AKAR KUADRAT ENSEMBLE KALMAN FILTER (AK-EnKF) PADA ESTIMASI POSISI ROBOT MOBIL

Ukuran: px
Mulai penontonan dengan halaman:

Download "AKAR KUADRAT ENSEMBLE KALMAN FILTER (AK-EnKF) PADA ESTIMASI POSISI ROBOT MOBIL"

Transkripsi

1 -6 98:. eguh d. AAR UADRA ESEMBLE ALMA FILER (A-EnF PADA ESIMASI POSISI ROBO MOBIL. eguh, Subchan,*,. endro, A. Erna, S.P. Dd 2, dan M. omarudn 3 Insttut enolog Seuluh oember 2 Polten Eletrna eger Surabaya 3 Unverstas Lamung *e-mal: subchan@matemata.ts.ac.d Dsajan 29-3 o 22 ABSRA Dalam aer n dembangan sstem navgas dan anduan yang dawal dengan enentuan trajetor atau lntasan untu robot mobl yang meruaan ebutuhan dasar agar robot mobl mengetahu emana aan darahan. Selanjutnya trajetor aan dgunaan sebaga anduan agar robot mobl daat mencaa tujuan sesua trajetor yang dberan. Untu menjaga eauratan dalam mengut trayetor secara terus menerus maa dlauan estmas trayetor robot mobl dengan menggunaan Aar uadrat Ensemble alman Flter (A-EnF. Sema aar uadrat meruaan salah satu sema yang daat dmlementasan ada EnF. Metode n dlh arena daat dgunaan untu mengestmas model dnam nonlnear yang djalanan dengan membangtan sejumlah ensemble tertentu untu menghtung nla mean dan ovarans error varabel statenya. asl Root Mean Square Error (RMSE menunjuan bahwa dengan A-EnF memunya nla yang sgnfan dan relatf tda lebh ba darada Ensemble alman Flter (EnF. ata unc: Aar uadrat Ensemble alman Flter (A-EnF, Estmas trajetory,. Ensemble alman Flter (EnF I. PEDAULUA Salah satu tenolog yang mula dembangan saat n adalah erencanaan lntasan dengan mengestmas oss. Estmas dlauan untu mendaatan satu enyelesaan masalah yang membutuhan nformas sebelumnya sehngga bsa menentuan langah selanjutnya dalam menyelesaan masalah tersebut (erlambang, 22. Estmas dlauan arena suatu masalah teradang daat dselesaan dengan menggunaan nformas atau data sebelumnya yang berhubungan dengan masalah tersebut. alman flter meruaan suatu metode estmas varabel eadaan dar sstem dnam lnear dsrt yang memnmuman ovaran error estmas (Lews, 986. Pendeatan lan yang meruaan erluasan dar alman flter yang dsebut Ensemble alman flter (EnF. Pada metode EnF, algortmanya djalanan dengan membangtan sejumlah ensemble tertentu untu menghtung nla mean dan ovarans error varabel statenya (Evensen, 29. Dalam menggunaan metode EnF terdaat suatu sema yang daat dmlementasan ada metode tersebut. Sema aar uadrat meruaan salah satu sema yang daat dmlementasan ada EnF. Dalam eneltan n dlauan suatu ajan mengena eneraan Aar uadrat Ensemble alman Flter (A-EnF untu estmas oss robot mobl emudan dsmulasan dengan software Matlab dan hasl estmas dar A- EnF dengan EnF. ujuan dan Manfaat aer n untu memberan nformas tentang estmas lntasan robot mobl dengan menggunaan Aar uadrat Ensemble alman Flter (A- EnF dan memberan erbandngan dengan Ensemble alman Flter (EnF d mana dasumsan robot mobl bebas dar rntangan, eceatan robot mobl dangga onstan ada nterval watu tertentu. II. MEODOLOGI A. Lntasan Robot mobl Moble robot atau robot mobl adalah onstrus robot yang cr hasnya memunya atuator berua roda untu menggeraan eseluruhan badan robot tersebut, sehngga robot tersebut daat melauan erndahan oss dar satu tt e tt yang lan (Reae and senguta. estmewaan robot mobl adalah emamuannya untu daat bergera dan berndah temat secara bebas tana atan yang membatas ruang erjanya. arena mobltasnya tulah robot mobl serng dgunaan untu menjelajah temat-temat yang berbahaya bag manusa Sstem robot mobl dengan alat enggera roda bagan belaang. Gambar menunjuan oss dan dmens robot mobl (artn, 2

