Estimasi Radiasi Matahari Perjam pada Permukaan Horizontal dengan Extreme Learning Machine (Studi Kasus di Surabaya)
|
|
- Bambang Yuwono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 JURAL EKIK POMIS Vol., o., (04) ISS: (30-97 Prnt) Estmas Radas Matahar Peram ada Permukaan Horzontal dengan Etreme Learnng Machne (Stud Kasus d Surabaya) ur Ulfa Hdayatullah dan Ir. Ya umar, M. Jurusan eknk Fska, Fakultas eknolog Industr, Insttut eknolog Seuluh oember (IS) Jl. Aref Rahman Hakm, Surabaya 60 Indonesa e-mal: ulfa.hdayatullah0@mhs.e.ts.ac.d Abstrak Radas matahar meruakan sumber dar energ alternatf yang sangat berengaruh ada knera hotovoltac dalam menghaslkan energ. Sehngga memunculkan eneltan untuk mendaatkan estmas radas matahar eramnya ada hotovoltac. Estmas n menggunakan arngan syaraf truan (artfcal neural network/a) untuk memodelkan radas matahar eramnya. Jarngan syaraf truan meruakan sstem emrosesan nformas yang mengados sstem embelaaran ada otak manusa. Peneltan n menggunakan Etreme Learnng Machne yatu metode embelaaran baru dar arngan syaraf truan feedforward dengan satu hdden layer atau lebh dkenal dengan Sngle Hdden Layer Feedforward eural etwork (SLF). Hasl eneltan n menunukkan bahwa metode ELM memlk nla MSE yang lebh kecl dan learnng seed yang lebh ceat dbandngkan dengan metode backroagaton. Dar kedua metode yang dgunakan yatu backroagaton dan ELM untuk metode backroagaton memlk nla MSE sebesar 0,3378 dan dengan metode ELM ddaatkan MSE sebesar 5,88E-4. Selan tu untuk keceatan embelaaran atau learnng seed untuk roses testng ada metode backroagaton deroleh learnng seed sebesar 0,7 detk dan untuk metode ELM deroleh sebesar 0,056 detk. Kata Kunc Radas matahar, estmas, etreme learnng machne, backroagaton I. PEDAHULUA umber energ alternatf sebaga enggant bahan bakar Sfosl mash rama dbcarakan. Beberaa sumber energ alam yang terseda sebaga energ alternatf yang bersh, tdak berolus, aman, dan dengan ersedaan yang tdak terbatas dantaranya adalah energ surya. Penggunaan sumber energ lstrk yang beragam tamaknya tdak daat dhndar ada masa mendatang. Oleh sebab tu, engkaan terhada energ baru akan terus dlakukan. eknolog anel sel surya yang mengkonvers langsung cahaya matahar menad energ lstrk dengan menggunakan dvas semkonduktor yang dsebut sel surya banyak dka oleh enelt-enelt sebelumnya. Permasalahan saat n adalah bagamana menggunakan anel sel surya untuk mendaatkan keluaran lstrk yang otmal. Pemakaan anel sel surya umumnya dletakkan dengan oss tertentu dengan tana erubahan seert dhadakan ke atas. Dengan oss anel sel surya menghada ke atas dan ka anel dangga benda yang memunya ermukaan rata, maka anel sel surya akan mendaat radas matahar maksmum ada saat matahar tegak lurus dengan bdang anel []. Pada saat arah matahar tdak tegak lurus dengan bdang anel atau membentuk sudut θ, maka anel sel surya akan menerma radas lebh kecl. Dengan menurunnya radas yang dterma oleh anel sel surya, maka akan mengurang energ lstrk yang dkeluarkan oleh anel. Oleh karena tu derlukan eneltan lebh lanut untuk mendaatkan emodelan dar radas matahar eramnya. Pada eneltan sebelumnya sudah dlakukan emodelan untuk radas matahar eramnya dengan menggunakan arngan saraf truan feedforward backroagaton. Pada eneltan tersebut ddaatkan akuras yang mencaa 93,09 % dar estmas radas matahar eramnya dengan menggunakan arngan saraf feedforward backroagaton []. Hal tersebut menunukkan akuras yang lebh bak dbandngkan dengan menggunakan emodelan secara matemats. Jarngan saraf truan sendr meruakan sstem emrosesan nformas yang mengados sstem embelaaran ada otak manusa. Pada eneltan selanutnya telah dkembangkan metode baru dar arngan sarag truan yatu dengan metode Etreme Learnng Machne [3]. Etreme Learnng Machne meruakan metode embelaaran baru dar arngan saraf truan feedforward dengan satu hdden layer atau lebh dkenal dengan sngle hdden layer feedforward neural network (SLF) [4]. Sehngga ada eneltan n akan dgunakan metode Etreme Learnng Machne untuk estmas radas matahar eram ada ermukaan horzontal (stud kasus d Surabaya). II. EXREME LEARIG MACHIE Etreme Learnng Machne (ELM) meruakan metode embelaaran baru dar arngan saraf truan. Metode n ertama kal derkenalkan oleh Huang (004). ELM meruakan arngan saraf truan feedforward dengan sngle hdden layer atau basa dsebut dengan Sngle Hdden Layer Feedforward eural etworks (SLF) [5]. Metode embelaaran ELM dbuat untuk mengatas kelemahan-kelemahan dar arngan syaraf truan feedforward terutama dalam hal learnng seed. Huang et al mengemukaan dua alasan mengaa JS feedforward memunya leranng seed rendah, yatu :
2 JURAL EKIK POMIS Vol., o., (04) ISS: (30-97 Prnt). Menggunakan slow gradent based learnng algorthm untuk melakukan tranng. Semua arameter ada arngan dtentukan secara teratve dengan menggunakan metode embelaaran tersebut Pada embelaaran dengan menggunakan conventonal gradent based learnng algorthm seert backroagraton (BP) dan varaanya Lavenberg Marquadt (LM) semua arameter ada JS feedforward harus dtentukan secara manual [6]. Parameter yang dmaksud adalah nut weght dan hdden bas. Parameter-arameter tersebut uga salng berhubungan antara layer yang satu dengan yang lan, sehngga membutuhkan learnng seed yang lama [5]. Sedangkan ada ELM, arameter-arameter seert nut weght dan hdden bas dlh secara random. ELM memlk learnng seed yang ceat dan mamu menghaslkan good generalzaton erformance [7]. Gambar. Struktur Etreme Learnng Machne Model matemats dar Etreme Learnng Machne lebh sederhana dan efektf dbandngkan dengan arngan saraf truan feedforward. Berkut model matemats dar Etreme Learnng Machne: Untuk umlah samel yang berbeda (X,t ) n X = [ X, X,..., X ] R () n m Xt = [ Xt Xt Xt n ],,..., R () Standart SLF dengan umlah hdden nodes sebanyak dan fungs aktvas g() daat dtulskan secara matemats sebaga berkut: β. g( ) = β. g( w + b ) = o (3) = = Dmana, J =,,..., w ( ) = w, w,..., w meruakan vektor dar weght yang m menghubungkan terhada hdden nodes dan nut nodes β ( ) = β, β,..., β meruakan weght vector yang m menghubungkan terhada hdden nodes dan outut nodes b = threshold dar th hdden nodes w = meruakan nner roduk dar w dan SLF dengan hdden nodes dan fungs aktfas g() dasumskan daat meng-aromate dengan tngkat error 0 dan daat dnotaskan sebaga berkut: = o t = 0 sehngga o t (4) β. g( w + b ) = t (5) = Persamaan datas daat dtulskan secara sederhana sebaga berkut: H β = (6) Dmana H adalah hdden layer outut matr. g ( w + b ) menunukkan outut dar hdden neuron yang berhubungan dengan nut, β meruakan matr dar outut weght, dan adalah matr dar target atau outut. Pada ELM nut weght dan hdden bas dtentukan secara acak, maka outut weght yang berhubungan dengan hdden layer daat dtentukan dar ersamaan: β = H (7) III. MEODE PEELIIA A. Pengumulan Data Data yang dgunakan adalah data dar radas matahar eram ada ermukaan horzontal (W/m ), temeratur udara ( o C), kelembaan relatf (%), dan keceatan angn (m/s) yang dambl selama bulan Me sama dengan Oktober 03 d Badan Meteorolog, Klmatolog, dan Geofska (BMKG) Perak I Surabaya. Pengamblan data dlaksanakan dar ukul sama dengan ukul 8.00 eramnya. B. Estmas dengan Metode ELM Untuk melakukan estmas dengan metode ELM harus melalu beberaa tahaan. Secara gars besar dbag menad tga taha yatu, rerocessng data, tranng, dan testng. C. Pembagan Data Menad Data ranng dan estng Proses tranng dan testng derlukan dalam estmas dengan metode ELM. Proses tranng untuk mengembangkan model dar ELM, sedangkan testng dgunakan untuk mengevaluas kemamuan ELM. Oleh karena tu data dbag menad dua yatu data tranng dan testng. Menurut Zhang (997) beberaa eneltan membag data tranng dan testng dengan komoss untuk data tranng sebanyak 80% dar total data dan data testng sebanyak 0% dar total data. otal data yang dgunakan sebanyak 84 data untuk seta arameternya. Dar data tersebut kemudan dbag menad 80% dar total data untuk roses tranng yatu sebanyak 9 data dan 0% dar data total untuk roses testng yatu sebanyak 7 data. D. Pelathan (ranng) ELM uuan dar roses elathan n adalah untuk mendaatkan nut weght, bas, dan outut weght dengan tngkat kesalahan yang rendah. E. ormalsas Data ranng Data yang dnutkan ada ELM sebaknya dnormalsas sehngga memunya nla dengan range tertentu. Hal n derlukan karena fungs aktvas yang dgunakan akan menghaslkan outut dengan range data [0,] atau [-,]. Pada eneltan n untuk data tranng dnormalsas sehngga memunya range nla [-,]. Berkut rumus yang dgunakan untuk roses normalsas : X X mn X / ma X mn X (8) ( ) ( ) =
3 JURAL EKIK POMIS Vol., o., (04) ISS: (30-97 Prnt) Dmana : X = nla hasl normalsas dengan range nla [-,] X = nla data asl yang belum dnormalsas mn X = nla mnmum ada data set ma X = nla maksmum ada data set F. Menentukan Fungs Aktvas dan Jumlah Hdden euron Pada roses tranng umlah hdden neuron dan fungs aktvas dar ELM harus dtentukan terlebh dahulu. Pada eneltan n dgunakan fungs aktvas sgmod bner dan lner, karena kedua fungs tersebut yang alng serng dgunakan ada ermasalahan forecastng dan fungs transfer ureln karena data yang akan destmas bersfat stasoner. Untuk umlah hdden neuron menurut Sun dkk (008), ELM menghaslkan outut eramalan yang stabl dengan umlah hdden neuron Pada eneltan n dgunakan hdden neuron sebanyak 400 neuron. G. Menghtung Inut Weght, Bas of Hdden euon, dan Outut Weght Outut dar roses elathan ELM adalah nut dan outut weght serta bas dar hdden neuron dengan tngkat kesalahan rendah yang dukur dengan MSE dan MAPE. Inut weght dtentukan secara random, sedangkan outut weght meruakan nvers dar matr hdden layer dan outut. Secara matemats daat dtuls sebaga berkut : β = H (9) H = w,..., w, b,..., b,,..., ( ) g( w ) ( ) + b g w + b ( ) ( ) g w + b g w + b = β β = β (0) () t = () t H. Denormalsas Outut Outut yang dhaslkan dar roses elathan ddenormalsas, sehngga ddaatkan redcted sales dar data tranng. Rumus denormalsas adalah sebaga berkut : X = 0.5( X ) ( ) + ma X mn X + mn X (3) X = nla data setelah denormalsas X = nla outut sebelum denormalsas mn X = nla mnmum ada data set sebelum normalsas ma X =nla maksmum ada data set sebelum normalsas I. estng ELM Berdasarkan nut weght dan outut weght yang ddaatkan dar roses tranng, maka taha selanutnya adalah melakukan estmas dengan ELM. Data yang dguanakan adalah data testng sebanyak 0% dar data. Pada taha n data nut dnormalsas terlebh dahulu dengan range dan rumus normalsas yang sama dengan data tranng. Secara otomats outut dar roses n uga harus ddenormalsas. J. Analsa Hasl Estmas Setelah melalu berbaga tahaan datas, maka ddaatkan nla estmas radas matahar. Hasl yang ddaatkan tersebut kemudan danalsa aakah memlk tngkat kesalahan (MSE dan MAPE) yang kecl. Jka tngkat kesalahan yang dhaslkan mash relatf besar, maka devaluas kembal langkah-langkah yang telah dlakukan. Mula dar roses tranng, testng, mauun estmas hngga ddaatkan hasl yang otmal. Berkut rumus matemats dar Mean Square Error (MSE) dan Mean Absolut Precentage Error (MAPE). MSE = ( y t ) (4) = MAPE = y t ( 00) = y Dmana : = umlah data y = data outut (redcted sales) = data radas matahar aktual t (5) K. Membandngkan Hasl Estmas ELM dengan Backroagaton Setelah analss terhada hasl metode ELM dlakukan, maka akan dketahu nla MSE dan MAPE. Langkah selanutnya adalah membandngkan nla MSE dan MAPE tersebut dengan metode A. Metode A yang dgunakan adalah dengan algortma backroagaton dengan varannya Lavenberg-Marquadt. Selan nla MSE dan MAPE, uga dbandngkan waktu tranng untuk melhat erformans dar metode tersebut. IV. HASIL DA DISKUSI Metode ELM ada eneltan n dmlementaskan untuk mendaatkan estmas radas matahar dengan nut berua arah angn, keceatan angn, temeratur, dan kelembaan. Pada enentuan arstektur arngan n derlukan ola hubungan antara neuron atau node dan bobot tertentu untuk mendaatkan erforma yang bak. Performa dtentukan dar eror yang ddaat dar hubungan antara target yang dbutuhkan dengan outut. Pada tugas akhr n, outut dan target yang dbutuhkan adalah ntenstas radas matahar. Etreme learnng machne hanya menggunakan satu hdden layer ada arstektur arngannya. Untuk enentuan umlah node dawal embentukan arngan dlakukan engamblan data erforma saat arngan menggunakan node sebanyak buah sama dengan 400 node. Untuk masng-masng node dlakukan engulangan sebanyak tga kal sehngga ddaatkan nla rata-rata untuk Mean Square Error (MSE). MSE menggambarkan erforma dar arngan. Semakn kecl erforma atau nla MSE, maka arstektur arngan akan semakn bak karena memlk nla kesalahan yang kecl. Selanutnya untuk masng-masng emodelan arngan yatu dengan dengan menggunakan satu nut berua arah angn, keceatan angn, temeratur, kelembaan serta untuk outut yatu ntenstas radas matahar. 3
4 JURAL EKIK POMIS Vol., o., (04) ISS: (30-97 Prnt) Pada arngan n dgunakan data sebanyak 364 data yang terbag menad 80% dar total data atau sebanyak 9 data untuk roses tranng dan 0% dar total data atau sebanyak 7 data untuk roses testng atau valdas. Dar data elathan dan valdas tersebut akan ddaatkan hasl smulas. Hasl smulas tersebut yang nantnya akan dbandngkan dengan nla target yatu ntenstas radas matahar. Kesalahan dar hasl smulas untuk roses elathan (tranng) dan data sebenarnya meruakan nla MSE. la MSE untuk elathan daat dbandngkan dengan nla MSE saat valdas untuk mendaatkan umlah node dan bobot terbak. Dar kelma ercobaan ada roses tranng data ddaatkan nla MSE sebaga berkut. abel la MSE untuk ranng ada Seta ode ode Perco- Perco- Perco- Perco- baan baan baan baan , , , , , , , ,0570 0,060 0, , , , , , ,0864 0,0354 0, , , ,009 0,06 0,0058 0,0356 0, , , , ,0405 0, ,0004 0, , ,0004 0, ,44E-3 5,37E-3,E- 4,84E-4 4,57E-3 360,04E-3,84E-3,86E-3,33E-4,06E-4 400,5E-5,39E-3 3,4E-4 3,E-4,4E-4 Selanutnya dcar nla learnng rate atau learnng tme yang menunukkan keceatan arngan dalam melakukan embelaaran untuk masng-masng node ada seta dan ddaatkan hasl sebaga berkut. abel. la Learnng me untuk ranng ada Seta ode ode (Detk) (Detk) 3 (Detk) 4 (Detk) 5 (Detk) 40 0,0468 0,0468 0,0468 0,0468 0, ,0468 0,0468 0,0468 0,0468 0, ,078 0,078 0, , , ,090 0,090 0,090 0,090 0, ,480 0,480 0,480 0,480 0, ,840 0,840 0,840 0,840 0, ,650 0,650 0,650 0,650 0, ,9640 0,9640 0,9640 0,9640 0, ,300 0,300 0,300 0,300 0, , , , , ,3588 Dar abel. tentang learnng tme untuk masngmasng ercobaan ddaatkan bahwa semakn banyak node yang dgunakan, maka keceatan embelaaran akan semakn membutuhkan waktu yang lama. Hal tersebut dtunukkan bahwa ada umlah node sebanyak 400 buah ddaatkan learnng tme sebesar 0,35880 ada kelma ercobaan. Gambar. la MSE ada ranng Data untuk Kelma. Dar abel. dtunukkan nla MSE untuk masngmasng ercobaan yang dlakukan sebanyak lma kal ercobaan. Pada seta node mula dar node hngga 400 node dlakukan engulangan sebanyak 5 kal ada roses tranng untuk mendaatkan nla MSE, namun ada tabel datas hanya dtamlkan sebagan dar umlah node yang ada yatu untuk kelatan 40 node. Dengan kelma ercobaan yang selanutnya dcar rata-rata dar nla MSEnya untuk menentukan arstektur yang akan dlh untuk dlakukan roses testng data. Berkut n akan dtunukkan rata-rata nla MSE untuk kelma ercobaan ada seta nodenya. Gambar. la Learnng me ada ranng Data untuk Kelma. Pada tranng ELM n dmlementaskan untuk nut arah angn, keceatan angn, temeratur, dan kelembaan. Sedangkan untuk target dar oututnya adalah radas matahar. Dengan menggunakan fungs aktvas sgmod dan umlah node yang sudah dtentukan sesua dengan arstektuk yang telah dlh berdasarkan nla MSE yang terkecl akan ddaatkan estmas radas matahar yang otmal. Berdasarkan ercobaan datas telah ddaatkan bahwa dengan menggunakan 400 buah hdden node ddaatkan nla MSE yang alng kecl. Hal nlah yang dadkan sebaga dasar untuk embentukan arngan untuk dlakukan tranng dan testng. Dar hasl tranng yang dlakukan 4
5 JURAL EKIK POMIS Vol., o., (04) ISS: (30-97 Prnt) dengan menggunakan software Matlab ddaatkan hasl sebaga berkut. Gambar 3. ranng ELM. Dar grafk datas daat dsmulkan bahwa untuk tranng data yang memlk nla MSE terkecl atau memlk nla estmas dengan ELM yang dekat dengan target yatu ada tranng ELM dengan hdden node sebanyak 400 buah. Selanutnya dar roses tranng data tersebut dengan arstektur yang sama akan dgunakan untuk roses testng data untuk mendaatkan estmas radas matahar. Pada roses testng dgunakan 0 % dar total data yatu sebanyak 7 data. Data n kemudan dlakukan roses testng dengan menggunakan nut weght dan bas of hdden neuron dar hasl tranng data. Dar kesemblan data hasl testng daat dbandngkan untuk nla MSE dan learnng seednya. Dengan menggunakan arstektur arngan yang sudah dtentukan yatu dengan 4 nut yatu arah angn, keceatan angn, temeratur, dan kelembaan, 400 buah hdden node, dan buah outut yatu radas matahar. Selanutnya sebanyak 7 data dlakukan roses testng untuk mendaatkan estmas radas matahar. dengan ada saat roses tranng dan learnng seed yang auh lebh ceat dbandngkan dengan ada roses tranng. Dengan mengetahu nla tranng terbak yang sesua dengan MSE terkecl selanutnya dlakukan testng data untuk mengetahu estmas radas matahar yang dngnkan. Pada hasl testng dengan menggunakan metode ELM akan dbandngkan ketka estmas dengan menggunakan Backroagaton. Dar erbandngan nla estmas daat dlhat dar nla MSE dan learnng seed dar masngmasng arstektur. Berkut n akan dtamlkan erbandngan nla estmas dar kedua metode tersebut. abel 4. Perbandngan la MSE dan Learnng Seed dar Backroagaton dan ELM. Learnng Metode MSE Seed (detk) Backroagaton 0,3378 0,7 ELM 5,88E-4 0,056 Berkut n akan dtamlkan hasl estmas dar kedua metode tersebut dengan menggunakan grafk. Gambar 5. Hasl Estmas dengan Backroagaton dan ELM terhada Data Aktual, Gambar 4. estng ELM. Berkut n akan dtunukkan nla MSE dar testng data dan learnng seed yang dlakukan dengan umlah hdden node sebanyak 400 buah. abel 3. la MSE dan Learnng Seed dar Hasl estng Data. Learnng Seed Jumlah ode MSE estng estng (Detk) 400 5,88E-4 0,056 Berdasarkan tabel datas ddaatkan untuk nla MSE ada roses testng sebesar 5,88E-4 dengan learnng seed sebesar 0,056 detk. Hal n menunukkan bahwa untuk roses testng memlk MSE yang lebh kecl dbandngkan Pada abel 4. dan Gambar 5. menunukkan erbandngan nla MSE dan learnng seed antara Backroagaton dengan ELM. Dar kedua metode yang dguanakan yatu backroagaton dan ELM untuk metode backroagaton memlk nla MSE sebesar 0,3378 dan dengan metode ELM ddaatkan MSE sebesar 5,88E-4. Hal tersebut menunukkan bahwa untuk nla MSE terkecl untuk mendaatkan estmas radas matahar terletak ada metode ELM. Selan tu untuk keceatan embelaaran atau learnng seed untuk roses testng ada metode backroagaton deroleh learnng seed sebesar 0,7 detk dan untuk metode ELM deroleh sebesar 0,056 detk. Hal n menunukkan ada kasus n metode ELM memlk learnng seed yang lebh ceat dbandngkan dengan menggunakan backroagaton. Dengan nla MSE dan learnng seed ada ELM n daat dadkan untuk mendaatkan hasl estmas radas matahar. 5
6 JURAL EKIK POMIS Vol., o., (04) ISS: (30-97 Prnt) V. KESIMPULA Berdasarkan hasl dan embahasan yang telah dlakukan maka kesmulan eneltan n adalah sebaga berkut, enentuan ELM agar ddaatkan hasl estmas yang otmal adalah dengan krtera MSE yang terkecl untuk yatu dengan 4 nut, hdden node sebanyak 400 buah, dan outut. Dar hasl erbandngan antara estmas dengan menggunakan metode backroagaton dan ELM, ELM memlk MSE yang lebh kecl dan learnng seed yang lebh ceat dbandngkan dengan A. la MSE terkecl yatu sebesar 5,88E-4 dan learnng seed terceat sebesar 0,056 detk. Hal n menunukkan ada kasus n metode ELM memlk learnng seed yang lebh ceat dbandngkan dengan menggunakan backroagaton. DAF AR PUSAKA [] Abraham, A Meta-Learnng Evolutonary Artfcal eural etworks. Elsever scence : eurocomutng Journal. 56 c (004) [] Demuth, H., dan Beale, m eural etwork oolbo For Use wth MALAB. Massachusetts : he Math Work Inc. [3] Huang, G.B., Zhu, Q.Y., dan Sew, C.K Etreme Learnng Machne : A ew Learnng Scheme of Feddforward neural etworks. Proceedng of Internatonal Jont Conference on eural etworks. Hungary, 5-9 Jul. [4] Huang, G.B., Zhu, Q.Y., dan Sew, C.K Etreme Learnng Machne : heory and alcatons. Elsever scence : eurocomutng. 70 (006) [5] Mtchel,.M Machne learnng. Sngaura: McGraw-Hll. [6] Sun, Z.L., Cho,.M., Au, K.F., dan Yu, Y Sales Forecastng usng Etreme Learnng Machne wth Alcaton n Fashon Retalng. Elsever Decson Suort Systems 46 (008) [7] Zhang, G., Pattuwo, B.E., dan Hu, M.Y Forecastng wth Artfcal eural etworks : he State of the Art. Elsever Internatonal Journal of Forecastng 4 (998) [8] Yeng Cha Soh, Guang-Bn Huang, and Yuan Lan. wo-stage Etreme Learnng Machne for Regresson. eurocomutng, no July 00. [9] Jorge Agulera, Florenca Almonacd, Gustavo ofuentes, and Pedro Zufra Leocado Hontora. Artfcal eural etworks Aled n PV System and Solar Radaton. In Artfcal Intellgence n Energy and Renewable. San: ova Scence [0] Benghanem M., Bendekhs M, and Mellt A. Artfcal eural etwork Model for Predcton Solar Radaton Data: Alcaton for Szng Stand-Alone Photovoltatc Power System. Algera, 005. [] B.Indu Ran, G.Saravana Ilango, and K.D.V.Sva Krshna Rao. Estmaton of Daly Global Solar Radaton Usng emerature, Relatve Humdty and Seasons wth A for Indan Statons. ruchraall, 0. [] Kassem, AS (009). Develoment of eural etwork Model to Estmate Hourly and Dffuse Solar Radaton on Horzontal Surface at Aleandra Cty (Egyt). Journal of Aled Scence Research 5(). [3] Sabran, Panggaea Ghyats (03). Kaan Potens Energ Matahar d Pulau arakan. Program Stud Meteorolog. Insttut eknolog Bandung. Bandung [4] Alharb, Maher Al (03). Daly Global Solar Radaton Usng A and Etreme Learnng Machne: A Case Study n Saud Araba. [5] Dng Shfe, Zhao Han, Zhang Yanan (03). Etreme Learnng Machne: Algorthm, heory, and Alcatons. Srnger. Sartf Intel Rev. DOI0.007/s z 6
Analitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciTaksiran Kurva Regresi Spline pada Data Longitudinal dengan Kuadrat Terkecil
Vol. 11, No. 1, 77-83, Jul 2014 Taksran Kurva Regres Slne ada Data Longtudnal dengan Kuadrat Terkecl * Abstrak Makalah n mengka tentang estmas regres slne khususnya enggunaan ada data longtudnal. Data
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 terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: madha@stkom.edu 2) S1
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB 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 terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)
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 IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB 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 terperinciOleh : Harifa Hanan Yoga Aji Nugraha Gempur Safar Rika Saputri Arya Andika Dumanauw
Oleh : Harfa Hanan Yoga A Nugraha Gemur Safar ka Sautr Arya Andka Dumanau Dosen : Dr.rer.nat. Ded osad, S.S., M.Sc. Program Stud Statstka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Gadah Mada
Lebih terperinciPENERAPAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI NILAI POST TEST MAHASISWA PADA JURUSAN TEKNIK INFORMATIKA FTIF ITS
Makalah Semnar Tugas Akhr Perode Januar 0 PENERAPAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI NILAI POST TEST MAHASISWA PADA JURUSAN TEKNIK INFORMATIKA FTIF ITS Banon Tr Kuncahyo,
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 terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciPenerapan Metode Extreme Learning Machine untuk Peramalan Permintaan
Peneraan eode Ereme Learnng achne unuk Peramalan Permnaan Irwn Dw Agusna, Wwk Anggraen, S.S,.om, Ahmad ukhlason, S.om,.Sc Jurusan Ssem Informas, Insu eknolog Seuluh oember, Surabaya, Indonesa Absrak Permnaann
Lebih terperinciPeramalan Beban Listrik Jangka Pendek Melalui Pendekatan Statistik dan Soft Computing
KNIA 20 A Peramalan Beban Lstrk Jangka Pendek Melalu Pendekatan Statstk dan Soft Computng Ade Gafar Abdullah, Yad Mulyad, Program Stud eknk Elektro FPK Unverstas Penddkan Indonesa Abstrak Makalah n memaparkan
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciBAB 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 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 terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 23-32, April 2001, ISSN :
JRNAL MATEMATIKA DAN KOMPTER Vol 4 No 1, 3-3, Aprl 1, ISSN : 141-51 KAJIAN DISKRETISASI DENGAN METODE GALERKIN SEMI DISKRET TERHADAP EFISIENSI SOLSI MODEL RAMBATAN PANAS TANPA SK KONVEKSI Suhartono dan
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 terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN :
JURNA MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN : 1410-8518 MASAAH RUTE TERPENDEK PADA JARINGAN JAAN MENGGUNAKAN AMPU AU-INTAS Stud Kasus: Rute Peralanan Ngesrep Smpang ma Eko Bud
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih 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 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 terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih terperinciOptimum Simplex Lattice Designs of Low Order Multiresponse Surface Model by D-Optimum Criterion
7 Otmum Smlex.(Ruslan et al.) Otmum Smlex Lattce Desgns of Low Order Multresonse Surface Model by D-Otmum Crteron Otmum Smlex Lattce Desgns of Low Order Multresonse Surface Model by D-Otmum Crteron ) Ruslan,
Lebih terperinciEvaluasi Tingkat Validitas Metode Penggabungan Respon (Indeks Penampilan Tanaman, IPT)
Evaluas Tngkat Valdtas Metode Penggabungan Reson (Indeks Penamlan Tanaman, IPT) 1 Gust N Adh Wbawa I Made Sumertajaya 3 Ahmad Ansor Mattjk 1 Mahasswa S3 Pascasarjana Statstka IPB,3 Staf Pengajar Deartemen
Lebih terperinciIDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY
Anfudn Azz dan Tanzl Kurnawan, Identfkas Pola Jar IDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY (Frnger Prnt Pattern Identfcaton by Bdrectonal Assocatve Memory
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 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 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih 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 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
Lebih terperinciBAB 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 terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB 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 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 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 terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciPENGURUTAN DATA. A. Tujuan
PENGURUTAN DATA A. Tuuan Pembahasan dalam bab n adalah mengena pengurutan data pada sekumpulan data. Terdapat beberapa metode untuk melakukan pengurutan data yang secara detl akan dbahas ddalam bab n.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 21 Jarngan Saraf Pragas Balk Jarngan saraf ragas balk meruakan arngan saraf yang menggunakan knse arngan berlas amak Lasan ertama adala lasan masukan (nut dan yang terakr adala lasan
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih 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 terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB 1 PENDAHULUAN. 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 terperinciPEMODELAN GENERAL REGRESSION NEURAL NETWORK UNTUK PREDIKSI TINGKAT PENCEMARAN UDARA KOTA SEMARANG ABSTRACT
PEMODELAN GENERAL REGREION NEURAL NETWORK UNTUK PREDIKI TINGKAT PENCEMARAN UDARA KOTA EMARANG Bud Warsto 1, Agus Rusgyono 1 dan M. Aff Amrllah 1 Program tud tatstka FMIPA UNDIP Alumn Program tud tatstka
Lebih terperinciI DEWA AYU MADE ISTRI WULANDARI
I DEWA AYU MADE ISTRI WULANDARI 1310 100 009 1 ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PERSENTASE PENDUDUK MISKIN DAN PENGELUARAN PERKAPITA MAKANAN DI JAWA TIMUR MENGGUNAKAN REGRESI NONPARAMETRIK BIRESPON
Lebih terperinciRANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN
RANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN Erfant Fatkhyah Jurusan Teknk Informatka, Fakultas Teknolog Industr, Insttut Sans & Teknolog AKPRIND Yogyakarta Emal: erfunthye@yahoocod
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 terperinciPenerapan Metode Runge-Kutta Orde 4 dalam Analisis Rangkaian RLC
Penerapan Metode Runge-Kutta Orde 4 dalam Analss Rangkaan RLC Rka Favora Gusa JurusanTeknk Elektro,Fakultas Teknk,Unverstas Bangka Beltung rka_favora@yahoo.com ABSTRACT The exstence of nductor and capactor
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) ( X Print) D-30
JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 2337-3520 (2301-928X Prnt) D-30 Analss Faktor-Faktor yang Memengaruh Persentase Penduduk Mskn dan Pengeluaran Perkata Makanan d Jawa Tmur menggunakan Regres
Lebih terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
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 terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres
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 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 BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciBAB 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 X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciPENYELESAIAN 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 terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciBAB 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 terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciBAB 1 PENDAHULUAN. 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 terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciPemodelan Biaya Langsung Proyek Perusahaan Jasa Konstruksi PT. X dengan Multivariate Regression
JURNAL SAINS DAN SENI POMIS Vol., No., (3) 337-35 (3-98 Prnt) D-48 Pemodelan Baya Langsung Proyek Perusahaan Jasa Konstruks P. dengan Multvarate Regresson Sulstanngrum, Irhamah, dan Muhammad Mashur Jurusan
Lebih terperinciPERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih 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 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 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 terperinciPERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA
Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN :2087-0922 PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
Lebih terperinciEstimasi Variabel Keadaan Gerak Longitudinal Pesawat Terbang Menggunakan Metode Fuzzy Kalman Filter
A-42 JURNAL SAINS DAN SENI IS Vol. 5 No. 2 (216) 2337-352 (231-928X Prnt) Estmas Varabel Keadaan Gerak Longtudnal Pesawat erbang Menggunakan Metode Fuzzy Kalman Flter Res Arumn San, Erna Aprlan, dan Mohammad
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciUKURAN LOKASI, VARIASI & BENTUK KURVA
UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya
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 terperinciHybrid intelligent system adalah kombinasi lebih dari dua teknologi cerdas.
Teny Handhayan Pendahuluan Hybrd ntellgent system adalah kombnas lebh dar dua teknolog cerdas. Contohnya kombnas Neural Network dengan Fuzzy membentuk Neuro-fuzzy system Perbandngan Expert Systems, Fuzzy
Lebih terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciPENENTUAN DENSITAS PERMUKAAN
PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciBAB III LANDASAN TEORI. berasal dari peraturan SNI yang terdapat pada persamaan berikut.
BAB III LANDASAN TEORI 3. Kuat Tekan Beton Kuat tekan beban beton adalah besarna beban per satuan luas, ang menebabkan benda uj beton hanur bla dbeban dengan gaa tekan tertentu, ang dhaslkan oleh mesn
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 terperinciKOMBINASI PENAKSIR RASIO-PRODUK EKSPONENSIAL UNTUK RATA-RATA POPULASI MENGGUNAKAN PROPORSI PADA SAMPLING GANDA
KOMBIASI PEAKSIR RASIO-PRODUK EKSPOESIAL UTUK RATA-RATA POPULASI MEGGUAKA PROPORSI PADA SAMPLIG GADA ke Selna *, Arsman Adnan, Sgt Sugarto Mahasswa Program S Matematka Dosen jurusan Matematka Fakultas
Lebih terperinciKOMBINASI PENAKSIR RASIO-PRODUK PROPORSI EKSPONENSIAL UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA., R. Efendi 2, H.
KOMBINASI PENAKSIR RASIO-PRODUK PROPORSI EKSPONENSIAL UNTUK RATA-RATA POPULASI PADA SAMPLING AAK SEDERHANA A. F. Indraan *, R. Efend, H. Srat Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB 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 terperinci