BAB II TINJAUAN PUSTAKA
|
|
- Ivan Sonny Lesmono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Pustaka Tmetable Tmetable merupakan alokas subjek yang memlk kendala untuk dtempatkan pada ruang waktu (Gan dkk, 2004). Permasalahan Tmetable cukup luas. Masalah n ada pada keseharan kehdupan, penddkan, kesehatan, transportas, olahraga dan perusahaan produks (Chu dkk, 2006, Kumar dkk, 2012, Norbercak, 2006, Mush, 2006). Tmetable Unverstas merupakan tabel yang dgunakan untuk mengkoordnas sswa, dosen, ruang dan sumberdaya lan (wkpeda, 2013). Proses penyelesaan Tmetable yang optmal cukup rumt dan memakan waktu jka dselesakan secara manual (Tarq dkk, 2010, Montero dkk, 2011, Norbercak, 2006). Dar permasalahan tersebut, dperlukan metode yang dapat menyelesakan tmetable dengan cepat dan press. Telah banyak upaya penelt untuk mendesan perangkat lunak yang dapat mencptakan tmetable secara otomats. Tetap, sampa saat n belum ada yang secara penuh menghaslkan solus yang optmal. Selan tu juga mash belum memungknkan untuk mencptakan tmetable secara otomats dmana semua kendala terselesakan dengan bak (Kumar dkk, 2012). Ada beberapa varas metode dar tujuan pemecahan masalah dalam pembuatan tmetable dan pembuatan schedule (Norbercak 2009). Varas n dbag menjad empat tpe : 4
2 5 a. Metode Sekuensal, metode n member perntah kepada event dengan menggunakan doman heurstk dan memasukkan event secara berurutan ke dalam perode waktu yang vald atau dsebut juga tme slot dmana tdak ada event dalam setap perode yang salng bermasalah. b. Metode cluster, pada metode n event masuk ke dalam cluster dmana setap dua event masuk ke dalam cluster khusus. Kekurangan utama pendekatan n alah cluster dar event terbentuk dar awal dan bersfat fx/tetap dan akan menghaslkan kualtas tmetable yang kurang bak. c. Metode berbass kendala, pada metode n, kendala yang ada terbentuk dar beberapa varabel doman yang terbatas tergantung dengan sumber daya sepert perode waktu dmana tmetable dtetapkan untuk memenuh sejumlah kendala. Pada metode berbass kendala, dapat terjad dmana tdak semua kendala dapat terpenuh. d. Metode Metaheurstk, varas dar pendekatan metaheurstk untuk menyelesakan tmetable yatu, Smulated Annealng (SA), Tabu Search, Evolutonary Algorthm, dan pendekatan lan. Metode metaheurstk dmula dengan satu atau lebh solus awal dan akan melakukan strateg pencaran untuk mendapatkan solus yang optmal. Metode n juga berupaya untuk menghndar local optma. Pada masalah tmetable yang lebh spesfk sepert pada perkulahan, ada beberapa ses pada satu har. Ada beberapa har kulah, yang berart ada cukup banyak bars dan kolom tabel. Jka dalam sehar ada empat ses dan dalam semnggu ada lma har kulah, sedangkan kampus memlk empat
3 6 ruang kulah, maka ada delapan puluh kolom yang akan terbentuk dalam tabel dar tmetable perkulahan. Metode-metode yang pernah dgunakan untuk menyelesakan tmetable adalah Tradtonal Forward Checkng, Algortma Genetk (GA) (Rawat dan Rajaman, ), PSO (Chu dkk, 2006, Montero dkk, 2011), Metaheurstc (Gan dkk, 2004). Tradtonal Forward Checkng membutuhkan waktu htungan jam untuk menyelesakan tmetable (Montero dkk, 2011). Pada masalah nyata, metode PSO dapat menyelesakannya dalam waktu yang cepat (Montero dkk, 2011). Dalam penerapan PSO untuk masalah tmetable unverstas, urutan pemlhan mata kulah danggap sebaga partkel, dan tabel mata kulah dapat danggap sebaga suatu ruang waktu yang terdr atas beberapa dmens. Tujuan utama pada perhtungan untuk mencar tmetable yang optmal alah untuk memnmalkan pelanggaran terhadap kendala (Rawat dan Rajaman, ). Berdasar jensnya, ada 2 jens kendala, yatu kendala yang bersfat tegas dan kendala yang bersfat lemah (Gan dkk, 2004, Rawat dan Rajaman, , Mush, 2006). Kendala yang bersfat tegas harus dpenuh, sehngga tdak boleh terjad pelanggaran terhadap kendala n. Sedangkan kendala yang bersfat lemah tdak harus dpenuh. Kendala n lebh rumt dselesakan darpada yang bersfat tegas. (Chu dkk, 2006).
4 Partcle Swarm Optmzaton (PSO) Teknolog cerdas menru manusa untuk belajar dar pengalaman mengatas ketdaktepatan data, respon yang cepat terhadap stuas, dan menambah pengetahuan. Komputas evolusoner menghaslkan suatu solus pada ruang pencaran d dalam populas. Komputas evolusoner berbass pada populas untuk melhat solus terbak dar suatu ruang. Partcle Swarm Optmzaton (PSO) merupakan teknk dar komputas evolusoner yang cukup banyak dgunakan (Dev dan Pangrah, 2011) PSO adalah salah satu algortma terbaru dar Swarm Intellgence (SI), dbandngkan dengan Algortma Genetk (GA) dan Smulated Annealng (SA) (Hseh dkk, 2007., Huang dkk, 2011). PSO mrp dengan GA, hanya saja tdak memlk operator seleks, crossover dan mutas (Mozafara dkk, 2011., Chen, 2010). PSO telah berhasl ddemonstras untuk optmas numerk, dan dnyatakan bahwa PSO merupakan alternatf dar global optmzaton. Evolus natural pada PSO dterapkan untuk memunculkan generas baru dar calon solus. Keuntungan utama algortma PSO alah konsep yang mudah dmplementaskan dan memlk efsens komputas yang bak (Park dkk, 2005). Selan tu juga PSO cukup cepat dan efektf untuk drealsaskan (Xue-fe, Yun- Xa, 2008). Performa dar PSO lebh bak dar metode pencaran heurstk lan sepert GA (Kumar dan Reddy, 2007). PSO banyak dterapkan dalam memecahkan masalah-masalah optmas (Mozafara dkk, 2011). PSO awalnya dkembangkan oleh Kennedy dan Elberhart pada tahun 1995 dengan menru perlaku kawanan burung dalam mencar makanan (Shahzad dkk,.
5 , Kanthavel dkk, 2012., Chen dkk, 2006., Pang dkk, 2004, Park dkk, 2005., Kruthga dan Senthlkhumar, 2011., Zhang dan Xong, 2008). PSO ddasarkan pada pertukaran nformas antar ndvdu (partkel) dan antar populas (swarm) (Chen, 2010). Pada saat bergerak, masng masng ndvdu membuat keputusan sesua dengan pengalaman dr sendr dan ndvdu lan (Nasar dkk, 2009., Zhen dkk, 2009., Pang dkk, 2004). Optmas pada PSO sepert dalam skenaro dmana kawanan burung mencar makanan. Pada perjalanan yang acak hanya ada satu lokas tertentu dar setap wlayah. Meskpun tdak semua burung tahu dmana letak lokas makanan, tetap mereka tahu seberapa jauh lokas mereka sekarang dar makanan. Strateg n cukup sederhana dan efektf. PSO dtemukan dar model n dan daplkaskan dalam permasalahan optmas (Huang dkk, 2011). Pada PSO setap solus untuk masalah optmasas dapat dartkan sebaga kawanan mencar solus dalam space. Sekelompok ndvdu dsebut juga partkel (Huang dkk, 2011). Setap partkel merupakan solus untuk masalah optmas (Huang dkk, 2011, Kruthga dan Senthlkhumar, 2011). Performa dar pergerakan setap partkel dukur dengan menggunakan fungs ftness yang bervaras tergantung dar masalah optmas yang ada (Kruthga dan Senthlkhumar, 2011). Semua partkel memlk nla ftness yang dtentukan melalu fungs optmas, dan setap partkel memlk kecepatan pencaran sesua dengan arah dan jarak yang ada (Huang dkk, 2011). Proses yang terjad dar algortma PSO yatu, semua partkel akan bergerak mengkut partkel yang optmal dalam ruang untuk mencar solus optmal (Chen,
6 , Kruthga dan Senthlkumar, 2011., Altay dan Kayakutlu, 2011., Nasar dkk, 2009). Poss baru pada setap partkel berhubungan dengan kecepatan dan jarak antara poss yang ada dengan local best poston serta global best poston. Algortma akan berteras dan swarm akan bergerak ke area yang memlk solus yang lebh bak (Mozafara, 2011., Zhang dan Xong, 2008., Nasar dkk, 2009). Setap partkel mencar vektor lbest terbak pada setap topolog lokal daerah partkel. Gbest terbak dtentukan oleh partkel d seluruh swarm (Kruthga dan Senthlkhumar, 2011). Persamaan yang banyak dgunakan dan cukup mendasar dalam PSO : X ( k + 1) = X ( k) + V ( k + 1)...(1) V k + 1) = wv ( k) + c r ( P x ( k)) + c r ( P x ( ))...(2) ( g k Persamaan 2 jka dtulskan dalam bahasa yang lebh detal alah sebaga berkut : V j = w * v j + c1 * rand1(pbest j partcle j ) + c2 * rand2(gbest j partcle j )...(3) Persamaan persamaan tersebut dkut dengan Partcle j = partcle j + v j...(4) Berkut n defns dar rumus yang telah djabarkan: x j poss partkel saat n v j kecepatan partcle saat n, pbest j - poss terbak partkel dalam satu kawanan. gbest j - poss terbak partkel dar semua kawanan. c 1 = komponen sosal pertama, memlk nla postf acak antara 0 dan 1 yang bersfat konstan. c 1 dgunakan untuk menentukan kecepatan pergerakan partkel dalam mendekat nla Local best.
7 10 c 2 = komponen sosal kedua, memlk nla postf acak antara 0 dan 1 yang bersfat konstan. c 2 dgunakan untuk menentukan kecepatan pergerakan partkel dalam mendekat nla Global best. w = nerta weght partcle swarm. w dgunakan untuk menentukan kecepatan pergerakan terhadap dr sendr (v ). Rata-rata mplementas menggunakan settng dengan c1 = c2. Penggunaan nerta weght w lebh jarang dlakukan. Inerta weght memlk nla standar 0.4 sampa 0.9 (Kruthga dan Senthlkhumar, 2011). Algortma PSO memlk kelemahan yatu tak dapat dgunakan untuk mengatas data dskret (Sun dan Le, 2009). Permasalahan data dskret dselesakan dengan adanya DPSO Dscrete Partcle Swarm Optmzaton (DPSO) DPSO dgunakan untuk mengatas dscrete space dmana partcle terupdate (Tasgetren dkk, 2007., Fan, 2010). Metode DPSO yang merupakan de dar Sh (Sh dkk, 2007., Venkatesan dkk, 2011). Metode n cukup efektf untuk memecahkan masalah Generalzed TSP yang dalam prosesnya melakukan perjalanan melewat setap ttk dengan hasl mnmal (Afaq dan San, 2011). Metode DPSO menggunakan konsep permutas untuk menyelesakan masalah bertpe dskret. Pada DPSO, X =(x 1, x 2,..., x m ) sebaga poss partkel ke pada populas dar PSO dmana merepresentaskan lngkaran pergerakan dar x 1 x x m x 1. Algortma DPSO yang konvensonal ddefnskan melalu persamaan (1)-(2). untuk masalah TSP, persamaan 1 dapat
8 11 djalankan secara formal saat art tem kedua dar bagan lan dar persamaan V (k+1)berubah. Persamaan (2) dapat ddefnskan kembal. Pertama kal, pembag dar dua poss parkel harus ddefnskan ulang. Rumus DPSO : ( P x ( t) ) + c rr ( P x ( )) x ( t + 1) = x1 ( t) + wv ( t) + c1r1 2 2 g t...(5) Berkut n varabel yang dgunakan pada rumus (5) t = waktu saat n V = kecepatan partkel x = poss partkel saat n P = Local best / Pbest P g = Global best / Gbest r = Random = partkel c 1 = komponen sosal pertama, memlk nla postf acak antara 0 dan 1 yang bersfat konstan. c 1 dgunakan untuk menentukan kecepatan pergerakan partkel dalam mendekat nla Local best. c 2 = komponen sosal kedua, memlk nla postf acak antara 0 dan 1 yang bersfat konstan. c 2 dgunakan untuk menentukan kecepatan pergerakan partkel dalam mendekat nla Global best. w = nerta weght partcle swarm. w dgunakan untuk menentukan kecepatan pergerakan terhadap dr sendr (V ).
9 12 Rata-rata mplementas menggunakan settng dengan c1 = c2. Penggunaan nerta weght w lebh jarang dlakukan.inerta weght memlk nla standar 0.4 sampa 0.9 (Kruthga dan Senthlkhumar, 2011). 2.2 Landasan Teor PSO memlk dasar kecerdasan yang cukup bak. PSO dgunakan untuk memecahkan permasalahan kontnyu sepert perbedaan takaran untuk pembuatan beberapa jens rot dengan jumlah bahan yang sama, permasalahan VRP (Vehcle Routng Problem), dan perhtungan kontnyu lan. Sedangkat untuk permasalahan dscrete sepert TSP, pencaran jarak mnmum, dapat dselesakan dengan DPSO. DPSO maupun PSO memlk dasar rumus yang sama. Rumus DPSO maupun PSO adalah sebaga berkut. X ( k + 1) = x ( k) + V ( k + 1)......(6) V k + 1) = wv ( k) + c r ( P x ( k)) + c r ( P x ( ))..(7) ( g k Walaupun memlk rumus yang sama, ada perbedaan penerapan dalam dalam perhtungan. Pada PSO, rumus dapat dterapkan secara langsung. DPSO ddasarkan pada konsep permutas. PSO maupun DPSO menggunakan satu atau lebh swarm, dengan partkel sejumlah n. Poss terbak lokal merupakan poss terbak dar setap swarm. Sedangkan poss terbak global merupakan solus terbak dar keseluruhan solus. Dmens dnyatakan dengan x atau salah satu bagan dar solus. Partkel merupakan nla solus dar tabel. Sedangkan satu swarm terdr atas banyak partkel.
10 13 Pada DPSO ada dua jens subjek yatu. Subjek pertama yatu subjek yang menentukan bars dan kolom pada tabel solus X yang terdr atas x 1, x 2,..., x n d dalam tabel. Subjek kedua yatu subjek yang menentukan nla solus. Jka Subjek 1, subjek 2, dan subjek 3 tabel solus dan subjek selanjutnya merupakan nla dar x dengan masng masng jumlah elemen dar subjek sebanyak dua, maka akan terlhat pada tabel sebaga berkut. Tabel 1. Solus d subjek 1 subjek 2 subjek 3 X x x x x x x x x 8 Nla dar x dkut dengan kendala lemah sepert pada tabel berkut. Tabel 2. Kendala X Kendala Nla kendala x 1 jka x < x 1 jka x > X merupakan partkel yang terdr atas (x 1, x 2,..., x n ) yang merupakan Urutan solus dar jadwal kulah yang bers mata kulah. P merupakan solus terbak dar swarm tertentu. P terdr atas (x 1, x 2,..., x n ). P g merupakan solus
11 14 terbak dar semua p P. P g terdr atas (x 1, x 2,..., x n ). dar x, merupakan d partkel swarm Permutas Permutas ádalah penyusunan kembal kumpulan objek dalam urutan yang berbeda dar urutan semula. Permutas dapat dlustraskan pada relas notas. Pada DPSO, permutas dlakukan dengan membandngkan partkel yang dpermutaskan, dengan partkel terbak lokal dan partkel terbak global. Ada dua langkah dalam melakukan permutas, yatu slde dan transposs. a. Slde. Slde merupakan proses pergeseran data dmana jumlah pergeseran satu data dengan data yang lan memlk jumlah yang sama. Untuk m-ordered sequence X = {x 1, x 2,..., x m }, slde operator beraks pada X djabarkan pada humus berkut SL(x,k) = {x (1+k)%m, X (2+k)%m,...,X (m+k)%m }...(8) Proses slde dlakukan d awal proses pendekatan dmana penentuan dlakukannya proses slde berdasarkan pengecekan f-else. Sebaga contoh, transposs dar X = {1,2,3,4,5} untuk mendekat data tujuan P best = {2,5,4,3,1}. Jka dlakukan slde sebanyak 1 kal atau dapat dtuls slde (x,1), maka haslnya alah [2,3,4,5,1]. Saat X = {1,2,3,4,5}, tdak ada poss x yang sama yang memlk nla yang sama dengan P best. Setelah dlakukan slde(x,1), dengan hasl X = {2,3,4,5,1}, pada poss x 1, x 3 dan x 5 memlk
12 15 nla yang sama dengan P best yang mengartkan bahwa hasl slde (x,1) memlk hasl yang lebh bak. b. Transposs Transposs merupakan fungs pertukaran poss data. Sebaga contoh transposs dar X = {1,2,3,4,5} untuk mendekat data P best = {2,5,4,3,1}. Dlakukan transposs t(x 1,x 2 ) menjad { }. Dlakukan transposs (x 2,x 5 ) sehngga menjad {2,5,3,4,1}. Dlakukan transposs (x 3,x 4 ) sehngga menjad {2,5,4,3,1}. Dsn akan terbentuk tga langkah transposs untuk proses pendekatan terhadap P best. Jumlah langkah pendekatan n dlakukan sebanyak hasl kal nla c dengan random. Msalkan saja c * random menghaslkan 40%. Langkah yang dlakukan sebanyak langkah transposs * c * random. Msal 3 * 40%, memlk hasl 1.2. dsn langkah dpandang secara real, bukan pecahan. Maka nla pecahan 1.2 akan menjad nla satu. hasl akhr alah, dlakukan transposs pendekatan sebanyak satu kal. Penjelasan mengena transposs d atas hanya merupakan bagan dar proses DPSO. Pendekatan pada DPSO dlakukan secara tga arah, sesua dengan pendekatan sebelumnya ( wv (k) ), terhadap poss terbak lokal ( c r P x ( )) ) ( 1 1 k dan poss terbak global ( c r P g x ( ) ). V (k) merupakan pendekatan terhadap ( 2 2 k pengalaman ndvdu dengan jumlah langkah pendekatan dpengaruh oleh varabel w. P x (k) merupakan pendekatan terhadap poss terbak lokal
13 16 dengan jumlah langkah pendekatan dpengaruh oleh varabel w Varabel c 1 dan varabel random r 1. Pg x (k) merupakan pendekatan terhadap poss terbak global dengan jumlah langkah pendekatan dpengaruh oleh varabel c 2 dan varabel random r 1. Rata-rata mplementas menggunakan settng dengan c1 = c2. Penggunaan nerta weght w lebh jarang dlakukan.inerta weght memlk nla standar 0.4 sampa 0.9 (Kruthga dan Senthlkhumar, 2011).
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 terperinciPENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
Lebih 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 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 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 terperinci3 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 terperinciPENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION
PENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION Yudh Purwananto Rully Soelaman dan Bambang Santoso. Fakultas Teknolog Informas Insttut Teknolog Sepuluh Nopember
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 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 terperinciAPLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)
APLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) Irfrans Kusmarna, Luh Kesuma Wardhan 2, Muhammad Safrzal 3,3 Jurusan Teknk Informatka, Fakultas Sans dan Teknolog,
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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
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 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 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 terperinciBAB III METODE PENELITIAN. Jenis penelitian yang akan digunakan dalam penelitian ini adalah
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan yang akan dgunakan dalam peneltan n adalah peneltan pengembangan (Research and Development). Peneltan Research and Development (R&D) n merupakan
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 III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciBAB III METODE PENELITIAN. 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 III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciOPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO)
OPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO) Efrta Arfah Z Jurusan Teknk Elektro, FTI-ITATS Surabaya Jl. Aref Rahman Hakm 100 Tlp
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 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 terperinciMODIFIED IMPROVED PARTICLE SWARM OPTIMIZATION FOR OPTIMAL GENERATOR SCHEDULING
Semnar Nasonal Aplkas Teknolog Informas 009 (SNATI 009) ISSN: 1907-50 Yogyakarta, 0 Jun 009 MODIFIED IMPROVED PARTICLE SWARM OPTIMIZATION FOR OPTIMAL GENERATOR SCHEDULING Mackel Tuegeh 1, Soeprjanto, Maurdh
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 terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB 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 terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciAnalisa dan Penerapan Metode Particle Swarm Optimization Pada Optimasi Penjadwalan Kuliah
Jurnal Teknk Informatka, Vol 1 September 2012 Analsa dan Penerapan Metode Partcle Swarm Optmzaton Pada Optmas Penjadwalan Kulah Rasha Ashla Rachman 1), Dadang Syarf 2), Rka Perdana Sar 3) 1) Program Stud
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 terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
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 terperinciPENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT
PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos Pabelan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciHAK CIPTA (HKI) Judul Invensi: METODE OPTIMISASI KONFIGURASI JARINGAN DISTRIBUSI BERBASIS LOGIKA FUZZY DAN PARTICLE SWARM OPTIMIZATION
0 HAK CIPTA HKI 1 Judul Invens: METODE OPTIMISASI KONFIGURASI JARINGAN DISTRIBUSI BERBASIS LOGIKA FUZZY DAN PARTICLE SWARM OPTIMIZATION Inventor: Dr. Ramadon Syahputra, S.T., M.T. Ir. Agus Jamal, M.Eng.
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 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 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 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB 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 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 terperinciMODEL HEURISTIK PENENTUAN RUTE KENDARAAN DENGAN BATASAN WAKTU PENGIRIMAN
MODEL HEURISTIK PENENTUAN RUTE KENDARAAN DENGAN BATASAN WAKTU PENGIRIMAN Tjutju T. Dmyat Jurusan Teknk Industr Unverstas Pasundan E-mal : admyat@bdg.centrn.net.d ABSTRAK Penentuan rute kendaraan (Vehcle
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 terperinciMETODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar
Lebih terperinci2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil
.1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciBAB III METODE PENELITIAN. problems. Cresswell (2012: 533) beranggapan bahwa dengan
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan kombnas atau mxed methods. Cresswell (2012: 533) A mxed methods research desgn s a procedure for collectng, analyzng and mxng
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 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 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 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciWEIBULL TWO PARAMETER
WEIBULL TWO PARAMETER Dalam teor probabltas dan statstk, dstrbus webull merupakan dstrbus probabltas yang berkelanjutan atau kontnyu. Dgambarkan secara detal oleh Walodd Webull pada tahun 1951 meskpun
Lebih terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciBAB III METODE PENELITIAN
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 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 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 terperinciOPTIMAL GENERATOR SCHEDULING BASED ON PARTICLE SWARM OPTIMIZATION
Semnar Nasonal Informatka 009 (semnasif 009) ISSN: 1979-38 UPN Veteran Yogyakarta, 3 Me 009 OPTIMAL GENERATOR SCHEDULING BASED ON PARTICLE SWARM OPTIMIZATION Mackel Tuegeh 1, Ad Soeprjanto, Maurdh Hery
Lebih terperinciMahasiswa Program Studi Informatika / Ilmu Komputer Universitas Brawijaya
Implementas Evoluton Strateges untuk Penyelesaan Vehcle Routng Problem Wth Tme Wndows pada Dstrbus Mnuman Soda XYZ Isyar Andka Harun 1, Wayan F. Mahmudy 2, Novanto Yudstra 3 1 Mahasswa Program Stud Informatka
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 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 terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciOPTIMASI MASALAH PENUGASAN. Siti Maslihah
JPM IIN ntasar Vol. 01 No. 2 Januar Jun 2014, h. 95-106 OPTIMSI MSLH PNUGSN St Maslhah bstrak Pemrograman lner merupakan salah satu lmu matematka terapan yang bertuuan untuk mencar nla optmum dar suatu
Lebih terperinciSWARM INTELLIGENCE (Teori & Case Study)
Judul SWARM INTELLIGENCE (Teor & Case Study) PSO, ACO, ABC, ACO-SVR, etc Oleh: Imam Cholssodn Ef Ryandan PENGANTAR Buku n member pemahaman konsep lanjut dan detal penyelesaan untuk pengembangan Swarm Intellgence
Lebih terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus
Lebih terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Kamus Buku acuan yang memuat kata dan ungkapan, basanya dsusun menurut abjad berkut keterangan tentang makna, pemakaan, atau terjemahannya, kamus juga dsebut buku yang memuat
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 terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.3.1 Tempat Peneltan Peneltan n dlaksanakan d SMP Neger Gorontalo khususnya pada sswa kelas VIII. 3.3. Waktu Peneltan Peneltan n dlaksanakan selama
Lebih terperinciPENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY
PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY I Made Wdartha Program Stud Teknk Informatka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana emal : madewdartha@cs.unud.ac.d
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 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 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 terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciBAB 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 IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciHuman-Friendly Arm Robot Berbasis Interactive Particle Swarm Optimization (IPSO)
Human-Frendly Arm Robot Berbass Interactve Partcle Swarm Optmzaton (IPSO) Anhar Rsnumawan, Indra Adj Sulstjono ) Jurusan Teknk Elektronka, Polteknk Elektronka Neger Surabaya Kampus PENS-ITS Sukollo, Surabaya
Lebih terperinciBAB I PENDAHULUAN. konsep strategi yang cocok untuk menghadapi persaingan baik itu mengikuti marketing
BAB I PENDAHULUAN 1.1 Latar Belakang Konds persangan dalam berbaga bdang ndustr saat n dapat dkatakan sudah sedemkan ketatnya. Persangan dalam merebut pasar, adanya novas produk, mencptakan kepuasan pelanggan
Lebih terperinciBAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
Lebih 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 terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih 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 terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
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. Karangkajen, Madrasah Tsanawiyah Mu'allimaat Muhammadiyah Yogyakarta,
BAB III METODE PENELITIAN A. Tempat dan Waktu Peneltan Peneltan n dlakukan pada 6 (enam) MTs d Kota Yogyakarta, yang melput: Madrasah Tsanawyah Neger Yogyakarta II, Madrasah Tsanawyah Muhammadyah Gedongtengen,
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 terperinciOptimasi Fungsi Keanggotaan Fuzzy
Optmas Fungs Keanggotaan Fuzzy Tsukamoto Dua Tahap Menggunakan Algortma Genetka Pada Pemlhan Calon Penerma Beasswa dan BBP-PPA (Stud Kasus: PTIIK Unverstas Brawjaya Malang) Bunga Amela Restuputr 1, Wayan
Lebih terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih terperinci