Evanita Fakultas Teknik, Program Studi Teknik Informatika Universitas Muria Kudus
|
|
- Veronika Sanjaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 PREDIKSI VOLUME LALU LINTAS ANGKUTAN LEBARAN PADA WILAYAH JAWA TENGAH DENGAN METODE K-MEANS CLUSTERING UNTUK ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Evanta Fakultas Teknk, Program Stud Teknk Informatka Unverstas Mura Kudus Emal: evanta@umk.ac.d Ed Noersasongko Pascasarjana Teknk Informatka Unverstas Dan Nuswantoro Emal: ed.noersasongko@dsn.dnus.ac.d Rcardus Angg Pramunendar Pascasarjana Teknk Informatka Unverstas Dan Nuswantoro Emal: rcardus.angg@dsn.dnus.ac.d ABSTRAK D Indonesa kepadatan arus lalu lntas terjad pada jam berangkat dan pulang kantor, har-har lbur panjang atau har-har besar nasonal terutama saat har raya Idul Ftr (lebaran). Mudk sudah menjad trads bag masyarakat Indonesa yang dtunggu-tunggu menjelang lebaran, berbondong-bondong untuk pulang ke kampung halaman untuk bertemu dan berkumpul dengan keluarga. Kegatan rutn tahunan n banyak d lakukan khususnya bag masyarakat kota-kota besar sepert Jakarta, dmana dketahu bahwa Jakarta adalah Ibu kota negara Republk Indonesa dan menjad tujuan merantau untuk mencar pekerjaan yang lebh layak yang merupakan harapan besar bag masyarakat desa. Volume kendaraan bertambah sejak 7 har menjelang lebaran sampa 7 har setelah lebaran tap tahunnya terutama pada arah keluar dan masuk wlayah Jawa Tengah yang banyak menjad tujuan mudk. Volume kendaraan saat arus mudk yang selalu menngkat nlah yang akan dtelt lebh lanjut dengan metode ANFIS agar dapat menjad alternatf solus langkah apa yang akan dlakukan d tahun selanjutnya agar pelayanan lalu lntas, kemacetan panjang dan angka kecelakaan berkurang. Dengan nput parameter ANFIS yang dgunakan yatu pengclusteran hngga 5 cluster, epoch 100, error goal 0 dperoleh performa terbak ANFIS dengan K-Means clusterng yang terbag menjad 3 cluster, epoch terbak sebesar 20 dengan RMSE Tranng terbak sebesar 0,1198, RMSE Testng terbak sebesar 0,0282 dan waktu proses tersngkat sebesar 0,0695.Selanjutnya hasl predks dharapkan dapat bermanfaat menjad alternatf solus langkah apa yang akan dlakukan d tahun selanjutnya agar pelayanan lalu lntas lebh bak lag. Kata kunc: angkutan lebaran, Jawa Tengah, ANFIS. ABSTRACT In Indonesa the traffc densty occurs on the hours to start and to end of work, days off or at long natonal holdays, especally durng Lebaran (ed). Upstream has become a tradton for the people n Indonesa are awated before Lebaran (ed), flocked to return home to meet and gather wth famly.the annual event s a lot to do, especally for people n bg ctes lke Jakarta, where t s known that Jakarta s the captal cty of the Republc of Indonesa and the wander destnaton to seek better job whch s great hope for the vllagers. The volume of vehcles ncreased from 7 days before Lebaran (ed) untl 7 days after Lebaran (ed) every year, especally n the drecton of ext and entrance roads Cetral Java. The volume of the vehcle when upstream flows always ncrease s what wll be further nvestgated by ANFIS method that can be an alternatve soluton to what steps wll be done n the next year n order to traffc servces, congeston length and the number of accdents reduced. Wth the nput of ANFIS used n clusterng up to 5 clusters, epoch 100, error goal 0 obtaned the best performance ANFIS wth K-Means clusterng are dvded nto 3 clusters, the best epoch of 20 wth the best RMSE Tranng of 0,1198, best RMSE Testng of 0,0282 and the shortest processng tme for 0,0695. In the future predcted result are expected to be useful to be an alternatve soluton what steps wll be done n the next year n order to servce the traffc more best. Keywords: transportaton Lebaran, Central Java, ANFIS. 199
2 Jurnal SIMETRIS, Vol 7 No 1 Aprl PENDAHULUAN Pada har raya Idul Ftr atau lebaran terdapat sebuah trads yang sangat dtunggu-tunggu oleh seluruh lapsan masyarakat yatu pulang kampung (mudk). Trads pulang kampung (mudk) pada har lebaran tampaknya sudah jad kohes sosal yang amat kuat bag sebagan besar masyarakat (perkotaan) d Indonesa. Dalam keadaan arus mudk lebaran volume kendaraan menngkat drasts dbandng har basa. Volume kendaraan bertambah sejak 7 har menjelang lebaran sampa 7 har setelah lebaran tap tahunnya terutama pada arah keluar dan masuk wlayah Jawa Tengah yang banyak menjad tujuan mudk. Pemerntah setempat terkadang merasa kesultan dalam mengatur lalu lntas yang terlalu padat n. Untuk tu drasa perlu adanya predks angka volume lalu lntas angkutan lebaran arah keluar masuk wlayah Jawa Tengah pada tahun yang akan datang. Predks volume lalu lntas angkutan lebaran n akan menggunakan metode Adaptve Neuro Fuzzy Inference System (ANFIS). Rumusan masalah dalam peneltan n adalah Dalam peneltan sebelumnya yang menggunakan Fuzzy C- Means (FCM) clusterng untuk ANFIS menunjukkan performa yang bak dengan RMSE 0, , untuk mengetahu perbandngan hasl akuras yang lebh bak drasa perlu adanya perbakan yang menggabungkan ANFIS dengan metode clusterng lannya. Untuk tu pada peneltan n mencoba menggunakan metode K-Means Clusterng untuk ANFIS yang haslnya dharapkan akan lebh bak dar performa ANFIS yang menggunakan FCM clusterng. Tujuan peneltan adalah Metode K-Means clusterng untuk ANFIS akan menghaslkan performa yang lebh bak darpada metode FCM clusterng untuk ANFIS. Sedangkan manfaat peneltan adalah Membantu memberkan alternatf solus untuk pelayanan lalu lntas pada arus mudk tahun selanjutnya pada wlayah Jawa Tengah serta jka dmungknkan dapat memberkan rekomendas kepada phak yang berwenang sebaga sarana alternatf untuk predks volume lalu lntas angkutan lebaran. Pemodelan predks kemacetan arus lalu lntas telah berhasl dlakukan berdasarkan tngkat pelayanan jalan (LOS) dengan menggunakan metode ANFIS. Pada hasl predks untuk tahun 2012, dapat dketahu hasl predks status kemacetan arus lalu lntas yang terjad adalah sangat buruk dengan nla LOS sebesar 0,92 dengan krtera. Metode ANFIS dapat dpergunakan untuk mempredks kemacetan arus lalu lntas dengan parameter nputnya adalah tpe membershp functon gaussan, error goal 1x10-5, dan epoch 100. Sehngga dperoleh RMSE 0, dan MAPE sebesar 0,93158% (pada hasl uj yang dlakukan pada jalan LA Mesa alur maju pada puncak per jam) [1]. Parameter arus lalu lntas dapat dbedakan menjad dua bagan utama, yatu makroskopk yang merupakan parameter arus lalu lntas secara umum dan mkroskopk yang merupakan parameter arus lalu lntas yang menunjukkan perlaku kendaraan ndvdu dalam suatu arus lalu lntas yang terkat antara satu dengan yang lannya. Dalam makroskopk, terdapat tga parameter utama, yatu kecepatan, arus atau volume, dan kerapatan [2]. 