Analisis Serangan dengan Selective Plaintext pada Sebuah Algoritma Enkripsi Citra Berbasis Chaos
|
|
- Sukarno Atmadja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Analss Serangan dengan Selectve Plantext pada Sebuah Algortma Enkrps Ctra Berbass Chaos Rnald Munr 1) 1) Program Stud Informatka, Sekolah Teknk Elektro dan Informatka (STEI), ITB Jl. Ganesha 10, Bandung emal : rnald-m@ste.tb.ac.d ABSTRAK Enkrps ctra sederhana dengan teknk meng-xor-kan pxel-pxel plan-mage dengan kunc tdak aman terhadap serangan known-plantext attack. Dengan memlh sejumlah plan-mage dan cpher-mage yang berkoresponden, kunc dapat dtemukan dengan mudah. Varan known-plantext attack semacam n dnamakan selectve plantext attack. Makalah n memaparkan analss serangan selectve-plantext terhadap sebuah usulan algortma enkrps ctra berbass chaos. Algortma tersebut menggabungkan teknk permutas (mengguankan Arnold Cat Map) dan teknk substtus (menggunakan operas XOR). Berdasarkan serangkaan ekspermen yang telah dlakukan dapat dsmpulkan bahwa mengacak pxelpxel sebelum operas XOR dapat membuat algortma aman terhadap serangan selectve-plantext. Kata Kunc: Enkrps ctra, chaos, selectve-plantext attack. Keamanan nformas merupakan topk yang pentng saat n. Informas dalam bentuk data multmeda sepert ctra dgtal perlu dlndung dar pengaksesan yang legal, bak pada ctra yang dtransmskan maupun pada ctra yang tersmpan. Masalah keamanan n dapat dtangan dengan mengenkrps ctra tersebut. Enkrps ctra adalah proses menyandkan ctra ke bentuk vsual lan yang tdak bermakna lag. Peneltan tentang enkrps ctra berbass chaos merupakan topk yang menark dan hngga saat n sudah banyak algortma enkrps yang sudah dusulkan. Kebanyakan algortma enkrps ctra dalam ranah spasal melakukan pengubahan nla pxel dengan menggunakan kunc rahasa. Salah satu operas yang umum dtemukan pada kebanyakan algortma enkrps ctra dalam ranah spasal adalah operas exclusve-or (XOR). Nla pxel d-xor-kan dengan kunc yang dbangktkan dar sebuah pembangkt blangan acak. Operas XOR dgunakan dalam enkrps ctra karena relatf cepat dan mudah dmplementaskan. Namun, enkrps dengan operas XOR memlk kelemahan, yatu rawan terhadap serangan menggunakan selectve plantext. Peneltan d dalam [1, 2, 3] menyatakan bahwa plan- D-24 mage dapat dtemukan melalu serangan selectve plantext meskpun phak lawan tdak mengetahu kunc dan algortma yang dgunakan. Hongme d dalam [4] mendemonstraskan melalu k buah plan-mage dan k buah cpher-mage yang denkrps dengan algortma dan kunc yang sama, ternyata krptanals dapat mendeduks plan-mage dar cpher-mage dan beberapa selectve plan-mage. Makalah n mempresentaskan analss serangan selectve plantext pada algortma enkrps ctra yang dusulkan d dalam [5]. Tujuan analss n adalah untuk mengetahu apakah serangan tersebut dapat berhasl menemukan plan-mage dar cpher-mage yang dperoleh dar algortma tersebut. Melalu serangkaan ekspermen sepert yang dlakukan oleh Hongme d dalam [4], akan dbuktkan keamanan algortma tersebut terhadap serangan selectve plantext. 2. Dasar Teor 1. Pendahuluan 2.1 Operator XOR dan Sfat-Sfatnya Operator XOR adalah operator boolean yang serng dtemukan d dalam algortma enkrps yang beroperas dalam mode bt. Nla boolean true dapat dsamakan dengan 1 dan nla false sama dengan 0. Aturan operas bt dengan XOR adalah sebaga berkut: 0 0 = 0; 0 1 = 1; 1 0 = 1; 1 1 = 0. Msalkan a, b, dan c adalah peubah boolean, maka sfat-sfat n dpenuh oleh operator XOR: () a a = 0 () a 0 = a () a b = b a (Hukum Komutatf) (v) a (b c) = (a b) c (Hukum Asosatf) Jka dua rangkaan bt doperaskan dengan XOR, maka operasnya dkerjakan dengan meng-xor-kan setap btbt yang berkoresponden pada dua rangkaan bt tersebut. Algortma enkrps yang sederhana meng-xor-kan planteks (P) dengan kunc (K) dan menghaslkan cpherteks C dengan persamaan: C = P K (1)
2 Karena meng-xor-kan planteks dua kal berturutturut menghaslkan nla semula, maka dekrps dlakukan dengan persamaan: P = C K (2) Bukt: C K = (P K) K (substtus dengan (1)) = P (K K) (Hukum ()) = P 0 (Hukum ()) = P (Terbukt) Serangan yang lazm dtemukan pada algortma enkrps sederhana dengan XOR adalah known-plantext attack dan cphertext-only attack. Pada known-plantext attack, jka K adalah kunc yang sama dgunakan untuk mengenkrps bermacam-macam planteks, maka jka sebuah cpherteks C dan planteks yang berkoresponden P dketahu, maka kunc K dapat dtemukan dengan meng- XOR-kan P dan C sebaga berkut: P C = P (P K) = (P P) K = 0 K = K Kunc K yang dhaslkan n dapat dgunakan untuk mendekrps planteks yang lan dengan persamaan (2). Pada cphertext-only attack, krptanals memlk dua cpherteks C 1 dan C 2 yang keduanya denkrps dengan kunc K yang sama. Dengan meng-xor-kan kedua cpherteks n dperoleh dua planteks yang ter-xor satu sama lan: C 1 C 2 = (P 1 K) (P 2 K) = (P 1 P 2 ) (K K) = (P 1 P 2 ) 0 = (P 1 P 2 ) Jka salah satu P 1 atau P 2 dapat dterka, maka kunc K dapat dtemukan. x 1 y q p pq 1-1 x y 1 1 mod( N) (4) Nla p, q, dan jumlah teras m dapat danggap sebaga kunc yang harus tetap djaga kerahasaannya. 2.3 Logstc Map Logstc Map adalah fungs chaos satu dmens yang ddefnskan sebaga x + 1 = x (1 x ) (5) yang dalam hal n 0 < x < 1 dan 0 < 4. Untuk memula teras Logstc Map dperlukan nla awal x 0. Nla awal chaos, x 0, dan parameter berperan sebaga kunc rahasa. Agar bsa menjad keystream, maka nlanla acak x dtransformaskan menjad nteger. Cara transformas yang sederhana adala dengan mengambl bagan desmal dar blangan rl, membuang angka nol yang tdak sgnfkan, lalu mengekstrak sejumlah dgt nteger. 3. Algortma Enkrps Sederhana dengan XOR Msalkan P = {p j }adalah ctra plan-mage yang berukuran m n, K = {k j } adalah matrks kunc yang berukuran m n, maka enkrps ctra sederhana dengan operator XOR menghaslan ctra cpher-mage C = {c j } sedemkan sehngga c j = p j k j. Dengan kata lan, setap pxel d dalam plan-mage denkrps dengan elemen kunc yang berbeda. 2.2 Arnold Cat Map Arnold Cat Map (ACM) adalah fungs chaos 2-D yang mentransformaskan koordnat (x, y) d dalam ctra yang berukuran N N ke koordnat baru (x, y ). Persamaan terasnya adalah x y q p pq 1 x mod( N) y yang dalam hal n p dan q adalah nteger postf sembarang. Dmens matrks ACM harus 1 untuk menjamn hasl transformasnya berada dalam area ctra. ACM dteraskan sebanyak m kal dan setap teras menghaslkan ctra yang acak. Ctra yang sudah dacak oleh ACM dapat drekonstruks menjad ctra semula dengan menggunakan parameter nla yang sama (p, q, dan m). Persamaan nvers ACM adalah (3) (c) (c) Gambar 1. Ctra Lenna ; plan-mage; cpher-mage; (c) kunc yang dgunakan; (d) plan-mage hasl dekrps D-25
3 Gambar 1 memperlhatkan enkrps terhadap ctra Lenna dengan algortma XOR sederhana. Gambar 1 adalah plan-mage dar ctra Lenna, Gambar 1 adalah cpher-mage dar ctra Lenna. Matrks K yang dgunakan adalah sekumpulan blangan bulat acak yang nlanya dar 0 sampa 255. Representas ctra dar matrks K dperlhatkan pada Gambar 1(c). Hasl dekrps terhadap cpher-mage dengan kunc K yang sama menghaslkan kembal ctra plan-mage semula (Gambar 1(c)). 4. Tnjauan Sngkat Algortma Enkrps Ctra Berbass Chaos yang Dusulkan Gambar 3 memperlhatkan masng-masng dagram encodng dan decodng pada tahap enkrps dan dekrps yang dmaksudkan. c - 2 k - 1 p - 1 k p... Sebuah algortma enkrps ctra berbass chaos telah dpresentaskan d dalam [5]. Algortma tersebut menggabungkan teknk permutas dan substtus. Dua buah chaotc map dgunakan pada masng-masng teknk yatu Arnold Cat Map (ACM) dan Logstc Map. Gars besar algortma enkrpsnya adalah mengacak terlebh dahulu pxel-pxel dengan Arnold Cat Map, selanjutnya, pxel-pxel tersebut dubah nlanya melalu operas XOR dengan keystream yang dbangktkan dar Logstc Map. Algortma dekrps merupakan kebalkan dar algortma menkrps. Gambar 2 memperlhatkan dagram enkrps dan dekrps d dalam algortma tersebut. k - 1 c - 2 c - 1 c - 1 k c c... p - 1 p Gambar 3. Dagram encodng; dagram decodng [5] Gambar 2. Dagram enkrps; dagram dekrps dar algortma enkrps ctra yang dusulkan d dalam [5] Proses encodng pada tahap enkrps dlakukan dengan persamaan berkut: c ( p c 1 ) k (6) sedangkan proses decodng pada tahap dekrps menggunakan persamaan: p ( c k1 ) c 1 (7) 5. Ekspermen Selectve Plantext Attack Selectve plantext attack termasuk ke dalam knownplantext attack, yang dalam hal n penyerang dapat memlh sejumlah planteks dan cpherteks yang berkoresponden untuk mendeduks kunc. Msalkan anda mempunya koleks foto d dalam sebuah bass data. Jka setap foto denkrps dengan kunc yang berbeda dan dengan algortma enkrps yang berbeda (untuk memaksmalkan keamanan) maka anda harus mengngat semua kunc.dan algortma yang dgunakan. Cara sepert n n jelas tdak prakts. Cara yang lebh mangkus (efsen) adalah mengenkrpsnya dengan algortma yang sama dan kunc yang sama. Msalkan d dalam bass data foto tersebut dsmpan sejumlah cpher-mage C 1, C 2,, C n yang merupakan vers terenkrps dar plan-mage P 1, P 2,, P n. Semua ctra denkrps dengan algortma yang sama dan kunc yang sama. Msalkan krptanals dapat mencur atau menerka sejumlah plan-mage dar cpher-mage yang berkoresponden. Dengan memlh beberapa plan-mage, D-26
4 krptanals berharap dapat mendeduks kunc rahasa (atau kunc yang ekvalen), selanjutnya kunc tersebut dgunakan untuk mendekrps cpher-mage yang lan. Tnjau ekspermen serangan selectve-plantext, masngmasng pada algortma enkrps sederhana dengan XOR dan algortma enkrps berbass chaos yang dusulkan. Tanpa kehlangan generalsas, percobaan hanya dlakukan pada ctra grayscale saja. Dalamkspermen n dgunakan tga buah ctra grayscale yatu ctra kapal (P 1 ), ctra desa (P 2 ), dan ctra gedung sate (P 3 ). 5.1 Serangan pada Algortma Enkrps XOR Sederhana Gambar 4 memperlhatkan serangan dengan selectve plantext. Tga buah plan-mage P 1, P 2, dan P 3 telah denkrps dengan algortma XOR sederhana menghaslkan tga cpher-mage C 1, C 2, dan C 3. Ketga buah plan-mage denkrps dengan kunc K yang sama (yang tdak dketahu oleh krptanals). P 1 C 1 (c) C 1 C 2 = 0 K = K Jad, kunc rahasa (atau yang ekvalen dengan) K berhasl dtemukan. Untuk membuktkan bahwa K adalah kunc yang benar, maka selanjutnya K = C 2 P 2 dgunakan untuk mendekrps salah satu cpher-mage yatu C 3 : (C 2 P 2 ) C 3 = K C 3 = K (P 3 K) = (K K) P 3 = 0 P 3 = P 3 Hasl yang terakhr n benar sehngga kunc rahasa K yang benar sudah dtemukan. Selanjutnya K dapat dgunakan untuk mendekrps semua cpher-mage d dalam bass data foto. Dar ekspermen n dapat dsmpulkan bahwa algortma enkrps ctra dengan XOR sederhana tdak aman terhadap selectve plantext attack. 5.2 Serangan pada Algortma Enkrps Berbass Chaos yang Dusulkan Sama sepert ekspermen sebelumnya, tga buah planmage P 1, P 2, dan P 3 telah denkrps dengan algortma berbass chaos yang telah djelaskan pada Bagan 4. Haslnya adalah tga buah cpher-mage C 1, C 2, dan C 3. Ketga buah plan-mage tersebut denkrps dengan kunc K yang sama (yang tdak dketahu oleh krptanals). (d) P 2 (e) C 2 (f) C 2 P 2 P 1 C 1 (c) C 1 C 2 (g) P 3 (h) C 3 () (C 2 P 2 ) C 3 Gambar 4. Serangan dengan selectve plantext pada algortma enkrps XOR sederhana Gambar 4(c) adalah dua buah cpher-mage yang ter- XOR satu sama lan (C 1 C 2 ). Belum ada nformas kunc yang dapat dperoleh dar C 1 C 2. Gambar 4(f) adalah hasl peng-xor-an C 2 dan P 2 (yatu C 2 P 2 ). Jka hasl C 2 P 2 d-xor-kan dengan C 3 maka C 3 berhasl ddekrps menjad plan-mage (P 3 ), sehngga C 2 P 2 dapat danggap sebaga kunc rahasa yang ekvalen. Penjelasannya adalah sebaga berkut: C 2 P 2 = (P 2 K) P 2 = (P 2 P 2 ) K D-27 (d) P 2 (e) C 2 (f) C 2 P 2 (g) P 3 (h) C 3 () (C 2 P 2 ) C 3 Gambar 5. Serangan dengan selectve plantext pada algortma enkrps berbass chaos yang dusulkan
5 Hasl ekspermen yang dtunjukkan pada Gambar 5 memperlhatkan bahwa selectve plantext attack tdak berhasl mendeduks kunc dar C 2 P 2. Karena C 2 P 2 tdak menghaslkan kunc rahasa maka hasl dekrps C 3 dengan C 2 P 2 tdak berhasl mengembalkan planmage. Penjelasannya adalah sebaga berkut: Ingatlah bahwa sebelum d-xor-kan dengan kunc K, plan-mage dacak terlebh dahulu dengan Arnold Cat Map (ACM). Dengan demkan, C 2 P 2 = (ACM(P 2 ) K) P 2 = P 2 K P 2 = X yang dalam hal n P 2 adalah hasl pengacakan dengan ACM dan X adalah matrks acak lan yang tdak sama dengan kunc. Selanjutnya, (C 2 P 2 ) C 3 = X C 3 = X (ACM(P 3 ) K) = X P 3 K = Y yang dalam hal n P 3 adalah hasl pengacakan dengan ACM dan Y adalah ctra acak lan yang tdak sama dengan salah satu plan-mage yang dplh. Ekspermen n menunjukkan bahwa algortma enkrps ctra berbass chaos yang dusulkan d dalam [5] aman terhadap selectve plantext attack. Pengacakan pxel-pxel ctra sebelum dlakukan operas XOR dengan kunc telah menngkatkan tngkat keamanan algortma dar serangan semacam n yang bertujuan mendeduks kunc. REFERENSI [1] Fangjun Huang, Informaton Securty Research Based on Dscrete Chaotc Theory, Huazhong Unversty of Scence and Technology, Wuhan, [2] Shujun L, Xuan Zheng, On the Securty of an mage encrypton method, n Proceedng 2002 Internatonal Conference Image Processng, 2002, vol. 2, pp [3] Jasheng Lu, Study on Chaos-based Image Encrypton Technology, Anhu Unversty, 2007, pp [4] Tang Hongme, Han Lyng, He Yu, Wang Xa, An Improved Compound Image Encrypton Scheme, n Proc Internatonal Conference and Communcaton Technologes n Agrculture Engneerng, [5] Rnald Munr, Algortma Enkrps Ctra Dgtal Berbass Chaos dengan Penggabungan Teknk Permutas dan Teknk Substtus Menggunakan Arnold Cat Map dan Logstc Map, dalam Prosddng Konferens Nasonal Penddkan Teknk Informatka (SENAPATI) 2012, Unverstas Penddkan Ganesha (Undksha), Sngaraja, Bal 6. Kesmpulan D dalam makalah n telah dpresentaskan analss serangan selectve plantext terhadap sebuah algortma enkrps ctra berbass chaos yang mengkombnaskan teknk permutas dan teknk substtus. Sebaga pembandngnya adalah serangan selectve plantext pada algortma enkrps sederhana dengan XOR. Tujuan serangan selectve plantext adalah untuk mendeduks kunc dar sejumlah plan-mage dan cpher-mage. Hasl ekspermen menunjukkan bahwa algortma enkrps ctra berbass chaos tersebut aman terhadap serangan selectve plantext, karena pengacakan pxel-pxel ctra sebelum dlakukan operas XOR telah menngkatkan tngkat keamanan algortma dar pendeduksan kunc. 7. ACKNOWLEDGMENT Peneltan yang dpublkaskan d dalam makalah n sepenuhnya ddukung oleh dana Rset dan Inovas KK 2012 (Program Rset ITB 2012). D-28
ALGORITMA ENKRIPSI CITRA DIGITAL BERBASIS CHAOS DALAM GABUNGAN RANAH FREKUENSI DAN RANAH SPASIAL
Konferens asonal Sstem Informas 2013, STMIK Bumgora Mataram 14-16 Pebruar 2013 Makalah omor: KSI-347 ALGORITMA EKRIPSI CITRA DIGITAL BERBASIS CHAOS DALAM GABUGA RAAH FREKUESI DA RAAH SPASIAL Rnald Munr
Lebih terperinciPengembangan Algoritma Enkripsi Selektif Citra Digital dalam Ranah Spasial dengan Mode CBC-like Berbasiskan Chaos
Semnar on Intellgence Technology and Its Applcaton (SITIA) 2012 Pengembangan Algortma Enkrps Selektf Ctra Dgtal dalam Ranah Spasal dengan Mode CBC-lke Berbasskan Chaos Rnald Munr 1) 1) Sekolah Teknk Elektro
Lebih terperinciSistem Kriptografi Stream Cipher Berbasis Fungsi Chaos Circle Map Dengan Pertukaran Kunci Diffie-Hellman
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Sstem Krptograf Stream Cpher Berbass Fungs Chaos Crcle Map Dengan Pertukaran Kunc Dffe-Hellman A-6 Muh. Fajryanto 1,a), Aula Kahf 2,b), Vga Aprlana
Lebih terperinciPembangkitan Kunci Berantai Semi-Random Untuk Algoritma One Time Pad
embangktan Kunc Beranta Sem-Random Untuk Algortma One Tme ad Made Harta Dwjaksara 1) 1) rogram Stud Teknk Informatka, ITB, Bandung 40132, emal: f14137@students.f.tb.ac.d Abstraks One tme pad adalah algortma
Lebih terperinciBab 1 Ruang Vektor. R. Leni Murzaini/0906577381
Bab 1 Ruang Vektor Defns Msalkan F adalah feld, yang elemen-elemennya dnyatakansebaga skalar. Ruang vektor atas F adalah hmpunan tak kosong V, yang elemen-elemennya merupakan vektor, bersama dengan dua
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Matematka dbag menjad beberapa kelompok bdang lmu, antara lan analss, aljabar, dan statstka. Ruang barsan merupakan salah satu bagan yang ada d bdang
Lebih terperinciUJI PRIMALITAS. Sangadji *
UJI PRIMALITAS Sangadj * ABSTRAK UJI PRIMALITAS. Makalah n membahas dan membuktkan tga teorema untuk testng prmaltas, yatu teorema Lucas, teorema Lucas yang dsempurnakan dan teorema Pocklngton. D sampng
Lebih terperinciModifikasi Spread Spectrum Watermarking dari Cox Berbasiskan pada Enkripsi Chaotic
Modfkas Spread Spectrum Watermarkng dar Cox Berbasskan pada Enkrps Chaotc Rnald Munr, Bambang Ryanto, Sarwono Sutkno, Wseto P. Agung Sekolah Teknk Elekto dan Informatka, ITB, Bandung 40132 e-mal: rnald-m@ste.tb.ac.d
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciBEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA
BEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA A-3 Dan Aresta Yuwanngsh 1 1 Mahasswa S Matematka UGM dan.aresta17@yahoo.com Abstrak Dberkan R merupakan rng dengan elemen satuan, M R-modul kanan, dan R S End
Lebih terperinciBAB I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Ctra dgtal merupakan ctra hasl dgtalsas yang dapat dolah pada suatu komputer dgtal [12]. Ctra dgtal tersusun atas sejumlah elemen. Elemen-elemen yang menyusun ctra
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciSEMI RING POLINOM ATAS ALJABAR MAX-PLUS
JMP : Volume 4 Nomor 2, Desember 2012, hal. 289-297 SEMI RING POLINOM ATAS ALJABAR MAX-PLUS Suroto Prod Matematka, Jurusan MIPA, Fakultas Sans dan Teknk Unverstas Jenderal Soedrman e-mal : suroto_80@yahoo.com
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciBAB II TINJAUAN PUSTAKA. George Boole dalam An Investigation of the Laws of Thought pada tahun
BAB II TINJAUAN PUSTAKA 2.1 Aljabar Boolean Barnett (2011) menyatakan bahwa Aljabar Boolean dpublkaskan oleh George Boole dalam An Investgaton of the Laws of Thought pada tahun 1954. Dalam karya n, Boole
Lebih terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciHistogram Citra. Bab Membuat Histogram
Bab 6 Hstogram Ctra I nformas pentng mengena s ctra dgtal dapat dketahu dengan membuat hstogram ctra. Hstogram ctra adalah grafk yang menggambarkan penyebaran nla-nla ntenstas pxel dar suatu ctra atau
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 terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciKOMPARASI HASIL BELAJAR SISWA DENGAN MEDIA MACROMEDIA FLASH DAN MICROSOFT POWERPOINT YANG DISAMPAIKAN MELALUI PENDEKATAN CHEMO-EDUTAINTMENT
Sgt Pratmoko, dkk. Komparas Hasl Belajar Sswa... 99 KOMPARASI HASIL BELAJAR SISWA DENGAN MEDIA MACROMEDIA FLASH DAN MICROSOFT POWERPOINT YANG DISAMPAIKAN MELALUI PENDEKATAN CHEMO-EDUTAINTMENT Sgt Pratmoko,
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciDekomposisi Nilai Singular dan Aplikasinya
A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciSISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS
SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS A8 M. Andy Rudhto 1 1 Program Stud Penddkan Matematka FKIP Unverstas Sanata Dharma Kampus III USD Pangan Maguwoharjo Yogyakarta 1 e-mal: arudhto@yahoo.co.d
Lebih terperinciSISTEM PENGKODEAN DATA FILE TEKS PADA KEAMANAN INFORMASI MENGGUNAKAN METODE ALGORITMA CAST-128
Meda Informatka Vol. 6 No. 3 (2007) Abstrak SISTEM PENGKODEAN DATA FILE TEKS PADA KEAMANAN INFORMASI MENGGUNAKAN METODE ALGORITMA CAST-128 Tacbr Hendro Pudjantoro Fakultas Matematka dan Ilmu Pengetahuan
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciSifat-sifat Operasi Perkalian Modular pada Graf Fuzzy
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 07 Sfat-sfat Operas Perkalan Modular pada raf Fuzzy T - 3 Tryan, ahyo Baskoro, Nken Larasat 3, Ar Wardayan 4,, 3, 4 Unerstas Jenderal Soedrman transr@yahoo.com.au
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciAPLIKASI PERKONGRUENAN DALAM MENYELESAIKAN SISTEM PERSAMAAN LINEAR DUA PEUBAH. Yuni Yulida dan Muhammad Ahsar K
Jurnal Matematka Murn dan Terapan Vol. 3 No. Desember 009: 4-6 APLIKASI PERKONGRUENAN DALAM MENYELESAIKAN SISTEM PERSAMAAN LINEAR DUA PEUBAH Yun Yulda dan Muhammad Ahsar K Program Stud Matematka Unverstas
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciHUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT
HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT ABSTRAK STEVANY HANALYNA DETHAN Fakultas Ekonom Unv. Mahasaraswat Mataram e-mal : stevany.hanalyna.dethan@gmal.com
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciPERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM
PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM 1) Membuat dstrbus frekuens. 2) Mengetahu apa yang dmaksud dengan Medan, Modus dan Mean. 3) Mengetahu cara mencar Nla rata-rata (Mean). TEORI PENUNJANG
Lebih terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciSTUDI LIMA ALGORITMA FINALIS ADVANCED ENCRYPTION STANDARD
STUDI LIMA ALGORITMA FINALIS ADVANCED ENCRYPTION STANDARD Nurkhols Madjd -- NIM 13503047 Program Stud Teknk Informatka, Insttut Teknolog Bandung Jl. Ganesha 10, Bandung E-mal : f13047@students.f.tb.ac.d
Lebih terperinciMETODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar
Lebih terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciLAPORAN PENELITIAN. Pola Kecenderungan Penempatan Kunci Jawaban Pada Soal Tipe-D Melengkapi Berganda. Oleh: Drs. Pramono Sidi
LAPORAN PENELITIAN Pola Kecenderungan Penempatan Kunc Jawaban Pada Soal Tpe-D Melengkap Berganda Oleh: Drs. Pramono Sd Fakultas Matematka dan Ilmu Pengetahuan Alam Me 1990 RINGKASAN Populas yang dambl
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciAnalisis Kecepatan Dan Percepatan Mekanisme Empat Batang (Four Bar Lingkage) Fungsi Sudut Crank
ISSN 907-0500 Analss Kecepatan Dan Percepatan Mekansme Empat Batang (Four Bar ngkage Fungs Sudut Crank Nazaruddn Fak. Teknk Unverstas Rau nazaruddn.unr@yahoo.com Abstrak Pada umumnya analss knematka dan
Lebih terperinciSEARAH (DC) Rangkaian Arus Searah (DC) 7
ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciPenyisipan Robust Watermark Dalam Suatu Citra Untuk Perlindungan Hak Cipta
Penyspan Robust Watermark Dalam Suatu Ctra Untuk Perlndungan Hak Cpta MURINTO Program Stud Teknk Informatka Unerstas Ahmad Dahlan Jogakarta Jl.Prof.Dr. Soepomo, Janturan, Jogakarta.Telp. (07) 3798 emal
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 terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang. menghimpun dana dari pihak yang kelebihan dana (surplus spending unit) kemudian
Pengaruh Captal Structure terhadap Proftabltas pada Industr Perbankan d Indonesa Mutara Artkel n d-dgtalsas oleh Perpustakaan Fakultas Ekonom-Unverstas Trsakt, 2016. 021-5663232 ext.8335 BAB I PENDAHULUAN
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciPADA GRAF PRISMA BERCABANG
PELABELAN TOTAL SUPER (a, d)-busur ANTI AJAIB PADA GRAF PRISMA BERCABANG Achmad Fahruroz,, Dew Putre Lestar,, Iffatul Mardhyah, Unverstas Gunadarma Depok Program Magster Fakultas MIPA Unverstas Indonesa
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciBAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini akan dibahas mengenai ring embedding dan faktorisasi. tunggal pada ring komutatif tanpa elemen kesatuan.
BAB III PEMBAHASAN Pada bab n akan dbahas mengena rng embeddng dan faktorsas tunggal pada rng komutatf tanpa elemen kesatuan. A. Rng Embeddng Defns 3.1 (Malk et al. 1997: 318 Suatu rng R dkatakan embedded
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciDIMENSI PARTISI GRAF GIR
Jurnal Matematka UNAND Vol. 1 No. 2 Hal. 21 27 ISSN : 2303 2910 c Jurusan Matematka FMIPA UNAND DIMENSI PARTISI GRAF GIR REFINA RIZA Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam,
Lebih terperinciALJABAR LINIER LANJUT
ALABAR LINIER LANUT Ruang Bars dan Ruang Kolom suatu Matrks Msalkan A adalah matrks mnatas lapangan F. Bars pada matrks A merentang subruang F n dsebut ruang bars A, dnotaskan dengan rs(a) dan kolom pada
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Menghadap era globalsas yang penuh tantangan, aparatur negara dtuntut untuk dapat memberkan pelayanan yang berorentas pada kebutuhan masyarakat dalam pemberan pelayanan
Lebih terperinciPENGAMANAN PESAN RAHASIA MENGGUNAKAN ALGORITMA KRIPTOGRAFI ELGAMAL ATAS GRUP PERGANDAAN Zp*
SKRIPSI PENGAMANAN PESAN RAHASIA MENGGUNAKAN ALGORITMA KRIPTOGRAFI ELGAMAL ATAS GRUP PERGANDAAN Zp* Sebaga salah satu syarat untuk memperoleh derajat S-1 Program Stud Matematka pada Jurusan Matematka Dsusun
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciKonferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 DAFTAR REVIEWER
Konferens Nasonal Sstem & Informatka 2015 STMIK STIKOM Bal, 9 10 Oktober 2015 DAFTAR REVIEWER Dr. Agus Harjoko Prof. Dr. Sr Hartat Dr.-Ing. Reza Pulungan Dr. Djoko Soetarno, DEA Dr. Ir. Rla Mandala, M.Eng
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciSOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN
SOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN Ita Rahmadayan 1, Syamsudhuha 2, Asmara Karma 2 1 Mahasswa Program Stud S1 Matematka
Lebih terperinciPERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA
Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN :2087-0922 PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL
Lebih terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciBAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi
BAB III FUNGSI MAYOR DAN MINOR Pada bab n akan dbahas konsep-konsep dasar dar fungs mayor dan fungs mnor dar suatu fungs yang terdefns pada suatu nterval tertutup. Pendefnsan fungs mayor dan mnor tersebut
Lebih terperinciUKURAN LOKASI, VARIASI & BENTUK KURVA
UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Sampel yang digunakan dalam penelitian ini adalah data pengujian pada
BAB 5 ASIL DAN PEMBAASAN 5. asl Peneltan asl peneltan akan membahas secara lebh lengkap mengena penyajan data peneltan dan analss data. 5.. Penyajan Data Peneltan Sampel yang dgunakan dalam peneltan n
Lebih 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 terperinci