MODEL INFERENSI BERBASIS FUZZY NEURAL NETWORK MENGGUNAKAN METODE PEMBELAJARAN DELTA RULE
|
|
- Glenna Sugiarto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 MODE INFEENSI BEBASIS FUZZY NEUA NETWOK MENGGUNAKAN METODE PEMBEAJAAN DETA UE Sr Kusumadw Sr Hartat tantyo Wardoyo Agus Harjoo Jurusan Tn Informata Unvrstas Islam Indonsa Yogyaarta, Faultas MIPA Unvrstas Gadjah Mada Yogyaarta ABSTAK Aplas fuzzy nural ntwor tlah banya daplasan pada bbrapa produ omrsal. Ada bbrapa tp fuzzy nural ntwor, salah satu dantaranya adalah pnggunaan pross pmblajaran jarngan syaraf pada bass pngtahuan yang dbangun dar sumpulan aturan fuzzy. Modl trsbut yang aan dusulan pada pnltan n, dngan tujuan utamanya adalah mlauan pmblajaran trhadap aturan-aturan pada bass pngtahuan yang mnduung Clncal Dcson Support Systm (CDSS. Input dan output jarngan mrupaan blangan fuzzy, sdangan bobotbobot yang brssuaan mnggunaan blangan crsp. Arsttur jarngan mnggunaan lapsan tunggal dngan n nuron pada lapsan nput, nuron pada lapsan output, dan m pola data plathan (m aturan fuzzy. Blangan fuzzy yang dgunaan mrupaan blangan fuzzy trapsum. Konsp hmpunan α-lvl dgunaan untu mlauan dsrtsas trhadap drajat anggotaan ontnyu. Pross pmblajaran dlauan dngan mnggunaan algortma pmblajaran dlta rul. Kata unc: fuzzy nural ntwor, dlta rul, blangan fuzzy Pndahuluan. atar Blaang Pross pmblajaran pada jarngan syaraf truan tlah banya dmbangan, trutama untu pross pmblajaran trtmbng (suprvsd larnng. Konsp pmblajaran trbmbng adalah mlauan plathan trhadap sumpulan pola data plathan yang mrupaan pasangan nput-output untu mndapatan bobot-bobot yang tpat. Bbrapa aplas tlah mnggunaan modl n, ba untu prluan pramalan, pncocoan pola, maupun dagnoss. D ss lan, stud tntang sstm nfrns fuzzy (FIS tlah banya dgunaan pada bbrapa sstm paar. FIS dgunaan untu mlauan nfrns trhadap bass pngtahuan yang dbangun dar sumpulan aturan. FIS mmang sangat coco apabla dgunaan untu prluan nfrns, trutama apabla varabl-varabl yang trat dngan bass pngtahuan mngandung tdapastan. Konds n mnybaban nla dar suatu varabl tda dapat dungapan scara tgas dngan blangan crsp trtntu. Apabla dpunya sumpulan aturan dalam bass pngtahuan yang dsajan dalam bntu aturan fuzzy, pada dasarnya dapat dlauan plathan pada sumpulan aturan IV-7
2 trsbut dngan mnggunaan algortma pmblajaran pada jarngan syaraf. Modl n mrupaan bagan dar onsp fuzzy nural ntwor. Bbrapa aplas tlah mnggunaan fuzzy nural ntwor. Sja tahun 99, fuzzy nural ntwor tlah daplasan untu msn cuc, vacuum clanr, pnana nas, pncuc prng, pmanggang rot, ulas, pas angn, dan fotoop (Taag, 997. NAA mrupaan salah satu produ yang mnggunaan fuzzy nural ntwor yang mampu mngnal aratr tulsan tangan yang dtrma dar msn fasml (Taag, 99. Produ lan yang mnggunaan fuzzy nural ntwor adalah pas angn ltr yang dmbangan olh Sanyo, dngan mnggunaan 3 snsor nfra mrah, pas angn n dapat brubah arah scara otomats trgantung loas pngguna (Taag, 997. Fuzzy nural ntwor juga dgunaan olh Toshba sbaga PID controllr untu mlauan ontrol trhadap udara dan panas pada ndustr ma (Oza, Tujuan Pnltan n brtujuan untu mmbangun modl nfrns brbass fuzzy nural ntwor mnggunaan algortma pmblajaran dlta rul. Sbaga contoh asus, modl n aan daplasan pada bass pngtahuan yang mnduung Clncal Dcson Support Systm (CDSS. Pross nfrns dtujuan untu mlauan dagnoss pnyat. Dasar Tor. Blangan fuzzy trapsum Bntu lngust dapat drprsntasan dngan blangan fuzzy. Salah satu blangan fuzzy yang dapat dgunaan adalah bntu trapsum (Gambar. Blangan fuzzy trapsum, A mml 4 paramtr yatu A (a,b,c,d, dngan a adalah batas bawah, b adalah batas atas, c-d adalah batas pmbntu drajat anggotaan. A µ[x] 0 a b c d x Gambar Blangan fuzzy trapsum. Fungs anggotaan untu blangan fuzzy trapsum adalah: IV-8
3 0; x a atau x d x a ; a x b µ [ x] b a ( ; b x c d x ; c x d d c. prsntas blangan fuzzy dngan hmpunan α-lvl Suatu blangan fuzzy dapat drprsntasan dngan mnggunaan sjumlah blangan trbatas (fnt numbr dar hmpunan α-lvlnya (Uhara dan Fujs, 990. Msalan x adalah varabl fuzzy, dan A adalah blangan fuzzy pada varabl fuzzy x. Dngan mngambl nla M sbaga blangan bulat postf, dbran: j α j ; j, K, M ( M yang mrupaan bagan dar rang [0, ]. αj [ A ] { x A (x α } [ a, a ] j j j (3 ] j dngan [ A α mnunjuan hmpunan α j -lvl dar blangan fuzzy A (Gambar. α M A α j α 0 a j a j x Gambar prsntas blangan fuzzy dngan hmpunan α-lvl..3 Algortma pmblajaran dlta rul. Msalan trdapat jarngan syaraf dngan lapsan tunggal, satu nuron pada lapsan output, dngan vtor nput x,,...n; vtor bobot w,,...,n; targt ouput t; dan output jarngan y. Pasangan nput-output yang aan dlath sbanya m, dngan pasangan nput-output - adalah (x, t ;,...,m;,...,n. Konsp dasar dar algortma pmblajaran dlta rul adalah mngubah bobot w dngan formula: w ( t y x w + η (4 dngan η adalah laju pmblajaran yang brnla antara 0 sampa. Pross prbaan bobot n dlauan scara brulang sampa trcapa masmum poh atau total rror IV-9
4 (slsh antara targt output dan output jarngan yang dprolh sudah urang dar ξ (nla yang sangat cl, mndat nol Algortma dlta rul n, nantnya aan dgunaan untu mndapatan bobot-bobot ahr jarngan dngan nput pola plathan yang brupa blangan-blangan fuzzy dalam bntu ntrval trdsrtsas (fuzzy nural ntwor, buan data-data crsp sprt pada banyaan pmaaan dlta rul. 3 Modl yang Dusulan 3. Gambaran umum Pross nfrns aan dlauan untu mndapatan onlus apabla dbran fturftur (gjala-gjala, tanda-tanda, atau uuran-uuran trtntu brdasaran pngtahuanpngtahuan yang ada pada bass pngtahuan. Pngtahuan drprsntasan dngan mnggunaan aturan yang brbntu IF THEN. Antsdn pada stap aturan brupa prnyataan-prnyataan tntang onds stap ftur, sdangan onsun pada aturan brs atgor pnyat yang trat dngan ftur. Ba antsdn maupun onsun dbran dalam bntu lngust, dan stap bntu lngust drprsntasan dngan mnggunaan blangan fuzzy trapsum. Konds stap ftur pada antsdn dhubungan dngan oprator AND. Konsun yang mrupaan targt output brupa tngat rso trat dngan onds ftur. Aturan - dbran sbaga: : IF x s A and... and x n s A n THEN y s B dngan: x, adalah ftur -,,...,n. A, adalah bntu lngust yang mnyataan onds ftur x pada aturan -,,...,n;,...,m. y adalah atgor pnyat; A, adalah bntu lngust yang mnyataan tngat rso atgor pnyat y pada aturan -,,...,m. Apabla trdapat m aturan, maa aan dpunya m pasangan pola plathan, yatu {(X,B,..., (X m,b m } dngan X (A,..., A n. Slanjutnya, stap blangan fuzzy ba pada antsdn maupun onsun aan drprsntasan dngan mnggunaan hmpunan α-lvl, shngga aan dprolh vrs dsrt dar pasangan nput-output sbaga brut (Fullèr, 995: {( a,a, K,a,a, K, ( a,a, K,a,a, ( b, b, K,b, b } M M dngan sdangan,...,n; j,...,m;...,m. n n a j adalah batas bawah hmpunan α j -lvl varabl - pada aturan -; nm a j adalah batas atas hmpunan α j -lvl varabl - pada aturan -; nm M M IV-0
5 Dngan mnggunaan jarngan syaraf, m pasangan pola n dapat dlath dngan mnggunaan algortma pmblajaran dlta rul untu mndapatan bobot-bobot yang ssua. Msalan dbran 5 aturan (m5 untu mnntuan tngat rso pnyat mnngsts sbaga brut: : IF x s HT and x s HT and x 3 s HT and x 4 s HT and x 5 s HT and x s HT : IF x s K and x s K and x 3 s K and x 4 s K and x 5 s K and x s K 3: IF x s HP and x s HP and x 3 s HP and x 4 s HP and x 5 s HP and x s HP 4: IF x s K and x s HP and x 3 s HP and x 4 s HP and x 5 s HP and x s HP 5: IF x s HT and x s HP and x 3 s HT and x 4 s HT and x 5 s HT and x s HP THEN y s THEN y s C THEN y s T THEN y s T THEN y s T Dngan (n: x nyr drasaan mntap; x nyr drasaan d sluruh pala; x 3 nyr mnjalar sampa lhr; x 4 dmam; x 5 nyr tnggoroan atau nfs prnafasan; x lhr sult dtu; Bntu lngust yang dbran pada stap ftur trlhat pada Gambar 3.a dan Gambar 3.b untu bntu lngust pada onsun. Stap bntu lngust drprsntasan dngan blangan fuzzy trapsum. Bntu-bntu lngust pada antsdn adalah: Hampr Tda (HT (0; 0; 0,5; 0,5; Kadang (K (0,5; 0,5; 0,5; 0,75; Hampr Past (HP (0,5; 0,75; ;. Sdangan bntu-bntu lngust pada onsun adalah: ndah ( (0; 0; 0,5; 0,5; Cuup (C (0,5; 0,5; 0,5; 0,75; Tngg (T (0,5; 0,75; ;. HAMPI TIDAK KADANG HAMPI PASTI ENDAH CUKUP TINGGI µ[x] µ[y] 0 0 0,5 0,50 0,75 x (a 0 0 0,5 0,50 0,75 y (b Gambar 3 Blangan fuzzy trapsum untu (a antsdn dan (b onsun stap aturan. IV-
6 Dngan dman, untu stap aturan dprolh: Aturan - ( : X ((0; 0; 0,5; 0,5; (0; 0; 0,5; 0,5; (0; 0; 0,5; 0,5; (0; 0; 0,5; 0,5; (0; 0; 0,5; 0,5; (0; 0; 0,5; 0,5; B (0; 0; 0,5; 0,5; Aturan - ( : X ((0,5; 0,5; 0,5; 0,75; (0,5; 0,5; 0,5; 0,75; (0,5; 0,5; 0,5; 0,75; (0,5; 0,5; 0,5; 0,75; (0,5; 0,5; 0,5; 0,75; (0,5; 0,5; 0,5; 0,75; B (0,5; 0,5; 0,5; 0,75; Aturan -3 ( 3 : X 3 ((0,5; 0,75; ; ; (0,5; 0,75; ; ; (0,5; 0,75; ; ; (0,5; 0,75; ; ; (0,5; 0,75; ; ; (0,5; 0,75; ; ; B 3 (0,5; 0,75; ; ; Aturan -4 ( 4 : X 4 ((0,5; 0,5; 0,5; 0,75; (0,5; 0,75; ; ; (0,5; 0,75; ; ; (0,5; 0,75; ; ; (0,5; 0,75; ; ; (0,5; 0,75; ; ; B 4 (0,5; 0,75; ; ; Aturan -5 ( 5 : X 5 ((0; 0; 0,5; 0,5; (0,5; 0,75; ; ; (0; 0; 0,5; 0,5; (0; 0; 0,5; 0,5; (0; 0; 0,5; 0,5; (0,5; 0,75; ; ; B 5 (0,5; 0,75; ; ; Apabla dambl nla M3, maa brdasaran prsamaan (, dapat dprolh: 3 α 0; α 0,5; α 3 ; Dngan mnggunaan prsamaan (, dprolh a j 0 untu stap dan j; a 3 j untu stap dan j; 0 untu stap j. Contoh prhtungan yang lannya: a b j 0,5 (0(0,5 0,5 0,5 ; untu stap. a 0,5 (0,5(0,5 0,5 0,375 ; untu stap. a 3 0,5 ((0,5 0,5 0,5; untu stap. b 0,5 (0(0,5 0,5 0,5. IV-
7 b 0,5 (0,5(0,5 0,5 0,375. b 3 0,5 ((0,5 0,5 0,5. a 0,5 + (0(0,5 0,5 0,5; untu stap. a 0,5 + (0,5(0,5 0,5 0,375 ; untu stap. a 3 0,5 + ((0,5 0,5 0,5 ; untu stap. a 0,75 (0(0,5 0,5 0,75 ; untu stap. a 0,75 (0,5(0,5 0,5 0,5; untu stap. a 3 0,75 ((0,5 0,5 0,5 ; untu stap. b 0,5 + (0(0,5 0,5 0,5. b 0,5 + (0,5(0,5 0,5 0,375. b 3 0,5 + ((0,5 0,5 0,5. b 0,75 (0(0,5 0,5 0,75. b 0,75 (0,5(0,5 0,5 0,5. b 3 0,75 ((0,5 0,5 0,5. Shngga dngan cara yang sama dprolh: Aturan -: {((0; 0,5; (0; 0,375; (0; 0,5; ((0; 0,5; (0; 0,375; (0; 0,5; ((0; 0,5; (0; 0,375; (0; 0,5; ((0; 0,5; (0; 0,375; (0; 0,5; ((0; 0,5; (0; 0,375; (0; 0,5; ((0; 0,5; (0; 0,375; (0; 0,5; ((0; 0,5; (0; 0,375; (0; 0,5} Aturan -: {((0,5; 0,75; (0,375; 0,5; (0,5; 0,5; ((0,5; 0,75; (0,375; 0,5; (0,5; 0,5; ((0,5; 0,75; (0,375; 0,5; (0,5; 0,5; ((0,5; 0,75; (0,375; 0,5; (0,5; 0,5; ((0,5; 0,75; (0,375; 0,5; (0,5; 0,5; ((0,5; 0,75; (0,375; 0,5; (0,5; 0,5; ((0,5; 0,75; (0,375; 0,5; (0,5; 0,5}; Aturan -3: {((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; }; Aturan -4: {((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; }; Aturan -5: {((0,5; 0,75; (0,375; 0,5; (0,5; 0,5; ((0,5; ; (0,5; ; (0,75; ; ((0,5; 0,75; (0,375; 0,5; (0,5; 0,5; ((0,5; 0,75; (0,375; 0,5; (0,5; 0,5((0,5; 0,75; (0,375; 0,5; (0,5; 0,5; ((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; }; IV-3
8 3. Arsttur jarngan Sbanya m pasangan pola yang trbntu dar m aturan mrupaan pasangan nputoutput yang duanya brsfat fuzzy. Pasangan-pasangan pola n aan dlath pada jarngan syaraf dngan lapsan tunggal (Gambar 4. A w N y _ n n w A F YF(y_n A n w Gambar 4 Arsttur jarngan. Ada n nuron pada lapsan nput yang aan mnrma snyal nput, A,..., A n ; dan nuron pada lapsan output yang aan mnghaslan output jarngan, Y. Bsarnya pngaruh snyal nput trhadap nuron pada lapsan output dtntuan dngan bobot, w,,...n; yang brnla tgas (crsp. Fungs atvas yang dgunaan adalah fungs sgmod, F (Faustt, 994: F(y _ n y _ n (5 + dngan nla n y _ n w A ( Karna nla X drprsntasan sbaga hmpunan α-lvl, dan tlah dlauan dsrtsas pada pasangan nput-output maa output jarngan pada data plathan - aan brbntu (Fullèr, 995: α Y (7 n n [ ] [ ] α n α F w A F w A (,F [ w A ] ( α Dman pula untu targt output -, B dbran sbaga: α [ B ] [ B ( α,b ( α ] (8 Pada asus yang dbran, ada sbanya nuron pada lapsan nput, yang masngmasng mnunjuan onds ftur yang dbran. Dngan mngambl bobot awal, w 0,0; w 0,0; w 3 0,07; w 3 0,04; w 5 0,05; dan w 0,0; maa untu pola plathan prtama pada α dprolh [Y ] 0 [0,5; 0,53], brasal dar: IV-4
9 F F [ w A ] (0 F( (0,0(0 + (0,0(0 + (0,07(0 + (0,04(0 + (0,05(0 + (0,0( ,5 [ w A ] (0 F( (0,0(0,5 + (0,0(0,5 + (0,07(0,5 + (0,04(0,5 + (0,05(0,5 + (0,0(0,5 + 0,5 0, Mansm pmblajaran Pross pmblajaran trhadap pasangan nput-output dlauan dngan mnggunaan algortma pmblajaran dlta rul. Bsarnya rror antara targt output dngan output jarngan untu stap hmpunan dbran sbaga: ( α ( α + ( α (9 dngan rror pada ss sblah r pada hmpunan α-lvl adalah: ( B ( α Y ( α ( α (0 dan rror pada ss sblah anan pada hmpunan α-lvl adalah: ( B ( α Y ( α ( α ( Total rror yang trjad pada pola plathan - adalah α ( α ( α Prbaan bobot untu pross pmblajaran dngan dlta rul pada pola -, varabl -, mngalam modfas dngan mmprmbangan α j, sbaga brut: w w + ( η( α j ( ( α j ( A j + A j (3 Pada asus yang dbran, apabla dttapan masmum poh 0; η ; dan ξ 0,009, aan dprolh prubahan bobot pada poh prtama data prtama: w w w 3 w 4 w 5 w α 0,000 0,000 0,0700 0,0400 0,0500 0,000 α 0,08 0,038 0,088 0,058 0,08 0,078 α 3 0,049 0,059 0,09 0,079 0,089 0,099 Epoh prtama data dua: IV-5
10 w w w 3 w 4 w 5 w α 0,049 0,059 0,09 0,079 0,089 0,099 α 0,048 0,058 0,08 0,078 0,088 0,098 α 3 0,0485 0,0585 0,085 0,0785 0,0885 0,0985 dan strusnya, shngga dprolh bobot ahr: w 0,4; w 0,809; w 3 0,737; w 4 0,707; w 5 0,77; dan w 0,849. Pross pmblajaran tlah brhnt pada poh -4 pola plathan -5, dngan total rror 4 0, Pngujan Pross pngujan dlauan dngan mmbran nput brupa blangan fuzzy. Stlah dlauan dsrtsas trhadap blangan-blangan fuzzy trsbut, slanjutnya dcar nla output jarngan, [Y] α [Y (α, Y (α] dngan mnggunaan prsamaan (7. Kmudan nla ahr output jarngan Y, dtntuan dngan formula sbaga brut: M ( α j ( Y ( α j + Y ( α j j M Y (4 α j j Msalan dlauan pngujan trhadap pola data yang tga, yatu smua ftur Hampr Past trjad, maa dprolh: X {((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; ; ((0,5; ; (0,5; ; (0,75; } Dngan mntapan M 3 dprolh: α 0; α 0,5; dan α 3. Output jarngan dapat dhtung sbaga: Y Y (0 F F [ w A ] (( 0,5( 0,4 + 0, , , ,77 + 0,849 + (0 F F,05 (0 0,9007 [ w A ] ((( 0,4 + 0, , , ,77 + 0, ,403 (0 0,988 IV-
11 Y Y Y Y (0,5 F F [ w A ] (( 0,5( 0,4 + 0, , , ,77 + 0,849 + (0,5 F F,754 (0,5 0,9403 [ w A ] ((( 0,4 + 0, , , ,77 + 0,849 + ( F F 4,403 [ w A ] 0,988 (0,5 (( 0,75( 0,4 + 0, , , ,77 + 0,849 + ( F F 3,3077 [ w A ] ( 0,947 ((( 0,4 + 0, , , ,77 + 0, ,403 Nla output jarngan: ( 0,988 ( 0, ,988 + (0,5( 0, ,988 + ( ( 0, ,988 (( 0 + 0,5 + (0 Y 0,973 Nla Y n trlta pada rang [0,5; ] yang brart bahwa tngat rso Mnngts trmasu Tngg (ssua dngan pola data plathan tga. Bbrapa contoh pngujan yang lan trlhat pada Tabl. Tabl Bbrapa contoh pngujan. No Input Output x x x 3 x 4 x 5 x Y so HT HT HT HT HT K 0,704 T K K K K HP HP 0,9379 T 3 K HT HT K K K 0,7943 T IV-7
12 Pada Tabl, sbaga contoh, untu data pngujan prtama, nyr drasaan mntap hampr tda ada (HT, nyr drasaan d sluruh pala hampr tda ada (HT, nyr mnjalar sampa lhr hampr tda ada (HT, dmam hampr tda ada (HT, nyr tnggoroan atau nfs prnafasan hampr tda ada (HT, dan ada sdt sultan mnu lhr (K, maa rso mnngts adalah 0, Smpulan Brdasaran uraan d atas dapat dsmpulan:. pross pmblajaran jarngan syaraf pada bass pngtahuan yang brs aturanaturan fuzzy mmbran tngat obytvtas yang lbh tngg ja dbandngan dngan FIS basa, mngngat pross pmblajaran n aan mnghaslan bobot-bobot yang tpat ssua dngan pola data plathan yang dbran.. salah satu lmahan dar modl n adalah adanya pross dsrtsas yang bsa mmcu prtumbuhan rror, sman sdt pndsrtan (sman cl nla M, brabat bsarnya rntang rror antara output jarngan dngan targt yang dharapan. Pustaa [] Faustt, aurnc Fundamntals of Nural Ntwors (Archtcturs, Algorthms, and Applcatons. Nw Jrsy: Prntc-Hall. [] Fullèr, obrt Nural Fuzzy Systms. Åbo. basclab/fuzzy/fuzzy_boo.pdf. [3] Oza, T covrng Bolr Control at A Pulp Factory dalam: Taag, Hdyu Introducton to Fuzzy Systms, Nural Ntwors, and Gntc Algorthms dalam: uan, Da. Intllgnt Hybrd Systms: Fuzzy ogc, Nural Ntwors, and Gntc Algorthms. Massachustts: Kluwr Acadmc Publshrs. [4] uan, Da Intllgnt Hybrd Systms: Fuzzy ogc, Nural Ntwors, and Gntc Algorthms. Massachustts: Kluwr Acadmc Publshrs. [5] Taag, H; Suzu, N; Kouda, T; dan Kojma, Y. 99. Nural Ntwor Dsgnd on Aproxmat asonng Archtctur dalam Taag, Hdyu Introducton to Fuzzy Systms, Nural Ntwors, and Gntc Algorthms dalam: uan, Da. Intllgnt Hybrd Systms: Fuzzy ogc, Nural Ntwors, and Gntc Algorthms. Massachustts: Kluwr Acadmc Publshrs. [] Taag, Hdyu Introducton to Fuzzy Systms, Nural Ntwors, and Gntc Algorthms dalam: uan, Da. Intllgnt Hybrd Systms: Fuzzy ogc, Nural Ntwors, and Gntc Algorthms. Massachustts: Kluwr Acadmc Publshrs. [7] Uhara, K; dan Fujs, M arnng of fuzzy nfrnc crtra wth artfcal Nural Ntwor dalam: Fullèr, obrt Nural Fuzzy Systms. Åbo. basclab/fuzzy/fuzzy_boo.pdf. IV-8
13 [8] IV-9
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Blakang Mnmum spannng tr (MST) mrupakan sbuah prmasalahan dalam suatu graph yang mana banyak aplkasnya bak scara langsung maupun tdak langsung yang tlah dplajar. Salah satu
Lebih terperinciBAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini.
BAB II TINJAUAN PUSTAKA Pada bagan n akan dbrkan konsp dasar graf dan blangan kromatk lokas pada suatu graf sbaga landasan tor pada pnltan n 21 Konsp Dasar Graf Bbrapa konsp dasar yang dgunakan dalam pnltan
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciHubungan antara K dengan koefisien fugasitas:
Hubungan antara K dngan kofsn fugastas: fˆ f K Kadaan standar untuk gas adalah gas murn pada kadaan gas dal pada tkanan kadaan standar sbsar 1 bar. (1) Karna fugastas gas dal sama dngan tkanannya, f =
Lebih terperinciBAB VI METODE BELAJAR WIDROW-HOFF
BAB VI METODE BELAJAR WIDROW-HOFF - Aturan laar LMS Last Man Squars lh ftf dar aturan laar rstron. - Aturan laar LMS atau Wdro-Hoff mmnmsasan man squar rror, shngga mnggsr atasan utusan sauh yang sa dlauan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1 Data Katgor Data statst yang dprhatan dalam stap analss atau pnltan pada umumnya mmuat banya varabl numr maupun varabl atgor Shngga analss data uga dapat dlauan dngan mmaa dua macam
Lebih terperinciUJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan
UJI CHI KUADRAT (χ²) 1. Pndahuluan Uj Ch Kuadrat adalah pngujan hpotss mngna prbandngan antara : frkuns obsrvas/yg bnar-bnar trjad/aktual dngan frkuns harapan/kspktas 1.1. Pngrtan Frkuns Obsrvas dan Frkuns
Lebih terperinciBAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM
BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM 4.1 Pndahuluan Ktga prtdaksamaan yang tlah dbahas sblumnya akan daplkaskan dalam suatu stud kasus mngna nla AVL (avalablty ntwork) dar sambungan langsung jarak
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)
ISBN : 978.60.36.00.0 ESIMASI PARAMEER MODEL GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION (GWOLR) Sylf, Vta Ratnasar Mahasswa Jurusan Statstka Insttut knolog Spuluh Nopmbr (IS), Dosn Jurusan Statstka
Lebih terperinciKAJIAN ANALISIS REGRESI DENGAN DATA PANEL
Prosdng Smnar Nasonal Pnlan, Pnddan dan Pnrapan MIPA Faultas MIPA, Unvrsas Ngr ogyaarta, 16 M 009 AJIAN ANALISIS REGRESI DENGAN DATA PANEL I Gd Nyoman Mndra Jaya Nnng Sunngsh Staf Pngajar Jurusan Statsta
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciUJI KESELARASAN FUNGSI (GOODNESS-OF-FIT TEST)
UJI CHI KUADRAT PENDAHULUAN Distribusi chi kuadrat mrupakan mtod pngujian hipotsa trhadap prbdaan lbih dari proporsi. Contoh: manajr pmasaran suatu prusahaan ingin mngtahui apakah prbdaan proporsi pnjualan
Lebih terperinci1. Proses Normalisasi
BAB IV PEMBAHASAN A. Pr-Procssing Pross pngolahan signal PCG sblum dilakukan kstaksi dan klasifikasi adalah pr-procssing. Signal PCG untuk data training dan data tsting trdapat dalam lampiran 5 (halaman
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 3 Proses penentuan perilaku api.
6 yang diharapkan. Msin infrnsi disusun brdasarkan stratgi pnalaran yang akan digunakan dalam sistm dan rprsntasi pngtahuan. Msin infrnsi yang digunakan dalam pngmbangan sistm pakar ini adalah FIS. Implmntasi
Lebih terperinciAplikasi Integral. Panjang sebuah kurva w(y) sepanjang selang dapat ditemukan menggunakan persamaan
Aplikasi Intgral Intgral dapat diaplikasikan k dalam banyak hal. Dari yang sdrhana, hingga aplikasi prhitungan yang sangat komplks. Brikut mrupakan aplikasi-aplikasi intgral yang tlah diklompokkan dalam
Lebih terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
Lebih terperinciPENERAPAN PEMODELAN DAN METODE KURVA REAKSI PROSES UNTUK MENGIDENTIFIKASI SISTEM DURESS
30 ISSN 06-38 Yoyok Dw Styo Pambud PENERAPAN PEMODELAN DAN METODE KURVA REAKSI PROSES UNTUK MENGIDENTIFIKASI SISTEM DURESS Yoyok Dw Styo Pambud Pusat Tknolog Raktor dan Kslamatan Nuklr, BATAN Gd. 80 Kawasan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN. Solusi Numri Modl H-R dngan RKF Modl H-R ang trbntu dari tiga prsamaan diffrnsial ord satu ang saling brhubungan atau tropl. Prsamaan trsbut brsifat autonomous ang brarti brdiri
Lebih terperinciEFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV
Jurnal Matmatka Vol. 9, No.3, Dsmbr 2006:207-214 EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV Supand Jurusan Tknk Informatka Unvrstas AKI Jl. Pmuda 95-97 Smarang h_supand@yahoo.co.uk Abstract.
Lebih terperinciPENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA IST AKPRIND YOGYAKARTA
E-ISSN 57-9378 Jurnal Statsta Industr dan Komutas Volum, No., Januar 07,. 04-4 PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Data penelitian diperoleh dari siswa kelas XII Jurusan Teknik Elektronika
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. DESKRIPSI DATA Data pnlitian diprolh dari siswa klas XII Jurusan Tknik Elktronika Industri SMK Ma arif 1 kbumn. Data variabl pngalaman praktik industri, kmandirian
Lebih terperinciBAB IV FUNGSI KOMPLEKS
47 BAB IV FUNGSI KOMPLEKS 4.. BILANGAN KOMPLEKS. 4... Notas Blangan Komplks Brmacam - macam notas dar blangan komplks pada mulanya ddfnskan sbaga pasangan blangan rl, msal (, y ), namun scara umum notas
Lebih terperinciADAPTIF NEUROFUZZY INFERENCE SYSTEM UNTUK PENGUKURAN ph
ADAPTIF EUROFUZZ IFERECE SSTEM UTUK PEGUKURA ph Totok R. Byanto Tknk Fska FTI, ITS Surabaya Kampus ITS Surabaya, Sukollo Surabaya Tlp: 597 Fax: 590 Emal: trb@p.ts.ac.d ABSTRAK: Srng dngan mnngkatnya kbutuhan
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciFIXED EFFECT MODEL PADA REGRESI DATA PANEL
ta p-iss: 085-5893 -ISS: 54-0458 Vol. 3 o. opmbr 00, Hal. 34-45 ta 00 DOI: http://dx.do.org/0.044/btajtm.v9.7 FIED EFFECT MODEL PADA REGRESI DATA PAEL Alfra Mula Astut Abstrak: Pngamatan trhadap prlakuan
Lebih terperinciIMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN
E-Jurnal Matemata Vol. 5 (4), November 2016, pp. 126-132 ISSN: 2303-1751 IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN I Made Dw Udayana Putra 1, G. K. Gandhad
Lebih terperinciBAB I METODE NUMERIK SECARA UMUM
BAB I METODE NUMERIK SECARA UMUM Aplikasi modl matmatika banyak muncul dalam brbagai disiplin ilmu pngtahuan, sprti isika, kimia, konomi, prsoalan rkayasa (tknik msin, sipil, lktro). Modl matmatika yang
Lebih terperinciDebuging Program dengan EasyCase
Modul asyc 1 Dbuging Program dngan EasyCas Di susun Olh : Di dukung olh : Portal dukasi Indonsia Opn Knowlodg and Education http://ok.or.id Modul asyc 2 KATA PENGANTAR Puji syukur kpada guru sjatiku Gusti
Lebih terperinciMuatan Bergerak. Muatan hidup yang bergerak dari satu ujung ke ujung lain pada suatu
Muatan rgrak Muatan hidup yang brgrak dari satu ujung k ujung lain pada suatu konstruksik disbut bb bban brgrak Sbuah kndaraan mlalui suatu jmbatan, maka akan timbul prubahanbh nilai i raksi kimaupun gaya
Lebih terperinciLOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS
Analss Ssaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS KOMPETENSI Stlah mmplajar topk n, mahasswa dharapkan dapat : mnjlaskan dfns ssaan dan nformasnformas yang dapat dprolh dar ssaan mnghtung nla
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 terperinciMETODE ELEMEN HINGGA UNTUK MASALAH SYARAT BATAS DARI OPERATOR DIFERENSIAL POSITIF. Sutrima Jurusan matematika FMIPA UNS. Abstract
JRNAL MATEMATIKA DAN KOMPTER Vol. 5. No., 4-4, Aprl, ISSN : 4-858 METODE ELEMEN INGGA NTK MASALA SARAT BATAS DARI OPERATOR DIFERENSIAL POSITIF Sutrma Jurusan matmatka FMIPA NS Abstract Th purpos of ths
Lebih terperinciII. BILANGAN KOMPLEKS. Untuk mencari nilai kuadrat menggunakan persamaan
II. BILANGAN KOMPLEKS. Pndahuluan Sstm blangan komplks pada dasarna mrupakan prluasan dar sstm blangan rl. Sstm blangan n dprknalkan untuk mmcahkan sstm-sstm prsamaan aljabar ang tdak mmpuna jawaban dalam
Lebih terperinciBAB 2 SISTEM MAKRO DAN MIKRO
BAB 2 SISTEM MAKRO DAN MIKRO Sstm yang akan d bahas dalam skrps n adalah sstm frmon yang mngkut kadah ksklus Paul, mrupakan partkl dntk dan mmlk sfat-sfat yang brbda jka d bandngkan dngan sstm boson. Olh
Lebih terperinciII. PERANAN STATISTIK DALAM ANALISIS PERCOBAAN
II. PERANAN TATITIK DALAM ANALII PERCOBAAN Hal-hal yang prl dplajar. 1. baran Normal dan sbaran t- stdnt. Mmbandngan da harga rata-rata sampl. a. Prbandngan da harga rata-rata sampl tda brpasangan npard
Lebih terperinciKontrol Trakcing Laras Meriam 57mm dengan Menggunakan Hybrid Kontrol Logika Fuzzy - PID
129 Kontrol Trakcing Laras Mriam 57mm dngan Mnggunakan Hybrid Kontrol Logika Fuzzy - PID Jki Saputra, M. Aziz Muslim, dan Rini Nur Hasanah Abstrak Laras mriam adalah salah satu bagian bsar dari kontruksi
Lebih terperinciAnalisis Variansi Multivariat
Analss Varans Multvarat Muammad Rdwan Ram - 80909 Program Stud Sstm Tknolog Informas Skola Tknk Elktro Informatka Insttut Tknolog Bandung, Jl. Gansa 0 Bandung 403, Indonsa m.rdwan.ram@gmal.com Abstrak
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciBAB II TINJAUAN PUSTAKA. penurunan akan permintaan pergerakan transportasi. [ 11]
BAB II TINJAUAN PUSTAKA II.1 Umum Tngkat playanan suatu jarngan jalan tntukan olh waktu prjalanan, baya prjalanan (tarf an bahan bakar), knyamanan, an kamanan pnumpang. Jka trja pnurunan tngkat playanan
Lebih terperinciPertemuan XIV, XV VII. Garis Pengaruh
ahan jar Statika ulyati, ST., T rtmuan X, X. Garis ngaruh. ndahuluan danya muatan hidup yang brgrak dari satu ujung k ujung lain pada suatu konstruksi disbut bban brgrak. isalkan ada sbuah kndaraan mlalui
Lebih terperinciBAB V DISTRIBUSI PROBABILITAS DISKRIT
BAB V DISTRIBUSI ROBABILITAS DISKRIT 5.. Distribusi Uniform Disrit Bila variabl aca X mmilii nilai,,... dngan probabilitas yang sama, maa distribusi uniform disrit dinyataan sbagai: f (, ) ;,,... paramtr
Lebih terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih terperinciKOMPUTASI DAN DINAMIKA FLUIDA
KOMPUTASI DAN DINAMIKA FLUIDA TUGAS Olh RIRIN SISPIYATI NIM : 006003 Program Studi Matmatia INSTITUT TEKNOLOGI BANDUNG 009 Ercis 40 Ta as initial spctrum a bloc function nonzro for ½. Animat th initial
Lebih terperinciPemodelan Faktor-faktor yang Mempengaruhi Prestasi Mahasiswa Pasca Sarjana ITS dengan Regresi Logistik dan Neural Network
JURNAL SAINS DAN SENI ITS Vol., No., (Spt. 202) ISSN: 230-928X D-36 Pmodlan Faktor-faktor yang Mmpngaruhi Prstasi Mahasiswa Pasca Sarjana ITS dngan Rgrsi Logistik dan Nural Ntwork Wijdani Anindya Hadi
Lebih terperinciESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN
ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN A. Nna Rosana Chytrasar 1), Sr Haryatm 2), Danardono 3) 1) Mahasswa Jur. Matmatka FMIPA UGM
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 terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciANALISIS PENGARUH PERUBAHAN KEMIRINGAN SUDUT PANCAR ANTENA SEKTORAL TERHADAP KUALITAS LAYANAN JARINGAN SISTEM KOMUNIKASI BERGERAK SELULER
ANALII PENGARUH PERUBAHAN KEMIRINGAN UDUT PANCAR ANTENA EKTORAL TERHADAP KUALITA LAYANAN JARINGAN ITEM KOMUNIKAI BERGERAK ELULER Moch Qadarfi Program tudi Tni Eltro Jurusan Tni Eltro Faultas Tni Univrsitas
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 terperinciII. LANDASAN TEORI. digunakan sebagai landasan teori pada penelitian ini. Teori dasar mengenai graf
II. LANDASAN TEORI 2.1 Konsp Dasar Graf Pada bagian ini akan dibrikan konsp dasar graf dan dimnsi partisi graf yang digunakan sbagai landasan tori pada pnlitian ini. Tori dasar mngnai graf yang akan digunakan
Lebih terperinciBAB IV TAKSIRAN MAKSIMUM LIKELIHOOD FUNGSI INTENSITAS POISSON NONHOMOGEN. fungsi intensitas proses Poisson nonhomogen, yaitu secara teoritis dan studi
BAB IV AKSIRA MAKSIMUM LIKELIHOOD FUGSI IESIAS POISSO OHOMOGE 4 Pndahuluan Brku n, akan dbahas nang dua pndkaan unuk mndapakan aksran fungs nnsas pross Posson nonhomogn, yau scara ors dan sud kasus Pada
Lebih terperinciAnalisis Sensitivitas
Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,
Lebih terperinciPada gambar 2 merupakan luasan bidang dua dimensi telah mengalami regangan. Salah satu titik yang menjadi titik acuan adalah titik P.
nurunan Kcpatan Glombang dan Glombang S Glombang sismik mrupakan gtaran yang mrambat pada mdium batuan dan mnmbus lapisan bumi. njalaran mnybabkan dformasi batuan.strss atau tkanan didfinisikan gaya prsatuan
Lebih terperinciPENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta
PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1 Ksmantn Jurusan Pnddkan Matmatka FMIPA Unvrstas Ngr Yogakarta Abstrak Pnduga rsko rlat mrupakan statstk ang dgunakan untuk mngtahu sbaran suatu pnakt.
Lebih terperinciOleh : Bustanul Arifin K BAB IV HASIL PENELITIAN. Nama N Mean Std. Deviation Minimum Maximum X ,97 3,
Kpdulian trhadap sanitasi lingkungan diprdiksi dari tingkat pndidikan ibu dan pndapatan kluarga pada kluarga sjahtra I klurahan Krtn kcamatan Lawyan kota Surakarta Olh : Bustanul Arifin K.39817 BAB IV
Lebih terperinciPEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE
PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE Bn Haryat dan Sutkno Jurusan Statstka, Fakultas Matmatka
Lebih terperinciAnalisis Rangkaian Listrik
Sudaryatno Sudirham Analisis Rangkaian Listrik Mnggunakan Transformasi Fourir - Sudaryatno Sudirham, Analisis Rangkaian Listrik (4) BAB Analisis Rangkaian Mnggunakan Transformasi Fourir Dngan pmbahasan
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciIntegral Fungsi Eksponen, Fungsi Trigonometri, Fungsi Logaritma
Modul Intgral Fungsi Eksponn, Fungsi Trigonomtri, Fungsi Logaritma Dr. Subanar D PENDAHULUAN alam mata kuliah Kalkulus I Anda tlah mngnal bahwa intgrasi adalah pross balikan dari difrnsiasi. Jadi untuk
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 terperinciKARAKTERISASI ELEMEN IDEMPOTEN CENTRAL
Jurnal Barkng Vol 5 No Hal 33 39 (0) KAAKTEISASI ELEMEN IDEMPOTEN CENTAL HENY W M PATTY, ELVINUS ICHAD PESULESSY, UDI WOLTE MATAKUPAN 3,,3 Staf Jurusan Matmatika FMIPA UNPATTI Jl Ir M Putuhna, Kampus Unpatti,
Lebih terperinciMODUL PERKULIAHAN REKAYASA FONDASI 1. Penurunan Tanah pada Fondasi Dangkal. Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh
MODUL PERKULIAHAN REKAYASA FONDASI 1 Pnurunan Tanah pada Fondasi Dangkal Fakultas Program Studi Tatap Muka Kod MK Disusun Olh Tknik Prnanaan Tknik A41117AB dan Dsain Sipil 9 Abstrat Modul ini brisi bbrapa
Lebih terperinciSIMULASI DESAIN COOLING SYSTEM DAN RUNNER SYSTEM UNTUK OPTIMASI KUALITAS PRODUK TOP CASE
SIMULASI DESAIN COOLING SYSTEM DAN RUNNER SYSTEM UNTUK OPTIMASI KUALITAS PRODUK TOP CASE Fabio Dwi Bagus Irawan 1,a, Cahyo Budiyantoro 1,b, Thoharudin 1,c 1 Program Studi Tknik Msin, Fakultas Tknik, Univrsitas
Lebih terperinciIV. Konsolidasi. Pertemuan VII
Prtmuan VII IV. Konsolidasi IV. Pndahuluan. Konsolidasi adalah pross brkurangnya volum atau brkurangnya rongga pori dari tanah jnuh brpmabilitas rndah akibat pmbbanan. Pross ini trjadi jika tanah jnuh
Lebih terperinciPROFIL DATA PENGOBATAN DALAM USADA TENUNG TANYALARA
PROFIL DATA PENGOBATAN DALAM USADA TENUNG TANYALARA Wahyuni, N.N.S 1, Warditiani, N.K. 1, Lliqia, N.P.E. 1 1 Jurusan Farmasi Fakultas Matmatika Dan Ilmu Pngtahuan Alam Univrsitas Udayana Korspondnsi: Ni
Lebih terperinciJurnal Inovasi Pembelajaran Fisika (INPAFI)
Jurnal Inovas Pmblajaran Fska (INPAFI) Avalabl onln http://jurnal.unmd.ac.d/01/ndx.php/npaf -ssn 59-5, p-ssn 337-6 IMPLEMENTASI PEDAGOGICAL CONTENT KNOWLEDGE (PCK) DALAM PEMBELAJARAN SAINTIFIK UNTUK MENINGKATKAN
Lebih terperinciMetode Elemen Hingga dan Elemen Batas untuk Antena Celah pada Pemandu Gelombang
JTETI, Vol. 4, o., M 5 Mto Elmn ngga an Elmn Batas untu ntna Clah paa Pmanu Glombang Iswan bstract In th hghr frqunc rang, th wall-thcnss causs mor ffcts to th charactrstc of slott wavgu antnna. Ths papr
Lebih terperinciPENGEMBANGAN TES ILMU PENGETAHUAN ALAM TERKOMPUTERISASI
Volum 21, No 2, Dcmbr 2017 (153-161) Onln: http://journal.uny.ac.d/ndx.php/jpp PENGEMBANGAN TES ILMU PENGETAHUAN ALAM TERKOMPUTERISASI Unvrstas Vtran Bangun Nusantara Sukoharjo suwartowarto@yahoo.com,
Lebih terperinciINTERFERENSI DAN DIFRAKSI
ITRFRSI DA DIFRAKSI Mata Kulah: Glombang & Optk Dosn: Andhy Stawan andhystawan DIFRAKSI CLAH TUGGAL DA KISI andhystawan B. Dfaks Dfaks mupan gjala pmblon (pnybaan) glombang kt mnjala mlalu clah smpt atau
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 terperinciImplementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0
Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,
Lebih terperinciAnalisis Dinamis Portal Bertingkat Banyak Multi Bentang Dengan Variasi Tingkat (Storey) Pada Tiap Bentang
Analisis Dinamis Portal Brtingkat Banyak Multi Bntang Dngan Variasi Tingkat (Story) Pada Tiap Bntang Hiryco Manalip Rky Stnly Windah Jams Albrt Kaunang Univrsitas Sam Ratulangi Fakultas Tknik Jurusan Sipil
Lebih terperinciTINJAUAN ULANG EKSPANSI ASIMTOTIK UNTUK MASALAH BOUNDARY LAYER
TINJAUAN ULANG EKSPANSI ASIMTOTIK UNTUK MASALAH BOUNDARY LAYER HannaA Parhusip Cntr of Applid Mathmatics Program Studi Matmatika Industri dan Statistika Fakultas Sains dan Matmatika Univrsitas Kristn Sata
Lebih terperinciBAB II TEORI DASAR 2.1 Pengertian Pasang Surut
BAB II TEORI DASAR 2.1 Pngrtian Pasang Surut Pasang surut air laut (pasut) adalah pristiwa naik turunnya muka air scara priodik dngan rata-rata priodnya 12,4 jam (di bbrapa tmpat 24,8 jam) (Pond dan Pickard,
Lebih terperinciPerbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield
Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya
Lebih terperinciPENGGUNAAN MEDIA MISTAR BILANGAN UNTUK MENINGKATKAN HASIL BELAJAR PENJUMLAHAN BILANGAN BULAT SISWA SEKOLAH DASAR
Pnjumlahan Bilangan Bulat Mnggunaan Mistar Bilangan PENGGUNN MEDI MISTR BILNGN UNTUK MENINGKTKN HSIL BELJR PENJUMLHN BILNGN BULT SISW SEKOLH DSR ndri Nina Styaningsih PGSD FIP Univrsitas Ngri Surabaya
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data
Lebih terperinciAlgoritma AdaBoost. Dalam. Pengklasifikasian. Zulhanif. Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung.
Algorta AdaBoost Dala Pnglasfasan Zulhanf Staf Pngajar Jurusan Statsta FMIPA, Unpad Bandung Eal : dzulhanf@yahoo.co ABSTRAK Mtod AdaBoost rupaan salah satu algorta suprvsd pada data nng yang dtrapaan scara
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciSISTEM JARINGAN SYARAF KABUR SKRIPSI. Diajukan untuk Memenuhi Salah Satu Syarat. Memperoleh Gelar Sarjana Sains. Program Studi Matematika
SISTEM JARINGAN SYARAF KABUR SKRIPSI Dauan untu Memenuh Salah Satu Syarat Memperoleh Gelar Sarana Sans Program Stud Matemata Dsusun oleh: Ssra Mardawat NIM : 0534006 PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA
Lebih terperinciAplikasi BPF (Band Pass Filter) Digital Untuk Pendeteksian Sinyal AFSK (Amplitudo Shift Keying) Pada Piranti RTTY (Radio Tele Type)
TEKNOLOGI DI INDUSTRI (SENIATI) 216 ISSN : 285-4218 Aplkas BPF (Band Pass Fltr) Dgtal Untuk Pndtksan Snyal AFSK (Ampltudo Shft Kyng) Pada Prant RTTY (Rado Tl Typ) Achmad Stawan 1,*, Kusno Suryad 1 1 Tknk
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 terperinciBAB VI MODEL ELEKTRON BEBAS ( GAS FERMI )
A VI MODL LKRON AS GAS RMI MARI 6.1. ltron bbas dalam satu dimnsi. 6.1.1.tingat nrgi 6.1..distribusi rmi-dirac 6.1..nrgi rmi 6.. ltron bbas dalam tiga dimnsi. 6..1.nrgi rmi untu tiga dimnsi. 6...cpatan
Lebih terperinciMODEL PERSEDIAAN DETERMINISTIK DENGAN MEMPERTIMBANGKAN MASA KADALUARSA DAN PENURUNAN HARGA JUAL
ISSN : 407 846 -ISSN : 460 846 MODEL PERSEDIAAN DETERMINISTIK DENGAN MEMPERTIMBANGKAN MASA KADALUARSA DAN PENURUNAN HARGA JUAL Chrish Rikardo *, Taufik Limansyah, Dharma Lsmono Magistr Tknik Industri,
Lebih terperinciPENGEMBANGAN BAHAN AJAR FISIKA BERBASIS MASALAH UNTUK MENUMBUHKAN HIGHER ORDER THINKING SKILL (HOTS) SISWA KELAS X POKOK BAHASAN FLUIDA STATIS
PENGEMBANGAN BAHAN AJAR FISIKA BERBASIS MASALAH UNTUK MENUMBUHKAN HIGHER ORDER THINKING SKILL (HOTS) SISWA KELAS X POKOK BAHASAN FLUIDA STATIS Siti Ainur Rohmah, Sutarman dan Lia Yuliati Jurusan Fisika,
Lebih terperinciOnline Jurnal of Natural Science, Vol.3(1): ISSN: March 2014
Onlin Jurnal of Natural Scinc, ol.3(1): 65-74 ISSN: 338-0950 March 014 PELABELAN TOTAL SISI AJAIB SUPER (TSAS) PADA GABUNGAN GRAF ULAT BULU DAN BIPARTITE LENGKAP I W. Sudarsana 1, Fitria and S. Musdalifah
Lebih terperinciPROSES PEMANENAN DENGAN MODEL LOGISTIK STUDI KASUS PADA PTP. NUSANTARA IX
Prosiding SPMIPA. pp. 3-39, 006 ISBN : 979.704.47.0 PROSES PEMANENAN DENGAN MODEL LOGISTIK STUDI KASUS PADA PTP. NUSANTARA IX Eka Ariani, Agus Rusgiyono Jurusan Matmatika FMIPA Univrsitas Dipongoro Jl.
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. hardware yang digunakan, perangkat lunak, perangkat pembangun dan tools yang
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Lngkungan Implmntas Pada pmbahasan lngkungan mplmntas mlput pmbahasan spsfkas hadwa yang dgunakan, pangkat lunak, pangkat pmbangun dan tools yang dgunakan untuk mmbuat
Lebih terperinciSusunan Antena. Oleh : Eka Setia Nugraha S.T., M.T. Sumber: Nachwan Mufti Adriansyah, S.T., M.T.
Susunan Antna Olh : ka Stia Nugraha S.T., M.T. Sumbr: Nachwan Mufti Adriansyah, S.T., M.T. A. Pndahuluan Dalam kuliah Mdan lktromantika Tlkomunikasi kita sudah mngnal pnjumlahan/ suprposisi mdan. Tlah
Lebih terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
Lebih terperincimodel pengukuran yang menunjukkan ukur Pengukuran dalam B. Model Mode sama indikator dan 1 Pag
Modl Modl Pngukuran dalam Pmodlan Prsamaan Struktural Wahyu Widhiarso Fakultas Psikologi UGM Tulisan ini akan mmbahas bbrapa modl dalam SEM yang unik. Dikatakan unik karna jarang dipakai. Tulisan hanya
Lebih terperinciFEMxcel v0.0 MEMULAI. Analisis dan Desain Struktur Beam 3-Dimensi. spesimen (alpha) oleh Arifadli dan Sugeng Waluyo
FEMxcl v0.0 Analss dan Dsan Struktur Bam 3-Dmns olh Arfadl dan Sugng Waluyo spsmn 0.04 (alpha) MEMULAI DISCLAIMER A COUNTLESS AMOUNT OF TIME, EFFORT AND EXPENSE HAVE GONE INTO THE DEVELOPMENT AND DOCUMENTATION
Lebih terperinciMETODE ITERASI TANPA TURUNAN BERDASARKAN EKSPANSI TAYLOR UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR ABSTRACT
METODE ITERASI TANPA TURUNAN BERDASARKAN EKSPANSI TAYLOR UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR E. Yuliani, M. Imran, S. Putra Mahasiswa Program Studi S Matmatika Laboratorium Matmatika Trapan, Jurusan
Lebih terperinci