REGRESI

PENDUGAAN RASIO, BEDA DAN REGRESI TEKNIK SAMPLING PENDUGAAN RASIO, BEDA DAN REGRESI PENDAHULUAN Pendugaan parameter dar peubah Y seharusnya dlakukan dengan menggunakan nformas dar nla-nla peubah Y Bla nla-nla peubah Y sult ddapat, maka

Lebih terperinci

SWARM INTELLIGENCE (Teori & Case Study)

SWARM INTELLIGENCE (Teori & Case Study) Judul SWARM INTELLIGENCE (Teor & Case Study) PSO, ACO, ABC, ACO-SVR, etc Oleh: Imam Cholssodn Ef Ryandan PENGANTAR Buku n member pemahaman konsep lanjut dan detal penyelesaan untuk pengembangan Swarm Intellgence

Lebih terperinci

III. METODE PENELITIAN

III. METODE PENELITIAN III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la

Lebih terperinci

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas

Lebih terperinci

BAB II DASAR TEORI. 2.1 Definisi Game Theory

BAB II DASAR TEORI. 2.1 Definisi Game Theory BAB II DASAR TEORI Perkembangan zaman telah membuat hubungan manusa semakn kompleks. Interaks antar kelompok-kelompok yang mempunya kepentngan berbeda kemudan melahrkan konflk untuk mempertahankan kepentngan

Lebih terperinci

Gambar 3.1 Diagram alir penelitian

Gambar 3.1 Diagram alir penelitian BAB 3 METODE PENELITIAN 3.1 Dagram Alr Peneltan Materal Amorph Magnetk (Fe 73 Al 5 Ga 2 P 8 C 5 B 4 S 3 ) Ekspermen DfraksNeutron (I vs 2theta) Smulas Insalsas atom secara random Fungs struktur, F(Q) Perhtungan

Lebih terperinci

BAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB

BAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota

Lebih terperinci

Fisika Dasar I (FI-321)

Fisika Dasar I (FI-321) Fska Dasar I (FI-31) Topk har n (mnggu 5) Usaha dan Energ Usaha dan Energ Energ Knetk Teorema Usaha Energ Knetk Energ Potensal Gravtas Usaha dan Energ Potensal Gravtas Gaya Konservatf dan Non-Konservatf

Lebih terperinci

Jurnal Teknologi Elektro, Universitas Mercu Buana ISSN:

Jurnal Teknologi Elektro, Universitas Mercu Buana ISSN: KECERDASAN BUATAN BERBASIS PARTICLE SWARM OPTIMIZATION, ANT COLONY OPTIMIZATION DAN FIREFLY ALGORITHM UNTUK MEREDAM OSILASI GANGGUAN PADA SISTEM PEMBANGKIT LISTRIK Pressa P. Surya Unverstas Muhammadyah

Lebih terperinci

EVALUASI METODE PENELUSURAN KERAGAMAN DALAM BLOK DENGAN ANALISIS INTERBLOK

EVALUASI METODE PENELUSURAN KERAGAMAN DALAM BLOK DENGAN ANALISIS INTERBLOK Prosdng SPMIPA. pp. 147-15. 006 ISBN : 979.704.47.0 EVALUASI METODE PENELUSURAN KERAGAMAN DALAM BLOK DENGAN ANALISIS INTERBLOK Rta Rahmawat, I Made Sumertajaya Program Stud Statstka Jurusan Matematka FMIPA

Lebih terperinci

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo. BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,

Lebih terperinci