KINERJA METODE EXTREME LEARNING MACHINE (ELM) PADA SISTEM PERAMALAN
|
|
- Hamdani Lesmana
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Vol 1, No 3 Desember 2010 ISSN KINERJA METODE EXTREME LEARNING MACHINE (ELM) PADA SISTEM PERAMALAN * Bai Khusul Khotimah, ** Eka Mala Sari R, *** Hadry Yuliaarta Jurusa Tekik Iformatika, Fakultas Tekik, Uiversitas Truojoyo Madura Jl. Raya Telag PO. BOX 2 Kamal, Bagkala, Madura * baikk@gmail.com Abstrak Metode Extreme Learig Machie (ELM) merupaka salah satu metode pembelajara baru dari jariga syaraf tirua. Metode ii memiliki tigkat pembelajara yag lebih baik dibadigka dega metode kovesioal laiya berdasarka perhituga hasil ilai error yag diukur megguaka ilai MSE (Mea Square Error) da MAPE (Mea Absolute Percetage Error). Berdasarka hasil uji coba megguaka metode ELM diperoleh ilai MSE da MAPE terkecil dibadigka dega megguaka algoritma Backpropagatio. Dimaa dari metode ELM diperoleh hasil percobaa megguaka kofigurasi hidde layer berjumlah 4, epoch 1000, pegatura rage atara -0,4 0,4 meghasilka rata-rata ilai MSE = 1,100% da MAPE = 0.31%. Sedagka proses pembelajara megguaka metode Backpropagatio dega parameter perubaha hidde layer berjumlah 4, E-poch maksimal 3000, da pegatura mometum 0,4 mecapalai yag terbaik. Parameter tersebut meghasilka ilai error yag cukup baik saat sistem melakuka pegujia yaitu MSE = % da MAPE = 0,96 %. Kata kuci : metode pembelajara, Extreme Learig Machie (ELM), MSE, MAPE Abstract Method of Extreme Learig Machie (ELM) is oe of the ew learig method of eural etworks. This method has a better learig rate compared to other covetioal methods based o the calculatio results of the error value is measured usig the MSE (Mea Square Error) ad Mape (Mea Absolute Percetage Error). Based o the test results obtaied usig the method of ELM ad Mape smallest MSE value compared usig Backpropagatio algorithm. Where the method of ELM dipeoleh experimetal results usig a hidde layer cofiguratio cosists of 4, epoch 1000, settig the rage betwee MSE value = 1.100% ad Mape = 0.31%. While the process of learig usig the backpropagatio method with a parameter chage i the hidde layer cosists of 4, E-Poch maximum of 3000, ad settig the mometum 0.4 achieved the best value. These parameters geerate the error value is quite good durig the system test that is MSE = % ad Mape = 0.96%. Key words: Forecastig, Extreme Learig Machie (ELM), MSE, MAPE PENDAHULUAN Peramala adalah prediksi atau perkiraa apa yag aka terjadi di masa yag aka datag. Proses peramala merupaka suatu usur yag sagat petig dalam pegambila keputusa, sebab efektif tidakya suatu keputusa serig kali dipegaruhi beberapa faktor yag tidak tampak pada saat keputusa itu diambil [1]. Peramala bertujua utuk medapatka perkiraa atau prediksi yag bisa memiimumka kesalaha dalam meramal yag biasaya diukur dega Mea Square Error. 186
2 Extreme Learig Machie merupaka metode pembelajara baru dari jariga syaraf tirua. Secara umum, masalah peramala dapat diyataka dega sejumlah data rutu waktu (time series) [2]. Metode ii pertama kali diperkealka oleh Huag (2004). ELM merupaka jariga syaraf tirua feedforward dega sigle hidde layer atau biasa disebut dega Sigle Hidde Layer Feedforward eural Networks (SLFNs) Metode pembelajara ELM dibuat utuk megatasi kelemaha-kelemaha dari jariga syaraf tirua feedforward terutama dalam hal learig speed. Huag et al megemukaa dua alasa megapa JST feedforward lai mempuyai leraig speed redah, pada ELM parameter-parameter seperti iput weight da hidde bias dipilih secara radom, sehigga ELM memiliki learig speed yag cepat da mampu meghasilka good geeralizatio performace. Metode ELM mempuyai model matematis yag berbeda dari jariga syaraf tirua feedforward. Model matematis dari ELM lebih sederhaa da efektif [3][4]. TINJAUAN PUSTAKA Pegeala Metode Self Hidde Layer Feedforward Network (SLFN) Neural Networks (NN) merupaka salah satu cotoh model oliear yag mempuyai betuk fugsioal fleksibel da megadug beberapa parameter yag tidak dapat diiterpretasika seperti pada model parametrik. Salah satu betuk model NN yag bayak diguaka utuk berbagai aplikasi adalah Feedforward Neural Networks (FFNN). Betuk umum FFNN yag diguaka utuk peramala rutu waktu uivariat pada umumya adalah FFNN dega satu lapis tersembuyi da satu uit euro di lapis output (SLFN). Estimasi parameter (weight) model ii dilakuka dega meerapka algoritma backpropagatio pada suatu optimisasi Noliear Least Squares [4]. Hasil kajia empiris meujukka bahwa algoritma ii dapat bekerja dega baik dalam meetuka arsitektur terbaik yag diterapka utuk peramala rutu waktu. Hasil-hasil empiris berkaita dega perbadiga ketepata ramala atara model SLFN dega model-model rutu waktu yag lai meujukka bahwa tidak ada jamia bahwa SLFN selalu memberika hasil yag terbaik. Selatu, kajia empiris tetag pemrosesa awal data juga telah dilakuka da meujukka bahwa pemiliha metode pemrosesa awal data yag tepat dapat secara sigifika meigkatka ketepata ramala dari SLFN [5]. Metode Extreme Learig Machie (ELM) Extreme Learig Machie merupaka metode pembelajara baru dari jariga syaraf tirua. Metode ii pertama kali diperkealka oleh Huag. ELM merupaka jariga syaraf tirua feedforward dega sigle hidde layer atau biasa disebut dega Sigle Hidde Layer Feedforward eural Networks (SLFNs) Metode pembelajara ELM dibuat utuk megatasi kelemaha-kelemaha dari jariga syaraf tirua i terutama dalam hal learig speed. Huag et al megemukaa dua alasa megapa JST feedforward lai mempuyai leraig speed redah [3], yaitu : 1. megguaka slow gradiet based learig algorithm utuk melakuka traiig. 2. semua parameter pada jariga ditetuka secara iterative dega megguaka metode pembelajara tersebut. Pada ELM parameter-parameter sepertput weight da hidde bias dipilih secara radom, sehigga ELM memiliki learig speed yag cepat da mampu meghasilka good geeralizatio performace. Metode ELM mempuyai model matematis yag berbeda dari jariga syaraf tirua feedforward. Model matematis dari ELM lebih sederhaa da efektif. Berikut model matrematis dari ELM. Utuk N jumlah sample yag berbeda (Xi, ti ). Xi = [ Xi 1, Xi 2..., Xi ] T R Xt = [ Xt 1, Xt 2..., Xt ] T R, (1) Stadart SLFNs dega jumlah hidde odes sebayak N da activatio fuctio g ( x ) dapat digambarka secara matematis sebagai berikut : N N x j i gwi, xb oi g (2) i i1 i1 β = H * T (3) 187
3 Dimaa : w = merupaka vektor dari weight yag meghubugka i th hidde odes da iput odes. β i = merupaka weight vector yag meghubugka i th hidde da output odes. b i = threshold dar th hidde odes. w i x j = merupaka ier produk dari w i da x j Kofigurasi sederhaa algoritma ELM dapat dijelaska pada Gambar 1. dibawah ii: Gambar 1. Arsitektur ELM Output layer (predict forecast) Hidde layer Iput layer (idepedet var) H diatas adalah hidde layer output matrix g (w i x i +b 1 ) meujukka output dari hidde euro yag berhubuga dega iput i x. β merupaka matrix dari output weight da T matrix dari target atau output. Pada ELM iput weight da hidde bias ditetuka secara acak, maka output weight yag berhubuga dega hidde layer[6]. Dalam proses testig ELM Berdasarka iput weight da output weight yag didapatka dari proses traiig, maka tahap selajutya adalah melakuka peramala dega ELM. Data yag diguaka adalah data testig sebayak 20% dari data. Pada tahap ii data iput diormalisasi terlebih dahulu dega rage da rumus ormalisasi yag sama dega data traiig. Secara otomatis output dari proses ii juga harus melalui proses deormalisasi [6]. PERANCANGAN SISTEM Pada tahap ii membahas proses peracaga pada metode eural etwork Extreme Learig Machie (ELM) yag meliputi Proses Pelatiha da Prose uji coba sehigga mampu meghasilka ilai peramala yag diigika [5]. Mulai Iput data parameter Proses Autokorelasi Output data traiig da Data testig Output bobot iput,bias, bobot output Predict jml peggua Proses Normalisasi Pelatiha data Bobot terbaik Iput data traiig,jml hidde euro, da fugsi aktivasi Iput data testig, bobot iput, Bobot bias da bobot output Tidak Ya Apa MAPE <=1%, MSE <= 1? Pegujia data Hasil Ramala Selesai Gambar 1. Flowchart umum ELM 188
4 Proses uji coba yag dilakuka ditujukka pada Gambar 1. meetuka kierja sistem yag berhubuga dega parameter: perubaha jumlah hidde layer, perubaha error, da perubaha rage. Ukura Kesalaha Peramala Utuk megevaluasi harga parameter peramala, diguaka ukura kesalaha peramala. Harga parameter peramala yag terbaik adalah harga yag memberika ilai kesalaha peramala yag terkecil. Terdapat berbagai macam ukura kesalaha yag dapat diklasifikasika mejadi ukura stadar dalam statistik da ukura relatif. Ukura kesalaha yag termasuk ukura stadar statistik adalah Nilai rata-rata kesalaha kuadrat (Mea Squared Error). Ukura kesalaha yag termasuk ukura relatif adalah ilai rata-rata kesalaha persetase (Mea Percetage Error) da ilai rata-rata kesalaha persetase absolut (Mea Absolute Percetage Error). Di bawah ii adalah persamaa-persamaa yag dapat diguaka utuk meghitug masig-masig ukura kesalaha (error) utuk peramala tersebut [6]. Nilai Rata-Rata Kesalaha Kuadrat 2 e MSE = 1 (4) Nilai Rata-Rata Kesalaha Persetase PE MPE = 1 (5) X i Fi PE i = 100% X i (6) Nilai Rata-Rata Kesalaha Persetase Absolut PE MAPE = 1 (7) dega : : jumlah periode waktu data e i : kesalaha pada periode waktu i X i : data pada periode waktu i F i : ramala utuk periode waktu i MSE : ilai rata-rata kesalaha kuadrat PE i : kesalaha persetase pada periode i MPE : ilai rata-rata kesalaha persetase MAPE : ilai rata-rata kesalaha persetase absolut HASIL DAN PEMBAHASAN (1) Kierja Metode ELM (Extreme Learig Machie)Berdasaka Parameter Utuk megetahui metode maa yag terbaik dilakuka uji t pada selisih akurasi metode ELM da Backpropagatio utuk megetahui metode maa yag lebih baik pada tigkat error tertetu berdasarka set parameter hidde layer, e-poch, rage da mometum. Pada uji coba set data time series yag atributya depedet dimaa hubuga atar atribut membutuhka proses autokorelasi [2].Data yag di proses berdasarka waktuya aka diproses berdasarka rumus autokorelasi sehigga didapatka time lags atau waktu yag bersigifika dega waktu yag diramalka. Kemudia data tersebut pada waktu yag bersigifika tersebut aka mejadi data masuka pada proses pelatiha jariga syaraf tirua. Rumus utuk mecari fugsi autokorelasi : r k Y Y t Y Y t t t1 t tk Y Y t 2 (8) Keteraga: Y t =data baru atau ilai aktual pada periode t = ilai sigifika r k Berdasarka proses perhituga autokorelasi rk pada data yt+2 da seterusya, diperoleh ilai lags rk >= 0.4 sesuai Tabel 1., data tersebut dijadika iput pada pelatiha JST. Dega perubaha parameter hidde layer, iisialisasi parameter pada rage data [-0,4-0,4] da selag epoch 1000 diperoleh hasil ilai error MSE da MAPE sesuai Tabel 2,
5 Tabel 1. Data proses perhituga Autokorelasi Lags sigifika Lags sigifika r(0,1) 0,1451 r(-0,1) 0,0509 r(0.2) 0,0845 r(-0,2) 0,0438 r(0,3) 0,0025 R(-0,3) 0,0366 r(0,4) 0,9711 r(-0,4) 0,0295 r(0,5) 0,9990 r(-0,5) -0,2476 Tabel 2. Hasil uji coba perubaha hidde dega metode ELM Rage Hidde Layer E-poch MSE MAPE -0,4 0, ,505 0,6538-0,4 0, ,470 0,5325-0,4 0, ,995 0,4342-0,4 0, ,705 0,6873-0,4 0, ,673 0,4978 Tabel 3. Hasil Uji coba perubaha hidde dega metode Backproppagatio Mome- Hidde E- tum Layer poch MSE MAPE 0, , ,4107 0, , ,3005 0, ,2212 5,9233 0, , ,0573 0, , ,8739 Pada tabel 2,3 meujukka ilai MAPE berdasar perubaha hidde layer ujicoba pada metode ELM da BP, dari kelima data set perubaha hidde MAPE ELM mecapai keakurata kesalaha miimal saat hidde di set 12 = 0,43 % sedagka MAPE BP mecapalai keakurata kesalaha pada hidde 12 = 5,9%. Da pada data set perubaha hidde MAPE ELM mecapai keakurata kesalaha terbesar saat hidde di set 16 = 0,68% sedagka MAPE BP mecapalai keakurata kesalaha pada hidde 16 = 23,05%. Hal itu disebabka radom iput bobot da hidde bias di ELM mempegaruhi hasil hiddeya, da memberika akurasi kesalaha MAPE yag relatif kecil. (2) Kieja metode ELM Berdasarka Perubaha Iterasi Pada uji coba megguaka metode ELM da Backpropagatio, Uji coba data dilakuka 5 ru. Pada uji metode ELM parameter ditetuka berdasarka perubaha Epoch, iisialisasi parameter pada rage [-0,4-0,4], hidde layer 4 da epoch kelipata 10, selajutya hasilya didapatka ilai akurasi MSE da MAPE sesuai tabel 4,5. Tabel 4. Hasil uji coba perubaha Epoch Pada ELM Rage Hidde E- Layer poch MSE MAPE -0,4 0, ,0606 0,6358-0,4 0, ,9031 0,5782-0,4 0, ,6044 0,3377-0,4 0, ,2603 0,6695-0,4 0, ,6602 0,5051 Tabel 5. Hasil uji coba perubaha Epoch dega metode BP Mometum Layer poch Hidde E- MSE MAPE 0, ,5581 1,0376 0, ,2873 1,2685 0, ,2547 1,5346 0, ,1933 0,9612 0, ,6536 1,5603 Pada Tabel 4,5 meujukka hasil uji coba ELM da Backpropagatio utuk set perubaha hidde parameter yag diguaka utuk setiap metode adalah parameter yag meghasilka error miimal. Pada tabel diatas ditujukka bahwa dari 5 ru, metode ELM megugguli metode Backpropagatio sebayak 5ru. Hasil terbaik metode ELM adalah MAPE mecapai 0,3377%pada Epoch ke sedagka hasil terbaik metode Backpropagatio adalah MAPE 0,9612 % pada Epoch ke Jadi tigkat error yag dihasilka lebih miimum ELM berdasar parameter perubaha hidde layer. Da pada perubaha Epoch MAPE ELM mecapai keakurata kesalaha terbesar saat Epoch 10 = % sedagka MAPE BP mecapalai keakurata kesalaha terbesar pada Epoch 5000 = 1,56 %. 190
6 Berdasarka hasil uji coba tersebut MAPE yag dihasilka metode ELM lebih baik akurasi kesalahaya. Hal itu tersebut berpegaruh terhadap BP, apabila iterasi/ Epoch semaki kecil maka ilai error aka besar, da sebalikya bila Epoch besar maka ilai error aka ikut kecil. Berdasarka uji coba metode ELM ditujukka pada Gambar 2. ilai error yag cukup baik saat sistem melakuka pegujia yaitu sebesar MSE = 1,99% da MAPE = %. Sedagka pada metode Backpropagatio proses feedforward da backward meetuka pembobota secara radom utuk bobot iput da hidde bias meghasilka ilai MAPE = 0.31, MSE = 0,96 % pada backpropagatio meujukka persetase metode ELM tigkat kesalahaya lebih kecil daripada metode backpropagatio. Gambar 2. Form Proses Pelatiha ELM Dalam hasil uji coba meujukka bahwa ilai keakurata kesalaha lebih besar metode Backpropagatio daripada metode Extreme Learig Machie (ELM). Semaki kecil rage bobot radom, maka berpegaruh pula terhadap hasil MAPEya. KESIMPULAN Kesimpula yag dapat diambil peulis dari pembuata peragkat luak ii adalah: 1.Pada metode ELM meghasilka ilai error terkecil dega meetuka ilai bobot palig kecil, berbeda dega algoritma gradie base secara tradisioal yag hasilya mecapai kesalaha pelatiha miimum tetapi tidak mempertimbagka besarya bobot. Sehigga kierja ELM memiliki ujuk kerja yag lebih baik. 2.Pada proses peramala megguaka metode ELM skeario terbaik dega megguaka parameter perubaha hidde layer berjumlah 4 (empat), E-poch maksimal 1000, pegatura Rage atara -0,4 0,4 mecapai ilai yag terbaik. Parameter tersebut meghasilka jumlah iterasi yag memiliki DAFTAR PUSTAKA [1] Subagyo, P. Forecastig Kosep da Aplikasi. BPFE. Yogyakarta : [2] Kusumadewi, Sri, Artificial Itelligece (Tekik da Aplikasiya), Graha Ilmu, Yogyakarta, [3] G.-B. Huag, Q.-Y. Zhu, C.-K. Siew, Extreme learig machie: a ew learig scheme of feedforward euraletworks, i: Proceedigs of the Iteratioal Joit Coferece o Neural Networks (IJCNN2004), Budapest, Hugary, July [4] G.-B. Huag, Q.-Y. Zhu, ad C.-K. Siew, Extreme learig machie: Theory ad applicatios, Neurocomputig, vol. 70, pp , [5] Dwi Agustia Irwi Peerapa Metode Extreme Learig Machie utuk Peramala Permitaa. Sistem Iformasi- ITS Surabaya, Idoesia, [6] Dwi Prastyo, Dedy., Peramala Megguaka Metode Ekspoesial Smoothig, Jurusa Statistika Istitut Tekologi Sepuluh November, Surabaya,
BAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinciLAPORAN RESMI MODUL VII TIME SERIES FORECASTING
LAPORAN RESMI MODUL VII TIME SERIES FORECASTING I. Pedahulua A. Latar Belakag (Mi. 4 Paragraf) B. Rumusa Masalah C. Tujua Praktikum (Mi. 3) D. Mafaat Praktikum (Mi. 3) E. Batasa Masalah II. Tijaua Pustaka
Lebih terperinciPREDIKSI ph AIR HUJAN DI KALIMANTAN BARAT DENGAN METODE BACKPROPAGATION
Buleti Ilmiah Math. Stat. da Terapaya (Bimaster) Volume 04, No. 3 (2015), hal 397 406. PREDIKSI ph AIR HUJAN DI KALIMANTAN BARAT DENGAN METODE BACKPROPAGATION Fra Siskus Dia Ariato, Muhlasah Novitasari
Lebih terperinciPRISMA FISIKA, Vol. VI, No. 2 (2018), Hal ISSN :
Estimasi Curah Huja di Kota Potiaak Megguaka Metode Propagasi Balik Berdasarka Parameter Cuaca da Suhu Permukaa Laut Ika Oktaviaigsih a, Muliadi b*, Apriasyah c a Prodi Fisika, b Prodi Geofisika, c Prodi
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciPertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd
Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I
7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciJURNAL GAUSSIAN, Volume 2, Nomor 2, April 2013, Halaman Online di:
JURNAL GAUSSIAN, Volume 2, Nomor 2, April 203, Halama 37-46 Olie di: http://ejoural-s.udip.ac.id/idex.php/gaussia PERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sebagai hasil penelitian dalam pembuatan modul Rancang Bangun
47 BAB IV HASIL DAN PEMBAHASAN Sebagai hasil peelitia dalam pembuata modul Racag Bagu Terapi Ifra Merah Berbasis ATMega8 dilakuka 30 kali pegukura da perbadiga yaitu pegukura timer/pewaktu da di badigka
Lebih terperinciPERAMALAN KURSIDRTERHADAP USDMENGGUNAKAN DOUBLE MOVING AVERAGES DAN DOUBLEEXPONENTIAL SMOOTHING.
PERAMALAN KURSIDRERHADAP USDMENGGUNAKAN DOUBLE MOVING AVERAGES DAN DOUBLEEXPONENIAL SMOOHING. Padrul Jaa 1), Rokhimi 2), Ismi Ratri Prihatiigsih 3) 1,2,3 PedidikaMatematika, Uiversitas PGRI Yogyakarta
Lebih terperinciProgram Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi
Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuha Sistem Sebelum melakuka deteksi da trackig obyek dibutuhka peragkat luak yag dapat meujag peelitia. Peragkat keras da luak yag diguaka dapat dilihat pada Tabel
Lebih terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciPENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA
PENAKSIRAN DAN PERAMALAN BIAYA Ari Darmawa, Dr. S.AB, M.AB Email: aridarmawa_fia@ub.ac.id A. PENDAHULUAN B. PENAKSIRAN DAN PRAKIRAAN FUNGSI BIAYA C. PENAKSIRAN JANGKA PENDEK - Ekstrapolasi sederhaa - Aalisis
Lebih terperinciJaringan Sistem Informasi Robotik Vol. 2, No. 01, Maret 2018
Peerapa Jariga Syaraf Tirua Utuk Memprediksi Volume Pemakaia Air Dega Metode Backpropagatio (Studi Kasus PT. PDAM Kota Padag) Khelvi Ovela Putra 1, Guadi Widi Nurcahyo 2, Julius Satoy 3 123 Program Pascasarjaa
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA
PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA KOEFISIE VARIASI DA KOEFISIE KURTOSIS PADA SAMPLIG GADA Heru Agriato *, Arisma Ada, Firdaus Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas
Lebih terperinciPenyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered.
2. Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a) Hitug Sum of Square for Regressio (X) b) Hitug Sum of Square for Residual c) Hitug Meas Sum of Square for Regressio (X) d) Hitug
Lebih terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 86-88 Latiha 2 Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b.
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Lokasi da objek peelitia Lokasi peelitia dalam skripsi ii adalah area Kecamata Pademaga, alasa dalam pemiliha lokasi ii karea peulis bertempat tiggal di lokasi tersebut sehigga
Lebih terperinciBAB 2 LANDASAN TEORI. Statistika merupakan salah satu cabang penegtahuan yang paling banyak mendapatkan
BAB LANDASAN TEORI. Pegertia Regresi Statistika merupaka salah satu cabag peegtahua yag palig bayak medapatka perhatia da dipelajari oleh ilmua dari hamper semua bidag ilmu peegtahua, terutama para peeliti
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciREGRESI DAN KORELASI
REGRESI DAN KORELASI Pedahulua Dalam kehidupa sehari-hari serig ditemuka masalah/kejadia yagg salig berkaita satu sama lai. Kita memerluka aalisis hubuga atara kejadia tersebut Dalam bab ii kita aka membahas
Lebih terperinciMateri 5 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2016 Nizar Rabbi Radliya
Materi 5 DATA MINING 3 SKS Semester 6 S1 Sistem Iformasi UNIKOM 2016 Nizar Rabbi Radliya izar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Kompetesi Dasar Memahami tekik data miig klasifikasi da mampu meerapka
Lebih terperinciPENGGUNAAN ARTIFICIAL NEURAL NETWORK UNTUK PREDIKSI TEGANGAN PADA BALOK KASTELA HEKSAGONAL BENTANG 1 METER (001S)
PENGGUNAAN ARTIFICIAL NEURAL NETWORK UNTUK PREDIKSI TEGANGAN PADA BALOK KASTELA HEKSAGONAL BENTANG METER (00S) Ahmad Muhtarom Jurusa Tekik Sipil, Uiversitas Sriwijaya, Jl. Raya Palembag-Prabumulih KM.3
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
Lebih terperinciBAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)
BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) Setiap peelitia selalu berkeaa dega sekelompok data. Yag dimaksud kelompok disii adalah: Satu orag mempuyai sekelompok data, atau sekelompok orag mempuyai satu
Lebih terperincikesimpulan yang didapat.
Bab ii merupaka bab peutup yag merupaka hasil da kesimpula dari pembahasa serta sara peulis berdasarka kesimpula yag didapat. BAB LANDASAN TEORI. Kosep Dasar Peramala Peramala adalah kegiata utuk memperkiraka
Lebih terperinciPeramalan Jumlah Stok Alat Tulis Kantor Di UD ACHMAD JAYA Menggunakan Metode Double Exponential Smoothing
Jural Ilmiah Tekologi da Iformasia ASIA (JITIKA) Vol.10, No.1, Februari 2016 ISSN: 0852-730X Peramala Jumlah Stok Alat Tulis Kator Di UD ACHMAD JAYA Megguaka Metode Double Expoetial Smoothig Titaia Dwi
Lebih terperinciMetode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial
Statistika, Vol. 7 No. 1, 1 6 Mei 007 Metode Bootstrap Persetil Pada Sesor Tipe II Berdistribusi Ekspoesial Jurusa Statistika FMIPA Uiversitas Islam Idoesia Yogyakarta Abstrak Metode bootstrap adalah suatu
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciMATERI 14 EVALUASI KINERJA PORTOFOLIO
MATERI 14 EVALUASI KINERJA PORTOFOLIO KERANGKA PIKIR EVALUASI KINERjA PORTOFOLIO (EKP) MENGUKUR TINGKAT RETURN PORTOFOLIO RISK-ADJUSTED PERFORMANCE - INDEKS SHARPE - INDEKS TREYNOR - INDEKS JENSEN dede08m.com
Lebih terperinciBAB IV PEMECAHAN MASALAH
BAB IV PEMECAHAN MASALAH 4.1 Metodologi Pemecaha Masalah Dalam ragka peigkata keakurata rekomedasi yag aka diberika kepada ivestor, maka dicoba diguaka Movig Average Mometum Oscillator (MAMO). MAMO ii
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Subjek Peelitia Peelitia ii dilaksaaka di kawasa huta magrove, yag berada pada muara sugai Opak di Dusu Baros, Kecamata Kretek, Kabupate Batul. Populasi dalam peelitia ii adalah
Lebih terperinciMakalah ANALISIS REGRESI DAN REGRESI GANDA
1 Makalah ANALISIS REGRESI DAN REGRESI GANDA Disusu oleh : 1. Rudii mulya ( 41610010035 ). Falle jatu awar try ( 41610010036 ) 3. Novia ( 41610010034 ) Tekik Idustri Uiversitas Mercu Buaa Jakarta 010 Rudii
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 85-88 Latiha 1 Pelajari data dibawah ii, tetuka depede da idepedet variabel serta a. Hitug Sum of for Regressio (X) b. Hitug
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI III.1 Peambaga Teks (Text Miig) Text Miig memiliki defiisi meambag data yag berupa teks dimaa sumber data biasaya didapatka dari dokume, da tujuaya adalah mecari kata-kata yag dapat
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Saham Saham adalah surat berharga yag dapat dibeli atau dijual oleh peroraga atau lembaga di pasar tempat surat tersebut diperjualbelika. Sebagai istrumet ivestasi, saham memiliki
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciBAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
Lebih terperinciBAB I PENDAHULUAN. X Y X Y X Y sampel
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Aalisis regresi merupaka metode aalisis data yag meggambarka hubuga atara variabel respo dega satu atau beberapa variabel prediktor. Aalisis regresi tersebut
Lebih terperinciBAB II METODOLOGI PENELITIAN. kualitatif. Kerangka acuan dalam penelitian ini adalah metode penelitian
BAB II METODOLOGI PEELITIA 2.1. Betuk Peelitia Betuk peelitia dapat megacu pada peelitia kuatitatif atau kualitatif. Keragka acua dalam peelitia ii adalah metode peelitia kuatitatif yag aka megguaka baik
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Peelitia Peelitia ii megguaka metode peelitia Korelasioal. Peelitia korelasioaal yaitu suatu metode yag meggambarka secara sistematis da obyektif tetag hubuga atara
Lebih terperinciPENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA
PENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA V. M. Vidya *, Bustami, R. Efedi Mahasiswa Program S Matematika Dose Jurusa Matematika
Lebih terperinciIV. METODE PENELITIAN. berdasarkan tujuan penelitian (purposive) dengan pertimbangan bahwa Kota
IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia ii dilaksaaka di Kota Bogor Pemiliha lokasi peelitia berdasarka tujua peelitia (purposive) dega pertimbaga bahwa Kota Bogor memiliki jumlah peduduk yag
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1.Tempat da Waktu Peelitia ii dilakuka di ligkuga Kampus Aggrek da Kampus Syahda Uiversitas Bia Nusatara Program Strata Satu Reguler. Da peelitia dilaksaaka pada semester
Lebih terperinciFORECASTING (Peramalan)
FORECASTING (Peramala) PENDAHULUAN Forecastig adalah ramala tetag apa yag aka terjadi dimasa yag aka datag. Forecast Demad atau peramala permitaa mejadi dasar yag sagat petig dalam perecaaa suatu keputusa
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Maajeme risiko merupaka salah satu eleme petig dalam mejalaka bisis perusahaa karea semaki berkembagya duia perusahaa serta meigkatya kompleksitas aktivitas perusahaa
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena
7 BAB III METODE PENELITIAN A. Jeis Peelitia Peelitia ii merupaka jeis peelitia deskriptif-kuatitatif, karea melalui peelitia ii dapat dideskripsika fakta-fakta yag berupa kemampua siswa kelas VIII SMP
Lebih terperinciII. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang
II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori
Lebih terperinciBAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.
BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder
Lebih terperinciUkuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus
-Mar- Ukura Pemusata Pertemua STATISTIKA DESKRIPTIF Statistik deskripti adalah pegolaha data utuk tujua medeskripsika atau memberika gambara terhadap obyek yag diteliti dega megguaka sampel atau populasi.
Lebih terperinciBAB III METODE PENELITIAN
36 BAB III METODE PENELITIAN A. Racaga Peelitia 1. Pedekata Peelitia Peelitia ii megguaka pedekata kuatitatif karea data yag diguaka dalam peelitia ii berupa data agka sebagai alat meetuka suatu keteraga.
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Disai Peelitia Tujua Jeis Peelitia Uit Aalisis Time Horiso T-1 Assosiatif survey Orgaisasi Logitudial T-2 Assosiatif survey Orgaisasi Logitudial T-3 Assosiatif survey Orgaisasi
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia Daerah peelitia adalah Kota Bogor yag terletak di Provisi Jawa Barat. Pemiliha lokasi ii berdasarka pertimbaga atara lai: (1) tersediaya Tabel Iput-Output
Lebih terperinciModel Trend untuk Peramalan Jumlah Penduduk Studi kasus pada Pertumbuhan Penduduk Kabupaten Gowa
JTRISTE, Vol., No., Oktober 015, pp. 46~5 ISSN: 355-3677 Model Tred utuk Peramala Jumlah Peduduk Studi kasus pada Pertumbuha Peduduk Kabupate Gowa Sistem Iformasi, STMIK Kharisma Makassar rahmawati@kharisma.ac.id
Lebih terperinciIII. METODELOGI PENELITIAN
III. METODELOGI PENELITIAN A. Metode Peelitia Metode peelitia merupaka suatu cara tertetu yag diguaka utuk meeliti suatu permasalaha sehigga medapatka hasil atau tujua yag diigika, meurut Arikuto (998:73)
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pegertia Peramala Statistik merupaka salah satu cabag ilmu pegetahua yag palig bayak medapatka perhatia da dipelajari oleh ilmua dari hampir semua ilmu bidag pegetahua, terutama
Lebih terperinciB a b 1 I s y a r a t
34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat
Lebih terperinciMETODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa
19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh
Lebih terperinciMANAJEMEN RISIKO INVESTASI
MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciPerbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling
Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI MIA SMA Negeri 5
III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas I MIA SMA Negeri 5 Badar Lampug Tahu Pelajara 04-05 yag berjumlah 48 siswa. Siswa tersebut
Lebih terperinciProsiding Manajemen ISSN:
Prosidig Maajeme ISSN: 2460-7187 Aalisis Peramala Pejuala dega Megguaka Metode Sigle Movig Average, Weighted Movig Average da Expoetial Smoothig Sebagai Dasar Perecaaa Produksi Polo Shirt Pria (Studi Kasus
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciAplikasi Pengenalan Pola pada Citra Bola Sebagai Dasar Pengendalian Gerakan Robot
Jural Emitor Vol.16 No. 02 ISSN 1411-8890 Aplikasi Pegeala Pola pada Citra Bola Sebagai Dasar Pegedalia Geraka Robot Ratasari Nur Rohmah Jurusa Tekik Elektro Uiversitas Muhammadiyah Surakarta (UMS) Surakarta,
Lebih terperinciBAB 1 PENDAHULUAN. Bagi Negara yang mempunyai wilayah terdiri dari pulau-pulau yang dikelilingi lautan,
BAB 1 PENDAHULUAN 1.1 Latar Belakag Bagi Negara yag mempuyai wilayah terdiri dari pulau-pulau yag dikeliligi lauta, laut merupaka saraa trasportasi yag dimia, sehigga laut memiliki peraa yag petig bagi
Lebih terperinciPENGEMBANGAN MODEL ANALISIS SENSITIVITAS PETA KENDALI TRIPLE SAMPLING MENGGUNAKAN UTILITY FUNCTION METHOD
Semiar Nasioal Iformatika 5 (semasif 5) ISSN: 979-8 UPN Vetera Yogyakarta, 4 November 5 PENGEMBANGAN MODE ANAISIS SENSITIVITAS PETA KENDAI TRIPE SAMPING MENGGUNAKAN UTIITY FUNCTION METHOD Juwairiah ),
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-31
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 202) ISSN: 230-928X D-3 Optimasi Multirespo Metode Taguchi dega Pedekata Quality Loss Fuctio (Study Kasus Proses Pembakara CO da Temperatur Gas Buag Pada Boiler
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciBAB III METODE PENELITIAN
22 BAB III METODE PENELITIAN 3.1. Metode Peelitia Pada bab ii aka dijelaska megeai sub bab dari metodologi peelitia yag aka diguaka, data yag diperluka, metode pegumpula data, alat da aalisis data, keragka
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI DECISION SUPPORT SYSTEM (DSS) UNTUK PREDIKSI PERMINTAAN KEBUTUHAN BERAS SECARA MULTIUSER
ISSN : 2338-4018 PERANCANGAN DAN PEMBUATAN APLIKASI DECISION SUPPORT SYSTEM (DSS) UNTUK PREDIKSI PERMINTAAN KEBUTUHAN BERAS SECARA MULTIUSER Agik Damai Istato (agik_damai@yahoo.co.id) Muhammad Hasbi (mhasbi@sius.ac.id)
Lebih terperinciAPLIKASI MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK PERAMALAN PASANG SURUT DI AIR LAUT (study kasus Pelabuhan Tanjung Buton Siak)
APLIKASI MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK PERAMALAN PASANG SURUT DI AIR LAUT (study kasus Pelabuha Tajug Buto Siak) Fitria Sari Mahasiswa Jurusa Tekik Sipil S1 Fakultas Tekik Uiversitas
Lebih terperinciESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika
Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu
Lebih terperinciInflasi dan Indeks Harga I
PERTEMUAN 1 Iflasi da Ideks Harga I 1 1 TEORI RINGKAS A Pegertia Agka Ideks Agka ideks merupaka suatu kosep yag dapat memberika gambara tetag perubaha-perubaha variabel dari suatu priode ke periode berikutya
Lebih terperinciAplikasi Active Power Filter Tiga Fasa Tipe Seri Berbasis Jaringan Syaraf Tiruan Untuk Mengatasi Sumber Tegangan Yang Terdistorsi
PAPER ID : 096 Aplikasi Active Power Filter Tiga Fasa Tipe Seri Berbasis Jariga Syaraf Tirua Utuk Megatasi Sumber Tegaga Yag Terdistorsi Hay H. Tumbelaka 1), Thiag 2), Marseli 3) 1,2,3) Jurusa Tekik Elektro
Lebih terperinciBAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28
5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Alat terapi ini menggunakan heater kering berjenis fibric yang elastis dan
BAB IV HASIL DAN PEMBAHASAN 4.1. Spesifikasi Alat Alat terapi ii megguaka heater kerig berjeis fibric yag elastis da di bugkus dega busa, pasir kuarsa, da kai peutup utuk memberi isolator terhadap kulit
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciUniversitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas
Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga REGRESI DAN KORELASI Statistika da Probabilitas Kurva Regresi Mecari garis/kurva yag mewakili seragkaia titik data Ada dua cara utuk
Lebih terperinciBAB III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN A. Metode Peelitia Metode peelitia adalah suatu cara ilmiah utuk medapatka data dega tujua tertetu. Peelitia yag megagkat judul Efektivitas Tekik Permaia Pioy Heyo dalam
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Lokasi da Waktu Pegambila Data Pegambila data poho Pius (Pius merkusii) dilakuka di Huta Pedidika Guug Walat, Kabupate Sukabumi, Jawa Barat pada bula September 2011.
Lebih terperinciPemilihan Ketua BEM Fakultas Teknik UN PGRI Kediri menggunakan Metode ELECTRE
Pemiliha Ketua BEM Fakultas Tekik UN PGRI Kediri megguaka Metode ELECTRE Nalsa Citya Resti Sistem Iformasi, Fakultas Tekik, Uiversitas Nusatara PGRI Kediri E-mail: alsacitya@upkediri.ac.id Abstrak salah
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PEGAWAI TERBAIK DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) (STUDI KASUS: PARKIR INAP MOTOR P-24 YOGYAKARTA)
ISBN: 978-602-73690-8-5 SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PEGAWAI TERBAIK DENGAN METODE SIMPLE ADDITIVE WEIGHTING (SAW) (STUDI KASUS: PARKIR INAP MOTOR P-24 YOGYAKARTA) Clara Hetty Primasari* Program
Lebih terperinci