PEMANFAATAN JARINGAN SARAF TIRUAN UNTUK PENYELESAIAN PERMASALAHAN OPTIMASI NONLINIER
|
|
- Widya Agusalim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Semnar Nasonal Aplkas eknolog Informas 0 (SNAI 0) ISSN: Yogyakarta, 7-8 Jun 0 PEMANFAAAN JARINGAN SARAF IRUAN UNUK PENYELESAIAN PERMASALAHAN OPIMASI NONLINIER Vctor Harad ), Rully Soelaman ),) Jurusan eknk Informatka, Fakultas eknolog Informas, Insttut eknolog Sepuluh Nopember, Surabaya Gedung eknk Informatka, Kampus IS, Jl. Raya IS, Sukollo, Surabaya - 60 emal : vctor@ts-sby.edu, rully@ts-sby.edu ABSRAK Saat n semakn banyak permasalahan pada kehdupan sehar-har yang memerlukan pendekatan optmas dalam penyelesaannya. Pendekatan optmas sendr menyedakan banyak alternatf metode yang dapat dplh sesua dengan karakterstk permasalahan yang akan dselesakan. Penyelesaan permasalahan rl menggunakan pendekatan optmas akan melbatkan model matemats. Model yang dbuat/dgunakan akan menentukan pada kordor teknk optmas mana kta akan bekerja. Secara gars besar, permasalahan dalam teknk optmas dapat berupa permasalahan (pemrograman) lner atau non lner. Sebenarnya kedua kelompok permasalahan n mash memberkan ruang cukup luas bag kegatan rset yang bertujuan untuk merancang konsep atau metode penyelesaan yang lebh efsen. Namun pemrograman non lner menysakan area yang lebh luas, mengngat model-model non lner serngkal memlk bentuk yang lebh kompleks dan dnams. Klas-klas pemrograman non lner dapat dtentukan dar bentuk Ddan karakterstk fungs tujuan/obyekt serta dar keberadaan dan bentuk fungs pembatasnya. Salah satu subklas dalam permasalahan pemrograman nonlner adalah masalah pemrograman kuadratk dengan fungs obyektf berbentuk fungs konveks. Peneltan n membahas penggunaan recurrent neural network untuk menyelesakan permasalahan mnmsas pemrograman kuadratk dengan batasan lner. Recurrent neural network dgunakan karena mempunya kelebhan pada strukturnya yang lebh sederhana dan komplekstas yang lebh rendah untuk dmplementaskan darpada neural network yang dgunakan sebelumnya untuk menyelesakan permasalahan tersebut d atas. In menunjukkan bahwa recurrent neural network lebh stabl pada keadaan Lyapunov dan secara global mampu mencapa konvergens dalam waktu sngkat. Kata kunc: teknk optmas, pemrograman nonlner, pemrograman kuadratk, recurrent neural network.. PENDAHULUAN Banyak permasalahan perekayasaan dapat dselesakan dengan mengubah permasalahan orsnal menjad permasalahan optmas konveks dengan batasan lnear. Sebaga contohnya, permasalahan kuadrat terkecl dengan batasan persamaan lnear dapat dlhat sebaga framework dasar yang dgunakan secara luas untuk system modellng dan desan dalam aplkas-aplkas yang bervaras sepert sgnal and mage processng serta pengenalan pola. Pada berbaga aplkas, penyelesaan realtme basanya pentng. Salah satu contohnya pada pengolahan ctra mage fuson untuk transms ctra wreless real-tme. Dbandngkan dengan metode numerk tradsonal untuk optmas dengan batasan, pendekatan neural network memlk beberapa kelebhan pada aplkas-aplkas real-tme. Pertama, struktur dar neural network dapat dmplementas secara efektf menggunakan VLSI dan teknolog optkal. Kedua, neural network dapat menyelesakan banyak permasalahan optmas dengan parameter yang bermacam-macam. Ketga, teknk ordnary dfferental equaton (ODE) numerk dapat daplkaskan secara langsung pada neural network. Dalam makalah n dcoba penggunaan onelayer neural network untuk menyelesakan permasalahan-permasalahan optmas konveks.. PEMROGRAMAN NON LINIER DAN PEMROGRAMAN KUADRAIK Permasalahan pemrograman non lner adalah proses untuk menyelesakan sstem (persamaan atau pertdaksamaan), secara bersamaan dalam jangka waktu tertentu dengan menyertakan fungs obyektf non lner untuk maksmas atau mnmsas. Jka fungs obyektf yang dmaksud berbentuk fungs kuadratk dengan fungs-fungs pembatas berbentuk lner, maka permasalahannya dsebut Permasalahan Pemrograman Kuadratk (PPK) []... Bentuk dasar pemrograman kuadratk Bentuk dasar pemrograman kuadratk bentuk prmal dan dual adalah [5]: Bentuk Prmal : Mnmas f(x) = ½ x Qx + c x Subject to g(x) = Ax b (.) Bentuk Dual: Maksmas f(x) = - ½ x Qx + b y Subject to g(x) = c + Qx - A y + z (.) dengan : F-6
2 Semnar Nasonal Aplkas eknolog Informas 0 (SNAI 0) ISSN: Yogyakarta, 7-8 Jun 0 A : matrks berdmens m x n yang bers koefsen varabel keputusan dalam fungs pembatas; Q : matrks smetrs berdmenas n x n yang bers koefsen dar suku kuadratk fungs obyektf; c : vektor berdmens n yang bers koefsen dar suku lner fungs obyektf; b : vektor berdmens m untuk menampung koefsen yang ada d ss kanan; x : vektor berdmens n untuk menampung semua varabel keputusan; m : menunjukkan jumlah fungs pembatas; n : menunjukkan jumlah varabel keputusan yang dgunakan; y : vektor berdmens m untuk menampung varabel bentukan yang dgunakan dalam fungs obyektf bentuk dual; z : vektor berdmens n untuk menampung varabel bentukan yang dgunakan dalam fungs pembatas bentuk dual; Formulas umum Lagrange multpler yang dtuls dengan mengkatkan varabel dual, sepert berkut: L(x, )= c x + ½ x Qx - y (Ax-b) (.4) dmana y merupakan varabel dual dar persamaan prmal pemrograman kuadratk. Dkatakan bahwa sebuah sstem permasalahan nonlner (khususnya permasalahan pemrograman kuadratk) akan memlk solus optmal, yatu apabla memenuh konds KK. Konds KK merupakan turunan pertama dar persamaan umum Lagrange (.4). Sehngga persamaan konds KK yang dgunakan menjad : c + Qx A y + z = 0 Ax - b = 0 xz = 0 (x,z) 0 (.5).. Konvekstas fungs obyektf Uj konvekstas dlakukan untuk memastkan bahwa permasalahan kta memlk satu hmpunan solus yang unk. Selan pengujan analts melalu fungs obyektfnya, uj konvekstas n dapat memanfaatkan matrks Q. Suatu fungs obyektf (dalam hal n adalah fungs kuadratk) merupakan fungs konveks jka matrk Q semdefnt postf. Pengujan matrks Q dapat dlakukan dengan cara [][4]: 3. INJAUAN ERHADAP RECURREN NEURAL NEWORK Lemma : x * adalah solus untuk persamaan (.) jka dan hanya jka terdapat y * ε R m, yang memenuh [] (x f(x) A y) Ax b 0 x 0. xqx > 0. nla egen(q) >= 0, nla egen dapat dperoleh dar perhtungan det(i - Q) = 0 dmana α konstanta postf (x) + = [(x ) +,...,(x n ) + ] (x ) + = max{0,x }.3. Konds optmal Kods optmal dar penyelesaan permasalahan pemrograman kuadratk akan tercapa apabla memenuh konds Karush-Kuhn-ucker (KK). Konds KK merupakan generalsas dar metode Lagrange multpler yang daplkaskan untuk bentuk prmal permasalahan pemrograman kuadratk []: L(x, ) = c x + ½ x Qx - (Ax b) (.3) Hanya saja penerapan KK, yang dentk dengan penerapan Lagrange multpler n, selan berfungs untuk menjamn dperolehnya solus yang optmal, dalam prosesnya juga me-lner-sas bentuk nonlner (kuadratk) dar fungs obyektf menjad bentuk lner serta membuat pertdaksamaan dalam fungs pembatas menjad bentuk persamaan. Hal n dlakukan dengan tujuan untuk mempermudah proses komputas dan penyelesaan secara umum permasalahan pemrograman kuadratk tu sendr. Berdasarkan formulas pada Lemma, maka kta mendapatkan recurrent neural network dengan struktur satu-layer untuk menyelesakan permasalahan (3.), dengan rumus [3] d dt x x (x f(x) A y ( Ax b) dmana λ > konstanta skala y) (3.) Model jarngan saraf truan yang dgunakan n akan menunjukkan bahwa penyelesaan permasalahan pemrograman kuadratk akan konvergen pada suatu ttk kesetmbangan, bak penyelesaan dengan nla nsal berasal dar dalam daerah kelayakan maupun dar luar daerah kelayakan. Ada pengembangan jarngan saraf truan dar persamaan (3.) yang dgunakan pada peneltan n, yatu : permasalahan x d doman tertentu permasalahan nequalty varatonal F-63
3 Semnar Nasonal Aplkas eknolog Informas 0 (SNAI 0) ISSN: Yogyakarta, 7-8 Jun 0 Permasalahan x d doman tertentu Dketahu permasalahan pemrograman convex nonlnear dengan bentuk : mnmze f(x) subject to Ax b,x (3.) dmana f(x) contnuosly dfferentable dan konveks dar R n ke R A ε R mxn b ε R m Ω = {x ε R m x h} Berdasarkan pada Lemma, maka : P(x f(x) A Ax b 0 y) x 0 (3.3) dmana PΩ : R n Ω adalah operator proyeks yang ddefnskan dengan PΩ (x) = [PΩ (x ),..., PΩ (x n )], dan l x l P(x ) x l x h h x h Sebaga salah satu perluasan dar jarngan saraf truan pada persamaan (3.), model jarngan saraf truan untuk memecahkan persamaan (3.) dberkan sebaga berkut : d dx x P y x f x A y x Ax b (3.4) eorema : Asumskan f(x) adalah strctly convex dan dua kal lebh dfferentable untuk setap x 0. maka jarngan saraf truan pada persamaan (3.4) stabl pada tahap Lyapunov dan konvergen pada ttk u * = {x *, y * }, dmana x * adalah solus optmal untuk rumusan (3.3). Lebh jauh, kecepatan konvergen dar jarngan saraf truan pada rumusan (3.4) proporsonal untuk parameter desan λ. Gambar 3.. Pseudocode untuk permasalahan x pada doman tertentu Permasalahan nequalty varatonal Dketahu permasalahan nequalty varatonal dengan bentuk : * * x x Fx 0,x (3.5) dmana F : R n R n adalah contnuously dfferentable. Ω = { x ε R n Ax = b, x 0 } Dengan konds KK untuk (3.5) kta ketahu bahwa x * adalah solus untuk persamaan (3.5) jka dan hanya jka ada y* ε R m, sedemkan rupa sehngga u * = [x *, y*] untuk permasalahan : * * u u Gu 0,x 0 (3.6) dmana u x,y 0 n m R x 0 dan x F A Gu Ax b y Sesua dengan teorema proyeks, persamaan (3.6) dapat dformulaskan sebaga x x F A y Ax b 0 x 0 Sebaga perluasan lan dar jarngan saraf truan pada persamaan (3.), kta mendapatkan model jarngan saraf truan untuk menyelesakan permasalahan (3.5) d dt x x y Fx A y x Ax b (3.7) F-64
4 Semnar Nasonal Aplkas eknolog Informas 0 (SNAI 0) ISSN: Yogyakarta, 7-8 Jun 0 dmana λ > 0 adalah konstanta penskalaan. eorema : Asumskan x F postf defnt pada n n R x R x 0. Maka trayektor dar jarngan saraf truan pada rumusan (3.7) dengan ttk awal n m xt 0,yt 0 R R konvergen terhadap ttk kesetmbangan { x *, y * }, dmana x * adalah solus dar rumusan (3.5). Lebh jauh, waktu konvergen dar jarngan saraf truan pada rumusan (3.7) adalah fnte. Data nla nsal dan perkraan waktu serta banyak teras dtunjukkan pada tabel 4. berkut: abel 4.. Nla, tspan, dan banyak teras Uj Coba Nla Insal tspan Iteras [ 0; 0; 0; 0; 0; 0] [; -; ; -; 0; ] [.5; -.5; 0.5 ; -.5; 0.5;.5] [.5; -.75; 0.75 ; -.75; 0.75;.75] [; -; -.5 ; -.5; -.75; ] Perubahan nla penyelesaan pada permasalahan uj coba dapat dlhat pada grafk trayektor berkut : Gambar 3.. Pseudocode untuk permasalahan nequalty varatonal 4. HASIL UJI COBA 4.. Uj Coba Pertama Pada Uj coba pertama, dberkan contoh yang menamplakan kefektfan dalam memperoleh hasl Bentuk permasalahan : Mnmze f(x) Subject to Ax = b, x Є Ω Dmana 3 f ( x) ( x x ) ( x3 x4 ) ln( x x4 ) 3x x 00 A 00 b, { x R l 0.,0,,0,0. h 0,0,0,0 4 h x l} 4x x 3 4 x 3x Penyelesaan Dengan Jarngan Saraf ruan: dberkan beberapa nsalsas dan perkraan waktu. Hal n dmaksudkan untuk menunjukkan bahwa pada permasalahan pemrograman kuadratk dengan nla nsal yang berbeda-beda dan perkraan waktu yang tetap untuk semua nsalsas akan menghaslkan grafk trayektor yang konvergen pada satu ttk kesetmbangan. Untuk setap nla nsal dan perkraan waktu yang berbeda, memlk teras yang berbeda pula dalam mencapa ttk kesetmbangan. 4 Gambar 4.. Grafk trayektor x Gambar 4.. Grafk trayektor x Gambar 4.3. Grafk trayektor x 3 F-65
5 Semnar Nasonal Aplkas eknolog Informas 0 (SNAI 0) ISSN: Yogyakarta, 7-8 Jun 0 5x x x x 3 F( x) 5x 3x 0x 3x x x x x3 b 6 40,0,0 A,, Gambar 4.4. Grafk trayektor x 4 Penyelesaan Dengan Jarngan Saraf ruan: dberkan beberapa nsalsas perkraan waktu dan nla lamda yang berbeda. Data nla nsal, nla lamda dan perkraan waktu serta banyak teras dtunjukkan pada tabel 4.. berkut: abel 4.. Nla, tspan, nla lamda dan banyak teras Uj Coba Nla Insal lamda tspan Iteras [0;0;0.5;46.00] 40 [0;] 953 [0;0;0.5;46.00] 0 [0;] 00 [0;0;0.5;46.00] 0 [0;] 55 Perubahan nla penyelesaan pada permasalahan uj coba dapat dlhat pada grafk trayektor berkut : Gambar 4.5. Grafk trayektor x 5 Gambar 4.7. Grafk terhadap tspan dengan lamda = 40 Gambar 4.6. Grafk trayektor semua x 4.. Uj Coba Kedua Pada Uj coba kedua, dberkan contoh permasalahan pertdaksamaan varatonal dengan bentuk permasalahan : Gambar 4.8. Grafk terhadap tspan dengan lamda = 0 F-66
6 Semnar Nasonal Aplkas eknolog Informas 0 (SNAI 0) ISSN: Yogyakarta, 7-8 Jun 0 Gambar 4.9. Grafk terhadap tspan dengan lamda = 0 5. KESIMPULAN Beberapa hal yang dapat dsmpulkan pada peneltan n antara lan adalah:. Pendekatan jarngan saraf truan (neural network) sangat sesua dgunakan untuk menyelesakan permasalahan pemrograman kuadratk, dan khususnya recurrent neural network sangat stabl pada keadaan Lyapunov dan mampu mencapa konvergens secara lebh cepat untuk solus optmal d bawah konds konvex dar fungs obyektf;. Metode recurrent neural network memlk struktur sngle-layer yang sederhana dan dapat dmplementaskan pada komputas parallel; 3. Metode recurrent neural network tdak memerlukan konds kontnutas Lpschtz dar fungs obyektf, sehngga metode n dapat dgunakan untuk beragam bentuk permasalahan optmas konveks dengan pembatas lner. Penyelesaan Permasalahan Pemrograman Kuadratk, Proceedng of Conference of Appled Informaton echnology, Bandung, 007 [8] Harad, V., Otomas Barrer erm dan Penerapannya pada Penyelesaan Permasalahan Optmas, Prosdng Konferens Nasonal Sstem Informas, Jogjakarta, 008 [9] Lange, K., An Adaptve Barrer Method for Convex Programmng, Methods and Applcatons of Analyss, Internatonal Press, 994, pp [0] Melman, A., and Polyak, R., he Newton Modfed Barrer Method for Quadratc Programmng Problems, Ann. Oper. Res., vol. 6, pp , 996 [] Meszaros, C., Steplengths n Interor-Pont Algorthms of Quadratc Programmng, Computer 9and Automaton Research Insttut, 997 [] Rardn, R.L., Optmzaton n Operaton Research, Prentce-Hall, Inc., New Jersey, 998 [3] aha, H.A, Operaton Research : An Introducton, 7 th Edton, Pearson Educaton, Inc., 003 [4] Wrght, M.H., Prmal-Dual Interor-Pont Methods, SIAM : Phladelpha, 996 DAFAR PUSAKA [] Bazaraa, M.S., and Shetty, C.M., Nonlnear Programmng heory and Algorthms, John Wlley and Sons, Inc., 990 [] Ben-al, A., and Nemrovsk, A., Convex Optmzaton n Engneerng: Modellng, Analyss and Algorthm, echnon-israel Insttute of echnology, 998 [3] Bhatt, M.A., Practcal Optmzaton Methods, Sprnger Verlag New York Inc., 000 [4] Boyd, S., and Vandenberghe, L., Convex Optmzaton, Cambrdge Unversty Press, 006 [5] Bronson, R., Operaton Research, McGraw-Hll, Inc., USA, 98 [6] Harad, V, Penyelesaan Pemrograman Kuadratk Menggunakan Metode Interor-Pont Dengan Fungs Adaptve Barrer, Jurusan eknk Informatka, Fakultas eknolog Informas, IS, Surabaya, 007 [7] Harad, V., Aplkas Varas Fungs Adaptf Barrer pada Metode Interor Pont untuk F-67
BAB 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 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 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 terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB 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 Teori Kendali Pada Permainan Dinamis Non-Kooperatif Waktu tak Berhingga
Semnar Nasonal eknolog Inormas Komunkas dan Industr (SNIKI) 4 ISSN : 85-99 akultas Sans dan eknolog UIN Sultan Syar Kasm Rau Pekanbaru, 3 Oktober 1 Aplkas eor Kendal Pada Permanan Dnams Non-Kooperat Waktu
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 terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih 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 terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih 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 terperinciDalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang
LARGE SCALE SYSEM Course by Dr. Ars rwyatno, S, M Dept. of Electrcal Engneerng Dponegoro Unversty BAB V OPIMASI SISEM Dalam sstem pengendalan berhrark level, maka optmas dapat dlakukan pada level pertama
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih 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 V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih 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 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 terperinciPertemuan ke-4 Analisa Terapan: Metode Numerik. 4 Oktober 2012
Pertemuan ke-4 Analsa Terapan: Metode Numerk 4 Oktober Persamaan Non Non--Lner: Metode NewtonNewton-Raphson Dr.Eng. Agus S. Muntohar Metode Newton Newton--Raphson f( f( f( + [, f(] + = α + + f( f ( Gambar
Lebih terperinciPenerapan Metode Runge-Kutta Orde 4 dalam Analisis Rangkaian RLC
Penerapan Metode Runge-Kutta Orde 4 dalam Analss Rangkaan RLC Rka Favora Gusa JurusanTeknk Elektro,Fakultas Teknk,Unverstas Bangka Beltung rka_favora@yahoo.com ABSTRACT The exstence of nductor and capactor
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 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 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 terperinciAPLIKASI METODE SINGULAR VALUE DECOMPOSITION(SVD) PADA SISTEM PERSAMAAN LINIER KOMPLEKS
Vol No Jurnal Sans Teknolog Industr APLIKASI METODE SINGULAR VALUE DECOMPOSITION(SVD) PADA SISTEM PERSAMAAN LINIER KOMPLEKS Ftr Aryan Dew Yulant Jurusan Matematka Fakultas Sans Teknolog UIN SUSKA Rau Emal:
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 terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih 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 terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB 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 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 terperinciBAB V INTEGRAL KOMPLEKS
6 BAB V INTEGRAL KOMPLEKS 5.. INTEGRAL LINTASAN Msal suatu lntasan yang dnyatakan dengan : (t) = x(t) + y(t) dengan t rl dan a t b. Lntasan dsebut lntasan tutup bla (a) = (b). Lntasan tutup dsebut lntasan
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciBab V Aliran Daya Optimal
Bab V Alran Daya Optmal Permasalahan alran daya optmal (Optmal Power Flow/OPF) telah menjad bahan pembcaraan sejak dperkenalkan pertama kal oleh Carpenter pada tahun 196. Karena mater pembahasan tentang
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih 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 III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciIII. METODELOGI PENELITIAN. Suatu penelitian dapat berhasil dengan baik dan sesuai dengan prosedur ilmiah,
III. METODELOGI PENELITIAN A. Metode Peneltan Suatu peneltan dapat berhasl dengan bak dan sesua dengan prosedur lmah, apabla peneltan tersebut menggunakan metode atau alat yang tepat. Dengan menggunakan
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 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 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 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 terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciII. TEORI DASAR. Definisi 1. Transformasi Laplace didefinisikan sebagai
II. TEORI DASAR.1 Transormas Laplace Ogata (1984) mengemukakan bahwa transormas Laplace adalah suatu metode operasonal ang dapat dgunakan untuk menelesakan persamaan derensal lnear. Dengan menggunakan
Lebih 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciPEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Studi Kasus : Metode Secant)
PEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Stud Kasus : Metode Secant) Melda panjatan STMIK Bud Darma, Jln.SM.Raja No.338 Sp.Lmun, Medan Sumatera Utara Jurusan Teknk Informatka e-mal : meldapjt.78@gmal.com
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 terperinciSIMULASI OPTIMASI ALIRAN DAYA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAYA OPERASI
ISSN: 1693-6930 167 SIMULASI OPTIMASI ALIRAN DAA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAA OPERASI Subyanto Teknk Elektro Fakultas Teknk Unverstas Neger Semarang Gedung E6 Lt. Kampus Sekaran
Lebih terperinciPENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD
Semnar Nasonal Sstem dan Informatka 2007; Bal, 6 November 2007 PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD Nur Hasanah ) Istkhomah 2) Taufq Hdayat 3) Sr Kusumadew 4) Jurusan
Lebih terperinciCatatan Kuliah 13 Memahami dan Menganalisa Optimasi dengan Kendala Ketidaksamaan
Catatan Kulah 3 Memaham dan Menganalsa Optmas dengan Kendala Ketdaksamaan. Interpretas Konds Kuhn Tucker Asumskan masalah yang dhadap adalah masalah produks. Secara umum, persoalan maksmsas keuntungan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.3.1 Tempat Peneltan Peneltan n dlaksanakan d SMP Neger Gorontalo khususnya pada sswa kelas VIII. 3.3. Waktu Peneltan Peneltan n dlaksanakan selama
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 terperinciPENENTUAN DENSITAS PERMUKAAN
PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 23-32, April 2001, ISSN :
JRNAL MATEMATIKA DAN KOMPTER Vol 4 No 1, 3-3, Aprl 1, ISSN : 141-51 KAJIAN DISKRETISASI DENGAN METODE GALERKIN SEMI DISKRET TERHADAP EFISIENSI SOLSI MODEL RAMBATAN PANAS TANPA SK KONVEKSI Suhartono dan
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 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 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 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 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 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciPENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER
Penerapan Program Lner Kabur dalam Analss.. Elfranto PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER Elfranto Dosen Unverstas Muhammadyah Sumatera Utara Abstrak: Salah satu kaan
Lebih terperinciEstimasi Variabel Keadaan Gerak Longitudinal Pesawat Terbang Menggunakan Metode Fuzzy Kalman Filter
A-42 JURNAL SAINS DAN SENI IS Vol. 5 No. 2 (216) 2337-352 (231-928X Prnt) Estmas Varabel Keadaan Gerak Longtudnal Pesawat erbang Menggunakan Metode Fuzzy Kalman Flter Res Arumn San, Erna Aprlan, dan Mohammad
Lebih terperinciPENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Semnar Nasonal Aplkas Teknolog Informas 004 Yogyakarta, 19 Jun 004 Aplkas Pemrograman Komputer Dalam Bdang Teknk Kma Arf Hdayat Program Stud Teknk Kma Fakultas Teknolog Industr, Unverstas Islam Indonesa
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 terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciMETODE NUMERIK. INTERPOLASI Interpolasi Beda Terbagi Newton Interpolasi Lagrange Interpolasi Spline.
METODE NUMERIK INTERPOLASI Interpolas Beda Terbag Newton Interpolas Lagrange Interpolas Splne http://maulana.lecture.ub.ac.d Interpolas n-derajat polnom Tujuan Interpolas berguna untuk menaksr hargaharga
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciIII PEMODELAN MATEMATIS SISTEM FISIK
34 III PEMODELN MTEMTIS SISTEM FISIK Deskrps : Bab n memberkan gambaran tentang pemodelan matemats, fungs alh, dagram blok, grafk alran snyal yang berguna dalam pemodelan sstem kendal. Objektf : Memaham
Lebih terperinciBAB III HASILKALI TENSOR PADA RUANG VEKTOR. Misalkan V ruang vektor atas lapangan F. Suatu transformasi linear f L ( V, F )
28 BAB III HASILKALI TENSOR PADA RUANG VEKTOR III.1 Ruang Dual Defns III.1.2: Ruang Dual [10] Msalkan V ruang vektor atas lapangan F. Suatu transformas lnear f L ( V, F ) dkatakan fungsonal lnear (atau
Lebih terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBAB 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 terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciPENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI
PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI Reky Stenly Wndah Dosen Jurusan Teknk Spl Fakultas Teknk Unverstas Sam Ratulang Manado ABSTRAK Pada bangunan tngg,
Lebih 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 terperinciVLE dari Korelasi nilai K
VLE dar orelas nla Penggunaan utama hubungan kesetmbangan fasa, yatu dalam perancangan proses pemsahan yang bergantung pada kecenderungan zat-zat kma yang dberkan untuk mendstrbuskan dr, terutama dalam
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 III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBAB III 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 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 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 terperinciOptimasi Perencanaan Hasil Produksi dengan Aplikasi Fuzzy Linear Programming (FLP)
Semnar Nasonal Waluyo Jatmko II FTI UPN Veteran Jawa Tmur Optmas Perencanaan Hasl Produks dengan Aplkas Fuzzy Lnear Programmng (FLP) Akhmad Fauz Jurusan Teknk Informatka UPNV Veteran Jawa Tmur Emal: masuz@upnatm.ac.d
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih 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 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 terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciBAB 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 terperinciAnalisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :
Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISEM 3. Perancangan Pengendal PDC pada Sstem ruk-raler Model lnear fuzzy -S untuk sstem truk dengan tga traler telah dmodelkan sebelumnya, yakn sesua persamaan (.44), yatu = { A x B
Lebih terperinci