T 17 Penerapan Model Fuzzy Dengan Metode Table Look-Up Scheme Untuk Memprediksi Indeks Harga Saham Gabungan (Ihsg)
|
|
- Suryadi Setiawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PROSIDING ISBN : T 7 Penerapan Mode Fuzz Dengan Metode Tabe Look-Up Scheme Untuk Mempredks Indeks Harga Saham Gabungan Ihsg Oeh : Prhatn Tr Rahaunngsh Prod Matematka, FMIPA Unverstas Neger Yogakarta Ema : praunng957@gma.com Agus Maman Abad Jurusan Penddkan Matematka, FMIPA Unverstas Neger Yogakarta Ema : agusmaman@un.ac.d ABSTRAK Indeks harga saham gabungan IHSG adaah suatu na ang dgunakan untuk mengukur knerja gabungan dar seuruh saham ang tercatat d bursa efek. Tujuan penusan n adaah untuk mempredks IHSG dengan mode fuzz. Metode ang dgunakan untuk agkah mode fuzz tabe ook-up scheme adaah: mendefnskan hmpunan fuzz dar data runtun waktu tme seres menggunakan fungs keanggotaan Gaussan, mendapatkan satu aturan fuzz dar setap data pasangan nput-output, 3 menghtung derajat keanggotaan atau na keanggotaan dar setap aturan ang terbentuk, 4 membentuk aturan bass fuzz, ang dperoeh dengan meneeks aturan ang dar angkah dua, dan angkah tga, 5 membentuk sstem fuzz dengan aturan bass fuzz dar angkah 4, fuzzfer sngetone, mesn nferens pergandaan atau mnmum, dan defuzzfer rata-rata pusat. Predks IHSG dengan menggunakan metode tabe ook-up scheme, kemudan dbandngkan dengan metode ARIMA. Has anass menunjukkan bahwa predks IHSG dar Januar 000-Jun 00 dengan metode tabe ook-up shceme, mode ang terbak adaah dengan menggunakan 5 nput- output dengan faktor ang mempengaruh IHSG, kurs, SBI, nfas dan JUB dengan MSE testng 96, MAPE testng 6,433%. Menggunakan mode ARIMA, mode ang cocok dgunakan adaah ARIMA 0,, dengan MSE testng 40309, MAPE testng 44,4975%. Jad predks dengan metode tabe ook-up scheme bak untuk dgunakan. Kata kunc: ndeks harga saham gabungan IHSG, tabe ook-up scheme, ARIMA, predks. A. Pendahuuan Serng dengan menngkatna aktvtas perdagangan, kebutuhan untuk memberkan nformas ang ebh engkap kepada masarakat mengena pekembangan bursa, juga semakn menngkat. Saah satu ang dperukan tersebut adaah ndeks harga saham sebaga cermnan dar pergerakan harga saham. Saham merupakan saah satu aternatf nvestas ang menark daam pasar moda. Indeks harga saham gabungan adaah suatu na ang dgunakan untuk mengukur knerja gabungan dar seuruh saham ang tercatat d bursa efek Sunarah, 003:6. Secara gars besar, metode untuk mempredks pergerakan ndeks harga saham dapat dkasfkaskan menjad dua atu pendekatan kausatas dan pendekatan poa. Metode pendekatan kausatas dhat dar pergerakan ndeks harga saham dengan mehat varabe-varabe an ang mempengaruhna. Beberapa penetan sepert Makaah dpresentaskan daam Semnar Nasona Matematka dan Penddkan Matematka dengan tema Matematka dan Penddkan Karakter daam Pembeajaran pada tangga 3 Desember 0 d Jurusan Penddkan Matematka FMIPA UNY
2 PROSIDING ISBN : Gusta 005 serta Novta dan Nachrow 005 menggunakan metode kausatas. Meau pengamatanna pada beberapa pasar moda, Gusta menemukan bahwa pergerakan ndeks Dow Jones dan Indeks Nkke mempengaruh IHSG, sedangkan Novta dan Nachrow memperhatkan pergerakan IHSG meau perubahan na tukar terhadap na doar Amerka dengan metode Vector Autoregressve VAR Nachrow dan Usman, 007. Metode pendekatan poa mempredks pergerakan ndeks harga saham meau poa pergerakan ndeks harga saham tu sendr. Pendekatan n ebh mengandakan bahwa pergerakan varabe ang damat sudah mencermnkan semua nformas ang mempengaruh pergerakanna. Jka ndeks saham menguat, ha n sudah mencermnkan sentment postf ang mempengaruh penguatan saham tersebut; sebakna, ja ndeks saham mengaam penurunan, ha n sudah mengndkaskan adana ha-ha ang kurang bak ang mempengaruh peemaham ndeks tersebut Nachrow dan Usman, 007. Berdasarkan uraan tersebut, penus tertark untuk mengkaj peramaan IHSG menggunakan mode fuzz. Mode fuzz memk toerans terhadap data-data ang tdak tepat, mampu memodekan fungs-fungs nonnear, feksbe Sr Kusumadew, 003. Mode fuzz adaah suatu sstem dengan kuanttas samar. Kuanttas samar dungkapkan pada bangan fuzz atau hmpunan fuzz dgabungkan dengan abe ngustc. Pemodean fuzz pada data tme seres merupakan pemodean untuk mempredks data d waktu ang akan datang berdasarkan data sebeumna dengan menggunakan sstem fuzz. Sstem fuzz adaah sstem aturan dasar ang terdr dar aturan JIKA-MAKA. Sstem fuzz terdr dar fuzzfer, bass aturan fuzz, mesn nferens fuzz, dan defuzfer. Apkas mode fuzz pertama ka dterapkan pada mesn cuc atu pada tahun 990. Perkembangan apkas mode fuzz anna atu pada transms otomats pada mob Nssan, kereta bawah tanah Senda, dan an-an Sr Kusumadew, 000. Berdasarkan penetan-penetan sebeumna, peramaan dengan mode fuzz beum banak dkaj dan berdasarkan keebhan dar mode fuzz tersebut, maka daam penetan n akan dkembangkan Penerapan Mode Fuzz dengan Mode Tabe Look-Up Scheme untuk Mempredks Indeks Harga Saham Gabungan IHSG. Dar uraan tersebut muncu sebuah permasaahan khususa daam bdang ekonom atu ndeks harga saham ang sangat fuktuatf atau bervaras bersfat tdak konstan. Semnar Nasona Matematka dan Penddkan Matematka Yogakarta, 3 Desember 0 MT 58
3 PROSIDING ISBN : Adapun masaah ang akan dbahas daam penusan n adaah bagamana apkas mode fuzz dengan metode tabe ook-up scheme untuk mempredks IHSG, bagamana keakuratan mode fuzz dengan metode tabe ook-up scheme dengan metode ARIMA. Tujuan dar penusan n adaah mengetahu apkas mode fuzz dengan metode tabe ook-up scheme untuk predks IHSG, mengetahu keakuratan mode fuzz dengan metode tabe ook-up scheme dengan metode ARIMA. B. Landasan Teor. Pengertan Hmpunan fuzz Hmpunan semesta pembcaraan U dengan fungs keanggotaan ang mempuna derajat keanggotaan d daam A daam nterva [0,] dsebut hmpunan fuzz Wang, 997:. Hmpunan fuzz ddasarkan pada gagasan untuk memperuas jangkauan fungs karakterstk atau fungs keanggotaan sedemkan hngga fungs tersebut akan mencakup bangan rea pada nterva [0,]. Suatu hmpunan fuzz A dapat dnatakan: A {, U}. A U A U μ /, untuk U kontnu. A μ /, untuk U dskret..3. Fungs keanggotaan A Fungs keanggotaan membershp functon ang dgunakan daam penetan n adaah fungs keanggotaan Gaussan. Fungs keanggotaan Gaussan dar suatu hmpunan fuzz A dengan, dan,, A memk bentuk sebaga berkut: μ ep a.4 A dengan adaah pusat dar hmpunan fuzz ang ke-. 3. Impkas Fuzz Semnar Nasona Matematka dan Penddkan Matematka Yogakarta, 3 Desember 0 MT 59
4 PROSIDING ISBN : Impkas ang dgunakan pada penetan n adaah mpkas mamdan atu mpkas mnmum dan mpkas pergandaan. Berkut defns dar mpkas mamdan: Defns. Impkas Mamdan Wang, 997:67 Aturan JIKA-MAKA fuzz dnatakan sebaga reas fuzz, atau d U V dengan fungs keanggotaan sebaga berkut : Impkas mnmum :, mn[ μ, μ ].5 Q MM atau Impkas pergandaan:, μ μ.6 Q MP Q MM 4. Fuzzfer Sngeton Defns. Fuzzfer Sngeton Wang, 997:05 Pemetaan na rea * U ke sngeton fuzz A d U, dengan derajat kenggotaan untuk dan 0 untuk ang an d U dsebut fuzzfer sngeton. * untuk μ.7 dengan A 0 untuk ang an * menunjukkan data sampe. 5. Mesn Inferens Fuzz Mesn nferens fuzz ang dgunakan adaah mesn nferens pergandaan dan mnmum. Defns.3 Mesn Inferens Pergandaan Wang, 997:97 Aturan dasar ndvdua dengan kombnas gabungan, mpkas pergandaan Mamdan, mn untuk semua operator t-norm, dan ma untuk semua operator s-norm dsebut mesn nferens pergandaan. M n A U μ ma[sup μ μ μ ].8 B Defns.4 Mesn Inferens Mnmum Wang, 997:97 A B Semnar Nasona Matematka dan Penddkan Matematka Yogakarta, 3 Desember 0 MT 60
5 PROSIDING ISBN : Aturan dasar ndvdua dengan kombnas gabungan, mpkas mnmum Mamdan, dan mn untuk semua operator t-norm, dan ma untuk semua operator s-norm dsebut mesn nferens mnmum B M μ ma [sup mn μ, μ,.., μ μ ].9 U 6. Defuzzfer A A Menurut Sr Kusumadew 003,09, nput dar proses defuzzfkas adaah suatu hmpunan fuzz ang dperoeh dar komposs aturan-aturan fuzz, sedangkan output ang dhaskan merupakan suatu bangan pada doman hmpunan fuzz tersebut. Sehngga jka dberkan suatu hmpunan fuzz daam range tertentu, maka harus damb suatu na crps tertentu sebaga output. Berkut defns defuzzfer rata-rata pusat, Defns defuzzfer rata-rata pusat.5 Wang, 997:0 Jka merupakan pusat dar hmpunan fuzz ke-, dan w adaah tngg, maka defuzzfer rata- rata pusat dnatakan sebaga M M w w 7. Pemodean Sstem Fuzz An n B.0 Proses sstem fuzz atu dar nput ang berupa data rea dubah menjad fuzzfer menjad na fuzz, d daam mesn nferens fuzz doah dengan aturan dasar fuzz kemudan dtegaskan kemba dengan defuzzfer tahap defuzfkas menjad na tegas output. Berkut bagan dar sstem fuzz Aturan bass Samar Fuzzfer Hmpunan Samar d U Mesn Infeens Samar Hmpunan Samar d V Defuzzfer d V Semnar Nasona Matematka dan Penddkan Matematka Yogakarta, 3 Desember 0 MT 6
6 PROSIDING ISBN : Gambar.. Susunan Sstem Fuzzfer dan Defuzzer 8. Langkah-angkah Tabe Look-Up Scheme a. Daerah hmpunan fuzz ddefnskan untuk setap varabe nput dan output. b. Aturan fuzz dbangun dar setap pasangan nput dan output. c. Derajat keanggotaan dhtung dar setap aturan fuzz ang terbentuk. d. Bass aturan fuzz dseeks. e. Sstem fuzz dbuat dengan menggunakan aturan bass fuzz ang terbentuk. 9. Metode Arma Metode ARIMA penus gunakan untuk membandngkan dengan metode tabe ook-up scheme kemudan dar metode tersebut dbandngkan dengan has predksna. Arma merupakan suatu metode ang menghaskan ramaan-ramaan berdasarkan sstess dar poa data secara hstors Arsad, 995. Arma n mengabakan varabe ndependen karena mode n sekarang dan na-na ampau dar varabe dependen untuk menghaskan peramaan. Langkah-angkah penerapan metode ARIMA secara berturut-turut adaah: a. Spesfkas atau denttas mode, b. Pendugaan parameter mode c. Dagnostc checkng, dan d. Peramaan. C. Has dan Pembahasan Data ang dsajkan adaah data IHSG dan faktor-faktorna dengan jumah 6. Data dbag menjad dua atu data tranng 0 dan data testng 6.. Menggunakan Tabe ook-up Scheme Langkah-angkah daam penerapan mode fuzz dengan metode tabe ook-up scheme adaah sebaga berkut Langkah pertama, mendefnskan hmpunan fuzz untuk varabe-varabe nput dan varabe output. Data IHSG ddefnskan pada [300, 3000] dan banakna hmpunan samar adaah 46 hmpunan samar, banakna hmpunan fuzzkurs ang ddefnskan pada [7000, 3000] atu 6 hmpunan samar, banakna hmpunan Semnar Nasona Matematka dan Penddkan Matematka Yogakarta, 3 Desember 0 MT 6
7 PROSIDING ISBN : Semnar Nasona Matematka dan Penddkan Matematka Yogakarta, 3 Desember 0 MT 63 fuzz SBI ang ddefnskan pada nterva [6,8] ada 3 hmpunan samar, banakna hmpunan fuzz JUB ang ddefnskan pada nterva [650,50] ada 8 hmpunan samar, dan banakna hmpunan fuzz Infas ang ddefnskan pada [-0.5, 9.5] ada 3 hmpunan samar. Langkah kedua, aturan fuzz dbangun untuk masng-masng pasang varabe nput-output. Banakna aturan dengan nput IHSG sebeumna, kurs, SBI, nfas, dan JUB adaah 0 aturan. Langkah ketga, menghtung derajat keanggotaan untuk masng-masng aturan fuzz ang terbentuk. Langkah keempat, membuat aturan bass fuzz. Aturan fuzz ang sudah terbentuk dseeks dengan memh derajat keanggotaan terbesar jka terdapat anteseden ang sama. Aturan fuzz ang sudah terseeks terdapat 08 aturan fuzz. Langkah kema, membentuk sstem fuzz. Sstem fuzz dengan fuzzfer sngeton, mesn nferens pergandaan, defuzzfer rata-rata pusat dan fungs keanggotaan Gaussan adaah. ep ep ep ep Sstem fuzz dengan dengan fuzzfer sngeton, mesn nferens mnmum, defuzzfer rata-rata pusat dan fungs keanggotaan Gaussan ep, ep mn ep, ep mn D bawah n adaah tabe kesaahan predks untuk mode fuzz Tabe 3.. Kesaahan Predks Mode fuzz MSE tranng MSE testng MAPE tranng MAPE testng , ,0056% 44,4975% D bawah n merupakan grafk dar pasangan nput-output dar predks IHSG buan Januar 000-Jun 00 menggunakan mode fuzz.
8 PROSIDING ISBN : Gambar 3. Grafk na IHSG aktua dan predks berdasarkan mode fuzz. D bawah n adaah tabe predks IHSG buan berkutna menggunakan mode fuzz. Tabe 3.. Prdks IHSG buan berkutna menggunakan Mode fuzz Buan Predks IHSG Ju Agustus September Oktober November Desember Januar Februar Maret Apr Me Jun Menggunakan Metode ARIMA Langkah pertama ang dakukan adaah mehat kestasoneran data, dengan menggunakan bantuan program Mntab 5 dapat dketahu bahwa 0 data tersebut stasoner atau tdak. Kestasoneran data dapat dhat dar stasoner mean dan varans. Stasoneran daam varans dsedk dengan menggunakan pot Bo-Co. Jka na amdaλ maka data sudah stasoner daam varans. Karena data beum stasoner daam varans maka dakukan transformas dengan formua n Yt menebabkan parameter transformas stasoner daam varans. Stasoner daam mean dhat dar pot ACF dan PACF dar data ang teah dtransformas menunjukkan data beum stasoner daam mean, maka peru dakukan dfferencng. Dfferencng pertama data sudah stasoner. Berdasarkan poa ACF dan PACF menunjukkan adana mode ARIMA,0,0. Berdasarkan dagnostc checkng menunjukkan bahwa tme ag tdak meebh batas sgnfkan artna bahwa tdak Semnar Nasona Matematka dan Penddkan Matematka Yogakarta, 3 Desember 0 MT 64
9 PROSIDING ISBN : terdapat autokoreas pada resdua sehngga ARIMA 0,, aak dgunakan. D bawah n mununjukkan tabe kesaahan predks ARIMA 0,,. Tabe 3.3. Kesaahan Predks Metode ARIMA MSE tranng MSE testng MAPE tranng MAPE testng , ,0056% 44,4975% Berkut n merupakan grafk dar mode ARIMA 0,, dar data tranng dan testng untuk na actua dan ramaan. Gambar 3.5. Pot dar data tranng dan testng untuk na aktua dan ramaan berdasarkan mode ARIMA 0,,. D. Kesmpuan dan Saran Kesmpuan dan saran ang dperoeh dar penetan n adaah: Berdasarkan MSE dan MAPE tranng maupun testng dengan menggunakan mode tabe ook-up scheme dan mode ARIMA maka mode ang terbak untuk mempredks IHSG adaah metode tabe ook-up scheme. Metode tabe ook-up scheme dengan MSE tranng 98,5; MSE testng 96, MAPE tranng 5,5499%, MAPE testng 6,4%, sedangkan metode ARIMA dengan MSE tranng ,6; MSE testng 40309; MAPE tranng 7,0056% dan MAPE testng 44,4975%. Sebaga pembandng, metode Tsukamoto dan metode sugeno dapat dgunakan daam sstem nferens fuzz sean metode mamdan. Jka datana banak, maka fuzz custerng dapat dgunakan untuk mengurang aturan fuzz sehngga modena ebh sederhana. Semnar Nasona Matematka dan Penddkan Matematka Yogakarta, 3 Desember 0 MT 65
10 PROSIDING ISBN : E. Daftar Pustaka Kusumadew, Sr Artfca Inteegence Teknk dan Apkasna. Yogakarta: Graha Imu. Lncon Arsad. 00. Peramaan Bsns. Jakarta:Ghaa Indonesa. Sunarah Pengantar Pengetahuan Pasar Moda. Yogakarta: UPP-AMP YKPN. Usman, Hardus Predks IHSG dengan Mode Grach dan Mode Arma. Jurna Ekonomo dan Pembangunan Indonesa vo VII No.0 ha Wang, L-n A Course n Fuzz Sstems and Contro. New Jerse: Prentce-Ha Internatona, Inc. We, W.S Tme Seres Anass: Unvarate and Mutvarate nd Edton. New Jerse: Pearson Educaton. Semnar Nasona Matematka dan Penddkan Matematka Yogakarta, 3 Desember 0 MT 66
Kata kunci: system fuzzy, inflasi
Pemodean Tngat Infas d Indonesa dengan -- gus aman bad & uhson PEODEL TIGKT IFLSI DI IDOESI DEG EGGUK SISTE FUZZY Oeh: gus aman bad Staf pengajar d FIP Unverstas eger Yogaarta uhson Staf Pengajar Fautas
Lebih terperinciBAB III PENGAMBILAN KEPUTUSAN DISPLACED IDEAL. Inti dari pengambilan keputusan adalah memilih alternatif, tentunya harus
40 BAB III PENGAMBILAN KEPUTUSAN DISPLACED IDEAL 3.1. Pengamban Keputusan Int dar pengamban keputusan adaah memh aternatf, tentunya harus aternatf yang terbak (the best aternatve). Tujuan dar anass keputusan
Lebih terperinci2 i. . Kebolehjadian total n set nilai adalah: y terhadap y dicapai jika faktor
Pencocokan Data. Pencocokan Data ke Gars Lurus Msakan kta mempunya n ttk data ekspermenta (, y ) dan dketahu bahwa hubungan teorts antara dan y adaah hubungan near (persamaan gars urus) dengan persamaan:
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
Lebih terperinciPENERAPAN 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 terperinciSISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS
SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS A8 M. Andy Rudhto 1 1 Program Stud Penddkan Matematka FKIP Unverstas Sanata Dharma Kampus III USD Pangan Maguwoharjo Yogyakarta 1 e-mal: arudhto@yahoo.co.d
Lebih terperinciPenerapan Kendali Logika Fuzzy+Proportional Integral pada Modul Process Control Simulator PCS 327 MK2
Penerapan Kenda Logka Fuzzy+Proportona Integra pada Modu Process Contro Smuator PCS 327 MK2 Wrastawa Rdwan Jurusan Teknk Eektro Unverstas Neger Gorontao ema : r1space@yahoo.com Abstrak. Respon output yang
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB 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 terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciBab 3 Analisis Ralat. x2 x2 x. y=x 1 + x 2 (3.1) 3.1. Menaksir Ralat
Mater Kulah Ekspermen Fska Oleh : Drs. Ishaft, M.S. Program Stud Penddkan Fska Unverstas Ahmad Dahlan, 07 Bab 3 Analss Ralat 3.. Menaksr Ralat Msalna suatu besaran dhtung dar besaran terukur,,..., n. Jka
Lebih terperinciBEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA
BEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA A-3 Dan Aresta Yuwanngsh 1 1 Mahasswa S Matematka UGM dan.aresta17@yahoo.com Abstrak Dberkan R merupakan rng dengan elemen satuan, M R-modul kanan, dan R S End
Lebih terperinciKLASIFIKASI CITRA DENGAN SUPPORT VECTOR MACHINE PADA SISTEM TEMU KEMBALI CITRA
Semnar Nasona Sstem dan Informatka 007; Ba, 6 November 007 SNSI07-036 KLASIFIKASI CITRA DENGAN SUPPORT VECTOR MACHINE PADA SISTEM TEMU KEMBALI CITRA Yen Herden, Agus Buono, Vta Yua Noornawat Departemen
Lebih terperinciKLASTERISASI DATA IRIS MENGGUNAKAN METODE BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
Program Stud MMT-ITS, Surabaya 23 Ju 2011 LASTERISASI DATA IRIS MENGGUNAAN METODE BERBASIS ARTIFICIAL BEE COLONY DAN -HARMONIC MEANS I Made Wdartha, Agus Zana Arfn, Anny Yunart Jurusan Teknk Informatka,
Lebih terperinciPENINGKATAN AKTIVITAS DAN HASIL BELAJAR IPA MELALUI METODE INQUIRY PADA SISWA KELAS IVA SD NEGERI GEDONGKIWO SKRIPSI
PENINGKATAN AKTIVITAS DAN HASIL BELAJAR IPA MELALUI METODE INQUIRY PADA SISWA KELAS IVA SD NEGERI GEDONGKIWO SKRIPSI Dajukan Kepada Fakutas Imu Penddkan Unverstas Neger Yogyakarta Untuk Memenuh Sebagan
Lebih terperinciBILANGAN RAMSEY SISI DARI r ( P, )
Charul Imron dan dy Tr Baskoro, Blangan Ramsey Ss BILANGAN RAMSY SISI DARI r ( P, ) (Ramsey Number from the Sde r ( P, ) ) Charul Imron dan dy Tr Baskoro Jurusan Matemátca, FMIPA ITS Surabaya mron-ts@matematka.ts.ac.d
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciBAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi
BAB III FUNGSI MAYOR DAN MINOR Pada bab n akan dbahas konsep-konsep dasar dar fungs mayor dan fungs mnor dar suatu fungs yang terdefns pada suatu nterval tertutup. Pendefnsan fungs mayor dan mnor tersebut
Lebih terperinciBAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinciPENERAPAN ADAPTIF FUZZY PADA PENGATURAN KECEPATAN MOTOR INDUKSI TIGA FASA
Ratna Ika Putr, Penerapan Adaptf Fuzzy Pada Pengaturan Kecepatan Motor Induks Tga Fasa PENERAPAN ADAPTIF FUZZY PADA PENGATURAN KECEPATAN MOTOR INDUKSI TIGA FASA Ratna Ika Putr Poteknk Neger Maang, J. Veteran
Lebih terperinciBab IV Pemodelan dan Perhitungan Sumberdaya Batubara
Bab IV Pemodelan dan Perhtungan Sumberdaa Batubara IV1 Pemodelan Endapan Batubara Pemodelan endapan batubara merupakan tahapan kegatan dalam evaluas sumberdaa batubara ang bertuuan menggambarkan atau menatakan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciIV. 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 terperinciAPLIKASI LOGIKA FUZZY DALAM MENGOPTIMALKAN PRODUKSI MINYAK KELAPA SAWIT DI PT. WARU KALTIM PLANTATION MENGGUNAKAN METODE MAMDANI
94 Vol. 12, No. 2 September 2017 Jurnal Informatka Mulawarman APLIKASI LOGIKA FUZZY DALAM MENGOPTIMALKAN PRODUKSI MINYAK KELAPA SAWIT DI PT. WARU KALTIM PLANTATION MENGGUNAKAN METODE MAMDANI Akbar Rzky
Lebih terperinciNilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4
Statsta, Vo. 7 No. 2, 65 71 Nopember 27 Na Krts Permutas Esa untu Anova Satu Arah Krusa-Was pada Kasus Banyanya Sampe, = 4 Inne Maran, Yayat Karyana, dan Aceng Komarudn Mutaqn Jurusan Statsta FMIPA Unsba
Lebih terperinciBAB I PENDAHULUAN Latar Belakang. menghimpun dana dari pihak yang kelebihan dana (surplus spending unit) kemudian
Pengaruh Captal Structure terhadap Proftabltas pada Industr Perbankan d Indonesa Mutara Artkel n d-dgtalsas oleh Perpustakaan Fakultas Ekonom-Unverstas Trsakt, 2016. 021-5663232 ext.8335 BAB I PENDAHULUAN
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Matematka dbag menjad beberapa kelompok bdang lmu, antara lan analss, aljabar, dan statstka. Ruang barsan merupakan salah satu bagan yang ada d bdang
Lebih terperinciAnalisis Performansi Perusahaan Syariah di Bursa Efek Indonesia (BEI) Menggunakan Metode Discriminant Analysis dan Support Vector Machine (SVM)
Anass Performans Perusahaan Syarah d Bursa Efek Indonesa (BEI) Menggunakan Metode Dscrmnant Anayss dan Support Vector Machne (SVM) ) Nur Syafrda ) Dr. Muhammad Mashur, MT ) ) Mahasswa Statstka Dosen Pembmbng
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciII. TEORI DASAR. Definisi 1. Transformasi Laplace didefinisikan sebagai
II. TEORI DASAR.1 Transormas Laplace Ogata (1984) mengemukakan bahwa transormas Laplace adalah suatu metode operasonal ang dapat dgunakan untuk menelesakan persamaan derensal lnear. Dengan menggunakan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciSOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN
SOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN Ita Rahmadayan 1, Syamsudhuha 2, Asmara Karma 2 1 Mahasswa Program Stud S1 Matematka
Lebih terperinciKLASIFIKASI KECEPATAN MOTOR ARUS SEARAH (DC) MENGGUNAKAN FUZZY LOGIC
KLASIFIKASI KECEPATAN MOTOR ARUS SEARAH (DC) MENGGUNAKAN FUZZY LOGIC Syamsurjal & Abdul Mus Mapplotteng Jurusan Penddkan Teknk Elektro FT UNM ABSTRAK Tujuan peneltan n untuk mengetahu cara menghtung arus
Lebih terperinciDIMENSI PARTISI GRAF GIR
Jurnal Matematka UNAND Vol. 1 No. 2 Hal. 21 27 ISSN : 2303 2910 c Jurusan Matematka FMIPA UNAND DIMENSI PARTISI GRAF GIR REFINA RIZA Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam,
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB III METODOLOGI PENELITIAN. dalam situs BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal dari dua
BAB III METODOLOGI PENELITIAN 3.1. Ruang Lngkup Peneltan Reksadana yang dgunakan dalam peneltan n adalah reksadana yang terdaftar dalam stus BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciPROSIDING ISSN: M-16 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN
M-6 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN Zulhanf ), I Gede Nyoman Mndra Jaya ),) Departemen Statstka FMIPA UNPAD dzulhanf@yahoo.com, jay.komang@gmal.com Abstrak
Lebih terperinciBab 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 terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciPENENTUAN 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 terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciDekomposisi Nilai Singular dan Aplikasinya
A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciBab 4. ANACOVA Analysis Of Covariance
Bab 4 ANACOVA Analss Of Covarance ANAVA vs ANREG ANAVA?? dgunakan untuk mengu perbandngan varabel tergantung () dtnau dar varabel bebas ANREG?? Dgunakan untuk mempredks varabel tergantung () melalu varabel
Lebih terperinciPenggunaan Sistem Samar Pada Pemodelan Tingkat Inflasi Di Indonesia
Pegguaa Sstem Samar Pada Pemodea Tgkat Ifas D Idoesa Oeh : Nuug Chusu Chotmah ahasswa Program Stud atematka FIP UNY gus ama bad Staf Pegajar Jurusa Peddka atematka FIP UNY uhammad Fauza Staf Pegajar Jurusa
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk
Lebih terperinciAnalysis of Covariance (ANACOVA)
Analss of Covarance ANACOVA Bett Kash Paramtha Ihda Ihsana Gempur Safar Oleh: La Ftran Muhammad Alawdo Erma Aprlana Eka Setanngsh Prof Dr Sr Haratm Kartko Program Stud Statstka FMIPA Unverstas Gadah Mada
Lebih terperinciBAB III HASILKALI TENSOR PADA RUANG VEKTOR. Misalkan V ruang vektor atas lapangan F. Suatu transformasi linear f L ( V, F )
28 BAB III HASILKALI TENSOR PADA RUANG VEKTOR III.1 Ruang Dual Defns III.1.2: Ruang Dual [10] Msalkan V ruang vektor atas lapangan F. Suatu transformas lnear f L ( V, F ) dkatakan fungsonal lnear (atau
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciPELABELAN TOTAL SISI AJAIB SUPER PADA GRAF CORONA-LIKE UNICYCLIC
PELABELAN TOTAL SISI AJAIB SUPER PADA GRAF CORONA-LIKE UNICYCLIC Kurnawan *, Rolan Pane, Asl Srat Mahasswa Program Stud S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciBOOTSTRAP PADA ANALISIS REGRESI LINIER BERGANDA BERDASARKAN PENAKSIR MINIMUM COVARIANCE DETERMINANT
Prosdng Semnar Nasona Sans dan eknoog Nukr PNBR BAAN Bandung, 4 Ju 2013 ema: Pemanfaatan Sans dan eknoog Nukr serta Industr untuk Pemangunan Berkeanjutan BOOSRAP PADA ANALISIS REGRESI LINIER BERGANDA BEASARKAN
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciIII PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan
Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciIMPLEMENTASI INTERPOLASI LAGRANGE UNTUK PREDIKSI NILAI DATA BERPASANGAN DENGAN MENGGUNAKAN MATLAB
Semnar Nasonal Teknolog 007 (SNT 007) ISSN : 1978 9777 Yogakarta, 4 November 007 IMPEMENTASI INTERPOASI AGRANGE UNTUK PREDIKSI NIAI DATA BERPASANGAN DENGAN MENGGUNAKAN MATAB Krsnawat STMIK AMIKOM Yogakarta
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciSUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD
SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
Lebih terperinciKritikan Terhadap Varians Sebagai Alat Ukur
Krtkan Terhadap Varans Sebaga Alat Ukur Varans mengukur penympangan pengembalan aktva d sektar nla yang dharapkan, maka varans mempertmbangkan juga pengembalan d atas atau d bawah nla pengembalan yang
Lebih terperinciMULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari
MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuh Tugas Matakulah Multvarat yang dbmbng oleh Ibu Tranngsh En Lestar oleh Sherly Dw Kharsma 34839 Slva Indrayan 34844 Vvn Octana 34633 UNIVERSITAS
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciBAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk
Lebih terperinciBAB III METODE PENELITIAN. Sebelum melakukan penelitian, langkah yang dilakukan oleh penulis
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum melakukan peneltan, langkah yang dlakukan oleh penuls adalah mengetahu dan menentukan metode yang akan dgunakan dalam peneltan. Sugyono (2006: 1) menyatakan:
Lebih terperinciAnalisis 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 terperinciEndi Permata 1),I Ketut Eddy Purnama 2), Mauridhi Hery Purnomo 3)
Semnar Nasona Teknoog Informas dan Mutmeda 2013 STMIK AMIKOM Yogyakarta, 19 Januar 2013 KLASIFIKASI JENIS DAN FASE PARASIT MALARIA PLASMODIUM FALCIPARUM DAN PLASMODIUM VIVAX DALAM SEL DARAH MERAH MENGGUNAKAN
Lebih terperinciPENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI
PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI Reky Stenly Wndah Dosen Jurusan Teknk Spl Fakultas Teknk Unverstas Sam Ratulang Manado ABSTRAK Pada bangunan tngg,
Lebih terperinciAnalisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :
Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan
Lebih terperinciBAB III OBJEK DAN DESAIN PENELITIAN. Bab ini dibagi menjadi dua bagian, yaitu objek penelitian dan desain penelitian.
BAB III OBJEK DAN DESAIN PENELITIAN Bab n dbag menjad dua bagan, yatu objek peneltan dan desan peneltan. III.1 Objek Peneltan Objek peneltan dalam skrps n adalah nla perusahaan LQ 45 perode 2009-2011.
Lebih terperinciKLASIFIKASI DIATOM MENGGUNAKAN SIGNATURE DAN SUPPORT VECTOR MACHINE
Semnar Nasona Informatka 2012 (semnasif 2012) ISSN: 1979-2328 UPN Veteran Yogyakarta, 30 Jun 2012 KLASIFIKASI DIATOM MENGGUNAKAN SIGNATURE DAN SUPPORT VECTOR MACHINE Nofandr Setyasmara 1,2), Stevanus Hardrstanto
Lebih terperinciHybrid intelligent system adalah kombinasi lebih dari dua teknologi cerdas.
Teny Handhayan Pendahuluan Hybrd ntellgent system adalah kombnas lebh dar dua teknolog cerdas. Contohnya kombnas Neural Network dengan Fuzzy membentuk Neuro-fuzzy system Perbandngan Expert Systems, Fuzzy
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih terperinciBAB III METODE PENELITIAN. problems. Cresswell (2012: 533) beranggapan bahwa dengan
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan kombnas atau mxed methods. Cresswell (2012: 533) A mxed methods research desgn s a procedure for collectng, analyzng and mxng
Lebih terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciMETODE PENELITIAN. digunakan untuk mengetahui bagaimana pengaruh variabel X (celebrity
37 III. METODE PENELITIAN 3.1 Jens dan Sumber Data Jens peneltan yang dgunakan adalah peneltan deskrptf, yang mana dgunakan untuk mengetahu bagamana pengaruh varabel X (celebrty endorser) terhadap varabel
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Bab n akan menjelaskan latar belakang pemlhan metode yang dgunakan untuk mengestmas partspas sekolah. Propns Sumatera Barat dplh sebaga daerah stud peneltan. Setap varabel yang
Lebih terperinciWEIBULL TWO PARAMETER
WEIBULL TWO PARAMETER Dalam teor probabltas dan statstk, dstrbus webull merupakan dstrbus probabltas yang berkelanjutan atau kontnyu. Dgambarkan secara detal oleh Walodd Webull pada tahun 1951 meskpun
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinci