PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY
|
|
- Lanny Chandra
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 Abstrak Metode Artfcal Bee Colony (ABC) merupakan salah satu metode swarm yang mengadops karakterstk dar kolon lebah madu dalam proses pencaran sumber makanan/solus. Yang dmaksud suatu sumber makanan dalam metode ABC merupakan suatu solus yang dhaslkan oleh kelompok lebah. Dalam metode ABC kolon lebah truan dbag menad tga kelompok yatu lebah penelaah (scout), lebah pekera (employed bee), dan lebah penunggu sarang (onlooker bee). Lebah penelaah memlk peranan pentng dalam menentukan sumber makanan awal dar kolon lebah pekera. Dsampng berperan dalam fase awal pada metode ABC, kelompok lebah n uga berperan pentng dalam menentukan sumber makanan baru ketka performa dar sumber makanan tdak mengalam penngkatan dalam umlah fase tertentu. Dalam metode ABC perlaku lebah penelaah dalam penentuan sumber makanan dlakukan dengan cara randomsas solus pada ruang pencaran sehngga hal n serngkal menyebabkan hasl dar pencaran lebah penelaah auh dar poss. Metode forgy merupakan salah satu metode yang dapat dgunakan dalam penentuan ttk solus awal yang telah terbukt lebh bak ka dbandngkan dengan randomsas. Dalam peneltan n dlakukan penerapan metode forgy untuk merubah karakterstk lebah penelaah dalam melakukan pencaran sumber makanan baru. U coba peneltan n dlakukan pada permasalahan klastersas data dengan memanfaatkan lma buah dataset. Knera metode ABC dengan penerapan metode forgy n telah dbandngkan dengan metode ABC. Dar hasl peneltan ddapatkan hasl dmana metode ABC dengan penerapan metode forgy n telah berhasl mengoptmalkan poss ttk pusat klaster ABC. Nla fungs tuuan yang dhaslkan dar penerapan metode forgy n uga relatf stabl. Hal n dbuktkan dengan perolehan nla standar devas yang relatf kecl. Kata kunc: Metode Forgy, Artfcal Bee Colony, Klastersas Data. PENDAHULUAN Dalam beberapa tahun terakhr, peneltan tentang metode kecerdasan yang berbass pada perlaku kehdupan kelompok hewan (swarm) telah banyak mendapat perhatan oleh para lmuwan. Dar sudut pandang Bonebeau, kecerdasan swarm ddefnskan sebaga suatu pemodelan untuk pemecahan masalah terdstrbus (dstrbuted problem-solvng) dengan menggunakan perlaku pengorgansasan dr (self-organze) dar kolon serangga sosal [1]. Dua konsep dasar untuk knera kolektf swarm yatu organsas dr (self-organzaton) dan pembagan kera. Kedua konsep n dperlukan sebaga propert untuk mendapatkan perlaku kecerdasan swarm, sepert halnya sstem pemecahan masalah terdstrbus (dstrbuted problem solvng), yang mengatur drnya sendr dan beradaptas dengan lngkungan tertentu. Salah satu contoh dar swarm adalah ISSN :
2 Jurnal Ilmu Komputer - Volume 6 - No 1 Aprl 2013 kawanan lebah yang mengerubung sarang dan perlakunya dalam mencar sumber makanan (foragng behavour). Salah satu metode yang mengadops perlaku lebah madu adalah Artfcal Bee Colony (ABC). Dalam konsep ABC kolon lebah truan dbag menad tga kelompok yatu lebah penelaah (scout), lebah pekera (employed bee), dan lebah penunggu sarang (onlooker bee) [2]. Lebah penelaah merupakan fase pertama yang dalankan metode ABC dalam pemecahan suatu permasalahan. Lebah penelaah n akan menghaslkan solus awal yang akan dekploras lebh auh oleh lebah pekera maupun lebah penunggu sarang. Pada saat terdapat suatu sumber makanan/solus yang tdak dapat dperbak kualtasnya dalam beberapa fase tertentu, maka peranan lebah penelaah akan dmula kembal. Kelompok lebah n akan mencar solus baru ke seluruh ruang pencaran secara acak. Karakterstk lebah penelaah dalam pencaran solus n serngkal menghaslkan solus yang auh dar optmal sehngga membutuhkan umlah teras yang relatf lama untuk mencar konvergens ke arah solus optmal. Hal n membutuhkan modfkas karakterstk lebah n agar mampu menghaslkan solus awal dalam metode ABC yang dapat mempercepat proses penemuan solus optmal dar permasalahan yang ada. Dalam peneltan n akan dlakukan modfkas perlaku lebah penelaah pada metode ABC dengan mengadops karakterstk salah satu metode nsalsas yatu metode forgy. Performa metode forgy n telah terbukt lebh bak darpada teknk randomsas basa [3]. Hal n yang menad acuan penerapan karakterstk forgy ke dalam perlaku lebah penelaah dalam metode ABC. U coba performa metode pada peneltan n dlakukan pada kasus klastersas data yang melbatkan lma buah dataset. ARTIFICIAL BEE COLONY Metode/algortmaABC n menggunakan perlaku cerdas (ntellgent behavour) dar sekawanan lebah madu berupa perlaku mencar makan[5]. Metode n dperkenalkan oleh Karaboga pada tahun Separuh bagan pertama dar kolon terdr dar lebah pekera dan separuh bagan kedua mencakup lebah onlooker. Metode ABC n dapat dgambarkan sepert pada Gambar 1. Gambar 1. Metode ABC ISSN :
3 Jurnal Ilmu Komputer - Volume 6 - No 1 Aprl 2013 Metode ABC dawal dengan fase lebah penelaah untuk mencar sumber makanan awal (solus awal) secara random Tap solus x dmana = 1, 2,..., SN (umlah solus sumber makanan) merupakan sebuah vektor dmens D. D adalah umlah parameter yang doptmas. Setelah tahapan nsalsas selesa maka penentuan populas dar poss solus berkutnya ddapat melalu sklus yang berulang, C = 1, 2,..., MCN. Pada akhr setap sklus, lebah pekera akan melakukan penghtungan nla ftness (nla nektar) dar solus yang dhaslkan dan lebah pekera membag nformas nektar dan nformas tentang poss mereka dengan lebah penunggu d dancng area. Nla ftness dapat dcar dengan persamaan ft 1 f Varabel f merupakan nla cost functon dar solus. Lebah penunggu mengevaluas nformas yang dambl dar semua lebah pekera dan memlh sumber makanan dengan probabltas yang sesua umlah nektarnya. Sepert kasus lebah pekera, lebah penunggu uga menghaslkan modfkas pada poss sumber makanan (solus) dalam memornya dan memerksa umlah nektar dar kanddat sumber makanan yang baru. Jka nla nektar lebh tngg dar sebelumnya, lebah akan mengngat poss yang baru tersebut dan melupakan poss yang lama. Lebah penunggu memlh sumber makanan berdasarkan pada nla probabltas p dengan menggunakan metode roulette wheel (2.1) selecton persamaan 2.2. [6]. Nla p n dhtung melalu p SN ft 1 Dalam menghaslkan kanddat poss makanan baru, ABC menggunakan persamaan 2.3. v x ft ( x xk Nla k {1, 2,..., SN} dengan {1, 2,.., D} adalah ndeks yang dplh secara random. Meskpun k dtentukan secara random, namun k harus berbeda dar. adalah sebuah blangan random antara [-1,1], yang mengontrol produks poss sumber makanan tetangga d sektar x Sumber makanan yang dtnggalkan oleh lebah pekera, dgantkan dengan sumber makanan baru oleh lebah scout. Dalam metode ABC, ka sebuah poss sumber makanan tdak dapat dtngkatkan lebh lanut melalu seumlah sklus (cycle) yang telah dtetapkan (lmt), maka sumber makanan tersebut dasumskan untuk dtnggalkan. Hal n dsmulaskan dengan menghaslkan poss sumber makanan baru secara random untuk menggantkan poss sumber makanan yang dtnggalkan. Msal sumber makanan yang dtnggalkan adalah x dan {1, 2,..., D}, maka lebah scout akan mencar sumber makanan baru untuk dgant dengan x. Operas n dlakukan dengan menggunakan persamaan 2.4. x x mn rand[0,1]( x max ) x mn Setelah masng-masng kanddat poss sumber makanan v dproduks dan devaluas ) (2.2) (2.3) (2.4) ISSN :
4 oleh lebah pekera, nla ftnesnya dbandngkan dengan x. Jka sumber makanan baru mempunya nektar yang sama atau lebh bak darpada sumber yang lama, maka sumber yang lama tersebut akan dgantkan dengan yang baru dalam memor, ka tdak maka yang lama dpertahankan. Dengan kata lan, rnekansme greedy selecton dgunakan sebaga operas seleks antara sumber makanan saat n dan sumber makanan yang lama. METODE FORGY PADA LEBAH PENJELAJAH Dalam hal klastersas data metode forgy merupakan salah satu metode yang serng kal dgunakan untuk nsalsas ttk pusat klaster. Sepert halnya dalam peneltan yang dlakukan Pena, pendekatan forgy dterapkan pada fase nsalsas ttk pusat klaster pada metode K- Means [2]. Dalam langkah awal metode forgy, ttk klaster dtentukan dengan memlh K buah data sebaga ttk pusat awal pada metode forgy. Proses pembaharuan ttk pusat d setap teras dalam metode n dlakukan dengan mencar rata-rata dar arak data dalam klaster pada suatu ttk pusat. Iteras pencaran ttk pusat akan terhent ketka nla fungs tuuan telah memenuh nla threshold tertentu. Metode forgy dapat dgambarkan sebaga berkut, msal X = {x = 1,..., n} merupakan suatau hmpunan n ttk berdmens d yang akan dklasterkan kedalam K klaster C = {c k k = 1,..., K}. Metode forgy menemukan suatu parts/klaster sedemkan hngga nla squared error antara ttk tengah (mean) dar suatu klaster ke smua ttk data klaster tersebut merupakan nla mnmum. Msalkan k adalah rata-rata dar klaster c k yang ddapat dar persamaan 2.5. k 1 n x k x c k Dmana n k merupakan umlah elemen pada c k.squared error antara k dan seluruh data pada klaster c k ddasarkan pada arak Eucldean antara ttk yang ada dengan pusat klasternya, squared error tersebut ddefnskan sebaga berkut: J( c k ) x k x c k Fungs tuuan (obectve functon) dar metode forgy dalam permasalahan klastersas data adalah memnmukan total squared error dar seluruh klaster. Fungs tuuan n uga dsebut sebaga clusterng crteron [3] dan uga sebaga cost functon [4] dalam penemuan solus optmal. Adapun formula dar tuuan n adalah : J( C) x K k 1 x ck k 2 Solus pada metode KM adalah terbentuknya klaster-klaster dengan nla J(C) yang mnmum. Apabla metode forgy n dterapkan pada karakterstk lebah penelaah pada metode ABC maka tahapan pencaran ttk pusat baru oleh lebah penelaah akan dlakukan sesua dengan tahapan pada metode forgy yatu : 2 (2.5) ISSN :
5 Jurnal Ilmu Komputer - Volume 6 - No 1 Aprl Insalsas seumlah K ttk pusat klaster awal dengan memlh salah satu data pada dataset sebaga ttk pusat. 2. Klasterkan setap obyek yang ada sesua arak terdekat ke pusat klaster yang ada. 3. Perbak nla semua pusat klaster 4. Ulang langkah 2 dan 3 sampa nla semua pusat klaster tdak ada perubahan. dukan. Kesmpulan knera dar metode akan ddapatkan melalu nla rata-rata (mean) dan standar devas dar 10 percobaan tersebut. Tabel 1 merupakan hasl rata-rata dan standar devas dar percobaan yang telah dlakukan, Dar hasl peneltan dengan melbatkan empat data set ddapatkan hasl bahwa metode forgy cukup berperan dalam menngkatkan performa dar metode ABC. Hal n terlhat dar hasl DATA Dataset yang dgunakan dalam peneltan n terdr dar dataset Irs, Wsconsn Breast peneltan yang menunukkan nla fungs tuuan dar penerapan metode forgy unggul dbandngkan dengan metode ABC standar. Cancer (Cancer), Contraceptve Method Dar hasl peneltan n dapat dlhat bahwa Choce (CMC), dan Wne. Data dalam peneltan dambl dar UCI Machne Learnng Repostory (ftp://ftp.cs.uc.edu./pub/machnelearnng-databases/). Informas umlah ftur, kelas, dan data dapat dlhat pada Tabel 1. Tabel 1. Pembagan Data Set Jumlah Data Dataset Ftur Kelas Tranng Testng penerapan metode forgy dapat mengoptmalkan poss ttk pusat klaster dar metode ABC. Nla fungs tuuan yang dhaslkan dar penerapan metode forgy n uga relatf stabl. Hal n dbuktkan dengan perolehan nla standar devas yang relatf kecl. Irs Cancer CMC Wne HASIL Pada peneltan n, untuk mendapatkan nla performa dar penerapan metode forgy pada karakterstk lebah penelaah dar metode ABC n dgunakan dua tolak ukur yatu nla fungs tuuan dar permasalahan klastersas data dan waktu yang dbutuhkan. Untuk mendapatkan kesmpulan akhr hasl klastersas menggunakan metode-metode yang ada, maka u coba klastersas dlakukan sebanyak 10 kal untuk tap dataset yang ISSN :
6 Tabel 2. Rata-rata dan Standar Devas Hasl U Coba Fungs Tuuan Waktu Dataset Pengukuran Forgy Forgy ABC ABC ABC ABC Irs Mean 187, ,2321 6,3087 5,2788 Std. Dev. 0,106 10,9068 0,1551 0,3053 Cancer Mean 30671, , , ,5055 Std. Dev ,8019 0,0783 0,1784 Cmc Mean 1248, , , ,9018 Std. Dev. 8,223 65,7988 3,3032 0,2949 Wne Mean 87, , , ,7268 Std. Dev. 0,168 4,6559 0,4702 0,1843 Dar ss pengukuran waktu yang dbutuhkan ddapat hasl bahwa metode penerapan metode forgy pada metode ABC membuat waktu yang dperlukan metode ABC menad lebh banyak. Tetap ka dlhat dar hasl waktu eksekus untuk forgy ABC terlhat bahwa perbedaan waktunya relatf kecl sehngga dapat dkatakan bahwa penerapan metode forgy mash tetap sangat bermanfaat dengan melhat nla fungs tuuan (yang merupakan tolak ukur utama) dar penerapan forgy yang selalu lebh bak dar metode ABC basa. Meskpun demkan perbedaan waktu proses n haruslah mendapat perhatan untuk dlakukan peneltan lanutan untuk dapat menngkatkan efsens waktu eksekus. dhaslkan dar metode ABC. Hal n dbuktkan dar seluruh hasl ucoba dataset yang menunukkan nla fungs tuuan (obectve functon) dar penerapan metode forgy n lebh kecl dbandngkan dengan hasl yang ddapat dar metode ABC standar. Nla fungs tuuan yang dhaslkan dar penerapan metode forgy n uga relatf stabl. Hal n dbuktkan dengan perolehan nla standar devas yang relatf kecl. Penerapan metode forgy pada ABC membutuhkan waktu yang lebh lama ka dbandngkan dengan metode ABC standar, sehngga hal n merupakan suatu kelemahan dar penerapan n. Optmas waktu yang dbutuhkan dar penerapan metode forgy n akan menad fokus peneltan selanutnya. KESIMPULAN Dalam peneltan n telah dlakukan penerapan metode forgy pada perlaku lebah penelaah dalam metode Artfcal Bee Colony. Penerapan metode forgy n telah berhasl mengoptmalkan poss ttk pusat klaster yang REFERENSI [1] Bonabeau, E., Dorgo, M., dan Theraulaz, G. (1999), Swarm Intellgence: from Natural to Artfcal Systems, Oxford Unv. Press, New York. [2] Karaboga, D. (2005), "An Idea Based on Honey Bee Swarm for Numercal ISSN :
7 Jurnal Ilmu Komputer - Volume 6 - No 1 Aprl 2013 Optmzaton", Techncal Report-TR06, Ercyes Unversty, Engneerng Faculty, Computer Engneerng Department. [3] Pena, J.M, Lozano, J.A, dan Larranaga, P (1999), "An Emprcal Comparson of Four Intalzaton methods for K-Means Algorthm", Pattern Recognton Letters, Vol 20, hal [4] Khan, S.S. dan Ahmad, A. (2004), Cluster Center Intalzaton Algorthm for K-Means Clusterng, Pattern Recognton Letters, Vol. 25, hal [5] Karaboga, D. (2005), "An Idea Based on Honey Bee Swarm for Numercal Optmzaton", Techncal Report-TR06, Ercyes Unversty, Engneerng Faculty, Computer Engneerng Department. [6] Karaboga, D. dan Basturk (2008), B., "On The Performance of Artfcal Bee Colony ABC Algorthm", Appled Soft Computng, Vol. 8, hal ISSN :
METODE 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 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 terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB 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 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 terperinciILMU KOMPUTER. Daftar Isi : HEALTH INFORMATICS : AN INTRODUCTION... 1 I Made Agus Setiawan
Jurnal ILMU KOMPUTER Volume 6 Nomor 1 April 2013 Daftar Isi : HEALTH INFORMATICS : AN INTRODUCTION... 1 I Made Agus Setiawan PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY...
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciBAB 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 terperinciPENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
Lebih 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 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 terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciBAB 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 terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciOPTIMASI 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 terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih 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 terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciBAB 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 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 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 terperinciBab IV Pemodelan dan Perhitungan Sumberdaya Batubara
Bab IV Pemodelan dan Perhtungan Sumberdaa Batubara IV1 Pemodelan Endapan Batubara Pemodelan endapan batubara merupakan tahapan kegatan dalam evaluas sumberdaa batubara ang bertuuan menggambarkan atau menatakan
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 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 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 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 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 terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB 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 terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB 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. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciOPTIMASI METODE DISCRIMINATIVELY REGULARIZED LEAST SQUARE CLASSIFICATION DENGAN ALGORITMA GENETIKA
Vol. 5, o. 3, Januar 2010 ISS 0216-0544 OPIMASI MEODE DISCRIMIAIVELY REGULARIZED LEAS SQUARE CLASSIFICAIO DEGA ALGORIMA GEEIKA * Arad Retno r Hayat Rrd, ** Agus Zanal Arfn, *** Anny Yunart * Program Stud
Lebih 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 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 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 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 terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciPENGURUTAN DATA. A. Tujuan
PENGURUTAN DATA A. Tuuan Pembahasan dalam bab n adalah mengena pengurutan data pada sekumpulan data. Terdapat beberapa metode untuk melakukan pengurutan data yang secara detl akan dbahas ddalam bab n.
Lebih 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 terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
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 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 terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 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 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 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciSIMULASI OPTIMASI ALIRAN DAYA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAYA OPERASI
ISSN: 1693-6930 167 SIMULASI OPTIMASI ALIRAN DAA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAA OPERASI Subyanto Teknk Elektro Fakultas Teknk Unverstas Neger Semarang Gedung E6 Lt. Kampus Sekaran
Lebih terperinciJULIO ADISANTOSO - ILKOM IPB 1
KOM341 Temu Kembal Informas KULIAH #9 Text Clusterng Clusterng Pengelompokan, penggerombolan Proses pengelompokan sekumpulan obyek ke dalam kelas-kelas obyek yang memlk sfat sama. Unsupervsed learnng JAS
Lebih 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciBAB II 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. 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 terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciMETODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar
Lebih 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. 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 terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
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 terperinciKLASTERISASI DATA IRIS MENGGUNAKAN METODE BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
Program Stud MMT-ITS, Surabaya 23 Ju 2011 LASTERISASI DATA IRIS MENGGUNAAN METODE BERBASIS ARTIFICIAL BEE COLONY DAN -HARMONIC MEANS I Made Wdartha, Agus Zana Arfn, Anny Yunart Jurusan Teknk Informatka,
Lebih terperinciMODEL OPTIMAL SISTEM TRANSPORTASI ANGKUTAN KOTA
ODEL OPTIAL SISTE TRANSPORTASI ANGKUTAN KOTA PRAPTO TRI SUPRIYO Departemen atematka Fakultas atematka dan Ilmu Pengetahuan Alam Insttut Pertanan Bogor Jl erant, Kampus IPB Darmaga, Bogor 16680 Indonesa
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciDIMENSI PARTISI GRAF GIR
Jurnal Matematka UNAND Vol. 1 No. 2 Hal. 21 27 ISSN : 2303 2910 c Jurusan Matematka FMIPA UNAND DIMENSI PARTISI GRAF GIR REFINA RIZA Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam,
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciHUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT
HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT ABSTRAK STEVANY HANALYNA DETHAN Fakultas Ekonom Unv. Mahasaraswat Mataram e-mal : stevany.hanalyna.dethan@gmal.com
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciPEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Studi Kasus : Metode Secant)
PEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Stud Kasus : Metode Secant) Melda panjatan STMIK Bud Darma, Jln.SM.Raja No.338 Sp.Lmun, Medan Sumatera Utara Jurusan Teknk Informatka e-mal : meldapjt.78@gmal.com
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Bab n membahas tentang prosedur pengembangan pembelajaran dan mplementas model Problem Based Learnng dalam pembelajaran Konsep Dasar Matematka, Subjek Peneltan, Teknk dan Instrumen
Lebih terperinciJurnal Ilmiah Widya Teknik Volume 16 Nomor ISSN
Jurnal Ilmah Wdya Teknk Volume 16 Nomor 1 2017 ISSN 1412-7350 PEMODELAN MATEMATIKA UNTUK PERANCANGAN PRODUK LEMARI KABINET Rcky Yulanton Prhandaa, Dan Retno Sar Dew * Jurusan Teknk Industr, Fakultas Teknk,
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 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 terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciPenentuan Letak dan Kapasitas Optimal Bank Kapasitor pada Jaring Transmisi 150 kv Sumatera Utara Menggunakan Artificial Bee Colony Algorithm
JURNAL TEKNIK ITS ol. 5, No. 2, (2016 ISSN: 2337-3539 (2301-9271 rnt A750 enentuan Letak dan Kapastas Optmal Bank Kapastor pada Jarng Transms 150 k Sumatera Utara Menggunakan Artfcal Bee Colony Algorthm
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 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 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 terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinci2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil
.1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)
Lebih terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih 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 III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinci