OPTIMASI METODE DISCRIMINATIVELY REGULARIZED LEAST SQUARE CLASSIFICATION DENGAN ALGORITMA GENETIKA
|
|
- Veronika Yuwono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Vol. 5, o. 3, Januar 2010 ISS OPIMASI MEODE DISCRIMIAIVELY REGULARIZED LEAS SQUARE CLASSIFICAIO DEGA ALGORIMA GEEIKA * Arad Retno r Hayat Rrd, ** Agus Zanal Arfn, *** Anny Yunart * Program Stud Manaemen Informatka, Gedung AH, Polteknk eger Malang Jl. Soekarno Hatta o.9 Malang **&*** Program Pasca Sarana Jurusan eknk Informatka, IS Jl. Raya IS, Kampus IS, Sukollo, Surabaya, E-Mal: * rrd@cs.ts.ac.d, ** agusza@cs.ts.ac.d, *** anny@cs.ts.ac.d Abstrak Metode regularsas danalsa untuk mengklasfkas data sehngga dperoleh hasl pengklasfkasan yang lebh tepat dalam pengenalan pola. Metode Dscrmnatvely Regularzed Least Square Classfcaton (DRLSC) dgunakan sebaga metode pengklasfkasan data berdasarkan nformas dskrmnatf dengan menerapkan penghtungan matrk Laplacan. Kelemahan DRLSC adalah hasl dar pengklasfkasan data dpengaruh oleh umlah tetangga terdekat dar setap data (K) dan parameter regularsas(η). Peneltan n bertuuan untuk menentukan umlah tetangga terdekat dan parameter regularsas secara otomats dengan memnmalkan ftness berdasarkan kesalahan pembelaaran untuk menghaslkan bobot dengan kualtas yang bak. Penentuan nla dlakukan dengan menggunakan Algortma Genetka (GA) sebaga metode optmas. GA menggunakan probabltas crossover 100% dan mutas gaussan dengan probabltas 20%. Seleks dalam operas crossover, dlakukan berdasarkan urutan data yang memlk nla ftness terbak hngga nla ftness terburuk. Metode GA yang dterapkan untuk mengoptmalkan metode DRLSC menghaslkan nla ftness yang lebh bak ka dbandngkan dengan metode DRLSC tanpa optmas, dengan perbedaan nla ftness antara e-004 hngga 0,0048. Kata Kunc: Algortma Genetka, Dscrmnatvely Regularzed Least Square Classfcaton, Pengenalan Pola. Abstract Regularzaton method has been appled n pattern recognton whch ams at producng of classfcaton data n order to obtan a more accurate classfcaton. he classfcaton of data based on the nformaton dscrmnatng based on Laplacan matrx method has been appled wth Dscrmnatvely Regularzed Least Squares Classfcaton (DRLSC). he weakness of DRLSC s that the result of data classfcaton s strongly nfluenced by the amount of the nearest neghbors on each data and regularzaton parameter. he purpose of ths study s to determne the number of the nearest neghbors and the regularzaton parameters automatcally by mnmzng the ftness based on the learnng error to produce good qualty. Optmzaton method used n ths study s the learnng method of Genetc Algorthm (GA). GA uses crossover probablty 100% and random gaussan mutaton wth a probablty 20%. he selecton n the crossover operaton s based on sequence of the data from best to worst ftness value. GA method whch s appled to optmze DRLSC method produces better ftness value f t s compared wth DRLSC method wthout optmzaton. he dfference ftness value s between e-004 and Key words: Genetc Algorthm, Dscrmnatvely Regularzed Least Squares Classfcaton, Pattern Recognton. 166
2 Rrd dkk, Optmas Metode Dscrmnatvely 167 PEDAHULUA Metode regularsas pada pengenalan pola telah mengalam perkembangan msalkan untuk pengklasfkasan dan pengelompokan data (clusterng). uuan dar pengklasfkasan data adalah kemampuan komputer dalam mengenal pola secara otomats untuk menghaslkan datadata berdasarkan kategor yang berbeda [1]. Pada beberapa metode regularsas sepert metode Support Vector Machne (SVM), Regularzaton etwork (R), Least Square Support Vector Machne (LS SVM), Generalzed Radal Bass Functon (GRBF) dan Manfold Regularzaton (MR), belum mengklasfkaskan data berdasarkan nformas dskrmnatf. Selan tu, metode-metode tersebut membutuhkan lebh dar satu parameter regularsas. Pada pengklasfkasan, nformas dskrmnatf bertuuan untuk memaksmalkan arak data-data yang berbeda kelasnya agar menghaslkan pengklasfkasan yang lebh akurat [2]. Metode Dscrmnatvely Regularzed Least Square Classfcaton (DRLSC) menggunakan dua grafk berdasarkan konsep keterhubungan data-data pada kelas yang sama (ntraclass) dan keterhubungan data-data pada kelas yang berbeda (nterclass) yang bertuuan untuk lebh memaksmalkan pengklasfkasan data berdasarkan nformas dskrmnatf. Sedangkan pada metode SVM, pengklasfkasan data yang terbag pada banyak kelas (multclass) dlakukan dengan beberapa kal pengklasfkasan data berdasarkan dua kelas (bnaryclass). Kelebhan dar metode DRLSC selan berdasarkan nformas dskrmnatf adalah dapat mengklasfkaskan data secara multclass dengan serangkaan persamaan lnear. Multclass tdak perlu dklasfkaskan ke dalam bentuk beberapa bnaryclass dengan menggunakan metode Least Square [2]. Metode DRLSC membutuhkan satu parameter regularsas untuk mengklasfkaskan data, sedangkan pada metode sebelumnya, yatu MR membutuhkan dua parameter regularsas. Kelemahan dar metode DRLSC adalah pada hasl pengklasfkasannya sangat dpengaruh oleh umlah tetangga terdekat setap data sebanyak K dan parameter regularsas. Berdasarkan hal n maka perlu adanya optmas pada penentuan umlah tetangga terdekat pada setap data (K) dan parameter regularsas ( η ). Peneltan n mengoptmaskan parameter K dan η dengan Algortma Genetka yang bertuuan untuk mendapatkan nla dar kedua parameter n secara otomats dengan memnmumkan ftness pembelaaran. DISCRIMIAIVE REGULARIZED LEAS SQUARE CLASSIFICAIO (DRLSC) Peneltan n dalam pengklasfkasannya menggunakan metode Dscrmnatve Regularzaton Least Square Classfcaton (DRLSC) yang dbangun berdasarkan graph dan operas matrk. Konsep graph pada metode DRLSC dterapkan ketka membangun matrk adacency dan matrk Laplacan sedangkan konsep penghtungan matrk dterapkan sebaga dasar dalam penghtungan Least Square. Konsep dasar pembangunan graph (G) dengan menggunakan metode K earest eghbor dgunakan untuk menentukan hubungan antara data. Pada setap data x, maka dcar K data yang memlk arak yang terdekat kemudan dbangun edge yang menghubungkan data x dengan K data. K data yang terdekat dsmpan pada varabel 1 ne()=x,..., x. Pada DRLSC dbangun dua k graph berdasarkan ntraclass (G w ) dan nterclass (G b ). Sebelum membangun graph maka perlu dbag data ne menad dua subset, yatu sepert yang dtunukkan dalam Persamaan (1) dan (2). ne w () ={ x ka x dan x masuk pada kelas yang sama, 1 K} (1) ne b () ={ x ka x dan x masuk pada kelas yang berbeda, 1 K} (2) Pembangunan graph G w dan G b berdasarkan matrk adacency dengan keanggotaan dar ne w dan ne b. Setelah pembangunan matrk G w dan G b, maka dlanutkan dengan pembangunan matrk Laplacan. Matrk Laplacan dbangun sebagamana Persamaan (3) dan (4). Lw Dw G w (3) Lb D b G b, (4) dmana D adalah matrk dagonal dengan w elemen dagonalnya merupakan umlah seluruh
3 168 Jurnal Ilmah KURSOR Vol. 5, o. 3, Januar 2010, hlm elemen dar G w. Sedangkan D b merupakan matrk dagonal dmana elemen dagonalnya merupakan umlah seluruh elemen dar G. Pada pengklasfkasan bnary class dmana parameter R, dapat drumuskan sebagamana Persamaan (5) I b 0 = y b (5) Dmana b adalah varabel bas, merupakan varabel perkalan Langrange (Langrange multpler), dan S ddapatkan dar Persamaan (6). S L L X X w 1 b (6) Dmana x, x S x 1, 1,..., 1, 1,...,, I R, I merupakan matrk denttas dan X adalah kumpulan dar data-data x. Jka data dproyekskan berdasarkan kernel, maka perlu pembangunan matrk kernel dengan cara data dproyekskan ke dalam fungs kernel kemudan dlanutkan dengan penyelesaan persamaan lner [2]. Kernel yang dgunakan adalah kernel gaussan [2]. Persamaan (7) adalah persamaan untuk kernel gaussan [3][4][5]. 2 x x K(x,x )= exp. 2 2σ (7) Penghtungan bobot (w) berdasarkan Persamaan (8). w ( S ) x (8) 1 Untuk pengklasfkasan multclass, maka pada label kelas dbangun secara vektor dengan tuuan dapat mengatas permasalahan multclass. Jka data x termasuk pada kelas k maka target kelas adalah Y=[0,...,1,...,0] R c, dmana kelas ke-k bernla 1 dan yang lan bernla 0. Penghtungan actual output pada multclass dapat dlakukan dengan menggunakan Persamaan (9). f ( x) w x b (9) Dmana wr nxc, br c Persamaan multclass ddefnskan dalam Persamaan (10). b I Y (10) Dmana 1,...,,0 c 0,...,0,Y y1,..., y, parameter yang lan termasuk Ω memlk penyelesaan yang sama dengan penyelesaan pada bnary class. Algortma Genetka (GA) Algortma Genetka memlk konsep natural selecton untuk permasalahan search dan optmas. Dalam hal n mencar data dengan nla terbak dar suatu kumpulan data. Ruangan dar semua kumpulan nla n dnamakan search space. Setap pont pada search space mampu memberkan suatu solus. Dengan demkan setap pont pada search space dapat dberkan nla ftness tergantung dar defns permasalahan. GA berusaha mencar satu pont terbak dar search space. Permasalahan dalam hal n adalah local mnma dan nla awal dar pencaran data. Penggunaan random pada GA merupakan hal yang sangat pentng, karena pada proses seleks dan pada reproduks membutuhkan random. Setap teras pada pembelaaran dengan metode GA akan selalu menympan populas yang memlk nformas yang terbak. Kelebhan dar algortma n adalah tdak adanya pembatasan dalam menentukan permasalahan pada setap gennya. Dengan kelebhan n, maka GA mampu menyelesakan semua permasalahan. Kelemahan GA adalah pada search space. Ia dapat mengalam kegagalan ka search space tdak tepat atau tdak adanya pont solus yang tepat pada search space. Maka perlu adanya batasan pada search space yatu batas atas dan batas bawah pada setap gen. GA tdak hanya menggunakan proses mutas tetap uga recombnaton atau dkenal dengan stlah crossover. uuan dar crossover adalah reproduks dua kromosom untuk menghaslkan kromosom baru dengan karakterstk dar kedua parent. Pada lmu bolog, metode recombnaton yang umum dengan crossover adalah dengan menentukan satu ttk potong pada setap kromosom dan dlanutkan dengan menggabungkan pada setap setengah kromosom. Hasl dar crossover adalah mendapatkan ndvdu baru yang dhaslkan η
4 Rrd dkk, Optmas Metode Dscrmnatvely 169 dar kedua parent yatu bapak dan bu. Pembentukan ndvdu baru n sangat pentng, karena kedua ndvdu baru akan memlk karakterstk dar kedua parent. Jka kedua parent memlk karakterstk yang bak maka dharapkan ndvdu baru yang terbentuk uga memlk karakterstk yang bak. Pada GA, parent adalah data-data yang dbelaarkan yang telah terplh melalu proses seleks. Metode mutas pada GA merupakan cara lan untuk mendapatkan perubahan dalam ndvdu baru dalam hal perubahan gen. Kegunaan dar mutas adalah membantu mempercepat proses pencaran nla optmal. Selan tu, mutas bertuuan untuk menghndar teradnya local mnma [6]. Jka crossover bertuuan untuk mendapatkan kemungknan ndvdu yang baru dengan nla ftness yang lebh bak, maka mutas menngkatkan wlayah search pont setelah ndvdu baru terbentuk [6]. GA berusaha menangan permasalahan dengan menganalsa setap solus pada masngmasng populas. Langkah pertama adalah dengan melakukan kode pada setap kromosom sesua dengan permasalahan yang akan dselesakan. Berkutnya adalah persapan pembelaaran dengan operator GA. Operator reproduks pada GA dlakukan dengan mutas dan crossover. Seleks berdasarkan ftness dgunakan untuk mengetahu kualtas dar data yang terseleks. Semakn besar nla ftness maka semakn bak kualtas data. amun dalam permasalahan mnmum cost, konsep tersebut dbalk menad bahwa semakn kecl nla ftness maka kualtas data semakn bak. Berkut adalah penelasan dar proses-proses yang merupakan pembelaaran GA pada setap terasnya (lhat Gambar 1): 1. Dlakukan random sebesar n populas yang merupakan n kromosom. 2. Mengevaluas ftness dar setap kromosom. 3. Membangun populas baru hngga dcapa nla optmal dengan perulangan sebagamana berkut: a. Selecton: memlh dua parent kromosom berdasarkan ftness. Semakn bagus nla ftness, maka kemungknan untuk dplh semakn besar. b. Crossover: crossover kedua parent untuk mendapatkan generas baru. c. Mutaton: dengan adanya mutaton probablty, setap locus dlakukan mutas. d. Acceptng: populas lama dgant dengan populas baru. e. Replace: populas baru dgunakan untuk pembelaaran teras berkutnya. f. est: ka telah memenuh hasl yang dngnkan proses berhent, ka tdak maka lakukan Loop. g. Loop: kembal ke langkah dua untuk mengevaluas ftness. Crossover adalah proses penggabungan genetk dar kedua parent untuk mendapatkan satu atau lebh anak yang merupakan generas baru. Sedangkan mutas adalah perubahan genetk dar ndvdu dengan cara beberapa genetk awal dar ndvdu mengalam perubahan secara random. Berdasarkan analsa proses dar GA, maka dapat dsmpulkan beberapa hal yang pentng dalam pembelaaran GA, yatu: 1. Permasalahan yang akan dselesakan. 2. Penghtungan ftness. 3. Varas dar varabel dan parameter pada kromosom. 4. Hasl akhr dan cara untuk pemberhentan pembelaaran (pemberhentan teras). Penghtungan ftness adalah cara pembelaaran GA mendapatkan solus untuk mendapatkan data yang menghaslkan suatu nla yang mendekat optmal. Penentuan nla ftness berdasarkan permasalahan yang akan dpecahkan. Penentuan nla ftness memlk tuuan untuk mengoptmas parameter pembelaaran sebagamana pada Gambar 1. Dalam peneltan n, analsa ftness berdasarkan Mean Square Error dgunakan dalam menganalsa optmas kualtas bobot dan real code dterapkan dalam proses pembelaaran. Kelebhan dar real code [7] adalah: 1. Menngkatkan tngkat efsens dengan tdak perlu adanya proses pengubahan dar nla bnary ke nla real ataupun sebalknya. 2. Menngkatkan press nla.
5 170 Jurnal Ilmah KURSOR Vol. 5, o. 3, Januar 2010, hlm PERACAGA SISEM Rancangan sstem pengklasfkasan data dengan metode DRLSC, penentuan umlah K tetangga terdekat pada metode K, dan penentuan nla regularzaton parameter secara otomats dtunukkan dalam Gambar 2. Gars ttk-ttk pada Gambar 2. merupakan proses GA untuk mengoptmas DRLSC. Data yang dmasukkan adalah data-data yang akan danalsa, yatu berupa dataset IRIS, WIE dan LESA. Sebelum data dbelaarkan perlu adanya proses normalsas data sebagamana Persamaan (11). Gambar 1. Flowchart Pembelaaran GA. Gambar 2. Konsep Optmas Metode DRLSC dengan GA. x x mnmumnla feature(f) maxmumnla feature()- mnmumnla feature() (11) ormalsas data dlakukan dengan cara setap ftur dkurang nla mnmum pada ftur tersebut kemudan dbag dengan nla maksmum ftur dan dkurang dengan nla mnmum ftur. uuan dar proses normalsas data adalah menghndar nla yang terlalu besar antara data pembelaaran dan data u coba. Insalsas Parameter Langkah awal untuk memperoleh nla parameter K dan parameter regularzaton yang optmum adalah dengan nsalsas. Insalsas pada peneltan n dlakukan secara random sebagamana pada GA. Insalsas awal adalah sebesar data untuk parameter K dan regularzaton parameter. Pada peneltan n umlah masukan data sebesar 20 data. Setap data terdr dua bagan, berupa parameter yang akan doptmas, yatu nla K dan Ita (η). Langkah nsalsas data adalah sebaga berkut: 1. Random 20 data dengan perntah berkut: Populas = rand(20,2) Maka akan dhaslkan 20 data dmana setap data memlk dua parameter yang akan doptmas dengan rancangan kromosom/ partkel sebagamana abel Pengubahan menad nla sebenarnya pada 20 data berdasarkan batas atas dan batas bawah sebagamana perntah berkut: X(:,1)=round(Batas Bawah + (Batas Atas-Batas Bawah)*Populas(:,1)); X(:,2)=Batas Bawah + (Batas Atas- Batas Bawah)*Populas(:,2);
6 Rrd dkk, Optmas Metode Dscrmnatvely 171 Pengertan dar X(:,1) adalah varabel yang menympan hasl dar pemetaan nla random populas pada kolom pertama terhadap Batas Atas dan Batas Bawah yang sesua dengan parameter X(:,1). la X(:,1) adalah data-data yang memlk nla K. Pengertan dar X(:,2) adalah varabel yang menympan hasl pemetaan pada parameter kedua. la X(:,2) adalah parameter Ita yang memlk batasan lebh kecl atau sama dengan 1 (abel 2). Pengklasfkasan DRLSC dlakukan setelah penentuan nsalsas ke-20 parameter. Mendapatkan Ftness Hasl Pembelaaran DRLSC Hasl pembelaaran DRLSC adalah penentuan data-data pembelaaran yang terkelompokkan pada kelas ke-, dmana =1 hngga C yang merupakan umlah kelas dengan menerapkan Persamaan (1) hngga (10). la actual output yang merupakan nla keluaran sebenarnya dgunakan sebaga dasar menghtung error mnmum dengan cara mencar selsh target kelas dkurangkan dengan nla actual output pada seluruh data kelas. Ftness yang dgunakan adalah Mean Square Error (MSE). Berdasarkan nla MSE, akan ddapatkan nla parameter K dan Ita yang palng tepat dengan memperkecl error untuk mendapatkan kualtas bobot. Hasl dar pembelaaran DRLSC adalah mendapatkan ftness berdasarkan actual output, dengan persamaan ftness sebagamana Persamaan (12). 1 2 MeanSquare Error(MSE) = (y f(x)) (12) Optmas Metode DRLSC dengan GA Operator GA berperan pentng dalam mendapatkan optmas kromosom. Peneltan n menggunakan crossover dan mutas sebaga operator GA. Persamaan crossover M data ddefnskan dalam Persamaan (13). ' x * x (1 ) x 1 1,2,..., M1 (13) ' x * x (1 ) x1 M, la dar Persamaan (13) adalah nla yang dapat bernla konstan atau random. dan M ddapatkan dar umlah nsalsas parameter. Berdasarkan Persamaan (13), maka kedua parent menghaslkan satu anak. Dmula dar data pertama crossover dengan pola kedua, dlanutkan data kedua crossover dengan data ketga demkan berlanut hngga pola ke-m crossover dengan pola pertama. Metode n sesua dengan tuuan seleks yatu mendapatkan parent yang bak untuk generas berkutnya. abel 1. Rancangan Kromosom pada Peneltan. Parameter 1 Parameter 2 K abel 2. Rancangan 20 Partkel yang Dgunakan. Data Populas (data,1) Populas (data,2) Dengan pengurutan ftness, pola pertama dan kedua adalah populas dengan nla ftness yang terbak. Dharapkan generas berkutnya
7 172 Jurnal Ilmah KURSOR Vol. 5, o. 3, Januar 2010, hlm akan mendapatkan search pont yang lebh bak dbandngkan kedua parent. Untuk menympan ndvdu terbak pada generas sebelumnya, maka proses crossover dmula pada data ke-2 (Gambar 3). Jka tdak menympan generas terbak sebelumnya, maka dapat terad nak turunnya nla ftness. Proses selanutnya adalah mutas. Proses mutas adalah mengubah satu atau seluruh gen berdasarkan probabltas random yang bertuuan untuk menghndar local mnmum. Jka probabltas sebesar 100%, maka seluruh data dan seluruh gen pada data dmutas. Jka probabltas mutas 0%, maka populas berkutnya sama dengan populas sebelumnya. Metode mutas yang dgunakan berdasarkan random gaussan. Metode n ddefnskan dalam Persamaan (14). x' k x k normrand(0,1, [ umlah gen]) (14) la gaussan ddapatkan sepanang umlah gen yang dbelaarkan. Pada gen pertama, maka gen dtambahkan dengan nla gaussan yang pertama, dan demkan seterusnya. Penentuan nla gaussan dlakukan berdasarkan normrand, yatu penghtungan nla gaussan dar seumlah data sepanang umlah gen yang telah d-random. Proses optmas dlakukan dengan melakukan proses crossover dan mutas pada setap terasnya hngga mendapatkan nla dar kedua parameter, yatu parameter K dan, untuk menghaslkan nla ftness yang terbak (memnmumkan ftness). Stoppng Crtera Berdasarkan Gambar 2, proses akan kembal pada penentuan nla K dan ka belum memenuh proses stoppng crtera. Jka telah memenuh stoppng crtera, maka proses berhent (pembelaaran telah konvergen). Setap gen dtambahkan dengan blangan random dan dkalkan dengan nla gaussan. abel 3. Hasl Percobaan 1 anpa Optmas. Data Set Ftness Jumlah teras Prosentase u coba K Ita Irs 1,1e ,33% 6 1 Wne 0, ,89% 3 0,95 Lensa 0, ,82% 3 0,95 abel 4. Hasl Percobaan 1 dengan GA. Data Set Ftness Jumlah teras Prosentase u coba K Ita Irs 2,04e ,33% 8 0,9984 Wne 0, ,89% 11 0,9757 Lensa 5,6e ,82% abel 5. Hasl Percobaan 2 anpa Optmas. Data Set Ftness Jumlah teras Prosentase u coba K Ita Irs 6,7e ,67% 6 1 Wne 2,9e ,33% Lensa 0, ,31% abel 6. Hasl Percobaan 2 dengan GA. Data Set Error pembelaaran Jumlah teras Prosentase u coba K Ita Irs 6,7e ,67% 6 1 Wne 1,4e ,33% 9 0,9004 Lensa 2,8e ,31%
8 Rrd dkk, Optmas Metode Dscrmnatvely 173 Gambar 3. Proses Crossover. (a) (b) Gambar 4. Grafk Hasl Pembelaaran GA Pada abel 6. (a) Grafk Metode GA Data IRIS, (b) Grafk Metode GA Data WIE, dan (c) Grafk Metode GA Data LESA. (c)
9 174 Jurnal Ilmah KURSOR Vol. 5, o. 3, Januar 2010, hlm HASIL DA PEMBAHASA Peneltan n menggunakan dataset u coba IRIS, WIE, dan LESA. Hasl u coba tanpa optmas ddapatkan dengan umlah teras dpengaruh oleh umlah data terkecl dar kelas yang ada dengan lambang. Sehngga nla K dmula dar 2 hngga + 1. Untuk nla η, u coba tanpa optmas menggunakan batas bawah bernla 0 dan batas atas bernla 1. abel 3 dan abel 4 menunukkan hasl u coba dengan data pembelaaran sebesar 50% dan data u coba sebesar 50% pada setap kelas. Ftness yang ddapatkan dar hasl tanpa optmas memlk error pembelaaran yang lebh besar ka dbandngkan dengan hasl pembelaaran yang doptmas dengan GA (abel 4). Maka, untuk menngkatkan kualtas bobot yang lebh bak dbutuhkan optmas untuk mendapatkan nla parameter K dan η terbak. Hasl pembelaaran dengan menggunakan data yang sama sebagamana data-data dar abel 3 yang telah doptmas dengan GA dtamplkan pada abel 4. Hasl ftness pada abel 4 memlk kecenderungan lebh kecl ka dbandngkan dengan u coba pada abel 3. Hasl ftness pada abel 5 dperoleh dengan menggunakan data pembelaaran yang merupakan data u coba pada abel 3 dan abel 4. la ftness memlk kecenderungan menghaslkan nla ftness yang lebh besar ka dbandngkan error pembelaaran pada abel 6. Hal n dsebakan parameter K dan η pada abel 5 belum doptmas dengan metode GA. Hasl ftness pembelaaran data IRIS, WIE dan LESA pada abel 6 memlk kecenderungan menghaslkan nla ftness yang lebh kecl ka dbandngkan dengan hasl pada abel 3 yang belum doptmas. Gambar 4 menunukkan terad penurunan nla ftness pada setap terasnya. Proses pembelaaran akan berhent ka nla ftness telah mendapatkan n teras dengan nla ftness yang sama. la ftness pada peneltan adalah Mean Square Error, dmana semakn kecl nla error maka dharapkan kualtas bobot yang ddapatkan semakn bak. SIMPULA Berdasarkan hasl u coba dan pembahasan, dapat dambl smpulan sebagamana berkut: 1. Parameter K dan η dapat secara otomats ddapatkan dengan menerapkan metode optmas GA. 2. GA yang dterapkan untuk mengoptmas metode DRLSC memlk kecenderungan mampu menghaslkan nla ftness yang lebh bak ka dbandngkan metode DRLSC tanpa optmas yatu antara e-004 dan DAFAR PUSAKA [1] Bshop CM. Pattern Classfcaton and Machne Learnng. ew York: Sprnger Berln Hedelberg [2] Xue H, Chen S, and Yang Q. Dscrmnatvely Regularzed Least- Squares Classfcaton. Scence Drect, Pattern Recognton. 42: [3] Rfkn RM and Lppert RA. Computer Scence and Artfcal Intellgence Laboratory echncal Report. otes on Regularzed Least Squares URL: lcatons/ps/mi-csail-r pdf, dakses tanggal 10 Agustus [4] Arune K and Gopal M. Least Squares wn Support vector machnes for pattern classfcaton. Scence Drect, Expert Systems wth Applcatons. 36: [5] Schölkopf B, Guyon I and Weston J. Statstcal Learnng and Kernel Methods n Bonformatcs. Proceedngs AO Advanced Studes Insttute on Artfcal Intellgence and Heurstcs Methods for Bonformatcs [6] Svanandam S and Deepa S. Introducton to Genetc Algorthms. ewyork: Sprnger Berln Hedelberg [7] Wrght AH. Genetc Algorthms for Real Parameter Optmzaton. Montana Mssoula: Department of Computer Scence, Unversty of Montana Mssoula
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 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 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 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 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 terperinciMetode Algoritma Genetika dan Darwinian Particle Swarm Optimization dengan Variable Acceleration Factor Untuk Fungsi Multimodal
Vol. 5, No. 3 Desember 2016 ISSN 2088-2130;e-ISSN 2502-4884 Metode Algortma Genetka dan Darwnan Partcle Swarm Optmzaton dengan Varable Acceleraton Factor Untuk Fungs Multmodal Arad Retno Tr Hayat Manajemen
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 terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
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 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 terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB 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 terperinciPENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN
PENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN Handry Wardoyo 1 Jeanny Pragantha Vny Chrstant M. 3 1 3 Teknk Informatka Unverstas Tarumanagara
Lebih 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 terperinciDalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang
LARGE SCALE SYSEM Course by Dr. Ars rwyatno, S, M Dept. of Electrcal Engneerng Dponegoro Unversty BAB V OPIMASI SISEM Dalam sstem pengendalan berhrark level, maka optmas dapat dlakukan pada level pertama
Lebih terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
Lebih 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 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 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 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 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 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 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 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 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 terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih 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 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 terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciBAB 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 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 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 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 terperinciOptimasi Perencanaan Hasil Produksi dengan Aplikasi Fuzzy Linear Programming (FLP)
Semnar Nasonal Waluyo Jatmko II FTI UPN Veteran Jawa Tmur Optmas Perencanaan Hasl Produks dengan Aplkas Fuzzy Lnear Programmng (FLP) Akhmad Fauz Jurusan Teknk Informatka UPNV Veteran Jawa Tmur Emal: masuz@upnatm.ac.d
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB 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 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 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 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 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 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 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 terperinciPERHITUNGAN PENILAIAN MAHASISWA TERHADAP MENGAJAR DOSEN BERBASIS KASUS MENGGUNAKAN ALGORITMA BAYESIAN
JURNAL DAI IN: - Vol. No. JUNI ERHITUNGAN ENILAIAN MAHAIWA TERHADA MENGAJAR DOEN BERBAI KAU MENGGUNAKAN ALGORITMA BAYEIAN Ern enwat TMIK AMIKOM Yogyakarta ern.s@amkom.ac.d ABTRAKI roses belaar mengaar
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 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 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 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 terperinciPENGGUNAAN HIBRIDISASI GENETICS ALGORITHMS DAN FUZZY SETS UNTUK MEMPRODUKSI PAKET SOAL
PENGGUNAAN HIBRIDISASI GENETICS ALGORITHMS DAN FUZZY SETS UNTUK MEMPRODUKSI PAKET SOAL Rolly Intan Fakultas Teknolog Industr, Jurusan Teknk Informatka, Unverstas Krsten Petra e-mal: rntan@petra.ac.d ABSTRAK:
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciPertemuan ke-4 Analisa Terapan: Metode Numerik. 4 Oktober 2012
Pertemuan ke-4 Analsa Terapan: Metode Numerk 4 Oktober Persamaan Non Non--Lner: Metode NewtonNewton-Raphson Dr.Eng. Agus S. Muntohar Metode Newton Newton--Raphson f( f( f( + [, f(] + = α + + f( f ( Gambar
Lebih terperinciPENYELESAIAN MASALAH PANAS BALIK (BACKWARD HEAT PROBLEM)
PENYELESAIAN MASALAH PANAS BALIK (BACKWARD HEAT PROBLEM) Rcha Agustnngsh, Drs. Lukman Hanaf, M.Sc. Jurusan Matematka, Fakultas MIPA, Insttut Teknolog Sepuluh Nopember (ITS) Jl. Aref Rahman Hakm, Surabaya
Lebih terperinciOPTIMASI LETAK DAN SIFAT PEREDAM MASSA SELARAS UNTUK MENGURANGI RESPONS STRUKTUR AKIBAT GEMPA
Konferens Nasonal Teknk Spl 4 (KoNTekS 4) Sanur-Bal, -3 Jun 010 OPTIMASI LETAK DAN SIFAT PEREDAM MASSA SELARAS UNTUK MENGURANGI RESPONS STRUKTUR AKIBAT GEMPA Yoyong Arfad 1 1 Program Stud Teknk Spl, Unverstas
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciBAB III SKEMA NUMERIK
BAB III SKEMA NUMERIK Pada bab n, akan dbahas penusunan skema numerk dengan menggunakan metoda beda hngga Forward-Tme dan Centre-Space. Pertama kta elaskan operator beda hngga dan memberkan beberapa sfatna,
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 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 terperinciBAB III METODE KOMPRESI DAN DEKOMPRESI. untuk setiap B X. fraktal. Penjelasan dimulai dengan pengenalan Multiple Reduction Copy
BAB III METODE KOMPRESI DAN DEKOMPRESI Kompres ctra fraktal memodelkan ctra sebaga lmt dar suatu proses teras. Jka dberkan suatu ctra A X, metode n akan mencar suatu proses W sedemkan sehngga ttk tetap
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. 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 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 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 terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciBAB 2 TINJAUAN 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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 ENDAHULUAN Latar Belakang Klasfkas adalah proses menemukan sekumpulan model yang menggambarkan serta membedakan kelas-kelas data. Tujuan dar klasfkas adalah agar model yang dhaslkan dapat dgunakan untuk
Lebih terperinciREGRESI DAN KORELASI. Penduga Kuadrat Terkecil. Penduga b0 dan b1 yang memenuhi kriterium kuadrat terkecil dapat ditemukan dalam dua cara berikut :
BAHAN AJAR EKONOMETRIKA AGUS TRI BASUKI UNIVERSITAS MUHAMMADIYAH YOGYAKARTA REGRESI DAN KORELASI Tujuan metode kuadrat terkecl adalah menemukan nla dugaan b0 dan b yang menghaslkan jumlah kesalahan kuadrat
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 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 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 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 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 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciBAB III METODE PENELITIAN. 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 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 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 terperinciBab 1 Ruang Vektor. R. Leni Murzaini/0906577381
Bab 1 Ruang Vektor Defns Msalkan F adalah feld, yang elemen-elemennya dnyatakansebaga skalar. Ruang vektor atas F adalah hmpunan tak kosong V, yang elemen-elemennya merupakan vektor, bersama dengan dua
Lebih terperinciBAB II DASAR TEORI. 2.1 Definisi Game Theory
BAB II DASAR TEORI Perkembangan zaman telah membuat hubungan manusa semakn kompleks. Interaks antar kelompok-kelompok yang mempunya kepentngan berbeda kemudan melahrkan konflk untuk mempertahankan kepentngan
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 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciKLASTERISASI DATA MICROARRAY MENGGUNAKAN METODE CLIQUE PARTITIONING
KLASTERISASI DATA MICROARRAY MENGGUNAKAN METODE CLIQUE PARTITIONING Lsa Maranah 1, Fhra Nhta, Adwjaya 3 1,,3 ProdS1 Ilmu Komputas, Fakultas Informatka, Unverstas Telkom 1 lsamaranah@gmal.com, fhranhta@telkomunversty.ac.d,
Lebih terperinciSifat-sifat Operasi Perkalian Modular pada Graf Fuzzy
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 07 Sfat-sfat Operas Perkalan Modular pada raf Fuzzy T - 3 Tryan, ahyo Baskoro, Nken Larasat 3, Ar Wardayan 4,, 3, 4 Unerstas Jenderal Soedrman transr@yahoo.com.au
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 terperinciPERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM
PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM 1) Membuat dstrbus frekuens. 2) Mengetahu apa yang dmaksud dengan Medan, Modus dan Mean. 3) Mengetahu cara mencar Nla rata-rata (Mean). TEORI PENUNJANG
Lebih terperinciALJABAR LINIER LANJUT
ALABAR LINIER LANUT Ruang Bars dan Ruang Kolom suatu Matrks Msalkan A adalah matrks mnatas lapangan F. Bars pada matrks A merentang subruang F n dsebut ruang bars A, dnotaskan dengan rs(a) dan kolom pada
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER
UNIVERSITAS DIPONEGORO 013 ISBN: 978-60-14387-0-1 FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER Saftr Daruyan
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciMENCERMATI BERBAGAI JENIS PERMASALAHAN DALAM PROGRAM LINIER KABUR. Mohammad Asikin Jurusan Matematika FMIPA UNNES. Abstrak
JURAL MATEMATIKA DA KOMUTER Vol. 6. o., 86-96, Agustus 3, ISS : 4-858 MECERMATI BERBAGAI JEIS ERMASALAHA DALAM ROGRAM LIIER KABUR Mohammad Askn Jurusan Matematka FMIA UES Abstrak Konsep baru tentang hmpunan
Lebih terperinciDekomposisi Nilai Singular dan Aplikasinya
A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih 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 terperinciPENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER
Penerapan Program Lner Kabur dalam Analss.. Elfranto PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER Elfranto Dosen Unverstas Muhammadyah Sumatera Utara Abstrak: Salah satu kaan
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 2 AKAR-AKAR PERSAMAAN
Analsa Numerk Bahan Matrkulas Bab AKAR-AKAR PERSAMAAN Pada kulah n akan dpelajar beberapa metode untuk mencar akar-akar dar suatu persamaan yang kontnu. Untuk persamaan polnomal derajat, persamaannya dapat
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 terperinciPENERAPAN MULTI OBJECTIVE GENETIC ALGORITHM (MOGA) PADA PENJADWALAN DYNAMIC-MULTI OBJECTIVE
PENERAPAN MULTI OBJECTIVE GENETIC ALGORITHM (MOGA) PADA PENJADWALAN DYNAMIC-MULTI OBJECTIVE DAN SEQUENCE DEPENDENT SETUP TIMES COMPOUND FLOW SHOP DI PT.X Fredy Hartanto dan Udsubakt Cptomulyono Magster
Lebih terperinciBab V Aliran Daya Optimal
Bab V Alran Daya Optmal Permasalahan alran daya optmal (Optmal Power Flow/OPF) telah menjad bahan pembcaraan sejak dperkenalkan pertama kal oleh Carpenter pada tahun 196. Karena mater pembahasan tentang
Lebih terperinciBAB VI MODEL-MODEL DETERMINISTIK
BAB VI MODEL-MODEL DETERMINISTIK 6. Masalah Penyaluran Daya Lstrk Andakan seorang perencana sstem kelstrkan merencakan penyaluran daya lstrk dar beberapa pembangkt yang ternterkoneks dan terhubung dengan
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 3. METODOLOGI PENELITIAN
BAB 3. METODOLOGI PENELITIAN 3.1. Bagan Alr Peneltan Vergds et al. (2007) mengusulkan dua langkah dasar dar framework multobectve optmsas untuk perancangan proses bsns. Langkah pertama adalah membuat konstruks
Lebih terperinciKAJIAN DAN ALGORITMA PELABELAN PSEUDO EDGE-MAGIC. memiliki derajat maksimum dan tidak ada titik yang terisolasi. Jika n i adalah
BAB III KAJIAN DAN ALGORITMA PELABELAN PSEUDO EDGE-MAGIC III. Batas Bawah Magc Number pada Pelabelan Total Pseudo Edge-Magc Teorema 3.. Anggap G = (,E) adalah sebuah graf dengan n-ttk dan m-ss dan memlk
Lebih terperinci