2 98:. eguh d. -7 watu yang daromas dengan metode beda hngga maju sebaga berut: Gambar Dmens Fs Robot Mobl asl dsrtsas dar sstem dnam dar ersamaan ( GPS dasang teat ada bagan tt tengah mobl. Sstem emud dan sudut bagan dean dtunjuan ada gambar 2. (2 Gambar 2 Sstem emud dan Sudut Bagan Dean Robot Mobl Dalam asus n data berbentu dsrt dan sstemnya nonlnear. Persamaan sstem dnam dar robot mobl ddefnsan sebaga berut (artn, 2: d mana, y adalah oss dar robot mobl ada sstem oordnat, adalah oss sudut robot mobl, adalah eceatan, adalah sudut emud, belaang sebesar 2,84 m, ( adalah jara antara roda dean dengan roda adalah jara antara tt tengah mobl bagan belaang dengan oss GPS sebesar,47 m, adalah jara antara tt usat mobl dengan oss GPS sebesar m, adalah lebar antara tt tengah mobl belaang dengan roda belaang sebesar,767 m. B. Dsrtsas Model Dalam algortma EnF sebagamana telah djelasan sebelumnya hanya daat dmlementasan untu sstem dsrt. Sehngga model robot mobl ada ersamaan ( terlebh dahulu harus ddsrtan dengan menggunaan metode beda hngga. formula beda maju (forward dfference dengan anjang dar grd varabel watu sehngga deroleh dengan Ja menyataan oss ada saat, maa berlau juga untu oss dan sehngga deroleh,,. Selanjutnya deroleh varabel eadaan terhada C. Metode alman Flter alman Flter meruaan suatu metode estmas varabel eadaan dar sstem dnam stoast lnear dsrt yang memnmuman ovaran error estmas, alman Flter ertama al derenalan oleh R.E. alman ada tahun 96. Dberan suatu sstem dnam stoast lnear dsrt secara umum berbentu: A B u v ~ (, P ; v ~ (, R dengan: nsal dar sstem : G w w ~, Q ( ; : varable eadaan ada watu + dan berdmens n, : varable eadaan ada watu yang nla estmas awalnya dan ovaran awal P, u : vetor masuan determnst ada watu, w : nose ada sstem dengan mean : varabel enguuran, n u w dan ovaran Q,, v : nose ada enguuran dengan mean v ovaran R A, B, G, : matrs-matrs dengan nla elemenelemennya adalah oefsen varabel masng-masng. Pada alman Flter, estmas dlauan dengan dua tahaan, yatu dengan cara memreds varabel eadaan berdasaran sstem dnam yang dsebut taha reds (tme udate dan selanjutnya taha ores (measurement udate terhada data-data enguuran untu memerba hasl estmas. aha reds dengaruh oleh dnama sstem dengan memreds varabel eadaan dengan menggunaan ersamaan estmas varabel eadaan dan tngat aurasnya dhtung menggunaan ersamaan ovaran error. Pada taha ores hasl estmas varabel eadaan yang deroleh ada taha reds dores menggunaan model m

3 -8 98:. eguh d. enguuran. Salah satu bagan dar taha n yatu menentuan matrs alman Gan yang dgunaan untu memnmuman ovaran error. aha reds dan ores dlauan secara reursf dengan cara memnmuman ovarans esalahan estmas ˆ, meruaan varabel eadaan sebenarnya dan ˆ meruaan enasran dar varabel eadaan. Berut n adalah Algortma alman Flter daat drangum sebaga berut: A abel. Algortma alman Flter Model sstem dan Penguuran B u v G w (, P ; w ~ (, Q ; v ~ (, R Insalsas ~ ˆ aha Preds Estmas : ˆ A ˆ Bu ovaran error: alman Gan: P A P A aha ores P G Q G P R Estmas : ˆ ˆ ˆ P I P ovaran error: Algortma alman Flter d atas terdr dar emat bagan, dantaranya bagan ertama mendefnsan model sstem dan model enguuran, bagan edua meruaan nla awal (nsalsas, selanjutnya bagan etga dan eemat masngmasng taha reds dan ores. abel 2. Algortma Ensemble alman Flter (EnF Model sstem dan Model Penguuran (,, w ~ (, Q f u w v, v ~ (, R Insalsas Bangtan ensemble sesua estmas awal [... ],,,2,3, e ˆ entuan nla awal:, e aha Preds ˆ f ( ˆ, u w dengan,,,, (, Q w, ~ Estmas : ˆ ˆ, e ovarans error: P ( ( ˆ ˆ ˆ ˆ,, e aha ores, v, dengan (, R alman gan : P ( P v, ~ R ˆ ˆ ( ˆ,,,, Estmas : ovarans error : ˆ e ˆ, P [ I ] P D. Metode Ensemble alman Flter Metode Ensemble alman Flter (EnF adalah metode estmas modfas dar algortma alman Flter yang daat dgunaan untu mengestmas model sstem lnear mauun nonlnear dengan membangtan atau menggunaan sejumlah ensemble ada taha reds untu mengestmas ovaran errornya (Evensen, 29. Bentu umum sstem dnam nonlnear ada EnF adalah: f (, w (3 Dengan enguuran lner v ~ (, P ; w ~ (, Q yatu: ; v ~ (, R Proses estmas ada EnF dawal dengan membangtan sejumlah e ensemble dengan mean dan ovaran. Ensemble yang dbangtan dlauan secara random dan berdstrbus normal. Msalan aan dbangtan sejumlah e ensemble untu X [... ],,,2,3, e Untu taha reds dan ores, sama dengan metode alman Flter teta sebelum masu e taha reds, mean ensemblenya dtentuan terlebh dahulu, yatu: * ˆ, e (4 dan untu ovaran error P, yatu: P ( ( (5 ˆ ˆ ˆ ˆ,, e

4 98:. eguh d. -9 Persamaan (4 dgunaan ada taha reds dan taha ores untu menghtung estmas masng-masng ˆ dan ˆ. Sedangan Persamaan (5 hanya dgunaan untu ovaran ada taha reds. Pada EnF, nose sstem w ada taha reds dan nose enguuran v ada taha ores dbangtan dalam bentu ensemble. E. Algortma Aar uadrat Ensemble alman Flter Pada bagan n dberan suatu algortma Aar uadrat Ensemble alman Flter (A-EnF dalam melauan estmas dengan sstem dnam nonlnear dan enguuran yang lnear, seert ada abel 3. Model robot mobl ada ( mash dalam bentu determnst. Oleh arena tu, harus dtambahan fator stoast dalam bentu nose ada masng-masng ersamaan. Dengan deman ddaatan model stoast dengan adalah fungs nonlnear. ose sstem dan nose enguuran dalam hal n dbangtan melalu omuter dan basanya dambl berdstrbus normal serta memunya mean nol. Secara umum varans nose sstem dnyataan dengan dan varans nose enguuran dnyataan dengan, yatu eduanya bergantung ada watu. III. ASIL DA PEMBAASA Smulas n dlauan dengan meneraan algortma A- EnF ada ersamaan robot mobl. asl smulas devaluas dengan cara membandngan eadaan real dengan hasl estmas EnF dan hasl estmas A-EnF. Pada aer n telah dlauan beberaa smulas dengan mengasumsan oss, oss dan oss sudut secara bergantan sebaga data enguuran. Smulas n dlauan dengan nla dan berubah d mana nla sudut emud (eceatan teta dan eceatan teta adalah sedangan untu nla sudut emud dan eceatan berubah adalah la yang dgunaan yatu t,.dan nla awal yang dgunaan emudan smulas juga dombnasan dengan membangtan sebanya, 2 dan 3 ensemble (. Smulas ertama dtunjuan oleh Gambar 3 dengan nla sudut emud dan eceatan teta adalah dan. Smulas n dasumsan dan sebaga data enguuran. emudan smulas edua dtunjuan oleh Gambar 5 dengan nla (eceatan berubah adalah dan dasumsan dan sebaga data enguuran. Pada Gambar 3 terlhat hasl estmas terba adalah oss, oss dan oss sudut untu estmas dengan EnF yang mengut oss robot mobl sebenarnya sedangan untu estmas dengan A-EnF ada oss, oss memunya error sedt lebh besar darada EnF. Pada Gambar 3 terlhat bahwa dengan nla teta mengartan bahwa dalam seta teras robot mobl selalu mengalam embeloan sebesar sehngga oss sudut juga berubah dalam seta teras. Sedangan ada Gambar 4 adalah reresentas robot ada oordnat ja melewat suatu lntasan d mana daat detahu oss dan oss. Pada Gambar 5 terlhat hasl estmas terba adalah oss dan oss sudut sedangan untu oss memunya error lebh besar dan arena maa robot mobl berjalan lurus terus berbelo dengan adanya erubahan (6 sudut emud sehngga oss sudut aan berubah eta ada (7 erubahan sudut dar e dan eta embal e maa oss sudut tda mengalam erubahan. Sedangan ada Gambar 6 adalah reresentas robot ada oordnat ja melewat suatu lntasan d mana daat detahu oss dan oss dengan nla (eceatan berubah. Perbandngan Root Mean Square Error (RMSE dar smulas antara EnF dan A- EnF dengan ombnas, 2 dan 3 ensemble serta alat uur yang dgunaan n d abel 4. IV. ESIMPULA Dar analss dan embahasan yang telah dlauan deroleh esmulan bahwa:. Metode A-EnF daat dgunaan untu mengestmas lntasan robot mobl. 2. asl lebh aurat ja semua arameter sebaga alat uur dengan menggunaan ensemble, namun RMS error ada A-EnF lebh besar darada EnF. DAFAR PUSAA [] Evensen, G (29, Data Asmlaton he Ensemble alman Flter (second edton, Srnger-Verlag Berln edelberg London and ew Yor [2] Golub,. G. dan Loan, V. F. Charles. (993, Matr Comutatons (second edton, he John ons Unversty Press, Baltmore dan London. [3] artn, Sant. (2, Imlementas Metode Ensemble alman Flter untu Mengestmas Poss Robot Mobl, ugas Ahr Jurusan Matemata FMIPA Insttut enolog Seuluh oember, Surabaya [4] erlambang,. (22, Aar uadrat Ensemble alman Flter (A-EnF untu Estmas Poss Peluru endal, ess Magster Jurusan Matemata FMIPA Insttut enolog Seuluh oember, Surabaya. [5] Lews, L Fran. (986, Otmal Estmaton, Wth An Introducton o Stochastc Control heory, John Wley dan Sons, ew Yor. [6] Reae, S. and Senguta, R. Poston Estmaton of the Car va alman Flter : Unvercty of Calforna, Bereley.

