JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS UDAYANA DENPASAR
|
|
- Veronika Sanjaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1
2 Jurnal ILMU KOMPUTER Volume 7 Nomor 1, Aprl 2014 Daftar Is : PURWARUPA APLIKASI PERANGKAT BERGERAK UNTUK ALIHBAHASA KALIMAT BAHASA INGGRIS KE BAHASA BALI MENGGUNAKAN PENDEKATAN BERBASIS ATURAN Ngurah Agus Sanjaya ER, Agus Mulantara PENERAPAN JARINGAN SYARAF TIRUAN DALAM PRAKIRAAN HUJAN HARIAN DI DAERAH KUTA SELATAN PROVINSI BALI Ida Bagus Gede Bayu Pryanta, I Gede Sant Astawa ANALISA HUBUNGAN FREKUENSI DASAR ANTAR BILAH GAMELAN GANGSA PADA HASIL SINTESIS MENGGUNAKAN METODE MODIFIED FREQUENCY MODULATION Dewa Made Sr Arsa, I Made Wdartha, Agus Mulantara ANALISIS DAN PERBANDINGAN TEKNIK WATERMARKING CITRA DIGITAL MENGGUNAKAN METODE BLOCK BASED DCT DAN LSB I Dewa Made Bayu Atmaja Darmawan PENGEMBANGAN PENGKLASIFIKASI JENIS TANAMAN MENGGUNAKAN PENDEKATAN BACKPROPAGATION DAN NGUYEN-WIDROW Agus Mulantara, Ngurah Agus Sanjaya ER PROTOTIPE SISTEM IDENTIFIKASI KUNJUNGAN WISATAWAN DI BALI BERBASIS RFID (RADIO FREQUENCY IDENTIFICATION ) I Made Wdh Wrawan SISTEM INFORMASI GEOGRAFIS OBYEK WISATA BALI BERBASIS APLIKASI MOBILE DENGAN REPRESENTASI DATA SPASIAL MENGGUNAKAN XML SVG Ida Bagus Gede Dwdasmara JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS UDAYANA DENPASAR
3
4 SUSUNAN DEWAN REDAKSI JURNAL ILMU KOMPUTER Jurusan Ilmu Komputer Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana Ketua Agus Mulantara, S.Kom, M.Kom Penyuntng Drs. Wayan Santyasa, M.S Ngurah Agus Sanjaya, S.Kom, M.Kom Cokorda Ra Ad Paramarta, S.T, M.M Ida Bagus Gede Dwdasmara, S.Kom.M.Cs Penyuntng Tamu Imas Stanggang, S.S, M.Kom (IPB) Ir. A.A. Gede Raka Dalem, M.Sc (Hons) Prof. Peter Hartel (Twente Unversty) Pelaksana I Made Wdartha, S.S, M.Kom Dra. Luh Gede Astut, M.Kom Gede Sant Astawa, ST, M.Cs Ida Bagus Mahendra, S.Kom, M.Kom Alamat Redaks Jurusan Ilmu Komputer Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana Kampus Bukt Jmbaran Badung Telpon Emal : journal@cs.unud.ac.d Webste : ISSN :
5 Vol. 7, No.1, Aprl 2014 ISSN PENERAPAN JARINGAN SYARAF TIRUAN DALAM PRAKIRAAN HUJAN HARIAN DI DAERAH KUTA SELATAN PROVINSI BALI Ida Bagus Gede Bayu Pryanta, I Gede Sant Astawa Jurusan Ilmu Komputer, FMIPA, Unverstas Udayana E-mal :sant.astawa@cs.unud.ac.d Abstrak Prakraan cuaca haran dapat dpengaruh oleh beberapa faktor, yatu pada suhu udara (temperatur), curah hujan (endapan), kelembapan udara (humdty), tekanan udara, serta arah dan kecepatan angn. Jarngan Syaraf Truan (JST) merupakan algortma yang secara umum sangat bak dalam permasalahan pengenalan pola. JST bekerja dengan menrukan jarngan syaraf manusa yang secara umum terdr dar jutaan smpul, dan setap smpul dapat menympan nformas-nformas khusus untuk membentuk sebuah tujuan dar sstem syaraf tersebut. Sehngga jumlah smpul (neuron) yang optmal pada sebuah jarngan JST serng menjad pertanyaan yang mendasar. Dar peneltan yang dlakukan, algortma JST untuk prakraan cuaca d wlayah Kuta Selatan, Bal yang drancang memlk sebuah layer tersembuny, memlk nla RMSE yang terkecl ketka jumlah neuron pada lapsan tersembuny berjumlah 8 neuron. Nla RMSE n ddapatkan saat jarngan mempelajar data peramalan tahun 2012 dan tahun 2013, dengan nla RMSE 0,098. Dan dar hasl pengujan menggunakan data peramalan d tahun 2014, ddapatkan akuras jarngan JST tersebut mencapa nla 72,45% Kata Kunc : Prakraan cuaca, JST, Neuron Abstract Daly weather forecast can be nfluenced by several factors, namely the temperature of the ar (temperature), ranfall (sedment), humdty of the ar (humdty), ar pressure, and wnd speed and drecton. Artfcal Neural Network (ANN) algorthm s generally very good at pattern recognton problems. JST works smulate human neural networks generally consst of mllons of vertces, and each node can keep a nformaton for the purpose of formng a neural system s. As the number of vertces (neurons) n an optmal network ANN has always been a fundamental queston. From the analyss done, the ANN algorthm to forecast the weather n the provnce of South Kuta, Bal planned has a hdden layer, has the smallest RMSE when the number of neurons n the hdden layer of 8 neurons. RMSE values are obtaned when the network learned forecastng data of 2012 and 2013, wth the RMSE And the test results usng data predcton n 2014, obtaned the accuracy of the ANN network reaches 72.45% Key word : forecast, ANN, Neuron PENDAHULUAN 1. Latar Belakang D daerah parwsata sepert Bal, kapan saja merupakan waktu yang tepat untuk berwsata dan menghabskan waktu bersama keluarga. Penghaslan terbesar para penyeda lokas wsata adalah ketka lokas mereka dkunjung banyak turs. Lokas wsata bas saja menjad sep pengunjung ketka hujan turun. Hal n yang menyebabkan banyaknya permntaan akan ramalan hujan setap harnya d BMKG wlayah III. Prakraan hujan haran menggunakan data satu har yang lalu untuk meramal cuaca satu har kedepan. Prakraan hujan haran n mengandalkan pengalaman forecaster dalam membaca pola data curah hujan arah angn dan kelembapan udara serta beberapa unsur cuaca lannya. Serng berkembangnya teknolog, peluang teknolog nformas (TI) untuk merambah ke semua bdang sangat besar. Pada bdang meteorolog msalnya dapat daplkaskan algortma pengenalan pola sepert jarngan syaraf truan sebaga algortma dalam pembuatan system pendukung keputusan prakraan hujan haran. Jarngan Syaraf Truan (JST) merupakan algortma yang secara umum sangat bak dalam permasalahan pengenalan pola. Namun pola cuaca bukanlah pola yang dapat dpelajar secara sederhana, dsebabkan oleh banyaknya faktor dan aturan yang mempengaruh cuaca d suatu daerah. Penggunaan algortma JST memungknkan sstem mempelajar hubungan
6 Pryanta, Astawa, Penerapan 8 antara faktor-faktor yang mempengaruh cuaca berdasarkan data-data yang pernah terjad, JST dkenal dengan kemampuan beradaptas yang sangat bagus, mempunya tolerans kesalahan yang tngg sehngga dapat daplkaskan pada data yang bersfat nosy. Yunar, S., & Setyawat, 2013 melakukan prakraan cuaca d Bandara Abdurahman Saleh dengan menggunakan algortma JST dan menghaslkan nla Mean Square Error terbak pada prakraan cuaca tahun Begtu pula peneltan Pangestut, D., & Rdok, 2013 yang menunjukkan kesuksesan pelathan JST yang drancangnya pada prakraan cuaca d kota Malang mencapa nla akuras 79,6%. Namun dalam peneltan-peneltan tersebut belum dkemukakan bagamana pengaruh jka jumlah neuron yang pada lapsan tersembuny dtambah, apakah jumlah neuron pada layer tersembuny dapat mempengaruh hasl pelathan JST. Selanjutnya dlakukan peneltan penggunaan algortma JST pada prakraan cuaca dengan mengambl stud kasus wlayah kuta selatan. Dalam peneltan n juga akan dlakukan analss statstk (SPSS) dalam pemlhan tga ftur yang berpengaruh palng sgnfkan dalam perubahan jumlah curah hujan d daerah kuta selatan provsns Bal. 2. Identfkas Masalah JST bekerja dengan menrukan jarngan syaraf manusa yang secara umum terdr dar jutaan smpul, dan setap smpul dapat menympan nformas-nformas khusus untuk membentuk sebuah tujuan dar sstem syaraf tersebut. Sehngga jumlah smpul (neuron) yang optmal pada sebuah jarngan JST serng menjad pertanyaan yang mendasar. Dsampng tu dar beberapa referens, penelt belum menemukan teor mengena jumlah layer tersembuny maupun jumlah neuron pada layer tersembuny yang bak. Sehngga tujuan dar peneltan n adalah untuk mengetahu pengaruh jumlah node dalam satu hdden layer pada kasus prakraan cuaca d wlayah Kuta Selatan, Bal. TINJAUAN PUSTAKA 1. Jarngan Syaraf Truan Menurut (Peterson & Rognvaldsson, 1991) pada jurnalnya yang berjudul An Introducton to Artfcal Neural Network, jarngan syaraf truan memlk tga lapsan utama yatu lapsan nput, hdden dan output. Ketga lapsan n dhubungkan dan setap data yang berpndah harus melewat jalur yang memlk nla bobot. Perhtungan akhr akan menghaslkan nla pada lapsan output. Input Layer atau lapsan masukan adalah lapsan yang akan menangan seluruh parameter yang akan dgunakan. Parameter n dapat berbentuk blangan asl ataupun blangan bner (0 dan 1) dan bpolar (1, 0 dan -1). Lapsan nput n akan mengrmkan nla menuju lapsan tersembuny dengan melewat masng-masng bobot untuk dproses lebh lanjut. Lapsan nput memlk node sejumlah dengan parameter yang dtetapkan, jad masng-masng node akan memuat satu nla dar parameter yang dwaklnya. Hdden Layer atau layer tersembuny berfungs sebaga penambahan operas logka dalam jarngan syaraf truan. Jumlah hdden layer mengakbatkan bertambahnya proses komputas yan terjad ddalam sstem jarngan namun tdak menjamn menngkatkan kemampuan jarngan dalam melakukan proses pembelajaran. Masng-masng lapsan (nput, hdden dan output) akan memlk node masng-masng. Jumlah node pada lapsan nput akan berbeda dengan jumlah node pada lapsan output. Hal n dkarenakan jumlah node pada lapsan nput akan mengkut jumlah parameter atau ftur yang dgunakan. Sementara jumlah node pada lapsan output akan menyesuakan dengan jumlah keluaran yang dngnkan. Output Layer merupakan lapsan yang mengeluarkan hasl akhr dar perhtungan dalam jarngan. Lapsan n mengeluarkan nla, nla n dapat berupa blangan bner atau bpolar. 2. Prakraan Hujan Haran Banyak hal yang mempengaruh perubahan cuaca yang terjad d sektar kta. Menurut Bayong (Tjasyono, 2004) ada beberapa hal yang dapat mempengaruh unsur yang berperan d dalam terjadnya perubahan cuaca sehar-har yatu radas matahar, daerah darat dan peraran, selang tekanan tngg dan rendah, massa udara, pegunungan, arus laut dan bada sklonk. Hal-hal tad akan memberkan pengaruh pada unsur cuaca yatu pada suhu udara (temperatur), curah hujan (endapan), kelembapan udara (humdty), tekanan udara, serta arah dan kecepatan angn. Bagan pengaruh dar kendal klm terhadap unsur klm sehngga menghaslkan jens cuaca dtunjukkan pada gambar 1. Gambar 1. Hubungan Unsur Iklm dengan Kendal Iklm Sumber : Buku Klmatolog (Tjasyono, 2004)
7 9 Jurnal Ilmu Komputer Vol.VII, No. 1, Aprl 2014, hlm.7-11 Temperatur udara atau suhu udara merupakan salah satu unsur cuaca yang mengambl andl besar dalam mempengaruh perubahan cuaca d permukaan bum. Menurut buku Klmatolog (Tjasyono, 2004) untuk mendapatkan suhu udara dalam satu har dapat menggunakan persamaan untuk mencar rata-rata sepert yang durakan pada persamaan. T=... (1) Suhu udara dkatakan sangat berpengaruh karena suhu udara memcu terjadnya penguapan ar d permukaan bum ke atmosfer. Tekanan udara merupakan berat sebuah kolom udara persatuan luas d atas sebuah ttk (Tjasyono, 2004). Tekanan udara basanya berbandng terbalk dengan ketnggan. Semakn tngg dar permukaan bum maka tekanan akan semakn rendah dkarenakan udara yang berada d permukaan bum mendapat tekanan dar massa udara yang ada pada ketnggan yang lebh tngg. Pada bdang forecastng, jka terjad perubahan tekanan yang sgnfkan dalam satu har maka dpastkan akan turun hujan. Tekanan udara juga mengambl peran terhadap perubahan dan kecepatan arah angn. Udara dapat berubah menjad uap ar dalam beberapa bentuk yang berbeda. Uap ar dapat terbentuk sebaga embun jka udara berada datas ttk beku dan dbawah ttk embun. Udara dapat menjad embun akbat terkena suhu udara dngn pada malam har akbat hlangnya radas matahar. Uap ar juga dapat terbentuk sebaga kabut. Secara struktur kabut dan awan tdak berbeda jauh, perbedaan terjad dalam proses pembentukan dan lokas terjadnya (Tjasyono, 2004). Kabut terjad jka banyak embun yang terbentuk d permukaan bum sehngga menyebabkan adanya butr ar yang mengapung d permukaan bum. Kabut dapat dbedakan berdasarkan efek jarak pandangnya (Tjasyono, 2004), penggolongan kabut dapat dlhat pada tabel 1. Sumber : Klmatolog (Tjasyono, 2004) Tabel 1 Penggolongan kabut berdasarkan jarak pandang Golongan Kabut Padat Kabut Tebal Kabut Kabut Sedang Kabut Tps Benda tdak terlhat pada jarak 45 m 180 m 450 m 900 m 1800 m Sementara awan merupakan ttk ar yang terbentuk jka udara menjad dngn secara adabatk melalu udara yang nak dan mengembang. Banyaknya awan d langt dapat dhtung dengan menggunakan persen namun pada BMKG dnyatakan dengan perdelapanan. Jad langt akan dbag menjad delapan dan akan dhtung berapa bagan langt yang tertutup awan, semsal langt penuh dengan awan maka akan dnyatakan dengan skala 8/8. Jka langt cerah maka akan dnyatakan dengan skala 0/8. METODELOGI PENELITIAN 1. Pemlhan Ftur Ftur yang dsedakan dalam dataset Ogmet.com adalah temperature udara maksmum, temperature udara mnmum, temperature udara rata-rata, ttk embun, kelembaban udara, arah dan kecepatan angn, jumlah total awan dlangt, ntenstas cahaya matahar, curah hujan, tekanan udara permukaan serta jarak pandang. Pada peneltan n akan dplh ftur yang palng sgnfkan. Pemlhan ftur ddasar proses analsa statstk yang dlakukan dengan menggunakan dataset selama dua tahun. Analsa statstk yang dgunakan adalah analsa regres lnear berganda untuk mengetahu pengaruh suatu varable terhadap nla varable lannya, dalam hal n varable tujuan adalah curah hujan. Dar hasl analsa menggunakan data selama dua tahun (2013 dan 2012) dengan bantuan aplkas SPSS akan dcar formula untuk menentukan jumlah curah hujan yang terjad berdasarkan 11 faktor datas. Formula yang akan dhaslkan memlk notas dasar sebaga berkut : Y 596,99 0,581x 3,88x 4 1,814x 0,993x 8 5 0,948x 9 1 0,449x 0,071x 6 0,294x ,229x 0,699x 7 0,039x Dar persamaan tad dapat dlhat varabel yang memlk tngkat sgnfkans palng tngg (bak bernla postf maupun negatf) adalah varabel X3, X4, dan X8. X3 merupakan suhu rata-rata (Temp avg.) kemudan X4 merupakan ttk embun rata-rata (Td avg.) dan X8 adalah jumlah awan. 2. Perancangan Struktur Jarngan Syaraf Truan Jarngan syaraf truan yang dgunakan pada peneltan n adalah jarngan syaraf truan 11 3
8 Pryanta, Astawa, Penerapan 10 dengan satu hdden layer, satu nput layer dan satu output layer. 1, 2, 3, sampa 10, ddapatkan data RMSE pada proses pelathan sepert gambar 3. Gambar 2. Struktur dasar jarngan syaraf truan Pada tap-tap layer akan terdapat node. Jumlah node pada nput layer sesua dengan jumlah ftur yang akan dgunakan yatu sebanyak tga ftur. Jumlah node pada output layer adalah satu karena akan menandakan kelas 1 dan 0 saja. Jumlah node pada hdden layer bersfat dnams. Struktur dasar JST yang akan dgunakan dapat dlhat pada gambar 7.1. Jumlah node pada hdden layer dmula dar 4 buah dan akan bertambah setelah mendapatkan satu solus optmal hngga berjumlah 10 node. 3. Akuras Sstem Akuras merupakan ketepatan sstem dalam meramal secara keseluruhan. Sepert yang telah djelaskan oleh The Centre for Australan Weather and Clmate Research, untuk melakukan verfkas prakraan cuaca dapat menggunakan beberapa persamaan Thread Score (ketepatan sstem dalam meramal terjadnya hujan). Thread Score dapat dhtung menggunakan persamaan (3). Bas merupakan penanda karakterstk sstem, dmana jka ndex bas > 1 artnya sstem over forecast atau cenderung mengatakan hujan sementara jka ndex bas < 1 artnya sstem under forecast atau cenderung mengatakan cerah. Index bas dapat dhtung menggunakan persamaan (4). hts...(3) TS hts msses false alarms bas hts hts false alarms msses HASIL DAN PEMBAHASAN...(4) Dengan menerapkan jarngan JST yang memlk jumlah neuron pada lapsan tersebuny sebanyak Gambar 3. Hasl RMSE pelathan JST dengan 10 tpe jumlah neuron Dar data RMSE yang terjad pada proses pelathan, dapat dtark sebuah kesmpulan bahwa RMSE terbak dmlk oleh jarngan JST dengan 8 neuron pada lapsan tersembuny yatu 0,098. Dengan menggunakan data pengujan yatudata prakraan cuaca pada tahun 2013 akhr sampa awal tahun 2014, ddapatkan akuras peramalan sebesar 72,45% KESIMPULAN DAN SARAN Algortma JST untuk prakraan cuaca d wlayah Kuta Selatan, Bal yang drancang memlk sebuah layer tersembuny, memlk nla RMSE yang terkecl ketka jumlah neuron pada lapsan tersembuny berjumlah 8 neuron. Nla RMSE n ddapatkan saat jarngan mempelajar data peramalan tahun 2012 dan tahun 2013, dengan nola RMSE 0,098. Dar hasl pengujan menggunakan data peramalan d tahun 2014, ddapatkan akuras jarngan JST tersebut mencapa nla 72,45%. Pada peneltan selanjutnya perlu danalsa lebh lanjut bagamana hubungan antara pemlhan jumlah dan jens faktor yang akan dgunakan dalam algortma JST, serta pengoptmalan tahap pembelajaran JST sehngga dapat memperbak RMSE pelathannya. DAFTAR PUSTAKA Bhandarl, D., Murthy, C. A., & Pal, S. K. (2012). Varance as a Stoppng Crteron for Genetc Algorthms. Fundamenta Informatcae, Gallagher, K., & Sambrdge, M. (1994). Genetc Algorthms : A Powerfull Tool For Large- Scale Nonlnear Optmzaton Problems. Computer and Geoscence, Pangestut, N. A., Dew, C., & Rdok, A. (2013). Implementas Pelathan Jarngan Syaraf
9 11 Jurnal Ilmu Komputer Vol.VII, No. 1, Aprl 2014, hlm.7-11 Truan dengan Algortma Genetka Untuk Peramalan Cuaca. Jurnal Ilmu Komputer Unverstas Brawjaya, 1-8. Peterson, C., & Rognvaldsson, T. (1991). An Introducton to Artfcal Neural Network. Departement of Theoretcal Physc, PS, D., & Subagyo, P. (1986). Statstk Induktf. Yogyakarta: BPFE. Razal, N. M., & Geraghty, J. (2011). Genetc Algorthm Performance wth Dfferent Selecton Strateges n Solvng TSP. World Congress on Engneerng, Thede, S. M. (2004). An Introducton to Genetc Algorthms. Journal Computng Scence n Collage Volume 20, Tjasyono, B. (2004). Klmatolog. Bandung: ITB. Yunar, R. J., S., D. R., & Setyawat, O. (2013). Perbakan Metode Prakraan Cuaca Bandara Abdulrahman Saleh dengan Algortma Neural Network Backpropagaton. EECCIS,
PENERAPAN JARINGAN SYARAF TIRUAN DALAM PRAKIRAAN HUJAN HARIAN DI DAERAH KUTA SELATAN PROVINSI BALI
Vol. 7, No.1, Aprl 2014 ISSN 1979-5661 PENERAPAN JARINGAN SYARAF TIRUAN DALAM PRAKIRAAN HUJAN HARIAN DI DAERAH KUTA SELATAN PROVINSI BALI Ida Bagus Gede Bayu Pryanta, I Gede Sant Astawa Jurusan Ilmu Komputer,
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 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 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 terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih 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 terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih 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 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 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 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 III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih 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 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 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 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 terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciBAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
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 terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih 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 terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciUNSUR-UNSUR CUACA DAN IKLlM
UNSUR-UNSUR CUACA DAN KLlM HANDOKO Jurusan Geofska dan Meteorolog, FMlPA PB Cuaca adalah gambaran konds atmosfer jangka pendek (kurang dar 24 jam) pada suatu lokas tertentu. Pernyataan sepert "har n d
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 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 terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB 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 terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciMETODE PENELITIAN. digunakan untuk mengetahui bagaimana pengaruh variabel X (celebrity
37 III. METODE PENELITIAN 3.1 Jens dan Sumber Data Jens peneltan yang dgunakan adalah peneltan deskrptf, yang mana dgunakan untuk mengetahu bagamana pengaruh varabel X (celebrty endorser) terhadap varabel
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciBAB 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 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 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 terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
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 IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciBAB 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 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 terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
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 III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
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 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 terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih 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 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 terperinciSEARAH (DC) Rangkaian Arus Searah (DC) 7
ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan
Lebih 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 terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciIII.METODE PENELITIAN. Pada penelitian ini subyek yang digunakan adalah siswa VII A SMPN 5
33 III.METODE PENELITIAN A Jens Dan Desan Peneltan. Jens peneltan yang dgunakan dalam peneltan n adalah peneltan kuanttatf. Peneltan n merupakan peneltan korelas yang bertujuan untuk mengetahu hubungan
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciSUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD
SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya
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 terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBILANGAN RAMSEY SISI DARI r ( P, )
Charul Imron dan dy Tr Baskoro, Blangan Ramsey Ss BILANGAN RAMSY SISI DARI r ( P, ) (Ramsey Number from the Sde r ( P, ) ) Charul Imron dan dy Tr Baskoro Jurusan Matemátca, FMIPA ITS Surabaya mron-ts@matematka.ts.ac.d
Lebih terperinciContoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi.
BAB V TEOEMA-TEOEMA AGKAIA 5. Teorema Superposs Teorema superposs bagus dgunakan untuk menyelesakan permasalahan-permasalahan rangkaan yang mempunya lebh dar satu sumber tegangan atau sumber arus. Konsepnya
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
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 terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih 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 terperinciBOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL
BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL Analss sumbangan sektor-sektor ekonom d Bal terhadap pembangunan ekonom nasonal bertujuan untuk mengetahu bagamana pertumbuhan dan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
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 terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciKORELASI DAN REGRESI LINIER. Debrina Puspita Andriani /
KORELASI DAN REGRESI LINIER 9 Debrna Puspta Andran www. E-mal : debrna.ub@gmal.com / debrna@ub.ac.d 2 Outlne 3 Perbedaan mendasar antara korelas dan regres? KORELASI Korelas hanya menunjukkan sekedar hubungan.
Lebih terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
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 terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian merupakan cara atau langkah-langkah yang harus
BAB III METODE PENELITIAN Metode peneltan merupakan cara atau langkah-langkah yang harus dtempuh dalam kegatan peneltan, sehngga peneltan yang dlakukan dapat mencapa sasaran yang dngnkan. Metodolog peneltan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
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 terperinciBAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas
BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Bab n akan menjelaskan latar belakang pemlhan metode yang dgunakan untuk mengestmas partspas sekolah. Propns Sumatera Barat dplh sebaga daerah stud peneltan. Setap varabel yang
Lebih terperinciBAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
Lebih terperinciKritikan Terhadap Varians Sebagai Alat Ukur
Krtkan Terhadap Varans Sebaga Alat Ukur Varans mengukur penympangan pengembalan aktva d sektar nla yang dharapkan, maka varans mempertmbangkan juga pengembalan d atas atau d bawah nla pengembalan yang
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 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 terperinciREKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA
REKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA Jl. Boulevard Bntaro Sektor 7, Bntaro Jaya Tangerang Selatan 15224 PENDAHULUAN Bangktan perjalanan (Trp generaton model ) adalah suatu tahapan
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. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciConfigural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Confgural Frequency Analyss untuk Melhat Penympangan pada Model Log Lnear Resa Septan Pontoh 1, Def Y. Fadah 2 1,2 Departemen Statstka FMIPA
Lebih terperinci4 PRAKIRAAN SUHU MAKSIMUM DAN MINIMUM
4 PRAKIRAAN SUHU MAKSIMUM DAN MINIMUM Pendahuluan Parameter cuaca suhu maksmum dan mnmum merupakan parameter utama yang dprakrakan oleh lembaga pelayanan cuaca dantaranya BMKG. Suhu maksmum adalah suhu
Lebih terperinciBAB IV METODE PENELITIAN. Penelitian mengenai Analisis Pengaruh Kupedes Terhadap Performance
BAB IV METODE PENELITIAN 4.1 Lokas dan Waktu Peneltan Peneltan mengena Analss Pengaruh Kupedes Terhadap Performance Busness Debtur dalam Sektor Perdagangan, Industr dan Pertanan dlaksanakan d Bank Rakyat
Lebih terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinci