PENERAPAN AKAR KUADRAT PADA ENSEMBLE KALMAN FILTER (EnKF) ABSTRAK
|
|
- Fanny Cahyadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENERAPAN AKAR KUADRA PADA ENSEMBLE KALMAN FILER (EnKF) Jasmir 1, Erna Apriliani 2, Didi Khusnul Arif 3 ijas_1745@yahoo.co.id ABSRAK Ensemble Kalman Filter (EnKF) merupaan salah satu metode untu mengestimasi suatu masalah hususnya pada model dinami talinear dengan menggunaan algoritma yang telah dimodifiasi dari algoritma Kalman Filter. Aar Kuadrat merupaan suatu sema yang dapat diterapan dalam EnKF untu mengestimasi suatu model dinami talinear. Pada paper ini dilauan analisis pada sema Aar Kuadrat terhadap algoritma EnKF sehingga membentu suatu algoritma baru yang dinamaan dengan Aar Kuadrat-Ensemble Kalman Filter (AK-EnKF). Algortima ini diimplementasian pada model sistem pengeboran minya dengan mengestimasi permeabilitas dan botton-hole presurenya. Hasilnya, nilai estimasi yang diperoleh mempunyai tingat aurasi yang lebih bai daripada menggunaan metode EnKF standar, serta watu omputasi yang digunaan oleh AK-EnKF lebih sediit dari EnKF standar. Kata Kunci: Ensemble Kalman Filter (EnKF), Aar Kuadrat Ensemble Kalman Filter (AK-EnKF), Model Sistem Pengeboran Minya, Permeabilitas, Botton-Hole Presure. 1. Pendahuluan Dalam menyelesaian suatu masalah, teradang membutuhan suatu data atau informasi sebelumnya yang berhubungan dengan masalah tersebut. Oleh arena itu, langah awal yang harus dilauan adalah mengumpulan informasi tentang masalah tersebut sebanya mungin. Salah satu contoh penyelesaian masalah yang membutuhan informasi sebelumnya adalah mengestimasi atau pendugaan terhadap informasi tersebut untu langah selanjutnya. Ini berarti dalam mengestimasi suatu masalah diperluan suatu alat atau metode yang tepat sehingga mendapatan suatu hasil yang aurat atau mendeati yang sesungguhnya. Filter Kalman merupaan salah satu metode untu mengestimasi suatu masalah berdasaran informasi sebelumnya. Dalam metode estimasi hususnya untu Filter Kalman dienal adanya suatu sistem eadaan dan model penguuran. Beberapa contoh penggunaan metode tersebut adalah dalam mengetimasi posisi dan ecepatan apal laut (Lewis, 1986), serta distribusi panas pada batang logam (Apriliani, 23). Filter Kalman pertama ali diperenalan oleh Rudolph E. Kalman pada tahun 196, melalui papernya yang terenal tentang suatu penyelesaian reursif pada 1 SMIK Kharisma Maassar, sedang studi S2 Matematia IS Surabaya 2, 3 Jurusan Matematia IS Surabaya Seminar Nasional-Pendidian Sains FMIPA Unesa 28/152
2 masalah filtering data-disrit yang linear. Selama beberapa tahun Filter Kalman dianggap sebagai metode estimasi yang paling sederhana dan optimal dalam menasir dan menduga suatu masalah (Welch, 21). Algortima yang diembangan dalam Filter Kalman dapat diimplementasian pada model dinami linear saja, emudian diembangan suatu algoritma yang memodifiasi filter alman sehingga dapat diimplementasian pada model dinami talinear. Salah satu algoritma yang telah diembangan adalah Extended Kalman Filter (EKF) dan Ensemble Kalman Filter (EnKF). Extended Kalman Filter digunaan dengan melauan linearisasi pada model dinami talinear sebelum menggunaan algoritma Filter Kalman, sedangan Ensemble Kalman Filter digunaan dengan membangitan sejumlah ensemble sebagai inisialisasi untu menghitung nilai mean dan ovarian error variabel sistem eadaannya yang digunaan dalam algoritma filter Kalman, hal ini pertama ali diperenalan oleh Evensen (1994). Dalam menggunaan EnKF terdapat suatu sema yang dapat diimplementasian pada metode tersebut. Analisis aar uadrat merupaan salah satu sema yang dapat diimplementasian dalam EnKF. Sema ini dapat mempengaruhi pada hasil estimasi, bai dalam hal tingat aurasi maupun watu omputasi yang digunaan. Dalam paper ini telah dilauan suatu ajian mengenai sema aar uadrat pada EnKF yang selanjutnya diterapan untu mengetimasi variabel eadaan sistem dengan model penguuran talinear. 2. Filter Kalman 2.1 Proses Estimasi Filter Kalman pertama ali diperenalan oleh Rudolph E. Kalman pada tahun 196 lewat papernya yang terenal tentang suatu penyelesaian reursif pada masalah filtering data-disrit yang linear. Filter Kalman merupaan suatu metode estimasi variabel eadaan dari system dinami stoasti linear yang meminimuman ovarian esalahan estimasi. Lewis (1986) memberian suatu sistem dinami linear, secara umum berbentu sebagai beriut: x 1 A x B u G w z H x v (2.1) x ~ x, P x ; w ~, Q ; v ~, R dengan ovarian awal P x, w gangguan (noise) pada sistem yang mempunyai mean z x variabel eadaan sistem pada watu yang nilai estimasi awalnya x dan n m x, u variabel input deterministi pada watu, u. w dan ovarian Q, p z, v gangguan (noise) pada penguuran dengan variabel penguuran, mean v dan ovarian R. A, B, G, H adalah matris-matri dengan uuran yang bersesuaian. Untu proses estimasinya diberian dengan dua tahap, yaitu tahap predisi yang dienal dengan time update, dan tahap oresi yang dienal dengan measurement update. ahap predisi dipengaruhi oleh dinamia sistem, sedangan tahap oresi dipengaruhi oleh informasi dari penguuran. Kedua tahap ini aan berulang terus-menerus sampai berhenti pada watu yang ditentuan. Seminar Nasional-Pendidian Sains FMIPA Unesa 28/153
3 2.2 Algoritma Filter Kalman ahap predisi didefinisian suatu estimasi eadaan xˆ n 1 R pada watu +1 yang sering disebut variabel priori state estimate, emudian dihubungan dengan ovarian error P 1 (priori error covariance). ahap oresi memberian suatu correction berdasaran pada penguuran z 1 pada watu +1 untu menghasilan n suatu estimasi xˆ 1 R dan ovarian error P 1, yang masing-masing disebut posteriori state estimate dan posteriori error covariance. (Lewis, 1986). Nilai estimasi pada tahap oresi bergantung pada residual z zh xˆ (2.2) Koefisien pembobotan dari residual tersebut biasanya disebut Kalman Gain. 1 K P H R (2.3) Lewis (1986) juga telah memberian suatu bentu alternatif dari tahap oresi yang melibatan Kalman Gain tersebut, hal ini dapat dilihat pada abel 2.1. abel 2.1: Algoritma Filter Kalman adalah sebagai beriut: Inisialisasi P Px, ˆx x ahap predisi (time update) Kovarian error : Pˆ A P A G Q G 1 xˆ 1 Estimasi : A xˆ B u ahap oresi (measurement update) 1 Kovarian error : ˆ P P 1 xˆ 1 H 1 R 1 1 H 1 1 H 1 Estimasi : xˆ P H R z x ˆ 1 K 1P 1H 1 H 1P 1H1 R 1 Jia menggunaan Kalman Gain; 1 Kovarian error : P I K H P Estimasi : xˆ 1 xˆ 1 K 1 z 1 H 1xˆ 1 3. Ensemble Kalman filter erdapat suatu sistem dinami talinear yang jia dilauan linearisasi pada metode EKF menyebaban ovarian errornya membesar menuju ta berhingga sehingga untu mengatasi masalah tersebut Evensen (1994) memperenalan suatu ide penggunaan sejumlah ensemble untu mengestimasi ovarian error pada tahap forecast (predisi). Metode ini dienal dengan Ensemble Kalman Filter (EnKF) yang merupaan suatu alternatif dari metode Extended Kalman Filter (EKF) sebelumnya. Burgers, et (1998), memberian suatu sema analisis pada EnKF tentang implementasi dan interpretasinya, dimana observasinya diperlauan sebagai variabel random pada tahap analisis (oresi), yaitu menambahan gangguan (noise) secara random pada observasi dan membangitan suatu ensemble pada observasi yang selanjutnya digunaan pada updating model state. Apliasi sebelumnya, langah ini belum dilauan pada EnKF, dan Burger memperoleh hasil pada ensemble update dengan variansi yang sangat rendah. Seminar Nasional-Pendidian Sains FMIPA Unesa 28/154
4 Evensen (23) merumusan embali tentang implementasi dari metode EnKF itu, dimana dalam menambahan gangguan (noise) secara random pada observasi diperluan suatu strategi penyampelan dalam hal mengenerate sejumlah ensemble. Lebih lanjut Evensen menambahan bahwa untu mendapatan hasil estimasi yang bagus dari EnKF, ada tiga yang perlu diperhatian yaitu: ensemble awal, model noise, dan gangguan penguuran. Selain itu terdapat suatu sema aar uadrat yang tida melibatan gangguan (noise) penguuran pada tahap analisis (oresi) dapat dibandingan dengan strategi penyampelan tersebut (Evensen, 24). Selanjutnya, Almendral-Vasquez (26) menambahan bahwa Extended Kalman Filter (EKF) tida coco digunaan untu setiap model yang besar dan tida mendapatan hasil yang masimal jia sistemnya bersifat strongly nonlinear. EnKF merupaan pengembangan dari EKF yang dapat digunaan untu mengatasi masalah tersebut dan merupaan suatu pendeatan yang sangat memberi harapan. 3.1 Proses Estimasi Bentu umum sistem dinami talinear yang digunaan pada EnKF, yaitu x 1 f (, x ) w z Hx v x ~ x, P x ; w ~, Q ; v ~, R dengan x inisial dari sistem, w dan v dan penguuran, variabel penguuran. z merupaan gangguan (noise) pada sistem Proses estimasi pada EnKF diawali dengan membangitan sejumlah Ne ensemble dengan mean dan ovariannya sama dengan 1. Misalan: [ x x x... x ],1,2,3 N, e Untu tahap predisi dan oresi, ensemble yang diperoleh ditentuan mean xˆ terlebih dahulu sebelum masu e tahap predisi, yang selengapnya dapat dilihat pada algoritma Ensemble Kalman Filter. 3.2 Algoritma Ensemble Kalman Filter erdapat beberapa peneliti yang telah memberian suatu algoritma EnKF secara terstrutur yang secara umum terbagi atas tiga tahap yaitu tahap inisialisasi, tahap predisi, dan tahap oresi. Peneliti tersebut diantaranya: Purnomo(28) memberian algoritma EnKF dengan sistem dinami talinear dan penguuran yang linear, yaitu: abel 2.3: Algoritma Ensemble Kalman Filter (EnKF) Inisialisasi: Bangitan N e ensemble sesuai dengan tebaan awal x x x x... x ] [,1,2,3, Ne N e * 1 entuan nilai awal : xˆ x ˆ x, i N e i 1 ahap predisi ( time update): ˆ f ( xˆ, u w dengan w ~ N (, Q ) x, i 1 1 ), i, i Seminar Nasional-Pendidian Sains FMIPA Unesa 28/155
5 N Estimasi : xˆ 1 e x N e i 1 ˆ, i N 1 e Kovariansi error : P ( xˆ i x ˆ)( xˆ i x ˆ, N e 1 i 1 ahap oresi ( measurement update): z v dengan v ~ N (, R ) z, i, i Kalman gain : K P H, ), i ( HP H R Estimasi : x x ˆ K ( z H xˆ ) Kovariansi error : ˆ, i, i, i, i 1 xˆ N N e e i1 x ˆ, i P [ I K H] P Selanjutnya Almendral-Vasquez (26) memberian suatu algoritma EnKF sebagai beriut: a. Inisialisasi: Mendefinisian suatu ensemble awal X N, b. ahap Predisi: Memproyesi edepan dalam watu tertentu, ensemble X f menggunaan persamaan: X f X W dengan matris noise W w i w terbentu dari bilangan random w N, i i. Langah ini diulang sampai mencapai watu observasi tertentu. c. ahap Analisis: Membangitan observasi Z dengan perturbasi observasi real z. f ahap oresi ensemble X menggunaan persamaan: a f 1 f X X PHHPH R Z HX ) 1 e e e emudian embali e langah tahap predisi. Algoritma diatas dijadian sebagai landasan untu membentu suatu algoritma EnKF baru yang melibatan sema aar uadrat, sema ini diaji lebih lanjut pada point 5, yang menggunaan beberapa aturan tertentu diantaranya aturan matris aar uadrat dan Singuler Value Decomposition. 4. Matris Aar Kuadrat dan Singuler Value Decomposition (SVD) 4.1 Matris Aar Kuadrat Misalan matris AR definitif positif dengan omposisi spetralnya adalah A i ei e dan i U e1, e2,..., e i1 dan vetor eigen dari matris A. Maa A e e U U 1 1 i1 i i i dimana UU U U I dan merupaan matris diagonal dimana dan e merupaan nilai eigen (4.1) Seminar Nasional-Pendidian Sains FMIPA Unesa 28/156
6 UU U U U U UU UU I. Jadi arena dengan i. (4.2) 1. (4.3) 1 1 A U U ee i i i1 i 1/ 2 Selanjutnya diberian 1/ 2 i. Matris ee i i i U U i1 1/ 2 dengan A. Aar uadrat dari matris positif A, 1/ 2 1/ 2 A i ee i i U U i 1 mempunyai beberapa sifat sebagai beriut: (1.) A A 1/ 2 1/ 2 (3.) 1 (sebab 1/ 2 A 1/ 2 1/ 2 (2.) A A A. A 1 ee U U 1/ 2 1/ 2 i i i1 i matris diagonal dengan element diagonalnya disebut Aar Kuadrat dari A dan dinotasian merupaan matris simetri), dimana 1/ 2 diagonal dengan element diagonal e-i adalah 1/ 1/ 2 1/ 2 1/ 2 1/ 2 (4.) A A A A I, dan A A A 1/ 2 1/ 2 1 merupaan suatu matris. i, dimana 1/ 2 1/ 2 A A 1 (4.4) 4.2 Singular Value Decomposition (SVD) Golub H. G. (1993) memberian suatu definisi tentang Singular Value Decomposition (SVD) pada suatu matris. Jia suatu matris m A R, terdapat matris ortogonal m m U u1,, um R dan V v1,, v R, sehingga A U V (4.5) m dengan matris R yang entri diagonalnya p p min m, dan entri yang lain nol. Nilai i, i 1, 2,..., p disebut nilai singular dari A. Definisi matris aar uadrat dan SVD ini yang aan digunaan pada analisis aar uadrat pada Ensemble Kalman Filter dalam mengestimasi suatu masalah dinami taliner., 5. Aar Kuadrat Ensemble Kalman Filter (AK-EnKF) Sema aar uadrat pada ensemble Kalman filter digunaan pada tahap oresi, yang dimulai dari persamaan ovariansi errornya dan pada ahirnya aan diperoleh persamaan ensemble error yang baru. 5.1 Algoritma Aar Kuadrat pada EnKF Algoritma yang baru digunaan untu mengupdate ensemble error dan diturunan mulai dari persamaan ovariansi error pada Ensemble Filter Kalman bagian tahap oresi. Persamaan tersebut adalah Seminar Nasional-Pendidian Sains FMIPA Unesa 28/157
7 P I K H ] P [, dengan 1 1 K PH HPH R P P P H HP H R HP (5.1) dengan mensubtitusian dan C S S E E x i x, i, E, E R N 1 mm P N 1, maa persamaan (4.17) menjadi: mm, S Hx, i 1, i, i i, i, i, i, i, i, i, i, x x x x x x H Hx x H E E Hx x x x x x x S S S E E S x, i, i i, i, i, i, x x x x x S C S x, i, i i, i, i, i,, i, i, i i, mn x x x I S C S x (5.2) dengan x = Ensemble error pada tahap predisi, i x, i = Ensemble error pada tahap oresi Matris C dapat dihitung omposisi nilai eigennya yaitu C U U dan 1 1 berdasaran persamaan (4.4), maa C U U dengan semua matris berdimensi m m, U merupaan matris omposisi vetor eigen dari matris C dan merupaan matris diagonal yang setiap elemen diagonalnya merupaan nilai eigen dari matris C. Selanjutnya (5.2) diturunan untu menperoleh solusi dari ensemble error. 1 1 x, i I S U U S x, i x x x I S C S x, i, i i, i, sehingga x, i I M M x, i x x x I S U U S x 1/ 2 1/ 2, i, i, i, i 1/ 2 dengan M U S (5.3) mn. Selanjutnya menghitung singular value decomposition (SVD) dari M, yaitu mm N N M Y V, dengan dan merupaan matris ortogonal, Y V mn merupaan matris yang entri diagonalnya p p min m, N dan entri yang lain nol, maa (5.3) menjadi x x x I M M x, i, i i, i,, i, i x I Y V Y V x x V I V x, i i,, (5.4) Seminar Nasional-Pendidian Sains FMIPA Unesa 28/158
8 arena mn merupaan matris yang entri diagonalnya... 1 p entri yang lain nol, hal ini berarti berdimensi N N, sehingga x, iv I x i, V I x x x V I V x, i, i i, i, ini berarti 1 2 x x V I x x V I, i, i dan merupaan matris diagonal juga yang. Jadi, error ensemblenya adalah 1 2, i, i (5.5) ahapan metode aar uadrat pada EnKF bagian oresi secara sederhana dapat disusun dalam beberapa langah beriut: 1. Menentuan deomposisi nilai eigen dari C U U 2. Menghitung mean ensemble predisi dari persamaan 1 x x x S C z Hx, i, i i, i, i, x x S U U z Hx 1, i, i, i, i 1/ 2 3. Menghitung matris M U S 4. Menentuan SVD dari M Y V 5. Kemudian mengevaluasi error ensemble dari 1 2 x x V I menambahan rata-rata ensemble pada error ensemble x, i. 6. Studi Kasus dan, i, i ahapan metode Aar Kuadrat pada EnKF yang diperoleh, aan diterapan pada model eadaan pengeboran minya yang telah digunaan oleh Almendral- Vasquez (26) dengan menggunaan algoritma EnKF standar. Selanjutnya penulis aan mengestimasi model tersebut menggunaan algoritma aar uadrat pada EnKF. Model eadaan yang digunaan terdiri dari dua variabel, yaitu variabel statis permeabilitas dan variabel dinamis botton-hole presure pb. Sistemnya sebagai beriut: x pb vetor eadaan (6.1) z pbobs observasi diasumsian bahwa dibangitan secara random berdistribusi normal dengan mean nol dan ovarian satu. Beriut ini dimodelan sebagai (6.2) 1 dengan menyataan permeabilitas pada watu t t. Catatan bahwa dianggap tida ada noise untu permeabilitas. Untu botton-hole presure,, simulator teanan memberian suatu model yaitu: pb 1 p r w, t, w (6.3) Model penguurannya dapat ditulisan sebagai beriut z Hx, (6.4) Seminar Nasional-Pendidian Sains FMIPA Unesa 28/159
9 dengan H proyesi dari model eadaan, yaitu [1 ; 1]. Noise pada model penguuran diabaian. Mengenai masalah nilai parameternya, penulis meruju pada nilai parameter yang telah diberian oleh Almendral-Vasquez (26), yaitu r w =.1 ft, = 1.5 cp, Q = 3 SB/hari, B = 1.25 bbl/sb, = 15 %, p i = 4 psi, h = 15 ft, c = 12e - 6 psi -1. Parameter ini digunaan dalam simulasi program. Dalam algoritma AK-EnKF diberian model sistem dan model penguuran, yaitu x z 1 f ( x, u ) Hx. w Pada sistem pengeboran minya yang merupaan fungsi f ( x, u ) adalah f ( x, u ) p r, t, w (6.5) h t adalah teanan pada permuaan sumur (botton-hole presure) yang Q B 948 cr pr, t p E dan pb merupaan model sistemnya, yaitu pb 1 x 1. Sehingga model sistemnya untu pengeboran minya dengan noise w, dapat ditulisan sebagai beriut: pb p r t w 1 w,, 2 w1 (6. 6) 7.61Q B 948 cr p E w 2 h t Kemudian untu model penguurannya, sama dengan model penguuran pada algoritma yaitu z Hx, dengan x pb. Jadi, z Hpb (6.7) Kemudian nilai awal dari (6.6) adalah berdistribusi normal dan p r, pi. 7. Hasil Simulasi Pengambilan matris H = [1 ; 1] menunjuan bahwa data penguuran yang dimilii adalah data pertama dan data edua yaitu permeabilitas dan botton-hole presure. Jumlah ensemble yang diambil pada simulasi ini sebanya N = 2 dengan jumlah iterasi = 5. Perbandingan hasil estimasi permeabilitas dan nilai realnya dengan menggunaan edua metode tersebut yaitu EnKF standar dan AK-EnKF dapat dilihat pada abel 7.1 dan Gambar 7.1. Seminar Nasional-Pendidian Sains FMIPA Unesa 28/16
10 abel 7.1 Perbandingan Hasil Estimasi Permeabilitas antara EnKF Standar dengan AK EnKF Simulasi e- Real (1 3 ) EnKF Standar (1 3 ) AK-EnKF (1 3 ) 1 -,4 -,5 -, ,25 -,2 -,25 4 -,4 -,6 -, 5,8,3,6 6 -,14 -,12 -,15 7 -,9 -,6 -,4 8,4,2,4 9,7,9,9 1,11 -,4,6 Hasil estimasi yang ditunjuan pada Gambar 7.1 menegasan bahwa nilai estimasi permeabilitas dari edua metode tersebut mendeati nilai realnya. Aan tetapi untu metode AK-EnKF nilai estimasinya lebih bai dibandingan dengan nilai estimasi dari EnKF standar. Pada abel 7.1 juga terlihat bahwa dari 1 ali simulai nilai estimasi permebilitas untu EnKF standar dengan AK-EnKF jia dibandingan dengan nilai realnya maa AK-EnKF lebih bai daripada EnKF standar walaupun selisihnya tida begitu besar perbedaannya. Gambar 7.1. Estimasi Permeabilitas menggunaan EnKF Standar dan AK-EnKF Gambar 7.2 menampilan masing-masing nilai ovariansi error dari nilai estimasi permeabilitas menggunaan EnKF standar dan ovariansi error dari permeabilitas menggunaan AK-EnKF. Grafi tersebut merupaan salah satu hasil simulasi dari 1 ali percobaan. Seminar Nasional-Pendidian Sains FMIPA Unesa 28/161
11 abel 7.2 Perbandingan Kovariansi Error Permeabilitas antara EnKF Standar dengan AK-EnKF Simulasi e- EnKF Standar AK-EnKF 1,3948,35 2,423,34 3,4262,43 4,387,16 5,383,28 6,4171,1 7,382,5 8,43,31 9,447,29 1,4199,3 Nilai ovariansi error (ov) dari permeabilitas juga cuup ecil (.28 ov.34 ) sehingga tingat epercayaan dari estimasi permeabilitas cuup bagus. Aan tetapi untu ovariansi error dari permeabilitas yang menggunaan metode AK-EnKF jauh lebih ecil yaitu berada pada interval,11 3 dan 4, 1 3. Ini berarti hasil estimasi permeabilitas mempunyai tingat epercayaan yang lebih bagus dibandingan dengan EnKF standar. Perbandingan ovariansi error dari edua metode tersebut juga terlihat jelas pada abel 7.2 yang menyajian nilai ovariansi error terahir tiap simulasi dari 1 simulasi yang dilauan. Gambar 7.2. Kovariansi Error Permeabilitas untu EnKF dan AK-EnKF Selanjutnya untu perbandingan hasil estimasi botton-hole presure dapat dilihat pada Gambar 7.3 dan abel 7.3. Gambar 7.3 menunjuan bahwa hasil estimasi botton-hole presure untu metode AK-EnKF lebih mendeati terhadap realnya dibandingan dengan metode EnKF standar. abel 7.3 menampilan data perbandingan hasil estimasi Botton-Hole Presure dari 1 ali simulasi. Pada tabel tersebut terlihat perbedaan yang signifian antara data estimasi yang menggunaan metode EnKF standar dengan metode AK-EnKF. Hal ini berarti metode AK-EnKF lebih bai daripada EnKF standar dalam mengestimasi Botton-Hole Presure ini yang hanya mempunyai selisih lebih ecil, serta watu omputasi yang digunaan lebih cepat dibandingan dengan EnKF standar sebagaimana telah ditunjuan pada abel 8.1. Seminar Nasional-Pendidian Sains FMIPA Unesa 28/162
12 Perbandingan ovariansi error antara EnKF standar dengan AK-EnKF dapat dilihat pada abel 7.4. Pada abel tersebut jelas bahwa ovariansi error untu AK- EnKF lebih ecil daripada EnKF standar. Artinya bahwa tingat epercayaan dari nilai estimasi AK-EnKF lebih tinggi terhadap nilai realnya. abel 7.3 Perbandingan Hasil estimasi Botton-Hole Presure antara EnKF Standar dengan AK EnKF Simulasi e- Real (1 3 ) EnKF Standar (1 3 ) AK-EnKF (1 3 ) 1 4,349 4,36 4, ,132 4,135 4, ,13 4,11 4,11 4 5,4494 5,5184 5, ,483 4,55 4, ,31 4,37 4,32 7 4,9828 5,38 4, ,583 4,618 4, ,43 4,46 4,43 1 4,578 4,5959 4,5751 Gambar 7.3. Estimasi Botton-Hole Presure menggunaan EnKF Standar dan AK- EnKF abel 7.4 Perbandingan Kovariansi Error Botton-Hole Presure antara EnKF Standar dengan AK-EnKF Simulasi e- EnKF Standar AK-EnKF 1,446,5 2,4337, 3,3992,7 4,49,25 5,3888,2 6,3955,27 Seminar Nasional-Pendidian Sains FMIPA Unesa 28/163
13 Simulasi e- EnKF Standar AK-EnKF 7,42,29 8,3771,12 9,4288,32 1,4138,8 Gambar 7.4. Kovariansi Error Botton-Hole Presure untu EnKF dan AK-EnKF Gambar 7.4 menunjuan secara grafi perbandingan nilai ovariansi error dari edua metode tersebut untu Botton-Hole Presure yaitu pada EnKF standar nilai ovariansi errornya rata-rata berada pada interval.15 dan.18. Untu AK-EnKF sebagian besar berada pada interval,2 1 5 dan 1, Nilai dari interval ini cuup ecil dan menyataan bahwa tingat epercayaan dari nilai estimasi AK-EnKF Botton-Hole Presure sangat bagus daripada EnKF standar. 8. Watu Komputasi Watu omputasi yang diperoleh pada abel 8.1 disimpulan bahwa jumlah ensemble (N) dan jumlah iterasi sangat mempengaruhi watu omputasi. Jumlah ensemble sangat berpengaruh terhadap watu omputasi untu edua algoritma tersebut, EnKF standar dan AK-EnKF. Semain tinggi jumlah ensemble yang digunaan maa semain banya watu omputasi yang dipaai. Kemudian, abel 8.1 juga menampilan perbandingan watu omputasi yang digunaan dari edua algoritma tersebut. AK-EnKF membutuhan watu yang lebih sediit daripada EnKF standar untu jumlah ensemble N 5. Sedangan EnKF standar membutuhan watu yang lebih sediit jia jumlah ensemblenya N 5. Hal ini disebaban arena pada algoritma AK-EnKF bagian oresi terdapat suatu sema aar uadrat yang menggunaan formulasi deomposisi nilai singuler (singuler value decomposition) sehingga membutuhan watu yang cuup besar, apalagi jia uuran matrisnya cuup besar dalam hal ini jumlah ensemblenya N cuup besar. Selanjutnya, jia watu omputasi dipandang dari sisi jumlah iterasi, maa jumlah iterasi berpengaruh positif terhadap watu omputasi untu setiap jumlah ensemble yang dietahui. Hal ini berlau untu edua algoritma itu. Seminar Nasional-Pendidian Sains FMIPA Unesa 28/164
14 abel 8.1 Watu Komputasi EnKF Standar dan AK-EnKF Jumlah Watu Komputasi (deti) Ensemble N K=5 K=1 K=15 EnKF AK-EnKF EnKF AK-EnKF EnKF AK-EnKF 5,8272,4997 1,5244,9149 2,2429 1, ,5257,9774 2,963 1,7648 4,3551 2, ,2855 2,3615 5,7858 4,1174 8,799 6, ,724 8,782 15,5 17, , , Kesimpulan Hasil simulasi yang diperoleh dibagi menjadi empat bagian, yaitu hasil estimasi model sistem, perbandingan ovariansi error antara EnKF standar dan AK- EnKF, dan perbandingan watu omputasi yang digunaan dari edua algoritma tersebut. Untu hasil estimasi model sistem, selisih nilai estiimasi, dan ovariansi error yang diperoleh, AK-EnKF jauh lebih bai dan aurat daripada EnKF standar. Sedangan untu watu omputasi yang digunaan, EnKF standar membutuhan watu yang lebih sediit jia jumlah ensemblenya N 5. Dan jia jumlah ensemble N 5 AK-EnKF membutuhan watu yang lebih sediit daripada EnKF standar. 1. Daftar Pustaa Apriliani, E. (23), he Application of Implicit Kalman Filtering On A One Dimensional Shallow Water. Procedings of he SEAMS-GMU Conference, pp Almendral-Vazquez, A. dan Anne, R.S. (26), he Ensemble Kalman Filter-theory ang applications in oil industry. Norwegian Computing Center, NR. Burgers, G. P. J. van Leeuwen. dan G. Evensen. (1998). Analisysscheme in the ensemble Kalman Filter. Mon. Weather Rev., Vol 126, hal Evensen, G. (1994), Sequential Data Assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistic. J. Geophys, Vol 99, hal Evensen, G. (23), he Ensemble Kalman Filter: heoretical formulation and practical implementation. Ocean Dynamics, Vol 53, hal Evensen, G. (24), Sampling Strategies and square root analysis schemes for the Ensemble Kalman Filter (EnKF), Hydro Research Centre. Golub, H. G. dan Loan, V. F. Charles. (1993), Matrix Computations (second edition), he John Hopins University Press, Baltimore and London. Johnson, A. R dan Wichern, W. D. (22), Applied Multivariate Statistical Analysis (fifth edition), University of Winconsin Prentice Hall, Inc., New Yor. Lewis, L Fran. (1986), Optimal Estimation, with an introduction to stochastic control theory, John Wiley and Sons, New Yor. Purnomo, D. K. (28), Apliasi Metode Ensemble Kalman Filter Pada Model Populasi Flanton, esis Magister., Institut enologi Sepuluh Nopember, Surabaya. Welch, G and Bishop, G. (21), An Introduction to the Kalman Filter. Departement of Computer Science, University of North Calorina at Chapel Hill. Seminar Nasional-Pendidian Sains FMIPA Unesa 28/165
ESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR)
SEMINAR NASIONAL PASCASARJANA SAL ESIMASI RAJECORY MOBILE ROBO MENGGUNAKAN MEODE ENSEMBLE KALMAN FILER SQUARE ROO (ENKF-SR) eguh Herlambang Zainatul Mufarrioh Firman Yudianto Program Studi Sistem Informasi
Lebih terperinciSeminar Tesis AKAR KUADRAT ENSEMBLE KALMAN FILTER (AK-EnKF) UNTUK ESTIMASI POSISI PELURU KENDALI
Seminar Tesis AKAR KUADRAT ENSEMBLE KALMAN FILTER () UNTUK ESTIMASI POSISI PELURU KENDALI OLEH : Teguh Herlambang (121 21 14) DOSEN PEMBIMBING: Subchan, PhD (1971513 19972 1 1 ) Dr. Erna Apriliani, M.Si
Lebih terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
Lebih terperinciSKEMA AKAR KUADRAT DALAM UNSCENTED KALMAN FILTER UNTUK MENDETEKSI KERAK PADA ALAT PENUKAR PANAS
Prosiding Seminar Nasional Penelitian, Pendidian dan Penerapan MIPA, Faultas MIPA, Universitas Negeri Yogyaarta, 4 Mei 2 SKEMA AKAR KUADRA DALAM UNSCENED KALMAN FILER UNUK MENDEEKSI KERAK PADA ALA PENUKAR
Lebih terperinciEstimasi Posisi Magnetic Levitation Ball Menggunakan Metode Akar Kuadrat Ensemble Kalman Filter (AK-EnKF)
R E.M. (Reayasa Energi Manufatur Jurnal! "" # $ $% & % " % '! " ( http://dx.doi.org/10.1070/r.e.m.vi1.768 Estimasi Posisi Magnetic Levitation Ball Menggunaan Metode Aar Kuadrat Ensemble Kalman Filter (
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciSensitivitas Metode Ensemble Kalman Filter untuk Mendeteksi Gangguan pada Masalah Konduksi Panas Satu Dimensi
Jurnal Matematia & Sains, Desember, Vol. 6 omor 3 Sensitivitas Metode Ensemble Kalman Filter untu Mendetesi Gangguan pada Masalah Kondusi Panas Satu Dimensi Erna Apriliani dan Wiwit Sofiyanti Budiono Departement
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar ugas Ahir Simulasi Penapisan Kalman Dengan Kendala Persamaan Keadaan Pada Kasus Penelusuran Posisi Kendaraan (Vehicle racing Problem Iput Kasiyanto [], Budi Setiyono, S., M. [], Darjat,
Lebih terperinciSIMULASI FILTER KALMAN UNTUK ESTIMASI SUDUT DENGAN MENGGUNAKAN SENSOR GYROSCOPE
SIMULASI FILR KALMAN UNUK SIMASI SUDU DNGAN MNGGUNAKAN SNSOR GYROSCOP Wahyudi *), Adhi Susanto **), Sasongo Pramono **), Wahyu Widada ***) Abstact he Kalman filter is a recursive solution to the process
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciTesis ALGORITMA ADAPTIVE COVARIANCE RANK UNSCENTED KALMAN FILTER UNTUK ESTIMASI KEADAAN PADA PERSAMAAN AIR DANGKAL. Oleh:
Tesis ALGORITMA ADAPTIVE COVARIANCE RANK UNSCENTED KALMAN FILTER UNTUK ESTIMASI KEADAAN PADA PERSAMAAN AIR DANGKAL Oleh: Habib Hasbullah NRP. 1209201707 Dosen Pembimbing: Dr. Erna Apriliani, M.Si Abstra
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciDESAIN SENSOR KECEPATAN BERBASIS DIODE MENGGUNAKAN FILTER KALMAN UNTUK ESTIMASI KECEPATAN DAN POSISI KAPAL
DESAIN SENSOR KECEPAAN BERBASIS DIODE MENGGUNAKAN FILER KALMAN UNUK ESIMASI KECEPAAN DAN POSISI KAPAL Alrijadjis, Bambang Siswanto Program Pascasarjana, Jurusan eni Eletro, Faultas enologi Industri Institut
Lebih terperinciImplementasi Ensemble Kalman Filter (Enkf) Untuk Estimasi Ketinggian Air Dan Temperatur Uap Pada Steam Drum Boiler
Implementasi Ensemble Kalman Filter (Enkf) Untuk Estimasi Ketinggian Air Dan Temperatur Uap Pada Steam Drum Boiler Ahmad Nasrullah Jamaludin 1, Erna Apriliani 1, Hendra Cordova 2, Teguh Herlambang 3 1
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciEstimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani
Lebih terperinciBAB II DASAR TEORI. II.1. Pendahuluan
BAB II DASAR EORI II.1. Pendahuluan Pada bab ini pertama-tama aan dijelasan secara singat apa yang dimasud dengan target tracing dalam sistem Radar. Di dalam sebuah sistem Radar ada beberapa proses yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciPerbandingan Metode Kalman Filter, Extended Kalman Filter, dan Ensemble Kalman Filter pada Model Penyebaran Virus HIV/AIDS
J. Math. and Its Appl. E-ISSN: 2579-8936 P-ISSN: 1829-605X Vol. 15, No. 1, Maret 2018, 17-29 Perbandingan Metode Kalman Filter, Extended Kalman Filter, dan Ensemble Kalman Filter pada Model Penyebaran
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciALGORITMA ADAPTIVE COVARIANCE RANK UNSCENTED KALMAN FILTER UNTUK ESTIMASI KEADAAN PADA PERSAMAAN AIR DANGKAL
ALGORITMA ADAPTIVE COVARIANCE RANK UNSCENTED KALMAN FILTER UNTUK ESTIMASI KEADAAN PADA PERSAMAAN AIR DANGKAL Habib Hasbullah 1, Erna Apriliani 2 1 Mahasiswa Program Studi S2, Jurusan Matematika, F-MIPA,
Lebih terperinciPengantar Penerjemah. Daftar Istilah
Pengantar Penerjemah Saya awali tulisan ini dengan Nama Alloh Sang Maha Pengasih Sang Maha Penyayang. Segala Puji bagi-nya yang telah mengajaran ilmu epada siapa saja yang diehendai-nya. Sungguh, saya
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar Tugas Ahir PENDETEKSI POSISI MENGGUNAKAN SENSOR ACCELEROMETER MMA7260Q BERBASIS MIKROKONTROLER ATMEGA 32 Muhammad Riyadi Wahyudi, ST., MT. Iwan Setiawan, ST., MT. Abstract Currently, determining
Lebih terperinciEstimasi Solusi Model Pertumbuhan Logistik dengan Metode Ensemble Kalman Filter
Jurnal ILMU DASAR, Vol.14, No,2, Juli 2013 : 85-90 85 Estimasi Solusi Model Pertumbuhan Logistik dengan Metode Ensemble Kalman Filter Solution Estimation of Logistic Growth Model with Ensemble Kalman Filter
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciTUGAS AKHIR. ESTIMASI POSISI MAGNETIC LEVITATION BALL MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER (EnKF) Oleh: ARIEF RACHMAN
TUGAS AKHIR ESTIMASI POSISI MAGNETIC LEVITATION BALL MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER (EnKF) Oleh: ARIEF RACHMAN 1206 100 710 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciUji Alternatif Data Terurut Perbandingan antara Uji Jonckheere Terpstra dan Modifikasinya Ridha Ferdhiana 1 Statistics Peer Group
Uji Alternatif Data Terurut Perbandingan antara Uji Joncheere Terpstra dan Modifiasinya Ridha Ferdhiana Statistics Peer Group Jurusan Matematia FMIPA Universitas Syiah Kuala Banda Aceh, Aceh, 23 email:
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciY = + x + x x + e, e N(0, ), Residual e=y -Yˆ
Yogyaarta, 26 Noember 206 ISSN : 979 9X eissn : 25 528X ANALISIS PSEUDOINVERS DAN APLIKASINYA PADA REGRESI LINEAR BERGANDA Kris Suryowati Program Studi Statistia, Faultas Sains erapan, Institut Sains dan
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciPENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )
PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132
Lebih terperinciBAB III HASIL DAN PEMBAHASAN
15 BAB III HASIL DAN PEMBAHASAN 3.1Relasi Dispersi Pada bagian ini aan dibahas relasi dispersi untu gelombang internal pada fluida dua-lapisan.tinjau lapisan fluida dengan ρ a dan ρ b berturut-turut merupaan
Lebih terperinciVARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL
SEMINAR NASIONAL PENDIDIKAN SAINS Peningatan Kualitas Pembelajaran Sains dan Kompetensi Guru melalui Penelitian & Pengembangan dalam Menghadapi Tantangan Abad-1 Suraarta, Otober 016 VARIASI NILAI BATAS
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciPELABELAN FUZZY PADA GRAF. Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman.
JMP : Volume 6 Nomor, Juni 04, hal. - PELABELAN FUZZY PADA GRAF Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman email : oeytea0@gmail.com ABSTRACT. This paper discusses
Lebih terperinciKORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK
Jurnal Pengaaran MIPA, Vol. 0 No. Desember 007 ISSN: -097 KORELASI ANARA DUA KELOMPOK VARIABEL KUANIAIF DALAM ANALISIS KANONIK Oleh : Dewi Rachmatin, S.Si., M.Si. Jurusan Pendidian Matematia FPMIPA Universitas
Lebih terperinciSifat-sifat Nilai Eigen dan Vektor Eigen Matriks atas Aljabar Maxplus
J. Sains Dasar () Sifat-sifat Nilai Eigen dan Vetor Eigen Matris atas ljabar Maxplus (The Properties of Eigen Value and Eigen Vector of Matrices Over Maxplus lgebra) Musthofa * dan Nienasih inatari * Jurusan
Lebih terperinciPenggunaan Metode Bagi Dua Terboboti untuk Mencari Akar-akar Suatu Persamaan
Jurnal Penelitian Sains Volume 16 Nomor 1(A) Januari 013 Penggunaan Metode Bagi Dua Terboboti untu Menari Aar-aar Suatu Persamaan Evi Yuliza Jurusan Matematia, FMIPA, Universitas Sriwijaya, Indonesia Intisari:
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciMASALAH VEKTOR EIGEN MATRIKS INVERS MONGE DI ALJABAR MAX-PLUS
Seminar Sains Penidi Sains VI UKSW Salatiga Juni 0 MSLH VEKTOR EIGEN MTRIKS INVERS MONGE DI LJBR MX-PLUS Farida Suwaibah Subiono Mahmud Yunus Jurusan Matematia FMIP Institut Tenologi Sepuluh Nopember Surabaya
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperinciKENDALI OPTIMAL PADA MASALAH INVENTORI YANG MENGALAMI PENINGKATAN
KENDALI OPTIMAL PADA MASALAH INVENTORI YANG MENGALAMI PENINGKATAN Pardi Affandi, Faisal, Yuni Yulida Abstra: Banya permasalahan yang melibatan teori sistem dan teori ontrol serta apliasinya. Beberapa referensi
Lebih terperinciIMPLEMENTASI ENSEMBLE KALMAN FILTER PADA ESTIMASI KECEPATAN KAPAL SELAM
SIDANG TUGAS AKHIR IMPLEMENTASI ENSEMBLE KALMAN FILTER PADA ESTIMASI KEEPATAN KAPAL SELAM Oleh: RISA FITRIA 57 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH
Lebih terperinciPenerapan Sistem Persamaan Lanjar untuk Merancang Algoritma Kriptografi Klasik
Penerapan Sistem Persamaan Lanjar untu Merancang Algoritma Kriptografi Klasi Hendra Hadhil Choiri (135 08 041) Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciKAJIAN TEOREMA TITIK TETAP PEMETAAN KONTRAKTIF PADA RUANG METRIK CONE LENGKAP DENGAN JARAK-W
J. Math. and Its Appl. ISSN: 1829-605X Vol. 8, No. 2, November 2011, 43 49 KAJIAN TEOREMA TITIK TETAP PEMETAAN KONTRAKTIF PADA RUANG METRIK CONE LENGKAP DENGAN JARAK-W Sunarsini. 1, Sadjidon 2 Jurusan
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperinciPencitraan Tomografi Elektrik dengan Elektroda Planar di Permukaan
Abstra Pencitraan omografi Eletri dengan Eletroda Planar di Permuaan D. Kurniadi, D.A Zein & A. Samsi KK Instrumentasi & Kontrol, Institut enologi Bandung Jl. Ganesa no. 10 Bandung Received date : 22 November2010
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciModifikasi ACO untuk Penentuan Rute Terpendek ke Kabupaten/Kota di Jawa
187 Modifiasi ACO untu Penentuan Rute Terpende e Kabupaten/Kota di Jawa Ahmad Jufri, Sunaryo, dan Purnomo Budi Santoso Abstract This research focused on modification ACO algorithm. The purpose of this
Lebih terperinciBAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.
BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas
Lebih terperinciMetode Asimilasi Data sebagai Estimasi Penyelesaian Masalah-masalah Lingkungan
J. of Math. and Its Appl. ISSN: 1829-605X Vol. 1, No. 1 (2004), 19 Metode Asimilasi Data sebagai Estimasi Penyelesaian Masalah-masalah Lingkungan Erna Apriliani Jurusan Matematika Institut Teknologi Sepuluh
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoko Sumaryono ABSTRACT
Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoo Sumaryono ABSTRACT Noise is inevitable in communication
Lebih terperinciEstimasi Posisi Mobile Robot Menggunakan Metode Akar Kuadrat Unscented Kalman Filter (AK-UKF)
Estimasi Posisi Mobile Robot Menggunakan Metode Akar Kuadrat Unscented Kalman Filter (AK-UKF) Teguh Herlambang 1), Reizano Amri Rasyid 2), Sri Hartatik 3), Dinita Rahmalia 4) 1) Program Studi Sistem Informasi
Lebih terperinciREDUKSI RANK PADA MATRIKS-MATRIKS TERTENTU
J. Math. and Its Appl. ISSN: 89-65X Vol. 4, No., November 7, 8 REDUKSI RANK PADA MATRIKS-MATRIKS TERTENTU Erna Apriliani, Bandung Arry Sanjoyo Jurusan Matematika FMIPA Institut Teknologi Sepuluh Nopember,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,
Lebih terperinciSEMINAR TUGAS AKHIR. Penerapan Metode Ensemble Kalman Filter untuk Estimasi Kecepatan dan Ketinggian Gelombang Non Linear pada Pantai
SEMINAR TUGAS AKHIR Penerapan Metode Ensemble Kalman Filter untuk Estimasi Kecepatan dan Ketinggian Gelombang Non Linear pada Pantai Oleh: Fadila Rahmana 1208 100 044 Abstrak Gelombang laut telah menjadi
Lebih terperinciMakalah Seminar Tugas Akhir. Aplikasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self Tuning Regulator (STR)
Maalah Seminar ugas Ahir Apliasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self uning Regulator (SR) Oleh : Muhammad Fitriyanto e-mail : D_3_N2@yahoo.com Maalah Seminar ugas Ahir Apliasi
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperincitidak mempunyai fixed mode terdesentralisasi, dapat dilakukan dengan memberikan kompensator terdesentralisasi. Fixed mode terdesentralisasi pertama
BB IV PENGENDLIN TERDESENTRLISSI Untu menstabilan sistem yang tida stabil, dengan syarat sistem tersebut tida mempunyai fixed mode terdesentralisasi, dapat dilauan dengan memberian ompensator terdesentralisasi.
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciKENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA. Thiang, Resmana, Wahyudi
KENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA Thiang, Resmana, Wahyudi Jurusan Teni Eletro, Universitas Kristen Petra Jl. Siwalanerto 121-131 Surabaya Email : thiang@petra.ac.id,
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciMENYELESAIKAN PERSAMAAN DIFFERENSIAL BILANGAN BULAT DAN BILANGAN RASIONAL
MENYELESAIKAN PERSAMAAN DIFFERENSIAL BILANGAN BULAT DAN BILANGAN RASIONAL Sarta Meliana 1, Mashadi 2, Sri Gemawati 2 1 Mahasiswa Program Studi S1 Matematia 2 Dosen Jurusan Matematia Faultas Matematia dan
Lebih terperinci- Persoalan nilai perbatasan (PNP/PNB)
PENYELESAIAN NUMERIK PERSAMAAN DIFERENSIAL Persamaan diferensial biasanya digunaan untu pemodelan matematia dalam sains dan reayasa. Seringali tida terdapat selesaian analiti seingga diperluan ampiran
Lebih terperinciKARAKTERISTIK POHON FUZZY
KARAKTERISTIK POHON FUZZY Yuli Stiawati 1, Dwi Juniati 2, 1 Jurusan Matematia, Faultas Matematia dan Ilmu Pengetahuan Alam, Universitas Negeri Surabaya, 60231 2 Jurusan Matematia, Faultas Matematia dan
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciPENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU
PENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU Wahyudi 1, Adhi Susanto 2, Sasongo P. Hadi 2, Wahyu Widada 3 1 Jurusan Teni Eletro, Faultas Teni, Universitas Diponegoro, Tembalang,
Lebih terperinciBAB IV Solusi Numerik
BAB IV Solusi Numeri 4. Algoritma Genetia Algoritma Genetia (AG) [2] merupaan teni pencarian stoasti yang berdasaran pada meanisme selesi alam dan prinsip penurunan genetia. Algoritma genetia ditemuan
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series)
III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunaan data seunder bersifat runtun watu (time series) dalam periode tahunan dan data antar ruang (cross section). Data seunder tersebut
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciINTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh
INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON Maalah Disusun guna memenuhi tugas Mata Kuliah Metode Numeri yang dibimbing oleh Dr. Nur Shofianah Disusun oleh: M. Adib Jauhari Dwi Putra 146090400111001
Lebih terperinciPERENCANAAN JUMLAH TENAGA PERAWAT DI RSUD PAMEKASAN MENGGUNAKAN RANTAI MARKOV
PERENCANAAN JUMLAH TENAGA PERAWAT DI RSUD PAMEKASAN MENGGUNAKAN RANTAI MARKOV Nama Mahasiswa : Husien Haial Fasha NRP : 1207 100 011 Jurusan : Matematia FMIPA-ITS Dosen Pembimbing : Drs. Suharmadi, Dipl.
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciPendeteksi Rotasi Menggunakan Gyroscope Berbasis Mikrokontroler ATmega8535
Maalah Seminar Tugas Ahir Pendetesi Rotasi Menggunaan Gyroscope Berbasis Miroontroler ATmega8535 Asep Mubaro [1], Wahyudi, S.T, M.T [2], Iwan Setiawan, S.T, M.T [2] Jurusan Teni Eletro, Faultas Teni, Universitas
Lebih terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
Lebih terperinci3. Sebaran Peluang Diskrit
3. Sebaran Peluang Disrit EL2002-Probabilitas dan Statisti Dosen: Andriyan B. Susmono Isi 1. Sebaran seragam (uniform) 2. Sebaran binomial dan multinomial 3. Sebaran hipergeometri 4. Sebaran Poisson 5.
Lebih terperinciBEBERAPA MODIFIKASI METODE NEWTON RAPHSON UNTUK MENYELESAIKAN MASALAH AKAR GANDA. Supriadi Putra, M,Si
BEBERAPA ODIFIKASI ETODE NEWTON RAPHSON UNTUK ENYELESAIKAN ASALAH AKAR GANDA Suriadi Putra,,Si Laboratorium Komutasi Numeri Jurusan atematia Faultas atematia & Ilmu Pengetahuan Alam Universitas Riau Kamus
Lebih terperinciPENERAPAN FUZZY GOAL PROGRAMMING DALAM PENENTUAN INVESTASI BANK
PENERAPAN FUZZY GOAL PROGRAMMING DALAM PENENTUAN INVESTASI BANK Nurul Khotimah *), Farida Hanum, Toni Bahtiar Departemen Matematia FMIPA, Institut Pertanian Bogor Jl. Meranti, Kampus IPB Darmaga, Bogor
Lebih terperinciPenentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway
Rea Racana Jurnal Online Institut Tenologi Nasional Teni Sipil Itenas No.x Vol. Xx Agustus 2015 Penentuan Nilai Eivalensi Mobil Penumpang Pada Ruas Jalan Perotaan Menggunaan Metode Time Headway ENDI WIRYANA
Lebih terperinciPROGRAM SIMULASI UNTUK REALISASI STRUKTUR TAPIS INFINITE IMPULSE RESPONSE UNTUK MEDIA PEMBELAJARAN DIGITAL SIGNAL PROCESSING
Konferensi asional Sistem dan Informatia 28; Bali, ovember 15, 28 KS&I8-44 PROGRAM SIMULASI UTUK REALISASI STRUKTUR TAPIS IFIITE IMPULSE RESPOSE UTUK MEDIA PEMBELAJARA DIGITAL SIGAL PROCESSIG Damar Widjaja
Lebih terperinci