5 - 98:. eguh d. [] Subchan, S dan Zbows, R. (29. Comutatonal Otmal Control. Cranfeld Unversty at Shrvenham: Unted ngdom.

PERBANDINGAN METODE KALMAN FILTER DAN METODE ENSEMBLE KALMAN FILTER DALAM MENDETEKSI GANGGUAN KONDUKSI PANAS PADA BATANG LOGAM SKRIPSI

PERBANDINGAN METODE KALMAN FILTER DAN METODE ENSEMBLE KALMAN FILTER DALAM MENDETEKSI GANGGUAN KONDUKSI PANAS PADA BATANG LOGAM SKRIPSI PERBANDINGAN METODE KALMAN FILTER DAN METODE ENSEMBLE KALMAN FILTER DALAM MENDETEKSI GANGGAN KONDKSI PANAS PADA BATANG LOGAM SKRIPSI Oleh Tra Nugrahn NIM 88 JRSAN MATEMATIKA FAKLTAS MATEMATIKA DAN ILM

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan

Lebih terperinci

Analisis Penyelesaian Persamaan Kuadrat Matriks

Analisis Penyelesaian Persamaan Kuadrat Matriks Jurnal Matemata, Jurnal Matemata, tatsta tatsta, & Komutas & Komutas Vol. 3 No Vol. Jul No. 6 Jul 5 Vol, No, 9-3, 9-9, Jul 5 9 Analss Penyelesaan Persamaan Kuadrat Matrs Hasmawat dan Amr Kamal Amr Abstra

Lebih terperinci

Bab III. Plant Nonlinear Dengan Fase Nonminimum

Bab III. Plant Nonlinear Dengan Fase Nonminimum Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear

Lebih terperinci

Estimasi Posisi Magnetic Levitation Ball Menggunakan Metode Akar Kuadrat Ensemble Kalman Filter (AK-EnKF)

Estimasi Posisi Magnetic Levitation Ball Menggunakan Metode Akar Kuadrat Ensemble Kalman Filter (AK-EnKF) R.E.M. (Reayasa Energ Manufatur Jurnal Vol. No. 1 017 ISSN 7-674 (prnt, ISSN 8-373 (onlne Journal Homepage: http://ojs.umsda.ac.d/ndex.php/rem DOI: https://do.org/10.1070/r.e.m.v1.768 Estmas Poss Magnetc

Lebih terperinci

EKSPEKTASI SATU PEUBAH ACAK

EKSPEKTASI SATU PEUBAH ACAK EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt

Lebih terperinci

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1) Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar

Lebih terperinci

Karakterisasi Matrik Leslie Ordo Tiga

Karakterisasi Matrik Leslie Ordo Tiga Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla

Lebih terperinci

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu

Lebih terperinci

Optimasi Bobot Portofolio dan Estimasi VaR * (Portfolio Weighted Optimization and VaR Estimation)

Optimasi Bobot Portofolio dan Estimasi VaR * (Portfolio Weighted Optimization and VaR Estimation) Otmas Bobot Portofolo dan Estmas VaR * (Portfolo Weghted Otmzaton and VaR Estmaton) Suono, Subanar & Ded Rosad 3 Jurusan Matemata FMIPA UNPAD Bandung, e-mal : fsuono@yahoo.com Jurusan Matemata FMIPA UGM

Lebih terperinci

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2) BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran

Lebih terperinci

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola

Lebih terperinci

ESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR)

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 terperinci

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat

Lebih terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model

Lebih terperinci

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla

Lebih terperinci

BAB II TEORI DASAR. Analisis Kelompok

BAB II TEORI DASAR. Analisis Kelompok BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan

Lebih terperinci

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.

Lebih terperinci

KUNCI JAWABAN SOAL TEORI FISIKA OLIMPIADE SAINS NASIONAL Ketinggian maksimum yang dicapai beban dihitung dari permukaan tanah (y t ) 1 mv

KUNCI JAWABAN SOAL TEORI FISIKA OLIMPIADE SAINS NASIONAL Ketinggian maksimum yang dicapai beban dihitung dari permukaan tanah (y t ) 1 mv KUNI JWBN SO EOI FISIK OIMPIDE SINS NSION 00. a. Dhtung dahulu watu yang derluan dar beban dleas sama e etnggan masmum yatu t. v 0 at 0 0t t =0, seon. Ketnggan masmum yang dcaa beban dhtung dar ermuaan

Lebih terperinci

BAB II DIMENSI PARTISI

BAB II DIMENSI PARTISI BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan

Lebih terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,

Lebih terperinci

III FUZZY GOAL LINEAR PROGRAMMING

III FUZZY GOAL LINEAR PROGRAMMING 7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya

Lebih terperinci

Pengolahan lanjut data gravitasi

Pengolahan lanjut data gravitasi Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,

Lebih terperinci

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.

Lebih terperinci

U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK

U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK Jurusan Ten Spl dan Lngungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SENIN, 4 JANUARI 23 OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara tda boleh menggunaan omputer untu mengerjaan soal- soal ujan

Lebih terperinci

ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA

ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA Hars Bhat Prasetyo, Dan Handayan, Wdyant Rahayu JURUSAN MATEMATIKA FMIPA-UNIVERSITAS NEGERI

Lebih terperinci

Pendekatan Regresi Semiparametrik Spline untuk Memodelkan Rata-Rata Umur Kawin Pertama (UKP) di Provinsi Jawa Timur

Pendekatan Regresi Semiparametrik Spline untuk Memodelkan Rata-Rata Umur Kawin Pertama (UKP) di Provinsi Jawa Timur JURNAL SAINS DAN SENI ITS Vol. 6, No., (07) ISSN: 337-350 (30-98X Prnt) D-9 Pendeatan Regres Semarametr Slne untu Memodelan Rata-Rata Umur Kawn Pertama (UKP) d Provns Jawa Tmur Dhra Audha Pratw, I Nyoman

Lebih terperinci

IDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER

IDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER IDENIFIKASI SISEM NONLINIE DENGAN MENGGUNAKAN ECUEN NEUAL NEOK DAN ALGOIMA DEAD-ZONE KALMAN FILE ully Soelaman, angga fa Faultas enolog Informas Insttut enolog Sepuluh Nopember Kampus Keputh, Suollo, Surabaya

Lebih terperinci

Analisis Sensitivitas

Analisis Sensitivitas Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena

Lebih terperinci

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak). BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).

Lebih terperinci

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER PENYELESIN SISTEM PESMN TK LINIE Mater Kulah: Pengantar; Iteras Satu Tt; Iteras Newton # PENGNT # erut n adalah contoh seumpulan buah persamaan ta lner smulta dengan buah varabel ang ta detahu:... ( 57...

Lebih terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk) Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam

Lebih terperinci

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar

Lebih terperinci

Eman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK

Eman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK PENGGUNAAN MODEL REGRESI LINEAR BERGANDA PADA PROGRAM PENGGEMUKAN SAPI PO ( PERANAKAN ONGOLE) SERTA ANALISIS BCR ( BENEFIT COST RATIO ) PENGGUNAAN PAKAN BAHAN KERING Eman Lesmana, Raman Jurusan Matemata

Lebih terperinci

PEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION

PEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION PEMODELAN INGKA KERAWANAN DEMAM BERDARAH DENGUE DI KABUPAEN LAMONGAN DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION Marsa Rfada 1, Purhad 1) Mahasswa Magster Jurusan Statsta, Insttut

Lebih terperinci

Oleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si

Oleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf

Lebih terperinci

Estimasi Variabel Keadaan Gerak Longitudinal Pesawat Terbang Menggunakan Metode Fuzzy Kalman Filter

Estimasi 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 terperinci

Oleh : Harifa Hanan Yoga Aji Nugraha Gempur Safar Rika Saputri Arya Andika Dumanauw

Oleh : Harifa Hanan Yoga Aji Nugraha Gempur Safar Rika Saputri Arya Andika Dumanauw Oleh : Harfa Hanan Yoga A Nugraha Gemur Safar ka Sautr Arya Andka Dumanau Dosen : Dr.rer.nat. Ded osad, S.S., M.Sc. Program Stud Statstka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Gadah Mada

Lebih terperinci

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan

Lebih terperinci

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL

ESTIMASI 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 terperinci

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c

BAB 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 terperinci

Pemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a

Pemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a Pemodelan Anomal Magnet Berbentu Prsma Menggunaan Algortma Geneta Antonus a, Yudha Arman a *, Joo Sampurno a a Jurusan Fsa, FMIPA Unverstas Tanjungpura, Jalan Pro. Dr. Hadar Nawaw, Pontana, Indonesa *Emal

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah

Lebih terperinci

APLIKASI JARINGAN SARAF TIRUAN REKUREN PADA IDENTIFIKASI SISTEM NONLINIER DENGAN ALGORITMA OPTIMAL BOUNDED ELLIPSOID

APLIKASI JARINGAN SARAF TIRUAN REKUREN PADA IDENTIFIKASI SISTEM NONLINIER DENGAN ALGORITMA OPTIMAL BOUNDED ELLIPSOID APLIKASI JARINGAN SARAF IRUAN REKUREN PADA IDENIFIKASI SISEM NONLINIER DENGAN ALGORIMA OPIMAL BOUNDED ELLIPSOID Rully Soelaman, Mohammad Azs Efend Faultas enolog Informas, Insttut enolog Sepuluh Nopember

Lebih terperinci

PRA-PEMROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING

PRA-PEMROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING PRA-PEMROSESAN DATA LUARAN GCM CSIRO-M3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING Vvn Mandasar (306 00 069), Dr Ir Setawan, M S (960030 9870 00) Mahasswa Jurusan

Lebih terperinci

SOLUSI NUMERIK PERSAMAAN BOLTZMANN

SOLUSI NUMERIK PERSAMAAN BOLTZMANN JMA, VOL., NO.1, JULI, 00, 7-44 7 SOLUSI NUMERIK PERSAMAAN BOLTZMANN ENDAR H. NUGRAHANI Departemen Matemata, Faultas Matemata dan Imu Pengetahuan Alam, Insttut Pertanan Bogor Jln. Merant, Kampus IPB Dramaga,

Lebih terperinci

Penggunaan Model Regresi Tobit Pada Data Tersensor

Penggunaan Model Regresi Tobit Pada Data Tersensor SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 016 S 15 Penggunaan Model Regres obt Pada Data ersensor Def Yust Fadah 1, Resa Septan Pontoh 1, Departemen Statsta FMIPA Unverstas Padjadjaran def.yust@unpad.ac.d

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA) BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga

Lebih terperinci

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,

Lebih terperinci

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d

Lebih terperinci

KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR

KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR Berala Fsa ISSN : 1410-966 Vol.8, No.1, Januar 005, hal 7-10 KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR Agus Setyawan Laboratorum Geofsa, Jurusan

Lebih terperinci

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan

Lebih terperinci

Tinjauan Ulang Konsep Mekanika Klasik

Tinjauan Ulang Konsep Mekanika Klasik Modul 1 Tnauan Ulang Konsep Meana Klas Paen Pandangan, S.S., M.S. P PENDAHULUAN ada Buu Mater Poo (BMP) Meana, Anda sudah mempelaar tentang neta dan dnama suatu sstem ba melalu huum-huum Newton, Lagrange,

Lebih terperinci

ANALISIS REGRESI MULTIVARIAT BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHI DERAJAT KESEHATAN DI PROVINSI JAWA TIMUR

ANALISIS REGRESI MULTIVARIAT BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHI DERAJAT KESEHATAN DI PROVINSI JAWA TIMUR ANALISIS REGRESI MULIVARIA BERDASARKAN FAKOR-FAKOR ANG MEMPENGARUHI DERAJA KESEHAAN DI PROVINSI JAWA IMUR Rosy Rsyant Ir. Sr Pngt Wulandar, M.S Mahasswa Jurusan Statsta FMIPA-IS (308 00 508) Dosen Jurusan

Lebih terperinci

ANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING

ANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata

Lebih terperinci

Pendekatan Hurdle Poisson Pada Excess Zero Data

Pendekatan Hurdle Poisson Pada Excess Zero Data SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 05 Pendeatan Hurdle Posson Pada Excess Zero Data S - 7 Def Yust Fadah, Resa Septan Pontoh Departemen Statsta FMIPA Unverstas Padadaran def.yust@unpad.ac.d

Lebih terperinci

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr

Lebih terperinci

Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter

Estimasi 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 terperinci

BEBERAPA MODIFIKASI METODE NEWTON RAPHSON UNTUK MENYELESAIKAN MASALAH AKAR GANDA. Supriadi Putra, M,Si

BEBERAPA 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 terperinci

PEMANFAATAN KOMPUTER PADA SISTEM KONTROL DENGAN MENGATUR SET-OFF SAAT KONDISI TUNAK (STEADY STATE)

PEMANFAATAN KOMPUTER PADA SISTEM KONTROL DENGAN MENGATUR SET-OFF SAAT KONDISI TUNAK (STEADY STATE) PEMNFTN OMPUTER PD SISTEM ONTROL DENGN MENGTUR SET-OFF ST ONDISI TUN (STEDY STTE) Saful Manan Program Dloma III Ten Eletro Faultas Ten Unverstas Donegoro bstracts Saful Manan, n aer control system wth

Lebih terperinci

JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU

JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU Ea Saputra LF096585 Jurusan Ten Eletro Faultas Ten Unverstas Dponegoro Abstra Jarngan saraf truan merupaan suatu metode yang salah satunya

Lebih terperinci

IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN

IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN 69 IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN Dtnau dar sfat hubungan antar persamaan terdapat dua ens model persamaan yatu model persamaan tunggal dan model sstem persamaan. Model persamaan tunggal adalah

Lebih terperinci

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

BAB 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 terperinci

Imam Ahmad Al Fattah 1), Madu Ratna 2), dan Vita Ratnasari 3) 1),2),3)

Imam Ahmad Al Fattah 1), Madu Ratna 2), dan Vita Ratnasari 3) 1),2),3) Analss Fatorfator yang Memengaruh Masa Stud Lulusan Mahaswa Program Magster Insttut enolog Seuluh Noember (IS) Surabaya Menggunaan Regres Logst Ordnal Dan Regres Probt Ordnal Imam Ahmad Al Fattah ), Madu

Lebih terperinci

PEMODELAN HARGA SAHAM DENGAN GEOMETRIC BROWNIAN MOTION DAN VALUE AT RISK PT CIPUTRA DEVELOPMENT Tbk

PEMODELAN HARGA SAHAM DENGAN GEOMETRIC BROWNIAN MOTION DAN VALUE AT RISK PT CIPUTRA DEVELOPMENT Tbk ISSN: 339-54 JURNAL GAUSSIAN, Volume 6, Nomor, Tahun 07, Halaman 6-70 Onlne d: http://ejournal-s.undp.ac.d/ndex.php/gaussan PEMODELAN HARGA SAHAM DENGAN GEOMETRIC BROWNIAN MOTION DAN VALUE AT RISK PT CIPUTRA

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga

Lebih terperinci

Studi Perhitungan CCT Menggunakan Metode EEAC (Extended Equal Area Criterion) Dan Trajektori Kritis/ Critical Trajectory Untuk Kestabilan Transien

Studi Perhitungan CCT Menggunakan Metode EEAC (Extended Equal Area Criterion) Dan Trajektori Kritis/ Critical Trajectory Untuk Kestabilan Transien JURAL TEKIK POITS Vol., o., (0) -6 Stud Perhtungan CCT enggunaan etode EEAC (Extended Equal Area Crteron) Dan Trajetor Krts/ Crtcal Trajectory Untu Kestablan Transen Hardansyah Pratama, Ardyono Pryad,

Lebih terperinci

PERMASALAHAN LOKASI (Model Dasar) [2]

PERMASALAHAN LOKASI (Model Dasar) [2] PERMASALAHAN LOKASI Model Dasar [] Technques of Contnuous Space Locaton Probles Medan ethod» Rectlner / Manhattan / Ct bloc dstance Contour-Lne ethod» Constructs regons bounded b counter lne hch provde

Lebih terperinci

Median Method. Types of Distance Rectilinear distance / Manhattan distance / City block distance / rigth-angle distance / rectangular distance

Median Method. Types of Distance Rectilinear distance / Manhattan distance / City block distance / rigth-angle distance / rectangular distance 30/05/04 Technques of Contnuous Space Locaton Probles PERMASALAHAN LOKASI Model Dasar [] Medan ethod» Rectlner / Manhattan / Ct bloc dstance Contour-Lne ethod» Constructs regons bounded b counter lne hch

Lebih terperinci

ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS

ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data

Lebih terperinci

Bahan Minggu II, III dan IV Tema : Kerangka acuan inersial dan Transformasi Lorentz Materi :

Bahan Minggu II, III dan IV Tema : Kerangka acuan inersial dan Transformasi Lorentz Materi : Bahan Minggu II, III dan IV Tema : Keranga auan inersial dan Transformasi Lorent Materi : Terdaat dua endeatan ang digunaan untu menelusuri aedah transformasi antara besaran besaran fisis (transformasi

Lebih terperinci

PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI

PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION Oleh : SOEMARTINI JURUSAN STATISTIKA FAKULTAS MATEMATIKA dan ILMU PENGETAHUAN ALAM UNIVERSITAS PADJADJARAN JATINANGOR 008 DAFTAR ISI Hal DAFTAR

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN A III METODE PENELITIAN A. Tempat dan Watu Peneltan. Tempat Peneltan Obje dalam peneltan n adalah Kelas VIII M.Ts. Neger onang yang terleta d Kecamatan onang Kabupaten Dema.. Watu Peneltan Peneltan dlasanaan

Lebih terperinci

PENAKSIR PRODUK YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA DAN SAMPLING BERPERINGKAT

PENAKSIR PRODUK YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA DAN SAMPLING BERPERINGKAT PEAKSIR PRODUK AG EFISIE UUK RAA-RAA POPULASI PADA SAMPLIG ACAK SEDERHAA DA SAMPLIG BERPERIGKA Dw Andn *, Frdaus, Arsan Adnan Mahasswa Progra S Mateata Dosen Jurusan Mateata Faultas Mateata Ilu Pengetahuan

Lebih terperinci

KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN

KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN Abstra Nama: Moh. Bagus Had S (Nrp 1205 100 037) Dosen Pembmbng:

Lebih terperinci

Optimum Simplex Lattice Designs of Low Order Multiresponse Surface Model by D-Optimum Criterion

Optimum Simplex Lattice Designs of Low Order Multiresponse Surface Model by D-Optimum Criterion 7 Otmum Smlex.(Ruslan et al.) Otmum Smlex Lattce Desgns of Low Order Multresonse Surface Model by D-Otmum Crteron Otmum Smlex Lattce Desgns of Low Order Multresonse Surface Model by D-Otmum Crteron ) Ruslan,

Lebih terperinci

AKURASI PENJEJAKAN OBJEK DALAM BERAGAM RUANG WARNA

AKURASI PENJEJAKAN OBJEK DALAM BERAGAM RUANG WARNA Tenolog Eletro, Vol.14, No.2, Jul - Desember 2015 80 AKURASI PENJEJAKAN OBJEK DALAM BERAGAM RUANG WARNA Gede Suadarma 1), Dewa Made Wharta 2), Nyoman Putra Sastra 3) Abstract The object trace has been

Lebih terperinci

(M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY

(M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY Unverstas Padjadjaran, 3 November 00 (M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY Anndya Aprlyant Pravtasar

Lebih terperinci

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman Lucas Theorem Untu Mengatur Penympanan Memor yang Lebh Aman Hendra Hadhl Chor (135 8 41) Program Stud Ten Informata ITB Jalan Ganesha 1, Bandung e-mal: hendra_h2c_mathematcan@yahoo.com; f1841@students.f.tb.ac.d

Lebih terperinci

Gambar 1.1 Nilai tukar Rupiah terhadap $US dari tahun 1998 s/ d 2005 (Sumber: Bank of Canada 21 Agustus 2005)

Gambar 1.1 Nilai tukar Rupiah terhadap $US dari tahun 1998 s/ d 2005 (Sumber: Bank of Canada 21 Agustus 2005) JMA, VOL 4, O2, DESEMBER, 25, 3-9 3 PEMODELA ILAI TUKAR RUPIAH TERHADAP $US MEGGUAKA HIDDE MARKOV* BERLIA SETIAWATY dan DEWI OVIYATI SARI Depatemen Matemata Faultas Matemata dan Ilmu Pengetahuan Alam Insttut

Lebih terperinci

BAB IV HASIL ANALISIS

BAB IV HASIL ANALISIS BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan

Lebih terperinci

Perbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield

Perbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya

Lebih terperinci

KORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK

KORELASI 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 terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :

JURNAL 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 terperinci

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,

Lebih terperinci

ANALISIS REGRESI PADA DATA OUTLIER DENGAN MENGGUNAKAN LEAST TRIMMED SQUARE (LTS) DAN MM-ESTIMASI. Heru Nurcahyadi

ANALISIS REGRESI PADA DATA OUTLIER DENGAN MENGGUNAKAN LEAST TRIMMED SQUARE (LTS) DAN MM-ESTIMASI. Heru Nurcahyadi ANALISIS REGRESI PADA DATA OUTLIER DENGAN MENGGUNAKAN LEAST TRIMMED SQUARE (LTS) DAN MM-ESTIMASI Heru Nurcahyad PROGRAM STUDI MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

Lebih terperinci

OPTIMALISASI UNJUK KERJA PLANT TIME VARYING MENGGUNAKAN KENDALI FUZZY ADAPTIF DENGAN METODE SECARA TIDAK LANGSUNG

OPTIMALISASI UNJUK KERJA PLANT TIME VARYING MENGGUNAKAN KENDALI FUZZY ADAPTIF DENGAN METODE SECARA TIDAK LANGSUNG Smposum Nasonal II RAI 003 OTIMALISASI UNJUK KERJA LANT TIME VARYING MENGGUNAKAN KENDALI FUZZY ADATIF DENGAN METODE SECARA TIDAK LANGSUNG Stud Kasus ada Kontrol Level Surge Tan Amad Kumaen Sumard Iwan

Lebih terperinci

ANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011).

ANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011). ANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011). Try Azsah Nurman Dosen Pada Jurusan Matemata, Faultas Sans

Lebih terperinci

2. Menentukan koleksi inti ubi kayu dan mengevaluasi kebaikan koleksi inti yang diperoleh. METODE. Data

2. Menentukan koleksi inti ubi kayu dan mengevaluasi kebaikan koleksi inti yang diperoleh. METODE. Data 2 2. Menentuan olesi inti ubi ayu dan mengevaluasi ebaian olesi inti yang dieroleh. METODE Data Data yang digunaan dalam enelitian ini berasal dari Kelomo Peneliti Pengelolaan Sumberdaya Geneti (Kelti

Lebih terperinci

Pengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis

Pengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis Konferens Nasonal Sstem & Informata 05 STMIK STIKOM Bal, 9-0 Otober 05 Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Two-Dmensonal Lnear Dscrmnant Analyss Ftr Damayant Prod Manajemen Informata,

Lebih terperinci

IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN

IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas,

Lebih terperinci

METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND

METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa

Lebih terperinci

Seminar Tesis AKAR KUADRAT ENSEMBLE KALMAN FILTER (AK-EnKF) UNTUK ESTIMASI POSISI PELURU KENDALI

Seminar 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 terperinci

BAB 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. 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci