Metode Algoritma Genetika dan Darwinian Particle Swarm Optimization dengan Variable Acceleration Factor Untuk Fungsi Multimodal
|
|
- Deddy Budiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Vol. 5, No. 3 Desember 2016 ISSN ;e-ISSN Metode Algortma Genetka dan Darwnan Partcle Swarm Optmzaton dengan Varable Acceleraton Factor Untuk Fungs Multmodal Arad Retno Tr Hayat Manajemen Informatka, Polteknk Neger Malang Jl. Soekarno Hatta No 9, Malang E-mal: fanr4educaton@gmal.com ABSTRAK Penerapan metode optmas untuk mengotomatsas parameter dmana semakn sedkt kesalahan saat proses pembelajaran maka dengan harapan semakn mendapatkan nla yang dharapkan. Pada metode optmas dengan algortma genetka mencar nla optmas dengan proses mutaton dan crossover agar mendapatkan nla yang tepat sedangkan pada metode Partcle Swarm Optmzaton menerapkan pencaran arah nla yang akan doptmas dengan velocty. Pada peneltan sebelumnya menerapkan kedua metode dengan harapan mendapatkan nla optmas yang lebh bak dengan menerapkan karakter proses pencaran nla yang doptmas dengan masng-masng metode. Selanjutnya, penggabungan proses metode dar kedua metode optmas danalsa dengan menelaah karakter dar setap gen untuk mendapatkan optmas gen yang lebh bak dengan menerapkan konsep Darwnan GA-PSO (DGA-PSO) ternyata kesalahan untuk nla varabel yang doptmas berkurang jka dbandngkan dengan kesalahan dengan metode GA-PSO. Pada peneltan n mengembangkan metode optmas dar peneltan sebelumnya dengan pengaruh varabel acceleraton factor (VA). Berdasarkan hasl uj coba pada peneltan n maka dapatkan bahwa hasl penghtungan dengan menerapkan metode GA-DPSO yang dpengaruh varabel acceleraton factor (GA-DPSO-VA) menghaslkan nla kesalahan mnmum atau palng sedkt jka dbandngkan dengan GA-DPSO,GAPSOVA dan GAPSO untuk penerapan analsa d fungs multmodal pada setap Kata kunc: Algortma Genetka, Partcle Swarm Optmzaton, MultModal Functon, Varable Acceleraton Factor. ABSTRACT Applcaton of optmzaton methods to automate parameter where the fewer mstakes durng the learnng process t wth the hopes of gettng gettng the expected value. In the optmzaton method and genetc algorthm are lookng for value optmzaton wth mutaton and crossover process n order to get the rght value whle the Partcle Swarm Optmzaton methods of fndng drecton applyng the value to be optmzed wth velocty. In prevous studes applyng both methods n hopes of gettng a better value optmzaton by mplementng code search process value s optmzed by each method. Furthermore, the ncorporaton process of the method of the optmzaton methods s analyzed by examnng the characterstcs of each gene to obtan optmzaton better genes by applyng Darwnan concept GA-PSO (DGA-PSO) turned out to be a mstake for the varable values that are optmzed reduced when compared to an error by the method GA -PSO. In ths research to develop methods of optmzaton of prevous studes the nfluences of acceleraton factor (VA). Based on tral results on ths study, t was found that the calculaton results by applyng the GA-DPSO nfluenced varable acceleraton factor (GA-DPSO- VA) generatng an error value mnmum or at least when compared wth the GA-DPSO, GAPSOVA and GAPSO for applcaton analyss n multmodal functon at each teraton. Keywords: Genetc Algorthm, Partcle Swarm Optmzaton, Multmodal Functon,, Varable Acceleraton Factor. 149
2 Arad Retno, Metode Algortma Genetka dan Darwnan Partcle Swarm.. PENDAHULUAN Metode optmas telah dterapkan untuk optmas varabel yang dharapkan dapat mengotomatsas masalah dengan bermacam permasalahan msalkan permasalahan untuk menyelesakan persamaan matematka fungsmodal sebagamana peneltan n. Metode optmas dterapkan untuk mengoptmas varabel dar suatu metode msalkan optmas clusterng dengan mengoptmas varabel bebas, ataupun optmas suatu metode Artfcal Neural Network untuk mengoptmas hasl klasfkas dar suatu data. Pada peneltan n mengoptmalkan metode optmas sebelumnya yatu GA- DPSO dengan menggabungkan karakterstk setap metode dengan harapan memnmumkan nla kesalahan varabel agar mendapatkan nla varabel yang lebh tepat. Pada peneltan n merupakan pengembangan dar peneltan sebelumnya dmana pada peneltan n mengkaj pengaruh varabel acceleraton factor terhadap metode Genetc Algorthma Darwnan Partcle Swarm Optmzaton yang merupakan peneltan yang telah saya lakukan sebelumnya[1]. Untuk metode optmas pada matematka fungsmodal bertujuan mendapatkan nla varabel yang dcar dengan tngkat kesalahan palng mnmum, selan dpengaruh oleh nla varabel juga dpengaruh oleh jumlah teras pembelajaran. Pada metode Algortma genetka dar peneltan sebelumnya menunjukkan karakterstk mencar nla varabel berdasarkan pengaruh sfat algortma genetka yatu crossvalaton dan mutas, sedangkan nla akhr kesalahan dengan metode Partcle Swarm Optmzaton berdasarkan arah velocty. Ternyata jka dbandngkan GAPSO[4] kedua metode tersebut memlk kesalahan yang lebh tngg, sedangkan jka GADPSO[1] dbandngkan GAPSO akan menghaslkan kesalahan yang lebh sedkt. Hal n menunjukkan karakterstk nla yang dhaslkan dengan metode GADPSO memlk kecenderungan karakterstk nla kesalahan lebh sedkt jka dbandngkan dengan GAPSO. Pengaruh varabel acceleraton factor pada hasl peneltan n (GADPSO) akan dtamplkan pada uj coba, dmana berpengaruh pada jumlah teras yang dbutuhkan untuk mendapatkan nla mnmum lebh sedkt jka dbandngkan dengan GAPSO. Kajan Pustaka Algortma genetka Algortma genetka adalah salah satu metode optmas dmana menerapkan operator crossover dan mutas untuk mendapatkan nla varabel yang akan doptmas berdasarkan nla ftness yang dpengaruh oleh varabel yang dptmas. Nla ftness pada peneltan n dpengaruh oleh persamaan matematka yang dterapkan untuk uj coba. Secara konsep metode crossover dan mutas akan mempengaruh nla pembelajaran dar algortma genetka untuk mendapatkan nla varabel dengan hasl jumlah kesalahan palng mnmum, dmana cara mengetahu nla kesalahan akan dapatkan dar nla berdasarkan persamaan untuk ftness d algortma genetka. Operator algortma genetka untuk: Crossover[1][3] Proses crossover dterapkan sebagamana rumusan berkut: ' x Unform(, 01)x ( 1 Unform(, 01))x 1 ' x Unform(, 01)x ( 1 Unform(, 01))x1 12,,...,N 1( a) N( b) Dmana dlakukan pengurutan data terlebh dahulu setelah tu dlakukan proses crossover. Pada Persamaan 1 terdapat Persamaan 1.a dan 1.b, untuk Persamaan 1.a dan 1.b terdapat rumusan Unform (0,1) artnya melakukan random secara seragam antara nla 0 dan 1, dan proses crossover antara varabel yang doptmas pada Persamaan 1.a dan 1.b. (1) 150
3 Jurnal Ilmah SmanteC Vol. 5, No. 3 Desember 2016 Mutas[1][3] Untuk peneltan n metode mutas yang dgunakan dengan random gaussan, sebagamana berkut: (2) Pada Persamaan 2 terdapat persamaan untuk mutas dmana berpengaruh terhadap nla varabel dengan menambahkan random pada varabel. DPSO dengan Varable Acceleraton Factor Pada peneltan n menerapkan metode Partcle Swarm Optmzaton dengan dpengaruh metode Darwnan(DPSO) [1][5] dan Varable Acceleraton Factor. Pada metode DPSO dar metode peneltan sebelumnya ternyata menghaslkan pengaruh metode darwnan terhadap metode PSO memberkan pengaruh nla kesalahan pada setap teras berkurang sehngga berpengaruh pada kebenaran optmas nla varabel yang dcar. Metode PSO dpengaruh oleh beberapa operator untuk mendapatkan nla yang doptmas, yatu poston dan velocty. Poston pada metode PSO dengan varabel x dasumskan sebaga nla varabel saat n, sedangkan nla varabel V adalah nla velocty yang mengarahkan nla varabel yang akan doptmas ke arah nla yang lebh bak dengan nla kesalahan yang berkurang pada setap terasnya, nla poston dan velocty sebagamana rumusan berkut [1]: x New 2 x V (3) old gd New New old old V wxv c1 xrandx ( p x ) (4) old c xrandx ( p x ). Sebagamana Persamaan 3, maka untuk memperbaru nla varabel x yang dpengaruh oleh nla arah velocty sebelumnya. Sebagamana Persamaan 4, maka untuk mengoptmas suatu varabel dpengaruh oleh perbakan nla velocty (V) dengan dpengaruh oleh nla varabel w yatu nla weght, nla V old yatu nla velocty sebelumnya, nla c1 dan c2 yatu nla konstanta, P best yatu nla terbak dar setap partcle dan G best yatu nla terbak dar group. Paper sebelumnya telah menerapkan konsep Darwnan PSO dengan metode Algortma Genetka dan berhasl memberkan pengaruh yang bak untuk mengurang nla kesalahan, pada peneltan n menganalsa pengaruh varable acceleraton factor terhadap peneltan sebelumnya. METODE Pada peneltan n menerapkan Varable Acceleraton Factor pada GADPSO dengan konsep metode GADPSO sebagamana dpengaruh oleh Varable Acceleraton Factor pada DPSO dmana peneltan n adalah pengembangan dar peneltan sebelumnya [1]. Rancangan sstem pada aplkas peneltan n dengan mengoptmas nla ftness dar persamaan matematka fungsmodal yang akan doptmas sebagamana dagram Gambar 1 berkut: T Mula Tentukan Ftness persamaan multmodal Analsa nla varabel dengan GADPSOVA berdasarkan ftness Mencar nla varabel berdasarkan nla mnmum dar pembelajaran GADPSOVA Pembelajaran GADPSOVA hngga teras yang dtentukan Memenuh teras Gambar 1. Dagram Optmas GADPSOVA Y berhent 151
4 Arad Retno, Metode Algortma Genetka dan Darwnan Partcle Swarm.. Prosedur peneltan data yang akan doptmas dengan metode GADPSOVA yang merupakan metode GADPSO dpengaruh Varable Acceleraton Factor sebagamana berkut: 1. Innsalsas 2. Evaluas dan rankng MeanSquare 1 N N 1 ( y Error f ( x )) 2 ( MSE ) (5) 3. Menerapkan GA dar M/2 data terbak yatu 2 nla ftness terkecl dar M. Crossover M/2 data dengan operas sebagamana berkut : x x ' ' * x 1, 2,..., * x M / 2,... (1 ) x ( M / 2 ) (1 ) x (... 6 ) (7) 4. DPSO pada (M/2)+1 data dengan Varable Acceleraton Factor. Setengah data dbelajarkan pada metode DPSOVA. Pada Persamaan 5 menghtung mean square error dmana bertujuan untuk mengetahu tngkat nla kesalahan setap data. Persamaan 6 adalah persamaan untuk crossover untuk urutan data 1 hngga jumlah data yang dgunakan algortma genetka yatu M/2-1. Pada persamaan 7 adalah rumus crossover untuk urutan data ke M/2. Update nla veloctes dan poston dengan DPSO dpengaruh Varable Acceleraton Factor Jka belum memenuh stoppng crtera, maka data-data hasl pembelajaran DPSO dpengaruh Varable Acceleraton Factor dan GA dgabungkan dan devaluas dengan kembal pada langkah ke-2. Varable Acceleraton Factor Varable Acceleraton Factor [2] memlk Persamaan sebagamana berkut: (8) Pada persamaan 8 adalah persamaan untuk mengupdate nla konstanta C1, Persamaan 9 adalah persamaan untuk mengupdate varabel C 2 dmana kedua nla varabel mempengaruh nla velocty. Sedangkan nla C 1f dan C 1 adalah nla nnsal awal, demkan nla C 2f dan C 2. HASIL DAN PEMBAHASAN Pada hasl dan pembahasan pada peneltan n akan membandngkan analsa setap teras dar metode GAPSO, GADPSO, GAPSOVA, GADPSOVA. Data yang dgunakan sebaga pembandng sama pada setap metode sebagamana berkut: a. Insalsas nla populas awal dengan matrx 20x2 sebagan data sebagamana Gambar 2 berkut: (9) Gambar 2. Data Insalsas Peneltan b. Kesamaan nla random untuk data pembelajaran pada metode GADPSOVA. Nla varabel yang akan doptmas terdapat dua varabel sebagamana desan nla yang akan doptmas terdapat 20 nla kemungknan untuk 2 varabel sehngga matrx berordo 20x2 152
5 Jurnal Ilmah SmanteC Vol. 5, No. 3 Desember 2016 Hasl dan Analsa Untuk Uj Coba pada Fungs Rossenbrock Hasl uj coba fungs rossenbrock Dengan fungs Rossenbrock metode optmas untuk GADPSOVA akan dbandngkan dengan metode optmas GAPSO,GAPSOVA dan GADPSO sebagamana hasl uj coba pada Gambar 3 berkut: Gambar 5. Hasl uj coba fungs Rossenbrock GAPSOVA Gambar 3. Hasl uj coba fungs Rossenbrock GAPSO Pada Gambar 3, nla awal hasl pembelajaran bernla dan Tabel 1. Analsa Kesalahan Iteras Gambar 6. Hasl uj coba fungs Rossenbrock GADPSOVA Pada Gambar 6, nla awal hasl pembelajaran bernla dan Analsa uj coba fungs rossenbrock Berdasarkan uj coba fungs Rossenbrock, analsa pada setap terasnya sebagamana Tabel 1 Tabel 1. Nla Iteras Fungs Rossenbrock Gambar 4. Hasl uj coba fungs Rossenbrock GADPSO Pada Gambar 4, nla awal hasl pembelajaran bernla dan Sementara pada Gambar 5, nla awal hasl pembelajaran bernla dan mengalam penurunan nla pada setap teras GAPSO GADPSO GAPSOVA GADPSOVA e e e e e e e e e e e e e e e e
6 Arad Retno, Metode Algortma Genetka dan Darwnan Partcle Swarm.. Berdasarkan Tabel 1, dengan uj coba menggunakan fungs Rossenbrock maka nla kesalahan pada setap terasnya pada metode GADPSOVA memlk tngkat kesalahan yang mnmum dbandngkan metode yang lan. Pada Gambar 8, nla awal hasl pembelajaran bernla 1,4309 dan Hasl dan Analsa Untuk Uj Coba pada Fungs Zakharov Hasl uj coba fungs zakharov Sebagamana fungs Rossenbrock, pada fungs Zakharov akan membandngkan fungs GAPSO, GAPSOVA, GADPSO dan GADPSOVA. Gambar 9. Hasl uj coba fungs Zakharov GAPSOVA Pada Gambar 9, nla awal hasl pembelajaran bernla 0,1833 dan Gambar 7. Hasl uj coba fungs Zakharov GAPSO Pada Gambar 7, nla awal hasl pembelajaran bernla dan Gambar 8. Hasl uj coba fungs Zakharov GADPSO Gambar 10. Hasl uj coba fungs Zakharov GADPSOVA Pada Gambar 10, nla awal hasl pembelajaran bernla 0,1329 dan Analsa uj coba fungs zakharov Analsa percobaan fungs zakharov berdasarkan nla terasnya, pada setap teras nla kesalahan dengan metode GADPSOVA memlk nla mnmum jka dbandngkan dengan metode GAPSO, GADPSO dan GAPSOVA sebagamana nla pada Tabel
7 Jurnal Ilmah SmanteC Vol. 5, No. 3 Desember 2016 Tabel 2. Analsa Kesalahan Iteras Fungs Zakharov teras GAPSO GADPSO GAPSOVA GADPSOVA e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e-020 Hasl dan Analsa Untuk Uj Coba pada Fungs DeJoung Hasl uj coba fungs dejoung Sebagamana fungs sebelumnya, pada fungs DeJoung akan membandngkan fungs GAPSO, GAPSOVA, GADPSO dan GADPSOVA. Gambar 12. Hasl uj coba fungs DeJoung GADPSO Gambar 13. Hasl uj coba fungs DeJoung GAPSOVA Pada Gambar 13, nla awal hasl pembelajaran bernla dan Gambar 11. Hasl uj coba fungs DeJoung GAPSO Pada Gambar 11, nla awal hasl pembelajaran bernla dan Sementara pada Gambar 12, nla awal hasl pembelajaran bernla dan mengalam penurunan nla pada setap Gambar 14. Hasl uj coba fungs DeJoung GADPSOVA Pada Gambar 14, nla awal hasl pembelajaran bernla dan 155
8 Arad Retno, Metode Algortma Genetka dan Darwnan Partcle Swarm.. Analsa uj coba fungs dejoung Analsa percobaan fungs DeJoung berdasarkan nla terasnya, pada setap teras nla kesalahan nla mnmum dengan fungs DeJoung tak seluruhnya teras memlk nla kesalahan mnmum sebagamana percobaan sebelumnya, tetap pada akhrnya pada teras ke-18 hngga 20 telah memlk nla mnmum dbandngkan dengan metode lannya sebagamana Tabel 2. Tabel 2. Analsa Kesalahan Iteras DeJoung Fungs teras GAPSO GADPSO GAPSOVA GADPSOVA e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e-012 SIMPULAN Metode kuantsas sel darah puth bertumpuk menggunakananalss dstance marker lebh robust terhadap bentuk dan ukuran objek. Keberhaslan metode analss dstance marker bergantung pada hasl segmentas, kandat marker objek dan nformas kedalaman bertumpuknya antar objek yang bak. Tngkat keberhaslan metode analss dstance marker mencapa 94,1%. Lebh jauh lag, metode analss dstance marker dapat djadkan dasar dalam pemsahan dan entfkas jens sel darah puth bertumpuk pada tahap selanjutnya. for leukocytes entfcaton: a survey. Mcron (Oxford, England : 1993), Vol. 65, Hal , [2] Fathchah, C., Purwtasar D., Harad V., Effendy F., Overlappng Whte Blood Cell Segmentaton and Countng on Mcroscopc Blood Cell Images, Int. Journal on Smart Sensng and Intellgent Systems, Vol. 7, No. 3., Hal , [3] Nazlblek, S., Karacor, D., Ercan, T., Sazl, M. H., Kalender, O., dan Ege, Y., Automatc segmentaton, countng, sze determnaton and classfcaton of whte blood cells. Measurement, Vol. 55, Hal , [4]Yu. D., Pham T.D., Zhou X., Analyss and recognton of touchng cell mages based on morphologcal structures, Computer n Bology and Medcne, Vol. 39, Hal , [5]Ba X., Sun C., Zhou F., Splttng touchng cells based on concave ponts and ellpse fttng, Pattern Recognton, Vol. 42, Hal , [6] Ln. P., Chen Y.M., He Y., Hu. G.W., A novel matchng algorthm for splttng touchng rce kernels based on contour curvature analyss, Computers and Electroncs n Agrculture, Vol. 109, , [7] Felzenszwalb, P. dan Huttenlocher, D., Dstance Transforms of Sampled Functons,2012. [8]Ghosh, M., Das,D.C., Chandan R. dan Ajoy K, Automated leukocyte recognton usng fuzzy dvergence, Mcron (Oxford, England : 1993), Vol. 41 No.7, Hal , [9] Scott F, Robust Segmentaton and Measurement Technques of Whte Blood Cells n Blood Mcroscope Images, Instrumentaton and Measurement Technology Conference, Hal , DAFTAR PUSTAKA [1] Saraswat, M. dan Arya, K. V., Automated mcroscopc mage analyss 156
PENGEMBANGAN 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 terperinciKUANTISASI SEL DARAH PUTIH BERTUMPUK MENGGUNAKAN ANALISIS DISTANCE MARKER
Vol. 5, No. 3 Desember 2016 ISSN 2088-2130;e-ISSN 2502-4884 KUANTISASI SEL DARAH PUTIH BERTUMPUK MENGGUNAKAN ANALISIS DISTANCE MARKER Benny Afand 1), Chastne Fatchah 2), Nank Sucat 3) 1,2,3 Teknk Informatka,
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 terperinciOPTIMASI METODE DISCRIMINATIVELY REGULARIZED LEAST SQUARE CLASSIFICATION DENGAN ALGORITMA GENETIKA
Vol. 5, o. 3, Januar 2010 ISS 0216-0544 OPIMASI MEODE DISCRIMIAIVELY REGULARIZED LEAS SQUARE CLASSIFICAIO DEGA ALGORIMA GEEIKA * Arad Retno r Hayat Rrd, ** Agus Zanal Arfn, *** Anny Yunart * Program Stud
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 terperinciMETODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
TESIS METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS Oleh : I Made Wdartha NRP. 5109201009 Dosen Pembmbng : Dr. Agus Zanal Arfn, S.Kom, M.Kom Anny Yunart, S.Kom, M.Comp.Sc
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 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 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 terperinciRoy Madi Mahasiswa Teknik Informatika, FT UMRAH
OPTIMASI WAKTU KEBERANGKATAN FERRY TANJUNGPINANG BATAM DENGAN METODE PARTICLE SWARM OPTIMIZATION (Stud Kasus : Pelabuhan Sr Bntan Pura, Kota Tanjungpnang) Roy Mad Mahasswa Teknk Informatka, FT UMRAH (roymad0@gmal.com)
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 terperinciOPTIMASI METODE DISCRIMINATIVELY REGULARIZED LEAST SQUARE DENGAN ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION UNTUK PENGKLASIFIKASIAN
OPIMASI MEODE DISCRIMIAIVELY REGULARIZED LEAS SQUARE DEGA ALGORIMA GEEIKA DA PARICLE SWARM OPIMIZAIO UUK PEGKLASIFIKASIA Arad Retno r Hayat Rrd ) Agus Zanal Arfn ) Anny Yunart 3),,3 Jurusan eknk Informatka,
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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Pustaka 2.1.1 Tmetable Tmetable merupakan alokas subjek yang memlk kendala untuk dtempatkan pada ruang waktu (Gan dkk, 2004). Permasalahan Tmetable cukup luas. Masalah
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 terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan quas expermental dengan one group pretest posttest desgn. Peneltan n tdak menggunakan kelas pembandng namun sudah menggunakan
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB 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 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 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 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciBAB III METODE PENELITIAN. 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 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 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 terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
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 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 terperinciPrediksi Jumlah Follower Official Account Line Menggunakan Regresi dan Algoritma Genetika
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 217, hlm. 1312-132 http://j-ptk.ub.ac.d Predks Jumlah Follower Offcal Account Lne Menggunakan Regres dan
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
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 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 terperinciHiskia Sembiring /
SIMULASI PERHITUNGAN PARAMETER FREKUENSI DOPPLER DISKRIT DAN KOEFISIEN DOPPLER MENGGUNAKAN METHOD OF EQUAL DISTANCE (MED) DAN MEAN-SQUARE ERROR METHOD (MSEM) Hska Sembrng / 0222134 Jurusan Teknk Elektro,
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 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 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 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 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 terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
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 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 terperinciCorresponding Author:
Perbandngan Fungs Ketahanan Hdup Dengan Metode Non Parametrk Menggunakan Uj Gehan Dan Uj Cox-Mantel (Lvng wth Securty Functon Comparson Method Usng Non Paremetrk Gehan test and Cox-Mantel Tes Ans Sept
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 terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciBAB 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 terperinciSEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN
AALISIS DISKRIMIA DISKRIT UTUK MEGELOMPOKKA KOMPOE Bernk Maskun Jurusan Statstka FMIPA UPAD jay_komang@yahoo.com Abstrak Untuk mengelompokkan hasl pengukuran yang dukur dengan p buah varabel dmana penlaan
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 III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tujuan Peneltan Adapun tujuan dar peneltan n adalah:. Untuk mengetahu pelaksanaan model pembelajaran Problem Based Learnng pada mater pokok kalor kelas VII d MTs Nurul Itthad
Lebih terperinciPeramalan Jumlah Pemakaian Air di PT. Pembangkitan Jawa Bali Unit Pembangkit Gresik Menggunakan Support Vector Regression
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 548-964X Vol., No. 10, Oktober 018, hlm. 3788-3795 http://j-ptk.ub.ac.d Peramalan Jumlah Pemakaan Ar d PT. Pembangktan Jawa Bal Unt Pembangkt
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Ctra dgtal merupakan ctra hasl dgtalsas yang dapat dolah pada suatu komputer dgtal [12]. Ctra dgtal tersusun atas sejumlah elemen. Elemen-elemen yang menyusun ctra
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 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciJurnal Teknologi Elektro, Universitas Mercu Buana ISSN:
KECERDASAN BUATAN BERBASIS PARTICLE SWARM OPTIMIZATION, ANT COLONY OPTIMIZATION DAN FIREFLY ALGORITHM UNTUK MEREDAM OSILASI GANGGUAN PADA SISTEM PEMBANGKIT LISTRIK Pressa P. Surya Unverstas Muhammadyah
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 terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Metode peneltan atau metodolog peneltan adalah strateg umum yang danut dalam mengumpulkan dan menganalss data yang dperlukkan, guna menjawab persoalan yang dhadap. Adapun rencana
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 terperinciIMPLEMENTASI SEGMENTASI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING BERBASIS SIMILARITAS MAKSIMAL
MAKALA EMINAR TUGA AKIR PERIODE JULI 00 IMPLEMENTAI EGMENTAI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING ERAI IMILARITA MAKIMAL Ayu Arta Paramta Relga, andayan Tjandrasa, Anny Yunart 3 Teknk Informatka,
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 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 IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih 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 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 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 terperinciJULIO ADISANTOSO - ILKOM IPB 1
KOM341 Temu Kembal Informas KULIAH #9 Text Clusterng Clusterng Pengelompokan, penggerombolan Proses pengelompokan sekumpulan obyek ke dalam kelas-kelas obyek yang memlk sfat sama. Unsupervsed learnng JAS
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 terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih 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 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 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 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 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 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 terperinciBAB III METODE PENELITIAN. Metode penelitian merupakan cara atau langkah-langkah yang harus
BAB III METODE PENELITIAN Metode peneltan merupakan cara atau langkah-langkah yang harus dtempuh dalam kegatan peneltan, sehngga peneltan yang dlakukan dapat mencapa sasaran yang dngnkan. Metodolog peneltan
Lebih terperinciBab III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini 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 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 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 terperinciPengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Prnt) 1 Pengenalan Karakter Tulsan Tangan Angka dan Operator Matematka Berdasarkan Zernke Moments Menggunakan Support Vector Machne
Lebih terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
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 terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Metode peneltan atau metodolog peneltan adalah strateg umum yang danut dalam mengumpulkan dan menganalss data yang dperlukkan, guna menjawab persoalan yang dhadap. Adapun rencana
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
65 BAB IMPLEMENTASI DAN EVALUASI. Penyaan Data Hasl Peneltan Data-ata hasl peneltan yang gunakan alam pengolahan ata aalah sebaga berkut: a. ata waktu kera karyawan b. ata umlah permntaan konsumen c. ata
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 terperinciGambar 3.1 Diagram alir penelitian
BAB 3 METODE PENELITIAN 3.1 Dagram Alr Peneltan Materal Amorph Magnetk (Fe 73 Al 5 Ga 2 P 8 C 5 B 4 S 3 ) Ekspermen DfraksNeutron (I vs 2theta) Smulas Insalsas atom secara random Fungs struktur, F(Q) Perhtungan
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. 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 terperinciOptimasi Penjadwalan Perkuliahan Dengan Menggunakan Hybrid Discrete Particle Swarm Optimization (Studi Kasus: PTIIK Universitas Brawijaya)
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 4, Aprl 2017, hlm. 249-256 http://j-ptk.ub.ac.d Optmas Penjadwalan Perkulahan Dengan Menggunakan Hybrd Dscrete Partcle
Lebih terperinciBAB III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
Lebih terperinciANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE M. Fachrurroz, M.T. 1, Nov Yuslan, M.T. 2 1,2 Jurusan Teknk Informatka Fakultas Ilmu Komputer, Unverstas Srwjaya 1 obetsobets@gmal.com,
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 terperinci