2. TINJAUAN PUSTAKA 2.1 Landasan Teor Adaptve Neuro Fuzzy Inference System (ANFIS) merupakan penggabungan dar logka fuzzy dan jarngan syaraf truan (JST). ANFIS adalah arstektur yang secara fungsonal sama dengan fuzzy rule base model Sugeno. Arstektur ANFIS juga sama dengan jarngan syaraf dengan fungs radal dengan sedkt batasan tertentu. Bsa dkatakan ANFIS adalah suatu metode yang mana dalam melakukan aturan dgunakan algortma pembelajaran terhadap sekumpulan data. Pada ANFIS juga memungknkan aturanaturan untuk beradaptas [3]. Sstem nferens fuzzy yang dgunakan adalah sstem nferens fuzzy model Tagak-Sugeno-Kang (TSK) orde satu dengan pertmbangan kesederhanaan dan kemudahan komputas. Adapun bass aturan dengan dua aturan fuzzy f-then sepert dbawah n [4]: If x 1 s A 1 and s B 1 Then y 1 = c 11 x 1 + c 12 + c 10 (1) If x 1 s A 2 and s B 2 Then y 2 = c 21 x 1 + c 22 + c 20 (2) Dmana x 1 dan adalah nput dan A 1, A 2, B 1, B 2 adalah derajat keanggotaan dengan aturan fuzzy yang telah dtentukan. Sedangkan c 11 x 1 + c 12 + c 10 dan c 21 x 1 + c 22 + c 20 adalah parameter lnear. Arstektur ANFIS dapat dlhat pada gambar berkut : 200
3 Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 Gambar 1. Arstektur ANFIS [4] Dar gambar d atas dapat dlhat bahwa terdapat 5 layer atau 5 lapsan pada arstektur ANFIS, yang terdr dar : a. Layer 1 Neuron-neuron pada lapsan n dsebut adaptf terhadap parameter suatu fungs aktvas. Outputnya berupa derajat keanggotaan baru yang dbentuk dar nput yang ada, yatu A 1, A 2, B 1, B 2. Adapun fungs keanggotaan baru dsarankan menggunakan rumus Gbell. 2 xc 2 2a x (3) D mana a,b,c adalah parameter parameter baru yang terbentuk dar standart devas dan mean, sedangkan (x) adalah derajat keanggotaan baru. b. Layer 2 Neuron-neuron pada lapsan n merupakan neuron tetap dan menggunakan operator And. Outputnya adalah hasl perkalan dar derajat keanggotaan pada layer 1. w = A B keterangan : w : predkat atau neuron tetap Tap keluaran smpul menyatakan derajat pengaktfan (frng strength) tap aturan fuzzy. Fungs n dapat dperluas apabla bagan prems memlk lebh dar dua hmpunan fuzzy. Banyaknya smpul pada lapsan n menunjukkan banyaknya aturan yang dbentuk. c. Layer 3 Neuron layer n terbentuk dar hasl perhtungan rato dar predkat atau neuron tetap dar aturan ke- terhadap jumlah dar keseluruhan predkat. Output n serng dsebut dengan nama normalzed frng strength. w w w1 w2 wn (5) Apabla dbentuk dar lebh dar dua aturan, fungs dapat dperluas dengan membag w dengan jumlah total w untuk semua aturan. d. Layer 4 Pada layer n output yang dhaslkan menjad neuron adaptf. w f w c 1 x1 c2 x2 c10 Terdapat parameter baru yang dsebut consequent parameters yatu Parameter n dpengeruh oleh predkat. c 1 x1 c2 x2 c10 (4) (6). 201
4 Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 e. Layer 5 Dalam layer terakhr n hanya ada satu smpul output yang merupakan keluaran atau hasl dar seluruh perhtungan yang sudah dlakukan d atas. w f w f (7) w Keterengan : 2.2 Kerangka Pemkran w : y atau keluaran. f Dar Dnas Perhubungan Komunkas dan Informatka provns Jawa Tengah dperoleh laporan Analsa dan Evaluas Penyelenggaraan Angkutan Lebaran yang bers data volume lalu lntas angkutan mudk lebaran dar tahun 2008 hngga Volume lalu lntas tersebut dperoleh dar 4 posko pemantauan yatu posko Jembatan Tmbang Tanjung Brebes, Jembatan Tmbang Wanareja Clacap, Jembatan Tmbang Sarang Rembang dan Jembatan Tmbang Toyoga Sragen dan 4 moda transportas melput sepeda motor, mobl prbad, mobl barang dan bus. Kerangka berfkr peneltan n dapat dlhat pada gambar d bawah n : Masalah : Menggabungkan K-Means clusterng dengan ANFIS yang dharapkan akan menghaslkan akuras yang lebh bak dar penggabungan FCM clusterng dengan ANFIS untuk predks volume lalu lntas angkutan lebaran pada wlayah Jawa Tengah Data : Volume Lalu Lntas Angkutan Lebaran Tahun wlayah Jawa Tengah FCM Clusterng K-Means Clusterng Normalsas Data Mn Max Derajat Keanggotaan Baru ANFIS Pengukuran RMSE Tujuan : Metode K-Means clusterng untuk ANFIS akan menghaslkan performa yang lebh bak darpada metode FCM clusterng untuk ANFIS. Gambar 2. Kerangka Pemkran 202
5 TAHUN 2008 TAHUN 2008 TAHUN 2008 Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 Dar kerangka pemkran d atas dapat dlhat bahwa masalah yang harus dselesakan adalah bagamana menggabungkan K-Means clusterng dengan ANFIS yang dharapkan akan menghaslkan akuras yang lebh bak dar penggabungan FCM clusterng dengan ANFIS untuk predks volume lalu lntas angkutan lebaran pada wlayah Jawa Tengah, yang datanya berupa Volume Lalu Lntas Angkutan Lebaran Tahun pada wlayah Jawa Tengah. Mula dar proses normalsas data yang selanjutnya dcluster menggunakan FCM dan K-Means clusterng untuk masng-masng hasl cluster akan dmasukkan ke proses Fuzzyfkas atau pencaran derajat keanggotaan baru dan dproses menggunakan ANFIS untuk mendapatkan output berupa hasl predks dengan performa terbak yang dhaslkan dar K- Means clusterng utnuk ANFIS. 3. METODE PENELITIAN Pengumpulan data dperoleh dar laporan yang berjudul Analsa dan Evaluas Penyelenggaraan Angkutan Lebaran yang dtuls oleh Dnas Perhubungan Komunkas dan Informatka Provns Jawa Tengah. Data yang dperoleh berupa data tme seres volume lalu lntas angkutan lebaran per tahun sesua dengan waktu arus mudk lebaran yatu H-7 hngga H+7 selama 7 tahun, mula dar tahun 2008 hngga 2014 dengan moda transportas melput sepeda motor, mobl prbad, bus dan mobl barang pada 4 posko pemantauan yatu posko Jembatan Tmbang Tanjung Brebes, Jembatan Tmbang Wanareja Clacap, Jembatan Tmbang Sarang Rembang, Jembatan Tmbang Toyoga Sragen [5]. Predks menggunakan metode ANFIS terbag menjad 3 proses yatu: proses nsalsas awal, proses pembelajaran (learnng), dan proses peramalan. Penentuan parameter nput untuk proses tranng dlakukan saat nsalsas awal dmana tap-tap parameter nput memlk pola atau pattern yang berbeda. Data nputan berupa data unvarate tme seres dengan jumlah 112 record berupa urutan waktu arus mudk lebaran H-7 hngga H+7 dar tahun 2008 hngga Msalnya pada data Posko Jembatan Tmbang Wanareja Clacap yang akan djadkan contoh unvarate analyss adalah moda sepeda motor arah masuk dapat dlhat pada tabel 2. Tabel 1 : Data Tme Seres Volume Lalu Lntas Angkutan Lebaran Posko Jembatan Tmbang Wanareja Clacap TAHUN POSISI SEPEDA MOTOR MOBIL PRIBADI BUS MOBIL BARANG MASUK KELUAR MASUK KELUAR MASUK KELUAR MASUK KLEUAR H H H H H H H H H H H H H H H H Dar data tme seres d atas akan dplh salah satu kolom yang akan danalss sebaga data unvarate tme seres karena antar kolom satu dengan kolom yang lan tdak berhubungan atau tdak salng berpengaruh sebaga varabel yang terkat. Untuk tu dambl satu koom pada moda sepeda motor arah masuk sebaga contoh analss. TAHUN Tabel 2. Data Unvarate Tme Seres POSISI SEPEDA MOTOR SEPEDA MOTOR TAHUN POSISI ARAH MASUK ARAH MASUK H H H H H H H H H H H H H H H H
6 H-7 hngga H+7 ( ) H-7 hngga H+7 ( ) Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 Dar data tersebut danalss satu per satu per kolom untuk selanjutnya masuk pada proses ANFIS yang tahapan pertamanya adalah proses nsalsas awal. Proses nsalsas awal yang dgunakan pada peneltan n adalah normalsas data. Normalsas yang dgunakan dalam peneltan n adalah normalsas mn max. Prosesnya mengutamakan pada nla mnmal dan maxmal dar data yang ada. Data dengan nla atau jangkauan yang besar perlu dperkecl agar tdak banyak menmbulkan masalah pada proses selanjutnya. Pada proses normalsas n, data yang akan dolah dbuat dalam bentuk normalsas dengan nterval 0 sampa 1. Proses preprocessng data selanjutnya menggunakan metode K-Means untuk pengclusteran data. Data akan dcluster menjad dua cluster untuk menuju proses selanjutnya. Pencaran jarak yang dgunakan adalah eucledan dstance, Eucledan dstance merupakan cara pencaran jarak termudah pada K-Means. Setelah hasl cluster dketahu, dlakukan pencaran standart devas yang dlambangkan dengan a dan mean yang dlambangkan dengan c, untuk membantu proses selanjutnya yatu mencar keanggotan baru serta masuk ke proses pembelajaran. Untuk melakukan proses pembelajaran, data akan dbag menjad dua bagan, yatu data untuk proses tranng dan proses testng. Proses tranng dlakukan pada data mula tahun dan dar hasl tranng akan dlakukan proses testng untuk tahun 2014 dan Pada proses tranng pengolahan data akan dmula dengan pemasukan nput yang akan dcluster menggunakan K-Means untuk pencaran standart devas dan mean yang dgunakan sebaga parameter baru a dan c untuk penentuan derajat keanggotaan baru yang selanjutnya akan dmasukkan ke ANFIS untuk tahap akhr pencaran output. Proses tranng yang telah selesa dcocokkan dengan keadaan data sebelumnya. Adakah perbedaan yang sgnfkan pada data asl dan hasl tranng perlu dpertmbangkan karena akan mempengaruh proses testng. Proses testng sama dengan proses tranng, hanya saja data yang menjad nput harus benar-benar berpengaruh pada data yang akan dpredks. Pengkuran performa terbak menggunakan Root Mean Square Error (RMSE). Output dar hasl pembelajaran n adalah nformas tentang predks volume lalu lntas angkutan lebaran tahun 2015 pada wlayah Jawa Tengah. 4. HASIL DAN PEMBAHASAN 4.1 Hasl Peneltan Hasl peneltan n adalah predks volume lalu lntas angkutan lebaran pada wlayah Jawa Tengah dar H-7 hngga H+7 tahun 2015 dan Dar proses pembelajaran dan pengujan yang dlakukan menggunakan tpe membershp functon (MFs) Gaussan (Gauss), dperoleh performa terbak ANFIS dengan K-Means clusterng yang terbag menjad 3 cluster, epoch terbak sebesar 20 dengan RMSE Tranng terbak sebesar 0,1198, RMSE Testng terbak sebesar 0,0282 dan waktu proses tersngkat sebesar 0, Pembahasan Normalsas adalah proses awal atau preprocessng pembentukan data nput yang tadnya berupa data dengan nla atau jangkauan yang besar dperkecl agar tdak banyak menmbulkan masalah pada proses selanjutnya. Data unvarate tme seres berjumlah 112 record berupa urutan waktu arus mudk lebaran H-7 hngga H+7 dar taun 2008 hngga Normalsas yang dgunakan pada peneltan n adalah normalsas mn max dengan nterval [0 1]. Tabel 3. Hasl Normalsas Volume Sepeda Motor Jembatan Tmbang Wanareja Clacap Tahun Sepeda Motor Arah Masuk Sepeda Motor Arah Masuk Tahun Data Aktual Data Normalsas Data Aktual Data Normalsas 772 0, , , , , , , , , , , , , , , , , , , ,
7 Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 Setelah mendapatkan hasl data normalsas, selanjutnya adalah memetakan data untuk tranng berupa 5 varabel nput yatu x1, x2, x3, x4, x5 dan 1 varabel output yatu y. Inputan berdasarkan pemetaan yang sudah d bahas pada bab sebelumnya yatu x1 tahun 2008, x2 tahun 2009, x3 tahun 2010, x4 tahun 2011, x5 tahun 2012 dan output y adalah tahun Inputan yang sudah sap akan d cluster menjad 3 menggunakan K-Means clusterng dengan Eucldean dstance space untuk mendapatkan mean dan standart devas sebaga parameter baru a dan c. Serangkaan proses preprocessng yang telah dlakukan selanjutnya membawa kepada proses pembelajaran ANFIS. Proses pembelajaran n akan dbag 2 yatu tranng dar tahun 2008 hngga 2013 dan testng dar tahun 2014 hngga Terdapat 5 tahapan atau 5 layer pada proses pembelajaran ANFIS yang setap layernya kan menghaslkan bobot baru atau neuron baru yang akhrnya pada tahap terakhrakan mneghaslkan output dar seluruh tahapan tersebut. Pada proses tranng dan testng ANFIS menggunakan K-Means clusterng dlakukan pengujan menggunakan pengelompokan data dengan Matlab menjad 2, 3, 4, dan 5 cluster. Sedangkan pengujan untuk epoch adalah pada epoch 20, 40, 60, 80 dan 100. Pengclusteran pada data nput secara random menghaslkan RMSE dan waktu proses yang berbeda pada setap epoch, hngga perlu adanya 5 kal pengujan pada setap epoch yang selanjutnya d rata-rata untuk memperoleh RMSE terbak. Tabel 4. Input dan Output Data Tranng Data Input Output ke- x1 x2 x3 x4 x5 Y 1 0,0247 0,0139 0,0346 0,0148 0,0411 0, ,0322 0,0643 0,0938 0,0601 0,0773 0, ,1448 0,1338 0,2089 0,1731 0,1779 0, ,3029 0,1659 0,2404 0,4211 0,2645 0, ,5918 0,9998 0,3897 0,5515 0,6766 0, ,4123 0,8918 0,9950 0, , ,1083 0,1380 0,4394 0,2943 0,6746 0, ,2480 0,1197 0,1214 0,2257 0,3441 0, ,1858 0,1567 0,0835 0,1191 0,2770 0, ,1525 0,1671 0,2732 0,3774 0,2572 0, ,1085 0,1215 0,2822 0,3312 0,3424 0, ,1053 0,2655 0,2715 0,5233 0,2240 0, ,0620 0,1994 0,2014 0,3836 0,2593 0, ,0564 0,5016 0,2703 0,2323 0,0339 0, ,0295 0,1561 0,0751 0, ,0358 0,0478 0,1261 0,1183 0,1779 0, , ,0346 0,0148 0,0411 0,0236 0, , ,0938 0,0601 0, ,1206 0, ,1338 0,2089 0,1731 0,1779 0,3106 0, ,1659 0,2404 0,4211 0,2645 0,4447 0, ,0420 0,0358 0,0478 0,1261 0,1183 0,1779 Tabel 5. Hasl Pengujan Terbak dengan K-Means Clusterng untuk ANFIS Cluster Pengujan ke- RMSE Tranng RMSE Test Waktu Proses 1 0, , , , , , , , , , , , , , , Rata-rata 0, , ,0695 Sedangkan arstektur ANFIS yang tercpta pada pengujan n adalah : 205
8 Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 x1 w1 w 1 x2 x3 w2 w 2 w f x4 w3 w 3 x5 Lapsan 1 Lapsan 2 Lapsan 3 Lapsan4 Lapsan 5 Gambar 3. Arstektur ANFIS 3 Rule Performa terbak untuk metode ANFIS kal n terdapat pada 3 cluster K-Means. Dapat d artkan bahwa rule yang tercpta pada pada proses pembelajaran n adalah 3 rule. Rule yang tercpta dengan metode sstem nferens fuzzy model Tagak-Sugeno-Kang (TSK) dengan aturan fuzzy f-then adalah : If x 1 s A 1 and s B 1 and x 3 s C 1 and x 4 s D 1 and x 5 s E 1 Then y 1 = c 11 x 1 + c 12 + c 13 x 3 +c 14 x 4 + c 15 x 5 + c 10 (8) If x 1 s A 2 and s B 2 and x 3 s C 2 and x 4 s D 2 and x 5 s E 2 Then y 2 = c 21 x 1 + c 22 + c 23 x 3 +c 24 x 4 + c 25 x 5 + c 20 (9) If x 1 s A 3 and s B 3 and x 3 s C 3 and x 4 s D 3 and x 5 s E 3 Then y 3 = c 31 x 1 + c 32 + c 33 x 3 +c 34 x 4 + c 35 x 5 + c 20 (10) Keterangan : x y A B, C, D, E : data volume kendaraan ke- : volume kendaraan tahun ke-, : derajat keanggotaan baru c : w x Dar peneltan sebelumnya yang menggunakan FCM untuk ANFIS drasa perlu adanya perbakan untuk mengetahu hasl akuras manakah yang lebh bak antara K-Means clusterng untuk ANFIS dengan FCM untuk ANFIS dalam peneltan n dlakukan pengujan menggunakan FCM untuk pengclusteran data. Adapun haslnya adalah : 206
9 Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 Tabel 6. Performa ANFIS menggunakan FCM Cluster Pengujan ke- RMSE Tranng RMSE Test Waktu Proses 1 0, , , , , , , , , , , , , , , Rata-rata 0, , , ANFIS menggunakan FCM menghaslkan performa dengan RMSE Tranng 0, dan RMSE Test 0, dan waktu proses 0, detk. Dapat dkatakan bahwa untuk peneltan n performa ANFIS menggunakan K-Means clusterng terbukt memlk hasl yang lebh bak darpada performa ANFIS menggunakan FCM. Dengan hasl tranng performa ANFIS menggunakan K-Means tersebut dlakukan predks untuk tahun Berkut adalah hasl predks volume lalu lntas angkutan lebaran moda sepeda motor arah masuk pada posko Jembatan Tmbang Wanareja Clacap : Tabel 7. Hasl Output ANFIS Predks Tahun 2015 Poss Output ANFIS Volume Asl H-7 0, H-6 0, H-5 0, H-4 0, H-3 0, H-2 0, H-1 0, H 1 0, H 2 0, H+1 0, H+2 0, H+3 0, H+4 0, H+5 0, H+6 0, H+7 0, Hasl predks volume lalu lntas angkutan lebaran pada wlayah Jawa Tengah dar H-7 hngga H+7 moda sepeda motor arah masuk pada posko Jembatan Tmbang Wanareja Clacap tahun 2015 dapat dketahu dengan performa terbak dengan metode K-Means clusterng untuk ANFIS. Predks memperlhatkan akan terjad penngkatan volume kendaraan sektar 30% dbandngkan pada volume lalu lntas angkutan lebaran pada wlayah Jawa Tengah moda sepeda motor arah masuk pada posko Jembatan Tmbang Wanareja Clacap tahun PENUTUP 5.1 Kesmpulan Pada awal hngga akhr peneltan predks volume lalu lntas lebaran wlayah Jawa Tengah dengan metode K-Means clusterng untuk Adaptve Neuro Fuzzy Inference System (ANFIS) dperoleh beberapa kesmpulan, yatu sebaga berkut : a. Peneltan menggunakan K-Means clusterng untuk ANFIS n dapat mempredks volume lalu lntas pada tahun 2015 dan tahun-tahun selanjutnya untuk semua moda transportas bak arah masuk maupun arah keluar wlayah Jawa Tengah. b. Dengan nput parameter ANFIS yang dgunakan yatu pengclusteran hngga 5 cluster, epoch 100, error goal 0 dperoleh performa terbak ANFIS untuk moda transportas sepeda motor arah masuk Posko Jembatan Tmbang Wanareja Clacap dengan K-Means clusterng yang terbag menjad 3 cluster, epoch sebesar 20 dengan RMSE Tranng 0,1198, RMSE Testng 0,0282 dan waktu proses 207
10 Jurnal SIMETRIS, Vol 7 No 1 Aprl ,0695 detk, terbukt lebh bak dar pada pengclusteran menggunakan FCM untuk ANFIS dengan RMSE Tranng 0, dan RMSE Test 0, dan waktu proses 0, detk. 5.2 Saran Perbakan serta pengembangan sangat dperlukan agar peneltan selanjutnya memberkan hasl yang lebh bak dar peneltan sebelumnya. Saran yang dapat dberkan untuk peneltan selanjutnya adalah : a. Menggabungkan dengan metode predks lan agar dapat dketahu perbandngan dan hasl akuras predks yang lebh bak. b. Predks volume lalu lntas lebaran n dapat membantu atau djadkan rekomendas kepada phak yang berwenang untuk dmplementaskan pada Dnas Perhubungan Komunkas dan Informatka Provns Jawa Tengah. DAFTAR PUSTAKA [1] Azzah, N., Predks Tngkat Layanan Jalan Menggunakan Metode Adaptve Neuro Fuzzy Inference System. Jurnal Sstem Informas Bsns, Unverstas Dponegoro, Semarang. [2] Quek, C., Pasquer, M., dan Lm, B., 2009, A Novel Self Organzng Fuzzy Rule Based System for Modellng Traffc Flow Behavour, Expert System Wth Aplcatons 36, [3] Hartat, S., Kusumadew, S., 2010, Neuro-Fuzzy Integras dan Jarngan Syaraf, Graha Ilmu, Yogyakarta. [4] Jang, J.S.R., Sun, C.T., dan Mzutan, E., 1997, Neuro-Fuzzy And Soft Computng, A Computatonal Approach to Learnng and Machne Intellgence, Prentce-Hall Internatonal, Inc, USA. [5] Dnas Perhubungan Komunkas dan Informatka., Analsa dan Evaluas Penyelenggaraan Angkutan Lebaran, Jawa Tengah. 208
BAB 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 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 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 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 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 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 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 terperinciHybrid intelligent system adalah kombinasi lebih dari dua teknologi cerdas.
Teny Handhayan Pendahuluan Hybrd ntellgent system adalah kombnas lebh dar dua teknolog cerdas. Contohnya kombnas Neural Network dengan Fuzzy membentuk Neuro-fuzzy system Perbandngan Expert Systems, Fuzzy
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 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 III METODE PENELITIAN
BAB III METODE PENELITIAN 3.. KERANGKA ANALISIS Kerangka analss merupakan urutan dar tahapan pekerjaan sebaga acuan untuk mendapatkan hasl yang dharapkan sesua tujuan akhr dar kajan n, berkut kerangka
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciBAB III 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih 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 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 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 terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciBAB III 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 terperinciPERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES
Semnar Nasonal Aplkas Teknolog Informas 007 (SNATI 007) ISSN: 1907-50 Yogyakarta, 16 Jun 007 PERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES Arna Farza, Afrda Helen, Annsa Rasyd Polteknk Elektronka
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciPengaturan Proses Tekanan pada Sistem Pengaturan Berjaringan Menggunakan Kontroler Fuzzy Neural Network
TUGAS AKHIR TE - 091399 Pengaturan Proses Tekanan pada Sstem Pengaturan Berjarngan Menggunakan Kontroler Fuzzy Neural Network Rende Ramadhan NRP 2208100131 Dosen Pembmbng : Ir. Al Faton, M.T. Imam Arfn,
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 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciBAB III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
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 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 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 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 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciBAB III 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 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 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 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 terperinciPost test (Treatment) Y 1 X Y 2
BAB III METODOLOGI PENELITIAN A. Metode Peneltan Metode Peneltan adalah cara lmah untuk memaham suatu objek dalam suatu kegatan peneltan. Peneltan yang dlakukan n bertujuan untuk mengetahu penngkatan hasl
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB 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 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 terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
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 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 terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciPENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN
PENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN Handry Wardoyo 1 Jeanny Pragantha Vny Chrstant M. 3 1 3 Teknk Informatka Unverstas Tarumanagara
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciBAB III 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Bab n membahas tentang prosedur pengembangan pembelajaran dan mplementas model Problem Based Learnng dalam pembelajaran Konsep Dasar Matematka, Subjek Peneltan, Teknk dan Instrumen
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 terperinciPERBANDINGAN METODE SAW DAN TOPSIS PADA KASUS UMKM
PERBANINGAN METOE SAW AN TOPSIS PAA KASUS UMKM Muh. Alyazd Mude al.mude@yahoo.com Teknk Informatka Unverstas Muslm Indonesa Abstrak alam pengamblan keputusan terhadap masalah berdasarkan sebuah analsa
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 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 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 I PENDAHULUAN. 1.1 Latar Belakang
I ENDHULUN. Latar elakang Mengambl keputusan secara aktf memberkan suatu tngkat pengendalan atas kehdupan spengambl keputusan. lhan-plhan yang dambl sebenarnya membantu dalam penentuan masa depan. Namun
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk
Lebih terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciIII PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan
Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF
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 IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
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 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 terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu
Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan
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 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 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 III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.3.1 Tempat Peneltan Peneltan n dlaksanakan d SMP Neger Gorontalo khususnya pada sswa kelas VIII. 3.3. Waktu Peneltan Peneltan n dlaksanakan selama
Lebih terperinciMODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut
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 terperinciArdi Kurniawan 1), Kusrini 2) Sistem Informasi STMIK AMIKOM Yogyakarta 2)
Semnar Nasonal Teknolog Informas dan Multmeda 2016 STMIK AMIKOM Yogyakarta, 6-7 Februar 2016 ANALISIS DAN PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA GURU (PKG) MENGGUNAKAN METODE SIMPLE ADDITIVE
Lebih terperinciBab III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciPenerapan Metode Runge-Kutta Orde 4 dalam Analisis Rangkaian RLC
Penerapan Metode Runge-Kutta Orde 4 dalam Analss Rangkaan RLC Rka Favora Gusa JurusanTeknk Elektro,Fakultas Teknk,Unverstas Bangka Beltung rka_favora@yahoo.com ABSTRACT The exstence of nductor and capactor
Lebih terperinciPROSIDING ISSN: M-16 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN
M-6 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN Zulhanf ), I Gede Nyoman Mndra Jaya ),) Departemen Statstka FMIPA UNPAD dzulhanf@yahoo.com, jay.komang@gmal.com Abstrak
Lebih terperinciBADAN PUSAT STATISTIK KABUPATEN JAYAPURA
BADAN PUSAT STATISTIK KABUPATEN JAYAPURA BADAN PUSAT STATISTIK KABUPATEN JAYAPURA Sensus Penduduk 2010 merupakan sebuah kegatan besar bangsa Badan Pusat Statstk (BPS) berdasarkan Undang-undang Nomor 16
Lebih terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
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 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 terperinci