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

Ukuran: px
Mulai penontonan dengan halaman:

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

Transkripsi

1 Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya Indonesa Emal: 1 yulan.math@yahoo.com, m@ts.ac.d. Abstra. Traellng Salesman Problem (TSP) adalah suatu problem yang dalam oleh seorang sales yang ngn memula perjalanannya dar satu ota menuju ota tertentu dengan hanya dapat melalu ota lannya seal dan a mengngnan dalam perjalanannya, ongos dan watu yang deluaran dapat seoptmum dan semnmal mungn. Algortma Ant colony dan jarngan Hopfeld merupaan metode optmas yang dapat menyelesaan berbaga macam masalah, sehngga dalam peneltan n dujcobaan edua metode optmas tersebut untu menyelesaan masalah TSP. Penyelesaan masalah TSP n menghaslan path terpende dar masng masng algortma yang dgunaan. Dalam pencaran path terpende tda dapat dataan secara langsung algortma mana yang palng optmum untu eseluruhan asus, arena selalu tergantung dar setap onds permasalahan yang ada, dan onds yang palng mempengaruh adalah banyanya tt. Dalam peneltan n juga dlauan perbandngan path terpende antara algortma Ant colony dan jarngan Hopfeld. Hasl yang dharapan penyelesaan masalah optmas TSP dengan menggunaan algortma Ant Colony tu lebh ba darpada jarngan Hopfeld. Kata unc: Algortma ant colony, Jarngan Hopfeld

2 Semnar Nasonal Matemata IV Insttut Tenolog Sepuluh Noember, Indonesa, 13 Desember 008 Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya Indonesa Emal: 1 yulan.math@yahoo.com, m@ts.ac.d, 3 mardljah@matemata.ts.ac.d Abstra. Traellng Salesman Problem (TSP) adalah suatu problem yang dalam oleh seorang sales yang ngn memula perjalanannya dar satu ota menuju ota tertentu dengan hanya dapat melalu ota lannya seal dan a mengngnan dalam perjalanannya, ongos dan watu yang deluaran dapat seoptmum dan semnmal mungn. Algortma Ant colony dan jarngan Hopfeld merupaan metode optmas yang dapat menyelesaan berbaga macam masalah, sehngga dalam peneltan n dujcobaan edua metode optmas tersebut untu menyelesaan masalah TSP. Penyelesaan masalah TSP n menghaslan path terpende dar masng masng algortma yang dgunaan. Dalam pencaran path terpende tda dapat dataan secara langsung algortma mana yang palng optmum untu eseluruhan asus, arena selalu tergantung dar setap onds permasalahan yang ada, dan onds yang palng mempengaruh adalah banyanya tt. Dalam peneltan n juga dlauan perbandngan path terpende antara algortma Ant colony dan jarngan Hopfeld. Hasl yang dharapan penyelesaan masalah optmas TSP dengan menggunaan algortma Ant colony tu lebh ba darpada jarngan Hopfeld. Kata unc: Algortma ant colony, Jarngan Hopfeld 1. Pendahuluan Setap har seseorang past melauan suatu perjalanan, ba tu perjalanan dar rumah e antor ataupun dar rumah e ampus. Dan mungn juga perjalanan e beberapa ota. Dalam melauan perjalanan e beberapa ota, serng seseorang mengngnan path terpende dan baya yang mnmal. Masalah n serng dsebut dengan Traellng Salesman Problem (TSP). Traellng Salesman Problem (TSP) adalah suatu problem yang dalam oleh seorang sales yang ngn memula perjalanannya dar satu ota menuju ota tertentu dengan hanya dapat melalu ota lannya seal dan a mengngnan dalam perjalanannya, ongos dan watu yang deluaran dapat seoptmum dan semnmal mungn. Dengan persoalan yang ddesrpsan sebaga berut: Dberan n buah ota serta detahu jara antara setap ota satu sama lan. Carlah perjalanan terpende yang dmula dar sebuah ota dan melalu setap ota lannya hanya seal dan embal lag e ota asal eberangatannya. Pada peneltan sebelumnya, Helg d (007) mengenalan mong-target traellng salesman problem dmana target dapat bergera dengan ecepatan onstan. Pada awal tahun 1990 dtemuan oleh Dorgo pendeatan heurst dalam menyelesaan Traellng Salesman Problem dengan menggunaan algortma Ant colony. Algortma Ant colony yang dtemuan dar perlau semut dalam pencaran maanan dan secara tda langsung omunas merea melalu pheromone. Algortma Ant colony telah daplasan pada beberapa masalah antara lan job schedulng, routng optmzaton dalam jarngan omunas data, dan jarngan telepon. Kemudan pada tahun 198 dembangan oleh John Hopfeld suatu metode optmas dar jarngan syaraf truan yang emudan denal dengan jarngan Hopfeld. Jarngan Hopfeld merupaan salah satu metode optmas untu pencaran nla mnmum dar fungs obyetf. Algortma Ant colony dan jarngan Hopfeld merupaan metode optmas yang dapat menyelesaan berbaga macam masalah, sehngga dalam peneltan n dujcobaan edua metode optmas tersebut untu menyelesaan masalah TSP. Penyelesaan masalah TSP n menghaslan path terpende dar masng masng algortma yang dgunaan. Dalam lngup pencaran path terpende n tda dapat dataan secara langsung algortma mana yang palng optmum untu eseluruhan asus, arena belum tentu suatu algortma yang meml optmas yang tngg untu suatu asus meml optmas yang

3 tngg pula untu asus yang lan. Optmas yang mencaup efsens watu proses erja algortma, watu tempuh yang dperluan untu mencapa tujuan ahr dan jara tempuh yang palng pende n selalu tergantung dar setap onds permasalahan yang ada. Dan onds yang palng mempengaruh adalah banyanya tt (tt yang dalam hal n mewal ota). Dalam peneltan n juga dlauan perbandngan antara algortma Ant colony dan jarngan Hopfeld.. Kajan pustaa Dalam bab n aan demuaan beberapa teor-teor yang dpandang menduung TSP (Traelng Salesman Problem) untu mengoptmas rute perjalanan sales dengan path terpende..1 Optmas Defns Optmas Optmas adalah suatu proses untu mencapa solus yang terba atau optmal dalam suatu masalah (nla efetf yang dapat dcapa). Dalam dspln matemata optmas meruju pada stud permasalahan yang mencoba untu mencar nla mnmal atau masmal dar suatu fungs tertentu. Untu dapat mencapa nla optmal ba mnmal atau masmal tersebut, secara sstemats dlauan pemlhan nla arabel yang aan memberan solus optmal (Clapham, 1996). Beberapa Persoalan Optmas Persoalan yang beratan dengan optmas sangat omples dalam ehdupan sehar har. Nla optmal yang ddapat dalam optmas dapat berupa besaran panjang, watu, jara, dan lan lan (Wardy, 008). Berut n adalah beberapa persoalan yang memerluan optmas: 1. Menentuan lntasan terpende dar suatu tempat e tempat yang lan.. Menentuan jumlah peerja semnmal mungn untu melauan suatu proses produs agar pengeluaran baya peerja dapat dmnmalan dan hasl produs tetap masmal. 3. Mengatur jalur endaraan umum agar semua loas dapat djangau. 4. Mengatur routng jarngan abel telepon agar baya pemasangan abel tda terlalu besar dan penggunaannya tda boros. Selan beberapa contoh datas, mash banya persoalan lannya yang terdapat dalam ehdupan sehar har.. Graph Graph (G) adalah hmpunan pasangan terurut (V, E), dmana V adalah hmpunan ertex/tt dan E adalah hmpunan edge/rusu. Sebuah graph dtuls sebaga pasangan order (, e) atau lengapnya G = (, e), dmana dasumsan V dan E merupaan hmpunan edge edge e = (, j ) dmana e E (Wbsono, 004). Graph terbag menjad beberapa macam dantaranya adalah sebaga berut (Sang, 004): a. Graph berarah (Drected Graph) adalah graph yang setap edgenya mempunya arah dengan memenuh persyaratan (, j ) ( j, ) dmana (, j ) E. b. Graph tda berarah (Undrected Graph) adalah graph yang setap edgenya tda mempunya arah dengan memenuh persyaratan (, j ) = ( j, ) dmana (, j ) E. c. Graph berbobot (Weghted Graph) adalah graph yang setap edgenya mempunya bobot sebesar w..3 Algortma Ant Colony Pada awal tahun 1990, sebuah algortma bernama Ant system dcetusan sebaga pendeatan heurst baru untu pencaran solus dar ombnas masalah optmas (Dorgo, 1999). Algortma n dembangan berdasaran hasl pengamatan tngah lau semut dalam mencar maanan. Semut semut secara berelompo mencar jalur terpende dar sarang e sumber maanan ataupun sebalnya. Pada saat semut semut berjalan, merea menympan suatu zat pheromone d sepanjang jalan yang dlalunya. Pheromone adalah zat ma yang berasal dar elenjar endorn dan dgunaan oleh mahlu hdup untu mengenal sesama jens, nddu lan, elompo, dan untu membantu proses reprodus. Berbeda dengan hormon, pheromone menyebar eluar tubuh dan hanya dapat mempengaruh dan denal oleh nddu lan yang sejens (satu speses). Semut semut dapat mencum pheromone yang dtnggalan untu menentuan langah selanjutnya, merea aan memlh pheromone dengan onsentras uat. Jalur dengan pheromone onsentras uat menandaan telah dlalu oleh banya semut, yang ahrnya merupaan rute terpende (Zha, 007).

4 (1) Semua semut berada d sarang, tda ada pheromone dtanah () Proses mencar maanan mula dengan probabltas 50% semut aan memlh jalur terpende (dtanda dengan bulatan) dan 50% semut aan memlh jalur yang panjang (dtanda dengan perseg) (3) Semut semut yang mengambl jalan terpende lebh dulu sampa, arena tu probabltas mengambl jalur yang sama saat embal lebh besar. (4) Jeja pheromone yang ada d jalur pende (dalam probabltas) memberan aroma lebh tajam, sehngga probabltas memlh jalur n lebh besar. Dan dengan adanya penguapan pada jalur panjang, seluruh olon (dalam probabltas) aan memlh jalur pende. Gambar 1. Dagram yang menunjuan emampuan semut dalam mencar jalur terpende. Antara sarang semut dan sumber maanan terdapat dua jalur dengan panjang yang berbeda. Pada graf eempat, jeja pheromone dtunjuan oleh gars putus putus yang etebalannya menunjuan euatan jeja. (Blum, 005). Dar gambar d atas, terlhat bahwa jalur yang lebh pende aan meml emungnan lebh besar untu dplh oleh semut berutnya. Hal n dsebaban oleh jara yang dtempuh sangat pende sehngga watu perpndahan menjad lebh sngat. Keta semut lan mash menyusur jalur yang lebh panjang, semut yang memlh jalur pende dapat memula rute pulang yang sama, dan memperuat ntenstas pheromone pada jalur tersebut. Karena ntenstas pheromone yang lebh uat, maa probabltas jalur pende untu dlewat oleh semut berutnya lebh besar dbandngan dengan probabltas jalur panjang. Algortma ant colony atau slus semut untu penyelesaan masalah Traelng Salesman Problem (Kusumadew, 005), dberan sebaga berut:

5 Langah 1: a. Insalsas nla parameter-parameter algortma. 1. Intenstas jeja semut antar ota dan perubahannya ( τ j). Banya ota (N) termasu x dan y (oordnat) atau d j (jara antar ota) 3. Q adalah tetapan slus semut. 4. Parameter pengendal ntenstas jeja semut ( α ) 5. Parameter pengendal sbltas ( β ) 6. Vsbltas antar ota ( η j ) = 1 d j 7. Banya semut (m) 8. Koefsen penguapan jeja semut ( ρ ) 9. Jumlah slus masmum (NCmax) bersfat tetap selama algortma djalanan, sedangan τ j aan selalu dperbaharu harganya pada setap slus algortma mula dar slus pertama (NC = 1) sampa tercapa jumlah slus masmum (NC = NCmax) atau sampa terjad onergens. b. Insalsas ota pertama setap semut. Insalsas τ dengan blangan yang cuup ecl, emudan m semut dtempatan pada ota j pertama tertentu secara aca. Langah : Pengsan ota pertama e dalam tabu lst. Langah 3: Penyusunan rute unjungan setap semut e setap ota. Untu menentuan ota tujuan dgunaan persamaan probabltas ota untu dunjung sebaga berut: p j () t = ' { N Tabu } dan p α [ τ ( t)] [ η ] j j α [ τ ( t)] [ η ] ' j β β ' = 0, untu j lannya untu j { N Tabu } (1) dengan sebaga ndes ota asal dan j sebaga ndes ota tujuan. Probabltas e ota yang aan dtuju berutnya (p j ), dsn dperoleh dar persamaan (1) emudan dbangtan blangan random (r) antara 0 sampa 1. Kota e- aan terplh ja r lebh ecl dar nla probabltasnya. Langah 4: a. Perhtungan panjang rute setap semut. Perhtungan panjang rute tertutup (length closed tour) atau L setap semut dlauan setelah satu slus dselesaan oleh semua semut. Perhtungan dlauan berdasaran tabu masng-masng dengan persamaan berut: N 1 L d d = + () tabu( N ), tabu(1) tabu( s), tabu ( s+ 1) s = 1 Dengan d j adalah jara antara ota e ota j yang dhtung berdasaran persamaan: d x x y y j = ( j) + ( j ) (3) b. Pencaran rute terpende. Setelah L setap semut dhtung, aan ddapat harga mnmal panjang rute tertutup setap slus atau L mnnc dan harga mnmal panjang rute tertutup secara eseluruhan atau L mn. c. Perhtungan perubahan harga ntenstas jeja a semut antar ota.

6 Persamaan perubahan n dhtung dengan rumus: τ = j Dengan m τ j (4) = 1 τ j adalah perubahan harga ntenstas jeja a semut antar ota setap semut yang dhtung berdasaran persamaan Q τ j= (5) L untu (, j) ota asal dan ota tujuan dalam tabu. τ j = 0, untu (, j) lannya (6) Langah 5: a. Perhtungan harga ntenstas jeja a semut antar ota untu slus selanjutnya. Harga ntenstas jeja a semut antar ota untu slus selanjutnya dhtung dengan persamaan: τ = ρτ + τ (7) j j j b. Atur ulang harga perubahan ntenstas jeja a semut antar ota. Untu slus selanjutnya perubahan harga ntenstas jeja semut antar ota perlu datur embal agar meml nla sama dengan nol. Langah 6: Pengosongan tabu lst, dan ulang langah ja dperluan atau belum terjad onergens. Algortma dulang lag dar langah dengan harga parameter ntenstas jeja a semut antar ota yang sudah dperbaharu..4 Algortma Neural Networ Hopfeld Algortma Neural Networ Hopfeld pertama al denalan oleh John Hopfeld dar Calforna Insttute of Technology pada tahun 198. John Hopfeld merancang sebuah jarngan syaraf truan yang emudan denal dengan nama jarngan Hopfeld. Dalam jarngan Hopfeld semua neuron berhubungan penuh. Neuron yang satu mengeluaran output dan emudan menjad nput untu semua neuron yang lan. Proses penermaan snyal antara neuron n secara feedbac tertutup terus menerus sampa dcapa onds stabl (Dayhoff, 1990). Kones antara unt adalah bdrectonal, sedeman sehngga matrs bobot adalah symmetrc; yatu, ones dar unt u e unt u j (dengan bobot w j ) adalah sama halnya dengan ones dar u j e u (dengan bobot w j ). Gambar. Layout dar JST Hopfeld Hopfeld-Tan menyataan energ fungs untu masalah TSP adalah: E = A D + x j d x y x j y B + ( + ) y, + 1 x y x y, 1 y. C + N dmana: A, B, C, D = onstanta yang harus dtentuan tergantung jumlah ota x x. (8)

7 Snyal outputnya dberan dengan menerapan fungs sgmod (dengan range antara 0 dan 1), yang mana Hopfeld dan Tan menyataan sebaga: = g u = tanh u (9) ( ) [ ( α )] dmana: α = learnng rate yang telah dtentuan Algortma Prosedur dasar untu memecahan masalah traelng salesman menggunaan jarngan Hopfeld duraan sebaga berut. Step 0 Intalsas atas pada semua unt t Intalsas untu nla ecl Step 1 ja onds belum terpenuh, lanjutan Step -6 Step Lauan langah 3-5 sebanya n al (n adalah banyanya ota) Step 3 memlh suatu unt secara random Step 4 Mengubah attas pada unt terplh: baru = u lama + t[ u ( lama A ( ) ( ) u ) j j y + C N Step 5 Aplasan fungs output x, = 0,5 1+ tanh( α ux, ) Step 6 Ce pemberhentan onds, { j} D d y ( y, y, _ 1) y x x j y x Dar formula datas dlauan perhtungan terhadap nla fungs energ E hngga ddapatan nla E yang mnmum. Apabla telah ddapatan nla fungs energ yang mnmum, dharapan hasl dar proses algortma n memberan hasl berupa path terpende. 3. Hasl dan pembahasan 3.1 Algortma Ant Colony Secara matemats path terpende dengan menggunaan algortma Ant colony adalah sebaga berut: Dberan sebuah graph G (V, E), msalan sejumlah semut pada node pada watu t, dan m merupaan jumlah total semut dmana tap tap semut merupaan agen sederhana dengan araterst sebaga berut: a. Memlh node tujuan dengan suatu probabltas. b. Tda melewat node yang telah dlewat (yang dontrol oleh tabu lst) c. Mennggalan substans yang dsebut pheromone pada setap jalur yang dunjung. Dengan tujuan memenuh batasan dmana semut mengunjung semua node yang berbeda, masng masng semut dhubungan dengan sebuah strutur data bernama tabu lst. Tabu lst berfungs menympan semua node yang sudah dunjung sampa watu tertentu, dan melarang semut untu mengunjungnya lag sebelum n teras (satu tour) dselesaan. Keta tour telah dselesaan, tabu lst dgunaan untu menghtung hasl semut saat tu, yatu jara dar jalur yang telah dlalu semut. Tabu lst lalu dosongan dan semut bebas untu memlh jalur yang lan. Untu penyelesaan permasalahan TSP n dambl 5, 10 dan 15 ota sebaga penyelesaan optmas TSP dengan menggunaan algortma Ant colony. Hasl perhtungan tersebut dapat dlhat sebaga berut: Tabel 1. TSP untu 5 ota Koordnat ota X Y m α β ρ Q Banyanya teras Watu teras (det) 10 0,1 0,9 0, ,6870

8 Gambar 1. Path terpende untu 5 ota. Panjang jalur terpende: Jalur Terpende: C1 - D1 - A1 - E1 - B1 Tabel. TSP untu 10 ota Koordnat ota X Y m α β ρ Q Banyanya teras Watu teras (det) 10 0,1 0,9 0, ,8590 Gambar.. Path terpende untu 10 ota Panjang jalur terpende: Jalur Terpende: A1 - F1 - I1 - G1 - E1 - B1 - J1 - C1 - D1 - H1 Gambar 3. Path terpende untu 15 ota Panjang jalur terpende: Jalur Terpende: H1 - E1 - I1 - F1 - O1 - D1 - L1 - G1 - N1 - J1 - K1 - M1 - B1 - C1 - A1 Watu teras :,5310

9 3. Jarngan Hopfeld Pada asus traelng salesman problem dengan menggunaan jarngan syaraf truan Hopfeld dlauan dengan merepresentasan n neuron jarngan menjad n emungnan urutan poss yang dlalu pada sebuah ota. Untu n ota maa dbutuhan n node. Sebaga contoh terdapat 4 ota, maa empat node yang bers: menunjuan sebuah ota yang mempunya urutan etga untu dunjung. Untu menentuan apaah sebuah rute merupaan path terpende pada jarngan Hopfeld n dgunaan sebuah fungs energ pada persamaan (8), dmana ja nla energ yang dhaslan ecl, menunjuan bahwa rute tersebut merupaan path yang terpende. Setelah ddapatan path terpende, emudan hasl yang dperoleh dbandngan dengan algortma Ant colony. Tetap untu asus penyelesaan TSP dengan menggunaan jarngan Hopfeld pada saat maalah n dumpulan, penelt mash melauan percobaan sehngga belum dapat menamplan hasl yang dperoleh. 4. Kesmpulan Algortma Ant colony merupaan pendeatan heurst baru untu pencaran solus dar ombnas masalah optmas. Algortma n dembangan berdasaran hasl pengamatan tngah lau semut dalam mencar maanan. Semut semut secara berelompo mencar jalur terpende dar sarang e sumber maanan ataupun sebalnya. Pada saat semut semut berjalan, merea menympan suatu zat pheromone d sepanjang jalan yang dlalunya. Jalur dengan pheromone onsentras uat menandaan telah dlalu oleh banya semut, yang ahrnya merupaan rute terpende. Penyelesaan masalah TSP menggunaan algortma Ant colony untu 5 ota dperoleh dengan watu , 10 ota dengan watu dan untu 15 ota dengan watu,5310. Jarngan syaraf truan Hopfeld terdr dar n neuron, dmana jumlah bars sebanya n dan jumlah olom sebanya n. Semua neuron berhubungan penuh. Neuron yang satu mengeluaran output dan emudan menjad nput untu semua neuron yang lan. Untu menentuan apaah sebuah rute merupaan path terpende pada jarngan Hopfeld n dgunaan sebuah fungs energ, dmana ja nla energ yang dhaslan ecl, menunjuan bahwa rute tersebut merupaan path yang terpende. Daftar Pustaa Blum C, (005), Ant Colony Optmzaton: Introducton and Recent Trends, Journal Physcs of Lfe Reews, olume, Clapham C, (1996), Concse Dctonary of Mathematcs, Second Edton, Oxford Unersty Press, New Yor. Dorgo, M and D Caro G, (1999), Ant Colony Optmzaton: A New Meta-Heurstc, IIEC Transactons on Eolutonary Computaton, Dayhoff J, (1990), Neural Networ Archtectures (An Introducton), Van Nostrand Renhold, New Yor. Fausett, Laurene, (1994), Fundamental Of Neural Networs Archtectures, Algorthms, and Applcatons, ed. Don Fowley, Prentce Hall, London. Helg, C.S, Robns Gabrel, dan Zelosy Ale (003), The Mong-target Traelng Salesman Problem, Journal of Algorthms, Kusumadew, S., & Purnomo, H. (005), Penyelesaan Masalah Optmas dengan Ten Ten Heurst, Eds Pertama, Graha Ilmu, Yogyaarta. Sang JJ, (004), Matemata Dsrt dan Aplasnya pada Ilmu Komputer, Eds Pertama, And Yogyaarta, Yogyaarta. Wbsono S, (004), Matemata Dsrt, Eds Pertama, Graha Ilmu, Yogyaarta. Wardy. S.I, Penggunaan Graf dalam Algortma Semut untu Melauan Optmsas, /enrepaper/ download pada tanggal 15 Agustus 008. Zha, Xuan.F, (007), Artfcal Intellgence and Integrated Intellgent Informaton Systems Emergng Technologes and Applcatons, Idea Group Publshng, Lon

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

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

Lebih terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

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

Lebih terperinci

BAB II TEORI DASAR. Analisis Kelompok

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

Lebih terperinci

Karakterisasi Matrik Leslie Ordo Tiga

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

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

Lebih terperinci

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB II DIMENSI PARTISI

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

Lebih terperinci

EKSPEKTASI SATU PEUBAH ACAK

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

Bab III. Plant Nonlinear Dengan Fase Nonminimum

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya

Lebih terperinci

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN

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

Lebih terperinci

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

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

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

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

Lebih terperinci

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

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

Lebih terperinci

III FUZZY GOAL LINEAR PROGRAMMING

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain

BAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain 8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan

Lebih terperinci

PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD

PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD Semnar Nasonal Sstem dan Informatka 2007; Bal, 6 November 2007 PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD Nur Hasanah ) Istkhomah 2) Taufq Hdayat 3) Sr Kusumadew 4) Jurusan

Lebih terperinci

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

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

Lebih terperinci

JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU

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

Lebih terperinci

METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND

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

Lebih terperinci

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

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

Lebih terperinci

Penerapan algoritma koloni semut untuk optimisasi rute distribusi pengangkutan sampah di kota Yogyakarta

Penerapan algoritma koloni semut untuk optimisasi rute distribusi pengangkutan sampah di kota Yogyakarta J. Sans Dasar 2013 2(1) 13 19 Penerapan algortma olon semut untu optmsas rute dstrbus pengangutan sampah d ota Yogyaarta (The applcaton of ant colony algorthm to optmze the dstrbuton route of waste collecton

Lebih terperinci

Implementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0

Implementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0 Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,

Lebih terperinci

Optimasi Baru Program Linear Multi Objektif Dengan Simplex LP Untuk Perencanaan Produksi

Optimasi Baru Program Linear Multi Objektif Dengan Simplex LP Untuk Perencanaan Produksi JURNA INFORMATIKA, Vol.4 No.2 September 27, pp. 222~229 ISSN: 2355-6579 E-ISSN: 2528-2247 222 Optmas Baru Program near Mult Objetf Dengan Smplex P Untu Perencanaan Produs Maxs Ary Am BSI Bandung e-mal:

Lebih terperinci

IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN

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

Lebih terperinci

PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT

PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium

Lebih terperinci

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

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

Lebih terperinci

BAB VB PERSEPTRON & CONTOH

BAB 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 terperinci

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN

Didownload 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 terperinci

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

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

Lebih terperinci

BAB IV HASIL ANALISIS

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN

IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN E-Jurnal Matemata Vol. 5 (4), November 2016, pp. 126-132 ISSN: 2303-1751 IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN I Made Dw Udayana Putra 1, G. K. Gandhad

Lebih terperinci

Pengolahan lanjut data gravitasi

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

Lebih terperinci

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

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

Lebih terperinci

BAB IV PEMBAHASAN MODEL

BAB 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 terperinci

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

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

Lebih terperinci

ANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING

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

Lebih terperinci

Tinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal

Tinjauan 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 terperinci

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

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

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 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 terperinci

BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE

BAB 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 terperinci

Implementasi Algoritma Radix Sort dalam Berbagai Kasus Bilangan Dibandingkan Algoritma Pengurutan yang lain

Implementasi Algoritma Radix Sort dalam Berbagai Kasus Bilangan Dibandingkan Algoritma Pengurutan yang lain Abstra Implementas Algortma Radx Sort dalam Berbaga Kasus Blangan Dbandngan Algortma Pengurutan yang lan Dean Fathony Alfatwa, Ere Rahman Syah P 2, Fahrs Mumtaza Ahsan 3 Departemen Ten Informata, Insttut

Lebih terperinci

IV. PERANCANGAN DAN IMPLEMENTASI SISTEM

IV. 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 terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan

Lebih terperinci

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

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

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi

BAB 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 terperinci

BAB III METODOLOGI PENELITIAN

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 terperinci

3 METODE HEURISTIK UNTUK VRPTW

3 METODE HEURISTIK UNTUK VRPTW 12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

Analisis Persebaran Seismisitas Wilayah Sumatera Selatan Menggunakan Metode Double Difference

Analisis Persebaran Seismisitas Wilayah Sumatera Selatan Menggunakan Metode Double Difference B-54 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Prnt) Analss Persebaran Sesmstas Wlayah Sumatera Selatan Menggunaan Metode Double Dfference Dew Fajryyatul Mauldah, Bagus Jaya Santosa

Lebih terperinci

PENERAPAN 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 (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 terperinci

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

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

Lebih terperinci

PENENTUAN LOKASI GUDANG DISTRIBUSI PADA SISTEM DISTRIBUSI PRODUK KONSUMSI PT X DI JAWA TIMUR

PENENTUAN LOKASI GUDANG DISTRIBUSI PADA SISTEM DISTRIBUSI PRODUK KONSUMSI PT X DI JAWA TIMUR Prosdng Semnar Nasonal Manajemen Tenolog IX Program Stud MMT-ITS, Surabaya 14 Pebruar 2009 PENENTUAN LOKASI GUDANG DISTRIBUSI PADA SISTEM DISTRIBUSI PRODUK KONSUMSI PT X DI JAWA TIMUR Teguh Otarso Program

Lebih terperinci

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

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

Lebih terperinci

BAB I PENDAHULUAN I-1

BAB 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 terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian

BAB 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 terperinci

Optimisasi Operasi Sistem Tenaga Listrik dengan Konstrain Kapabilitas Operasi Generator dan Kestabilan Steady State Global

Optimisasi Operasi Sistem Tenaga Listrik dengan Konstrain Kapabilitas Operasi Generator dan Kestabilan Steady State Global Optmsas Operas Sstem Tenaga Lstr dengan Konstran Kapabltas Operas Generator dan Kestablan Steady State Global Johny Custer,, Indar Chaerah Gunadn, Ontoseno Penangsang 3, Ad Soeprjanto 4,,3,4 Jurusan Ten

Lebih terperinci

P 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

P 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 terperinci

Restorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization

Restorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization Restoras Ctra Dengan Menggunaan Metode Iteratf Lanczos Hybrd Regularzaton Yudh Purwananto, Rully Soelaman, Alfa Masjta Rahmat Jurusan Ten Informata, Faultas Tenolog Informas Insttut Tenolog Sepuluh Nopember

Lebih terperinci

KOMBINASI INERTIA WEIGHT DAN CONSTRICTION FACTOR PADA PARTICLE SWARM OPTIMIZATION SEBAGAI SOLUSI PEMBANGKITAN EKONOMIS PADA SISTEM TENAGA IEEE 26 BUS

KOMBINASI INERTIA WEIGHT DAN CONSTRICTION FACTOR PADA PARTICLE SWARM OPTIMIZATION SEBAGAI SOLUSI PEMBANGKITAN EKONOMIS PADA SISTEM TENAGA IEEE 26 BUS ISSN 1412 3762 http://jurnal.up.edu/electrans ELECTRANS, VOL.12, NO.2, SEPTEMBER 2013, 151-160 KOMBINASI INERTIA WEIGHT DAN CONSTRICTION FACTOR PADA PARTICLE SWARM OPTIMIZATION SEBAGAI SOLUSI PEMBANGKITAN

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran

BAB 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar belakang

BAB 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 terperinci

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

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c 6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan

Lebih terperinci

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER

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

Lebih terperinci

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

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

Lebih terperinci

PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI

PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI Yunarstanto 1 Irwan Iftad 1 Iwan Ngabd Raharjo 2 Abstract: Producton flow n PT. Tga Seranga Pustaa Mandr

Lebih terperinci

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER

BAB 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 terperinci

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

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

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang JURNAL MATEMATIKA DAN KOMPUTER ol. 4. No., - 22, Aprl 2, ISSN : 4-858 SUBRUANG MARKED Suryoto Jurusan Matemata, FMIPA-UNDIP Semarang Abstra Msalan suatu ruang vetor berdmens ngga atas lapangan omples C,

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa

III. 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 terperinci

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

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

Lebih terperinci

BAB IV PERHITUNGAN DAN ANALISIS

BAB IV PERHITUNGAN DAN ANALISIS BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter

Lebih terperinci

BAB III MODUL INJEKTIF

BAB III MODUL INJEKTIF BAB III ODUL INJEKTIF Bab n adalah bab yang palng pentng arena bab n bers mula dar hal-hal dasar mengena modul njet sampa sat-sat stmewanya yang tda dml oleh modul lan yang tda njet, yang merupaan ous

Lebih terperinci

Diagram Kontrol Fuzzy Multinomial Untuk Data Linguistik

Diagram Kontrol Fuzzy Multinomial Untuk Data Linguistik Prosdng Statsta ISSN: 2460-6456 Dagram Kontrol Fuzzy Multnomal Untu Data ngust 1 Amy Amallya Azzah, 2 Suwanda Idrs, 3 snur Wachdah 1,2,3 Prod Statsta, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas

Lebih terperinci

PENJADWALAN PRODUKSI di PT MEUBEL JEPARA PROBOLINGGO

PENJADWALAN PRODUKSI di PT MEUBEL JEPARA PROBOLINGGO Prosdng Semnar Nasonal Manajemen Teknolog III Program Stud MMTITS, Surabaya 4 Pebruar 2006 PENJADWALAN PRODUKSI d PT MEUBEL JEPARA PROBOLINGGO Mohammad Khusnu Mlad, Bobby Oedy P. Soepangkat, Nurhad Sswanto

Lebih terperinci

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman

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

Lebih terperinci

BAB V ANALISA PEMECAHAN MASALAH

BAB 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 terperinci

BAB III METODOLOGI PENELITIAN

BAB 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 terperinci

PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF

PEMILIHAN 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 terperinci

Analisis Perbandingan Economic Dispatch Pembangkit Menggunakan Metode Lagrange dan CFPSO

Analisis Perbandingan Economic Dispatch Pembangkit Menggunakan Metode Lagrange dan CFPSO 91 Analss Perbandngan Economc Dspatch Pembangt Menggunaan Metode Lagrange dan CFPSO Kharudn Syah, Harry Soeotjo Dachlan, Rn Nur Hasanah, dan Mahfudz Shdq Abstra -Pada pengoperasan pembangt tenaga lstr,

Lebih terperinci

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

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

Lebih terperinci

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial

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

Lebih terperinci

Bab III Analisis Rantai Markov

Bab III Analisis Rantai Markov Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 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

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang

Lebih terperinci

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

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi. BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan

Lebih terperinci

OPTIMASI PENJADWALAN MATA KULIAH DI JURUSAN TEKNIK INFORMATIKA PENS DENGAN MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)

OPTIMASI PENJADWALAN MATA KULIAH DI JURUSAN TEKNIK INFORMATIKA PENS DENGAN MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) OPTIMASI PENJADWALAN MATA KULIAH DI JURUSAN TEKNIK INFORMATIKA PENS DENGAN MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) Dan Aran, Arna Fahrza,S.Kom,M.Kom, Ira Prasetyanngrum,S.S,M.T 3 Mahasswa

Lebih terperinci