Peramalan Beban Listrik Jangka Pendek Melalui Pendekatan Statistik dan Soft Computing
|
|
- Yulia Iskandar
- 7 tahun lalu
- Tontonan:
Transkripsi
1 KNIA 20 A Peramalan Beban Lstrk Jangka Pendek Melalu Pendekatan Statstk dan Soft Computng Ade Gafar Abdullah, Yad Mulyad, Program Stud eknk Elektro FPK Unverstas Penddkan Indonesa Abstrak Makalah n memaparkan hasl peneltan tentang estmas beban lstrk haran melalu dua pendekatan yatu pendekatan statstk dan pendekatan softcomputng. Pendekatan statstk menggunakan metode movng average dan exponental smoothng, sedangkan pendekatan softcomputng menggunakan algortma feed forward backpropagaton dar arngan syaraf truan. Hasl perhtungan dengan kedua pendekatan tersebut kemudan dbandngkan dengan metode koefsen beban yang selama n dgunakan PLN. Hasl smulas dperoleh bahwa estmas lebh akurat dengan menggunakan pendekatan soft computng. Index erms Estmas beban lstrk haran; statstk; soft computng. I. PENDAHULUAN Operas sstem tenaga lstrk yang modern basanya berhubungan dengan berbaga varas prosedur perencanaan. Perencanaan operas melput metodolog dan proses pengamblan keputusan d mana suatu sstem tenaga lstrk dsusun untuk memenuh beban lstrk dalam arngan yang telah dtetapkan krtera knera tekns serta krtera knera ekonomsnya. Proses perencanaan operas harus dmula dengan proyeks penyaluran beban lstrk masa depan pada nterval waktu tertentu, yatu dengan melakukan peramalan beban (load forecastng). Peramalan beban lstrk dklasfkaskan menad tga bagan yatu peramalan beban angka pendek (short term load forecastng), angka menengah dan angka panang. Setap model peramalan beban menggunakan metode yang berbeda untuk memenuh tuuan spesfknya. Masalah utama dalam perencanaan adalah penentuan kebutuhan beban lstrk dmasa depan, karena energ lstrk tdak dapat dsmpan. Peramalan beban yang benar akan sangat pentng untuk kebutuhan nvestas. Peramalan beban angka pendek menghtung estmas beban lstrk haran untuk setap am (bahkan per setengah am) dan menghtung beban puncak haran. Banyak metode yang dkembangkan untuk melakukan peramalan beban, tetap umumnya menggunakan pendekatan berbaga metode statstk msalnya regres lner, model Bob Jenkns, eksponensal smootng dan Kalman Flter. Metode-metode datas tdak dapat mewakl masalah non-lner yang kompleks. Bahkan P. PLN mash mengadops metode peramalan beban konvensonal yatu dengan pendekatan deret waktu yang dkenal dengan metode koefsen beban. Metode tersebut mash memberkan error predks yang sangat besar ( rentang 8-0%) sehngga dperlukan metode lan untuk memperkecl tngkat error predks tersebut. A. Metode Koefsen Beban II. MEODE PERAMALAN Untuk membuat prakraan beban lstrk angka pendek (beban haran), PLN menggunakan suatu metode yang sudah lama dgunakan yatu metode koefsen beban. Metoda n dgunakan untuk mempredks beban haran dar suatu sstem tenaga lstrk. Beban untuk setap am dber koefsen yang menggambarkan besarnya beban pada am tersebut dalam perbandngannya terhadap beban puncak. Algortma untuk koefsen beban dsusun sebaga berkut :. Menyusun data-data beban masa lalu pada am ke-t pada har ke-, yang selanutnya dsmbolkan. Dmana t adalah waktu per setengah am, maka dan h adalah har Senn sampa dengan Mnggu. 2. Menentukan beban puncak untuk setap beban pada har, untuk har Senn sampa Mnggu. 3. Menentukan koefsen untuk setap am dengan cara membandngkan besarnya beban pada am t, har h dengan beban puncak pada har tersebut. () Dmana : : koefsen beban. : beban pada am t har h, n mnggu sebelumnya, ( n =,2,...) : beban maksmum har h, n mnggu sebelumnya, ( n =,2,...) 4. Menentukan pertumbuhan (β), yang dhtung dengan membandngkan beban pada am t har h dengan beban pada t yang sama dan har yang sama sebelumnya. Dmana : = pertumbuhan beban. 5. Menghtung prakraan beban pada am t har h dengan rumus : (3) Y th = Prakraan beban pada am t har h. Selanutnya dar algortma d atas, karena data beban masa lalu pada stud n dambl 5 mnggu sebelumnya maka model prakraan beban PLN dperoleh sebaga berkut: (2)
2 A2 KNIA 20 (4) B. Movng Average Movng Averages tdak hanya berguna untuk melakukan penghalusan sebuah data deret berkala, metode n merupakan metode dasar yang dgunakan dalam mengukur fluktuas musman (Mason, 999:328). Movng Averages semata-mata hanya memperhalus fluktuas dalam data. Cara n dlakukan dengan menggerakkan nla rata-rata artmetk melalu data deret berkala. Data hstors masa lalu dapat dratakan dalam berbaga cara, antara lan rata-rata bergerak tunggal (sngle movng average) dan rata-rata bergerak ganda (double movng averages). Salah satu cara untuk mengubah pengaruh data masa lalu terhadap nla tengah sebaga ramalan adalah dengan menentukan seak awal berapa umlah nla observas masa lalu yang akan dmasukkan untuk menghtung nla tengah. Setap muncul nla observas baru, nla rata-rata baru dapat dhtung dengan membuang nla observas yang palng tua dan memasukkan nla observas yang terbaru. Secara alabar, rata-rata bergerak dapat dtulskan sebaga berkut. F F (6) Keterangan : : Peramalan untuk perode : Data pada perode ke : Jangka waktu perataan : Peramalan untuk perode Metode sngle movng average n basanya lebh cocok dgunakan untuk melakukan forecast hal-hal yang bersfat random, artnya tdak ada geala trend nak maupun turun, musman, dan sebaganya, melankan sult dketahu polanya. Metode sngle movng average n mempunya 2 sfat khusus yatu. ) Untuk membuat forecast memerlukan data hstors selama angka waktu tertentu. 2) Semakn panang angka waktu movng average akan menghaslkan movng average yang semakn halus. (5) dalam Peramalan (forecastng) karena sederhana, efsen d dalam perhtungan dan perubahan ramalan, mudah dsesuakan dengan perubahan data, dan keteltan metode n cukup besar. Kesalahan ramalan pada perode adalah (7) Jka α adalah kecl tertentu yang dmaksud maka taksran yang baru adalah : (8) Jka =, maka : (9) (0) Model (7) dsebut penghalusan eksponensal sederhana (basc eksponental smoothng) atau penghalusan eksponensal orde pertama (sngle exponental smoothng). S adalah rata-rata tertmbang dar semua pengamatan yang lampau. Hal n dapat dperlhatkan sebaga berkut: () Jka substtus untuk k = 2,3,..., dlanutkan maka akan dperoleh: (2) Dmana S 0 adalah penaksr awal dar a, yang dpaka pada awal proses. S dpaka sebaga penaksr parameter a yang tdak dketahu pada waktu.. Nla predks beban lstrk untuk t waktu atau perode ke depan akan menad: D. ALGORIMA FEED FORWARD BACK PROPAGAION Algortma feed forward backpropagaton merupakan algortma pembelaaran yang terawas dan basanya dgunakan oleh perceptron dengan banyak lapsan untuk mengubah bobot- bobot yang terhubung dengan neuron neuron yang ada pada lapsan tersembunynya. Feed forward backpropagaton menggunakan error output untuk mengubah nla bobot bobotnya dalam arah mundur (backward). Untuk mendapatkan error n, tahap perambatan mau (forward propagaton) harus dkerakan terlebh dahulu. Pada saat perambatan mau, neuron neuron daktfkan dengan menggunakan fungs aktvas yang dapat ddeferensas. Feed forward backpropagaton memlk beberapa unt yang ada dalam satu atau lebh layer tersembuny. Gambar adalah arstektur back propagaton berbass arngan syaraf truan dengan n buah masukan (dtambah sebuah bas), sebuah layar tersembuny yang terdr dar p unt (dtambah sebuah bas), serta m buah unt keluaran. C. Exponental Smoothng Penghalusan eksponensal (exponental smoothng) adalah suatu tpe teknk peramalan rata-rata bergerak yang melakukan penmbangan terhadap data masa lalu dengan cara eksponensal sehngga data palng akhr mempunya bobot atau tmbangan lebh besar dalam rata-rata bergerak. Metode penghalusan eksponensal orde satu (sngle exponental smoothng) sebenarnya merupakan perkembangan dar metode rata-rata bergerak (movng average) sederhana. Metode n dpergunakan secara luas d
3 KNIA 20 A3 Gambar. Arstektur Feed Forward Back Propagaton v merupakan bobot gars dar unt masukan x ke unt layar tersembuny z ( v merupakan bobot gars yang o menghubungkan bas d unt masukan ke unt layer tersembuny z ). w merupakan bobot dar unt layar tersembuny k z ke unt keluaran y ( w merupakan bobot dar bas d layar tersembuny ke unt keluaran z k ) (Jek, 2005:98). Algortma backpropagaton dkerakan dengan langkah-langkah sebaga berkut :. Insalsas bobot (ambl bobot awal dengan nla random yang cukup kecl). 2. etapkan: Maksmum epoh, target error, dan learnng rate (). 3. Insalsas : Epoh = 0, MSE =. 4. Kerakan langkah-langkah berkut selama (Epoh < maksmum Epoh) dan MSE > target error) : Feedforward Backpropagaton 5. Htung MSE (Mean Squared Error). k ko III. HASIL DAN PEMBAHASAN Peramalan beban hanya dbatas untuk mempredks beban lstrk haran mula har senn sampa har mnggu. Selanutnya beban dalam satu har dbag menad 48 yang dsebut beban tap setengah am mula dar tanggal Me 2009 sampa dengan Jun Data beban lstrk yang akan danalss adalah data beban aktual lma mnggu sebelumnya dengan menambah satu mnggu berkutnya sebaga target pembandng. Selanutnya hasl data tersebut akan d predks dengan model koefsen beban, movng average, exponental smoothng dan feed forward backpropagaton dan hasl predks yang dperoleh dar rumusan model tad, akan dbandngkan dengan data beban aktualnya. Pola kegatan konsumen pada setap mnggunya tdak banyak berubah, pola kegatan konsumen akan berulang pada setap mnggunya. Pengulangan n uga akan terad pada pola kurva beban dar mnggu ke mnggu, dmana har yang sama pada suatu mnggu mempunya pola kurva beban yang mrp. Gambar 2. Pola Beban Haran Analss terhadap pola beban haran : Beban puncak selalu terad dsektar am 9.00 yatu pada malam har. In berart bahwa pemakaan tenaga lstrk untuk keperluan penerangan mash lebh banyak dbandngkan pemakaan tenaga lstrk untuk keperluan ndustr. Pada pag har sektar am pag selalu ada kenakan beban sebentar yang kemudan dkut dengan penurunan beban pada sektar am pag. Hal n dsebabkan karena am pag para pemaka tenaga lstrk telah bangun, menyalakan lampu untuk sholat dan melakukan persapan-persapan untuk kera. Setelah matahar terbt kra-kra am lampu-lampu dmatkan dan beban turun. Pada sang har antara am 2.00 dan am 2.30 ada penurunan beban untuk setap harnya, karena pada waktu tersebut perusahaan-perusahaan sedang strahat. Untuk har Mnggu dan har lbur saat teradnya beban terendah n lebh sang, dsebabkan karena kegatan masyarakat yang memerlukan tambahan tenaga lstrk terad lebh sang pada har Mnggu dan lbur dbandngkan pada har-har kera. Untuk har Senn dar gambar 2.2 tampak bahwa nla beban terendah n adalah palng rendah dbandngkan har-har kera lannya, hal n mungkn dsebabkan karena mash adanya pengaruh week end terhadap kegatan pemakaan tenaga lstrk. Beban har Sabtu untuk setap am yang sama adalah lebh rendah darpada untuk har kera lannya. Hal n dsebabkan karena adanya perusahaan yang tdak bekera pada har Sabtu. Beban har Mnggu untuk setap am yang sama adalah lebh rendah darpada beban har kera (termasuk har Sabtu), hal n dsebabkan karena sebagan besar perusahaan tdak bekera untuk har Mnggu. Perbandngan akuras peramalan dengan metode koefsen beban dan eksponental smoothng Hasl peramalan beban lstrk dengan menggunakan metode penghalusan eksponensal (exponental smoothng) telah dhaslkan dmana estmas metode penghalusan eksponensal dengan alpha 0.5 lebh mendekat data aktualnya dbandngkan dengan alpha 0. dan 0.9, namun mash d bawah hasl estmas dengan metode koefsen beban.
4 A4 KNIA 20 Hasl smulas menympulkan bahwa estmas beban lstrk menggunakan metode penghalusan eksponensal dengan alpha 0., 0.5 dan 0.9 memberkan hasl estmas yang kurang akurat dbandngkan dengan metode koefsen beban yang selama n dgunakan PLN. Hal n dapat dsebabkan karena fluktuas data aktualnya tdak relatf stabl sehngga mempengaruh forecast error-nya. Metode n tdak cocok untuk data yang sfatnya fluktuatf. Gambar 3. Grafk Perbandngan Error PLN dan Exponental Smoothng Har Senn 8 Jun 2009 Optmas metode peramalan beban menggunakan algortma feed forward backpropagaton Untuk mendapatkan hasl peramalan beban dengan arngan syaraf truan, maka perlu dlakukan berbaga varabel antara : ens arstektur arngan terutama umlah hdden layer, varas fungs aktvas dan settng learnng rate. abel memperlhatkan hasl optmas varas hdden layer dan fungs aktvas. abel. Varas Hdden Layer dan Fungs Aktfas Jumlah Hdde n Layer Fungs Aktfas Epoc h Rata- Rata Error (MW) 2 Sgmod bner sgmod 307,5237 bner Sgmod bner sgmod 344,522 bpolar Sgmod bpolar sgmod 2302,670 bner Sgmod bpolar sgmod ,7460 bpolar 3 Sgmod bner sgmod 664,5002 bner - sgmod bner Sgmod bner sgmod 5663,4539 bner - sgmod bpolar Sgmod bner sgmod 344,3733 bpolar - sgmod bpolar Sgmod bner sgmod 40,688 bpolar - sgmod bner Sgmod bpolar sgmod 386,5408 bpolar - sgmod bpolar Sgmod bpolar sgmod 439,5547 bpolar - sgmod bner Sgmod bpolar sgmod 503,5447 bner - sgmod bner Sgmod bpolar sgmod bner - sgmod bpolar 3008,5275 Dar hasl optmas maka untuk smulas dgunakan konfguras arstektur dengan 3 hdden layer dengan varas fungs aktvas Sgmod bner sgmod bpolar - sgmod bpolar. Untuk menentukan parameter tranng agar mendekat error palng kecl, dlakukan dengan beberapa percobaan nla learnngrate, yatu antara 0,-2,. Berkut adalah tabel hasl percobaan parameter tranng learnngrate: abel 2. Hasl Percobaan Varas Learnng Rate No Learnng Epoch mse Rata2error Rate (MW) 0, ~ ,3 2 0,2 ~ ,6 3 0,3 ~ ,3 4 0,4 ~ ,88 5 0,5 ~ ,33 6 0,6 ~ ,06 7 0,7 ~ ,63 8 0,8 ~ ,2 9 0,9 ~ ,6 0 ~ ,0, 524 0,9995 2, , ,80,77 3,3 ~ ,0 4,4 ~ ,0 5, ,9995 9,80 Dar tabel d atas, terlhat pada parameter tranng learnng rate,2 menghaslkan rata-rata error palng kecl yatu,77. Berart parameter tranng learnng rate,2 dgunakan seterusnya untuk peramalan beban lstrk haran. Setelah dlakukan optmas varas hdden layer dan parameter learnngrate d atas, maka arstektur arngan backpropagaton yang dbangun adalah sebaga berkut : Input layer terdr dar 6 nputan (sesua dmens nputan yatu 6 x ). Menggunakan 3 unt hdden layer. Hdden layer pertama bers 2 neuron dengan fungs aktfas sgmod bner. Hdden layer kedua bers 0 neuron dengan fungs aktfas sgmod bpolar. Hdden layer ketga bers 5 neuron dengan fungs aktfas sgmod bpolar. Output layer terdr dar neuron dengan fungs aktfas adalah pureln. Parameter tranng yang dngnkan adalah sebaga berkut :
5 KNIA 20 A5 Epoch maksmum adalah 5000 mse yang dharapkan adalah 0,000 Learnng rate yang dgunakan adalah,2 Perbandngan akuras peramalan beban dengan metode koefsen beban, movng average dan algortma feed forward backpropagaton Gambar 4 dan gambar 5 masng-masng memperlhatkan perbandngan pola peramalan beban dan pola perbandngan error untuk masng-masng metode yang dkembangkan. Gambar 4. Perbandngan Peramalan Beban Har Jum at Gambar 5. Contoh perbandngan error peramalan antara koefsen beban, movng average, dan backpropagaton pada Har Jum at Dar smulas dan perhtungan yang telah dlakukan, maka dperoleh beberapa nformas sebaga berkut: Prakraan beban haran dengan metoda koefsen beban menghaslkan rata-rata error secara keseluruhan sebesar 5,96%, prosentase rata-rata error terbesar pada har mnggu yatu 8,29%, sedangkan rata-rata error terkecl pada har um at yatu 4,94%. Prakraan beban haran dengan metoda movng average menghaslkan rata-rata error secara keseluruhan sebesar 0,62%, prosentase rata-rata error terbesar pada har um at yatu,6%, sedangkan rata-rata error terkecl pada har selasa yatu 0,2%. Prakraan beban haran dengan metoda backpropagaton menghaslkan rata-rata error secara keseluruhan sebesar 0,5%, prosentase rata-rata error terbesar pada har selasa yatu 0,67%, sedangkan rata-rata error terkecl pada har um at dan sabtu yatu masng-masng 0,05%. Dengan perbandngan rata-rata error dar Har Senn sampa Mnggu adalah 0,5% untuk backpropagaton dan 0,62%, 5,96% masng-masng untuk movng average dan koefsen beban, maka tampak elas bahwa algortma backpropagaton mempunya kemampuan yang lebh bak dalam mempredkskan beban lstrk haran. IV. KESIMPULAN Hasl smulas peramalan beban membuktkan bahwa pendekatan soft computng memberkan hasl predks yang lebh bak darpada pendekatan statstk. Berbaga optmas pada arstektur arngan syaraf truan memberkan dampak yang sgnfkan terhadap hasl predks. V. DAFAR PUSAKA Ade Gafar Abdullah, Selly Ferane 2005, Aplkas Jarngan Syaraf ruan Untuk Pengembangan Model Predks (Proceedng), Semnar Nasonal Penddkan Matematka, FPMIPA, UPI, Bandung. Ade Gafar Abdullah, 2008, Short erm Load Forecastng (SLF) Melalu Pendekatan Logka Fuzzy (Journal), ELECRANS Vol VII Nomor 4 September G.J. sekouras, P.B.Kotoulas, and C.D. sreks (2008), A pattern regognton methodology for evaluaton of load profles and typcal days of large electrcty customers, Electrc Power System Research 78, pp James W. aylor (2008), An Evaluaton of Methods for Very Short-erm Load Forecastng Usng Mnute-by-Mnute Brtsh Data, Internatonal Journal of Forecastng. Kun-Long Ho, Yuan-Yh Hsu, Chen Cluen Yang (992), Short term load forecastng usng multplayer neural network wth an adaptve learnng algorthm., IEEE rans. On power systems, Vol.7,No.. Kwang Ho Km, Hyoung Sun Youn and Yong Cheol kang (2000), SLF for Specal Days n Anomalous Load Condtons Usng Neural Networks and Fuzzy Inference Method. IEEE ransactons on Power Systems, vol. 5, pp Muhammad Raz Khan dan Ath Abraham (2002) Short erm Load Forecastng Models n Czech Republc Usng Soft Computng Paradgms,Department of Computer Scence, Oklahoma State Unversty, ulsa. Rafal Weron and Adam Msorek (2008), Forecastng Spot Electrcty Prces : A Comparson of Parametrc and Semparametrc me Seres Models, Internatonal Journal of Forecastng. Yad Mulyad, Ade Gafar Abdullah, Dadang Lukman Hakm, 2006, Perbandngan Model Prakraan Beban Lstrk Jangka Pendek Menggunakan Jarngan Syaraf ruan dan Logka Fuzzy (Proceedng), SNPE 2006 UNY Yogyakarta. Yad Mulyad, Ade Gafar Abdullah, Rsman Nuraman, Estmas Beban Puncak Haran Berbass Algortma Self Organzng Map (SOM), Semnar Nasonal Electcal, Informatcs, and It s Educatons 2009, Unverstas Neger Malang, Malang
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 terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
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 terperinciBAB 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 terperinciBAB 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 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 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 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 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 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 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 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 terperinciPERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
Lebih terperinciANALISIS 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 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 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)
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 terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
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 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 terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: madha@stkom.edu 2) S1
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
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 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 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 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 terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciBab 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 terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
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.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciBAB 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 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 terperinciSIMULASI OPTIMASI ALIRAN DAYA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAYA OPERASI
ISSN: 1693-6930 167 SIMULASI OPTIMASI ALIRAN DAA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAA OPERASI Subyanto Teknk Elektro Fakultas Teknk Unverstas Neger Semarang Gedung E6 Lt. Kampus Sekaran
Lebih terperinciPEMILIHAN 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 terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciBAB 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 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 terperinciBAB 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciBAB 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 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 terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciUKURAN LOKASI, VARIASI & BENTUK KURVA
UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya
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 terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
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 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 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciBAB 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 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 terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciBAB 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 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 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 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 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 terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciBAB 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 terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
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 terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciBAB 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 terperinciBAB 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 terperinciEVALUASI 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 terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciBAB 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 terperinciIII. 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 terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
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 terperinciBAB II TINJAUAN PUSTAKA
4 BAB II TINJAUAN PUSTAKA 2.1 Saham Saham merupakan salah satu produk yang dperjualbelkan d pasar modal. Saham dapat ddefnskan sebaga tanda penyertaan atau kepemlkan seseorang atau badan dalam suatu perusahaan
Lebih terperinciBAB III METODE PENELITIAN. menggunakan strategi pembelajaran mind mapping dalam pendekatan
35 BAB III METODE PENELITIAN A. Jens dan Desan Peneltan Jens peneltan n adalah kuas ekspermen. Pada peneltan n terdapat dua kelompok subjek peneltan yatu kelompok ekspermen yang dberkan suatu perlakuan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber
Lebih terperinciKORELASI DAN REGRESI LINIER. Debrina Puspita Andriani /
KORELASI DAN REGRESI LINIER 9 Debrna Puspta Andran www. E-mal : debrna.ub@gmal.com / debrna@ub.ac.d 2 Outlne 3 Perbedaan mendasar antara korelas dan regres? KORELASI Korelas hanya menunjukkan sekedar hubungan.
Lebih terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciIII. 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 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. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciPENELUSURAN KERAGAMAN DALAM BLOK PADA RANCANGAN ACAK KELOMPOK DENGAN INTERGRADIEN. Rita Rahmawati Program Studi Statistika FMIPA UNDIP
PENELUSURAN KERAGAMAN DALAM BLOK PADA RANCANGAN ACAK KELOMPOK DENGAN INTERGRADIEN Rta Rahmawat Program Stud Statstka FMIPA UNDIP Abstrak Dalam Rancangan Acak Kelompok Lengkap (RAKL), asums terpentng adalah
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 II TINJUN PUSTK 2.1 Manaemen Proyek 2.1.1 Pengertan Manaemen Proyek Sebelum mengemukakan apa art dar Manaemen Proyek, terlebh dahulu akan mengetahu art dar Manaemen dan Proyek tu. Menurut Hamng dan Nurnaamuddn
Lebih terperinciPERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES
Semnar Nasonal Aplkas Teknolog Informas 007 (SNATI 007) ISSN: 1907-50 Yogyakarta, 16 Jun 007 PERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES Arna Farza, Afrda Helen, Annsa Rasyd Polteknk Elektronka
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Sampel yang digunakan dalam penelitian ini adalah data pengujian pada
BAB 5 ASIL DAN PEMBAASAN 5. asl Peneltan asl peneltan akan membahas secara lebh lengkap mengena penyajan data peneltan dan analss data. 5.. Penyajan Data Peneltan Sampel yang dgunakan dalam peneltan n
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN. smoothing, dan siklis untuk barang jadi Mie Atom Metode Regresi Linier. Nama barang jadi: Mie Atom.
BAB 4 HASIL DAN PEMBAHASAN 4.1 Penghtungan 4.1.1 Penghtungan Peramalan 4.1.1.1 Peramalan Me Atom Contoh perhtungan peramalan permntaan dengan metode regres lner, regres kuadrats, double movng average,
Lebih terperinciUJI 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 terperinciMETODE 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