IV HASIL DAN PEMBAHASAN
|
|
- Vera Cahyadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 7 IV HASIL DAN PEMBAHASAN 4. Pengumpulan Data Data yang dgunakan dalam peneltan n data sekunder yang dperoleh dar rujukan utama jurnal Fuzzy Condtonal Probablty elatons and ther Applcatons n Fuzzy Informaton Systems (Intan dan Mukadono 2004). Data tersebut terdapat pada Tabel, 2, 3, 4, dan ekonstruks FCP dar Dua Hmpunan Fuzzy Salah satu fenomena pada data yang djumpa d lapangan mengandung sesuatu yang tdak akurat dengan derajat keakuratan data yang berbeda. Sebaga contoh, tngg dar Mt. Everest tdak dketahu secara akurat. Msalnya dkatakan bahwa tngg Mt. Everest sektar 8000 meter atau sangat tngg. Bak sektar 8000 meter maupun sangat tngg mempunya derajat keanggotaan yang berbeda dar seg keakuratan. Mungkn saja sektar 8000 meter lebh akurat darpada sangat tngg, atau sebalknya. Derajat keakuratan ddapatkan dengan cara menentukan total ketdaktahuan (TI) ke crsp. TI merepresentaskan data yang tdak akurat dan crsp merepresentaskan data yang akurat. Pada tulsan n, hmpunan fuzzy dgunakan untuk merepresentaskan data yang tdak akurat. Contoh Tabel Derajat Keanggotaan dar Lngustk H dan AP HANGAT (H) ( o C) Derajat Keanggotaan AGAK PANAS (AP) ( o C) Derajat Keanggotaan Msalkan dberkan data temperatur (data tdak akurat) yatu HANGAT (H) dan AGAK PANAS (AP) pada Tabel yang merupakan varabel lngustk. H dan AP mempunya doman crsp yatu Temperatur (T) yang menyatakan derajat Celsus ( o C). a. Pembentukan Hmpunan Fuzzy dan Fungs Keanggotaan Dengan menggunakan defns hmpunan fuzzy pada persamaan (), maka Tabel dapat dnyatakan sebaga dua hmpunan fuzzy, yatu: H = {0.2/24 0 C, 0.5/26 0 C, /28 0 C, /30 0 C, 0.5/32 0 C, 0.2/34 0 C}, AP = {0.5/30 0 C, /32 0 C, /34 0 C, 0.5/36 0 C}. Varabel H dan AP merupakan hmpunan fuzzy dar varabel suhu sehngga ada 2 varabel fuzzy yang dmodelkan, yatu: ) Varabel HANGAT (H), 2) Varabel AGAK PANAS (AP). Varabel HANGAT (H) Varabel H merupakan hmpunan fuzzy karena anggota yang terdapat dalam varabel H memlk nla keanggotaan yang berbeda (kontrbus pada hmpunan tu). Varabel H dapat drepresentaskan dengan kurva trapesum (Trapmf). Fungs keanggotaan H : 0; x 23 atau x 35 ( x 23)/(35 23); 23 x 28 μ HANGAT[ x] = ; 28 x 30 (35 x) /(35 30); 30 x 35 Varabel AGAK PANAS (AP) Varabel AP merupakan hmpunan fuzzy karena anggota yang terdapat dalam varabel AP memlk nla keanggotaan yang berbeda (kontrbus pada hmpunan tu). AP dapat drepresentaskan dengan kurva trapesum (Trapmf). Fungs keanggotaan AP : 0; x 28 atau x 38 ( x 28) /(32 28); 28 x 32 μ AGAKPANAS[ x] = ; 32 x 34 (38 x) /(38 34); 4 x 38
2 8 Derajat Keanggotaan b. Pembentukan Grafk Fungs Keanggotaan Dengan menggunakan software MATLAB 7.0., maka grafk fungs keanggotaan dar varabel H dan AP sebaga berkut : H AP Gambar 3 Fungs Keanggotaan HANGAT (H) dan AGAK PANAS (AP) Menurut fungs keanggotaan, HANGAT (H) lebh past darpada AGAK PANAS (AP) karena nterval T pada H lebh lebar darpada nterval T pada AP sehngga dapat dkatakan bahwa ukuran dar keakuratan menganggap sepert ukuran yang spesfk (Yager 970 dalam Intan dan Mukadono 2004). Oleh sebab tu, derajat kemrpan antara dua data tdak akurat tdak harus smetrs maupun transtf. Karakterstk n termasuk ke dalam FCP. Konsep dar FCP akan dkonsentraskan pada relas kemrpan yang lemah dengan tpe yang spesfk yatu relas fuzzy bner (Intan dan Mukadono 2004). c. Mencar Derajat Kemrpan antara Dua Hmpunan Fuzzy dengan Menggunakan FCP ntuk merekonstruks derajat dar relas kemrpan antara H dan AP, akan dgunakan defns FCP pada persamaan (2) sehngga derajat dar relas kemrpan antara HANGAT (H) dan AGAK PANAS (AP) yang ada pada Tabel dapat dtentukan sebaga berkut : { ˆ ˆ μh d j μap d j } H AP mn ( ), ( ) j ( H, AP), ( ˆ AP μ d ) = = mn(,0.5) + mn(0.5,) + mn(0.2,).2 T ( H, AP) = =, dan HANGAT AGAK PANAS Celsus AP j { ˆ ˆ μap d j μh d j } AP H mn ( ), ( ) j ( AP, H) = =, ( ˆ H μh d j) mn(,0.5) + mn(0.5,) + mn(0.2,).2 T ( AP, H) = = T (H, AP) dan T (AP, H) mempunya nla yang berbeda. T (H, AP) derajat kemrpan AP yang serupa dengan H sedangkan T (AP, H) derajat kemrpan H yang serupa dengan AP. Pendekatan perhtungan menggunakan FCP berguna untuk menentukan derajat dar relas kemrpan antara dua hmpunan fuzzy. Pada sstem nformas fuzzy yang dberkan T (H, AP) T (AP, H) (derajat kemrpan AP yang serupa dengan H lebh besar dar derajat kemrpan H yang serupa dengan AP) sehngga dapat dsmpulkan bahwa derajat kemrpan antara dua hmpunan fuzzy berbeda. Sfat tambahan dar relas peluang bersyarat sebaga berkut : ntuk x, y, z D, maka : j j(, xy) = j(,) yx= x= y, (3) j( y, x) =, j( x, y) < x y, (32) j( x, y) = j( y, x) > 0 x = y (33) j( x, y) < j( y, x) x < y, (34) ( x, y) > 0 ( y, x) > 0, (35) j j j(, x y) j(,) y x > 0, j(,) y z j(, z y) > 0 j( x, z) j( z, x). (36) (Intan dan Mukadono 2000a) 4.3 ekonstruks Konsep α-objek edundan berdasarkan FCP Tabel data fuzzy dnamakan sstem nformas fuzzy yang bers data mengena objek dan atrbut. Beberapa objek mempunya karakterstk yang hampr sama. Oleh karena tu, beberapa objek tersebut dapat danggap sepert objek redundan. Konsep α-objek redundan dtentukan dalam katannya dengan sstem nformas fuzzy dengan memanfaatkan derajat dar dasar kemrpan FCP. Pada sstem nformas klask (crsp), semua data danggap sepert data crsp sehngga derajat kemrpannya 0 atau (berderajat 0 jka data berbeda, dan berderajat jka data sama). Dengan kata yang lan, setap data
3 9 memlk kemrpan masng-masng. Defns relas denttas dgunakan untuk merepresentaskan relas antar data. Contoh 2 Tabel 2a memperlhatkan sstem nformas dar reproduks hewan I(, A), dengan = {u, u 2, u 3 }, dan A = {nama hewan (d), reproduks (r)}, Tabel 2a eproduks Hewan Nama Hewan (d) eproduks (r) u Kuda Melahrkan u 2 Mamala Melahrkan u 3 Burung Bertelur Defns α-objek redundan pada persamaan (3) dapat dgunakan untuk membuktkan bahwa salah satu objek sudah tercakup dalam objek yang lannya, objek yang sudah tercakup tu dnamakan dengan objek redundan. Pada Tabel 2a akan dbuktkan bahwa u objek redundan karena u sudah tercakup pada u 2 (kuda termasuk ke dalam grup mamala). Andakan derajat α ={, }, dengan α d = dan α r = maka akan dtentukan kemrpan dar data dengan FCP. Atrbut nama hewan Pada atrbut nama hewan, terdapat tga buah objek yang berbeda. Menurut teorema permutas apabla ada tga buah objek yang berbeda maka banyaknya permutas (susunan berbeda) dar tga buah objek yang berbeda tersebut jka dambl r buah objek tersebut : 3! P(3,2) = = 6 relas, (3 2)! elas tersebut :. d (d(u ),d(u 2 )) = d (kuda, mamala), 2. d (d(u 2 ),d(u )) = d (mamala, kuda), 3. d (d(u ),d(u 3 )) = d (kuda, burung), 4. d (d(u 3 ),d(u )) = d (burung, kuda), 5. d (d(u 2 ),d(u 3 )) = d (mamala, burung), 6. d (d(u 3 ),d(u 2 )) = d (burung, mamala). d (d(u ),d(u 2 )) = d (kuda, mamala) = P( mamala kuda), dengan menggunakan fuzzy proposton (Klr dan Yuan 995) relas tersebut dnyatakan sebaga berkut : p : IF mamala ( benar) THEN kuda ( benar), Tetap n belum tentu benar karena mamala bukan bagan dar kuda, ( mamala (hewan) = kuda) salah. d (d(u 2 ),d(u )) = d (mamala, kuda) = P( kuda mamala) =, Atau dengan menggunakan konds fuzzy proposton (Klr dan Yuan 995), relas tersebut dapat dnyatakan sebaga: p : IF kuda ( benar) THEN mamala ( benar), In tentunya benar karena kuda merupakan bagan dar mamala, ( kuda (hewan) = mamala) benar. d (d(u ),d(u 3 )) = d (kuda, burung) = P( burung kuda), dengan menggunakan fuzzy proposton (Klr dan Yuan 995) relas tersebut dnyatakan sebaga berkut : p : IF burung ( benar) THEN kuda ( benar), Tetap n belum tentu benar karena burung bukan bagan dar kuda, ( burung (hewan) = kuda) salah. d (d(u 3 ),d(u )) = d (burung, kuda) = P( kuda burung), dengan menggunakan fuzzy proposton (Klr dan Yuan 995) relas tersebut dnyatakan sebaga berkut : p : IF kuda ( benar) THEN burung ( benar), Tetap n belum tentu benar karena kuda bukan bagan dar burung, ( kuda (hewan) = burung) salah. d (d(u 2 ),d(u 3 )) = d (mamala, burung) = P( burung mamala), dengan menggunakan fuzzy proposton (Klr dan Yuan 995) relas tersebut dnyatakan sebaga berkut : p : IF burung ( benar) THEN mamala ( benar), Tetap n belum tentu benar karena burung bukan bagan dar mamala, ( burung (hewan) = mamala) salah.
4 0 d (d(u 3 ),d(u 2 )) = d (burung, mamala) = P( mamala burung), dengan menggunakan fuzzy proposton (Klr dan Yuan 995) relas tersebut dnyatakan sebaga berkut : p : IF mamala ( benar) THEN burung ( benar), Tetap n belum tentu benar karena burung bukan bagan dar mamala, ( mamala (hewan) = burung) salah. Atrbut reproduks Pada atrbut reproduks, terdapat dua buah objek yang berbeda. Menurut teorema permutas apabla ada dua buah objek yang berbeda maka banyaknya permutas (susunan berbeda) dar dua buah objek yang berbeda tersebut jka dambl dua buah objek tersebut : 2! P(2,2) = = 2 relas, (2 2)! elas tersebut :. r (r(u ),r(u 3 )) = d (melahrkan, bertelur), 2. r (r(u 3 ),r(u )) = d (bertelur, melahrkan). r (r(u ),r(u 3 )) = d (melahrkan, bertelur) = P( bertelur melahrkan), dengan menggunakan fuzzy proposton (Klr dan Yuan 995) relas tersebut dnyatakan sebaga berkut : p : IF bertelur ( benar) THEN melahrkan ( benar), Tetap n belum tentu benar karena bertelur bukan bagan dar melahrkan. ( bertelur (hewan) = melahrkan) salah. r (r(u 3 ),r(u )) = d (bertelur, melahrkan) = P( melahrkan bertelur), dengan menggunakan fuzzy proposton (Klr dan Yuan 995) relas tersebut dnyatakan sebaga berkut : p : IF melahrkan ( benar) THEN bertelur ( benar), Tetap n belum tentu benar karena melahrkan bukan bagan dar bertelur. ( melahrkan (hewan) = bertelur) salah. elas-relas pada atrbut nama hewan dan reproduks dapat dlhat sebaga berkut : d (d(u ),d(u 2 )) = d (Kuda, Mamala) = 0, d (d(u 2 ),d(u )) = d (Mamala, Kuda) =, d (d(u 2 ),d(u 3 )) = d (Mamala, Burung) = 0, d (d(u 3 ),d(u 2 )) = d (Burung, Mamala) = 0, d (d(u ),d(u 3 )) = d (Kuda, Burung) = 0, d (d(u 3 ),d(u )) = d (Burung, Kuda) = 0, r (r(u ),r(u 2 )) = r (Melahrkan, Bertelur) = 0, r (r(u 2 ),r(u )) = r (Bertelur, Melahrkan) = 0. elas yang bernla benar (bernla ) relas pada objek yang sama, yatu : d (d(u ),d(u )) = d (kuda, kuda)=, d (d(u 2 ),d(u 2 )) = d (mamala, mamala)=, d (d(u 3 ),d(u 3 )) = d (burung,burung)=, r (r(u ),r(u )) = r (melahrkan melahrkan) =, r (r(u 2 ),r(u 2 )) = r (melahrkan,melahrkan) =, r (r(u ),r(u 2 )) = r (melahrkan,melahrkan) =, r (r(u 2 ),r(u )) = r (melahrkan,melahrkan) =, r (r(u 3 ),r(u 3 )) = r (bertelur, bertelur)=. Oleh karena d (d(u 2 ),d(u )) =, dapat dkatakan bahwa u merupakan objek yang berlebh-lebhan (objek redundan). Hal n sesua dengan persamaan (3) bahwa u objek redundan karena mencakup u 2 (kuda termasuk dalam grup mamala), dengan d (d(u 2 ),d(u ))= d (mamala, kuda)= sehngga u dapat dhlangkan karena merupakan objek redundan (objek yang berlebh-lebhan). Tabel 2a akan berubah menjad Tabel 2b, yatu sebaga berkut : Tabel 2b eproduks Hewan Nama Hewan (d) eproduks (r) u 2 Mamala Melahrkan u 3 Burung Bertelur 4.4 ekonstruks Ketergantungan Atrbut berdasarkan FCP Konsep ketergantungan atrbut perluasan dar konsep ketergantungan fungs fuzzy (FFD). Dapat dkatakan bahwa atrbut dar hmpunan B A bergantung seluruhnya
5 kepada C A jka semua data gabungan pada doman hmpunan atrbut B merupakan penentuan yang khas dengan semua data gabungan pada doman hmpunan atrbut C, dengan A hmpunan semesta dar atrbut. Dengan menggunakan keluarga nla dar persamaan (5) yatu { δ( CB, ) n}, maka derajat ketergantungan C menentukan B dapat ddefnskan menjad tga defns sebaga berkut : (mnmum) δ mn ( C, B) = mn δ ( C, B), n (37) (maksmum) δ max ( CB, ) = max δ( CB, ), n (38) (rata-rata) δ avg ( C, B) = avg δ ( C, B). n (39) Dar defns d atas, akan dperoleh beberapa propert sepert : δmn ( CB, ) = δavg ( CB, ) =, (40) sama halnya dengan, δ mn ( C, B) < δ avg ( C, B) <. (4) (Intan dan Mukadono 2004) Jka δ ( C, B ) =, dapat dkatakan avg bahwa B bergantung total pada C, Jka δ ( C, B ) <, dapat dkatakan avg bahwa B bergantung sebagan (pada derajat δ ( C, B) ) pada C. avg Sama halnya dengan, jka δ ( C, B ) = dapat dkatakan bahwa B bergantung total pada C d objek u, Jka δ ( C, B ) < dapat dkatakan bahwa B bergantung sebagan (pada derajat δ ( C, B) ) pada C d objek u. Konsep ketergantungan atrbut n berhubungan dengan konsep ketergantungan fungs fuzzy dengan adanya fuzzy relatonal database (Intan dan Mukadono 2000). Defns fungs ketergantungan fuzzy (FFD) pada persamaan (6) n memenuh Aksoma Amstrong (Amstrong 974 dalam Intan dan Mukadono 2004) sebaga berkut: Jka B, C, E A dengan A hmpunan semesta dar atrbut, maka :. efleksvtas : B C C B, (42) 2. Augmentas : C B C E B, (43) 3. Transvtas : ( C Bdan B E) C E. (44) (Intan dan Mukadono 2000) Contoh 3 Tabel 3 sstem nformas fuzzy I(, A = { c, c 2, c 3, b }) dengan = {u,,u 8 } hmpunan objek dan A = {c, c 2, c 3, b } hmpunan atrbut, C, B A. Tabel 3 I (, A = {c, c 2, c 3, b }) c c 2 c 3 b u w x y z u 2 w x 2 y 3 z u 3 w 2 x 2 y 3 z 2 u 4 w x y z 2 u 5 w 2 x 2 y z 2 u 6 w x y z u 7 w 2 x 2 y 3 z u 8 w x 2 y 3 z Dar Tabel 3 akan dketahu derajat ketergantungan C menentukan B (B bergantung pada C), dengan C = { c, c2, c3} dan B = {b } dan C, B A. yatu derajat ketergantungan C menentukan B pada objek u. δ ( B, C ) yatu derajat ketergantungan B menentukan C pada objek u. asums : c = w, c 2 = x, c 3 = y, dan b = z. yatu derajat ketergantungan C 2 menentukan B pada objek u 2. δ ( B, C ) yatu derajat ketergantungan B 2 menentukan C pada objek u 2. asums : c = w, c 2 = x 2, c 3 = y 3, dan b = z. yatu derajat ketergantungan C 3 menentukan B pada objek u 3. δ ( B, C ) yatu derajat ketergantungan B 3 menentukan C pada objek u 3. asums : c = w 2, c 2 = x 2, c 3 = y 3, dan b = z 2. yatu derajat ketergantungan C 4 menentukan B pada objek u 4.
6 2 δ ( B, C ) yatu derajat ketergantungan 4 B menentukan C pada objek u 4. asums : c = w, c 2 = x, c 3 = y, dan b = z 2. yatu derajat ketergantungan 5 C menentukan B pada objek u 5. δ ( B, C ) yatu derajat ketergantungan 5 B menentukan C pada objek u 5. asums c = w 2, c 2 = x 2, c 3 = y, dan b = z 2. yatu derajat ketergantungan 6 C menentukan B pada objek u 6. δ ( B, C ) yatu derajat ketergantungan 6 B menentukan C pada objek u 6. asums : c = w, c 2 = x, c 3 = y, dan b = z. yatu derajat ketergantungan 7 C menentukan B pada objek u 7. δ ( B, C ) yatu derajat ketergantungan 7 B menentukan C pada objek u 7. asums : c = w 2, c 2 = x 2, c 3 = y 3, dan b = z. yatu derajat ketergantungan 8 C menentukan B pada objek u 8. δ ( B, C ) yatu derajat ketergantungan 8 B menentukan C pada objek u 8. asums : c = w, c 2 = x 2, c 3 = y 3, dan b = z. Transformas dar Tabel 3 ke masngmasng objek u, u 2, u 3, u 4, u 5, u 6, u 7, dan u 8 terdapat pada Lampran. Dengan menggunakan defns derajat ketergantungan atrbut pada persamaan (5), maka akan ddapatkan derajat ketergantungan C menentukan B pada objek u, u 2, u 3, u 4, u 5, u 6, u 7, dan u 8 sebaga berkut : δ( C, B) = 2 / 3, δ 2( C, B) =, δ3( C, B) = / 2, δ4( C, B) = / 3, δ5( C, B) =, δ6( C, B) = 2 / 3, δ7( C, B) = / 2, δ8( C, B) =. Dengan menggunakan persamaan (37), (38), dan (39) maka : δ mn ( C, B) = / 2, δ max ( C, B) =, dan δ ( C, B) = 7/24. avg Selan tu, hasl dar derajat ketergantungan B menentukan C sebaga berkut : δ( BC, ) = 2 / 5, δ2( BC, ) = 2 / 5, δ3( BC, ) = /3, δ4( BC, ) = /3, δ5( BC, ) = / 3, δ6( BC, ) = 2 / 5, δ7( BC, ) = /5, δ8( BC, ) = 2/5. Selanjutnya, derajat ketergantungan B menentukan C kemudan dsamakan dengan derajat ketergantungan C menentukan B, sehngga : δ ( C, B) δ ( B, C),. Persamaan d atas memenuh persamaan (6) sehngga dapat dsmpulkan bahwa C B (C menentukan B) yang terdapat pada Tabel ekonstruks Pendekatan Data eduks dengan Operator Proyeks. Pendekatan data reduks dengan operator proyeks dgunakan untuk menghaslkan relas d antara hmpunan fuzzy dengan membangun tabel keputusan yang sederhana pada sstem nformas I yang dberkan. Pengertan reduks artnya mereduks sstem nformas fuzzy menjas tabel keputusan yang lebh sederhana dan proyeks artnya proyeks pada hmpunan fuzzy untuk menghaslkan relas d antara dua hmpunan fuzzy. Berdasarkan pada jens doman, atrbut dapat dbag menjad dua kategor :. Atrbut dengan doman hmpunan fuzzy Yatu atrbut dengan doman yang dapat dekspreskan dengan hmpunan fuzzy sepert umur, penghaslan, harga, angka mutu, dan lannya. 2. Atrbut dengan doman hmpunan crsp Yatu atrbut dengan doman yang hanya dapat dekspreskan dengan data crsp sepert nama, kota, dan lannya. a. Proyeks pada elas Sebelum proyeks dlakukan, setap doman hmpunan fuzzy yang akan dproyeks dar relas harus dbuat fuzzy partton terlebh dahulu. Bagan dar fuzzy partton dsebut dengan fuzzy c-partton (Klr dan Yuan 995), dengan c melambangkan angka dar kelas fuzzy yang dpartton. Hasl partton dar hmpunan fuzzy merepresentaskan pendekatan dan pengartan kata dar penggunaan dasar kosa kata secara unversal (Bosc et al. 998). Selanjutnya, relas antara dua hmpunan fuzzy, X dan Y, berhubungan dengan hmpunan atrbut Con dan Dec, yatu dengan
7 3 menggunakan perhtungan derajat ketergantungan atrbut pada relas pada persamaan (2). Persamaan (2) modfkas dar persamaan (5), dengan X dan C pada persamaan (5) menggunakan aturan yang sama. Kemudan dengan defns α-cut, α [0,], akan ddapatkan relas sebagan daerah d antara dua hmpunan atrbut dengan menentukan derajat ketergantungan yang lebh besar atau sama dengan α. Dengan mempertmbangkan relas d antara dua daerah yang derajat ketergantungannya lebh besar atau sama dengan α, akan dbentuk dua relas asmetrs yang dnyatakan pada dua tabel keputusan, dengan kolom atau doman α (Con,Dec) menganggap sepert bobot tuple pada relas. Contoh 4 Tabel 4 Sstem Informas dar Karr E S u 0 MS 400 u 02 SHS 50 u 03 PhD 470 u 04 JHS 200 u 05 ES 25 u 06 SHS 250 u 07 MS 420 u 08 SHS 75 u 09 MS 45 u 0 SHS 275 u N 00 u 2 JHS 300 u 3 BA 350 u 4 SHS 35 u 5 BA 355 u 6 SHS 50 u 7 BA 374 u 8 PhD 500 u 9 ES 25 u 20 JHS 200 u 2 BA 360 u 22 SHS 255 u 23 BA 340 u 24 SHS 250 Dberkan Tabel 4 yang merepresentaskan sstem nformas dar Karr I = (, A = {E, S}) dan relas (E, S). Varabel E dan S merupakan doman hmpunan fuzzy, dengan E penddkan (educaton) dan S penghaslan (salary). Kemudan, akan dproyeks E dan S dar relas dengan tujuan untuk menemukan relas d antara E dan S. Keterangan : le = low educaton (tngkat penddkan rendah), me = medum educaton (tngkat penddkan sedang), he = hgh educaton (tngkat penddkan tngg), ls = low salary (tngkat penghaslan rendah), ms = medum salary (tngkat penghaslan sedang), hs = hgh educaton (tngkat penghaslan tngg), N = Tdak mempunya latar belakang penddkan apapun, ES =Sekolah Dasar (Elementary School), JHS = Sekolah Menengah Pertama (Junor Hgh School), SHS = Sekolah Menengah mum (Senor Hgh School), BA = Strata (Bachelor), MS = Strata 2 (Magster), PhD = Strata 3 (Doctor. Hasl dar partton dar dua atrbut E dan S dasumskan sebaga berkut : Educaton (E) = (le, me, he), Salary (S) = (ls, ms, hs). Dengan defns fuzzy c-partton, fungs keanggotaan hmpunan fuzzy le, me, he, ls, ms, dan hs dapat durakan sebaga berkut : le = {/N, 0.8/ES, 0.5/JHS}, me = {0.2/ES, 0.5/JHS, 0.9/SHS, 0.2/BA}, he = {0./SHS, 0.8/BA, /MS, /PhD}, ls ={/00, 0.5/25}, ms ={0.5/25, /50, /75, /200, /250, 0.9/255, 0.5/275}, hs ={0./255, 0.5/275, /300, /35, /340, /350, /355, /360, /374, /400, /45, /420, /470, /500}. Dengan menggunaan persamaan (4), maka fungs keanggotaan masng-masng objek dar atrbut E dapat sebaga berkut :
8 4 N = {/N, 0/ES, 0/JHS, 0/SHS, 0/BA, 0/MS, 0/PhD}, ES = {0/N, /ES, 0/JHS, 0/SHS, 0/BA, 0/MS, 0/PhD}, JHS = {0/N, 0/ES, /JHS, 0/SHS, 0/BA, 0/MS, 0/PhD}, SHS = {0/N, 0/ES, 0/JHS, /SHS, 0/BA, 0/MS, 0/PhD}, BA = {0/N, 0/ES, 0/JHS, 0/SHS, /BA, 0/MS, 0/PhD}, MS = {0/N, 0/ES, 0/JHS, 0/SHS, 0/BA, /MS, 0/PhD}, PhD = {0/N, 0/ES, 0/JHS, 0/SHS, 0/BA, 0/MS, /PhD}. Derajat kemrpan d antara setap hmpunan fuzzy (hasl fuzzy partton dengan data crsp yang ada pada Tabel 4) akan dhtung dengan menggunakan FCP yang ada pada persamaan (2) dan dapat dlhat d Tabel 5 (perhtungan lhat Lampran). Tabel 5 Derajat Kemrpan dar Karr I = (, A = {E, S}) E S le me he ls ms hs u 0 MS u 02 SHS u 03 PhD u 04 JHS u 05 ES u 06 SHS u 07 MS u 08 SHS u 09 MS u 0 SHS u N u 2 JHS u 3 BA u 4 SHS u 5 BA u 6 SHS u 7 BA u 8 PhD u 9 ES u 20 JHS u 2 BA u 22 SHS u 23 BA u 24 SHS Dengan menggunakan defns derajat ({le}, {ls}) =, ketergantungan fungs fuzzy pada relas pada persamaan (2) akan ddapatkan ({me},{hs}) = 0.27, derajat ketergantungan antara atrbut E dan S (perhtungan lhat Lampran). ({ls},{me}) = 0.04,
9 5 ({hs},{le}) = 0, ({me},{ls}) = 0.20, ({he},{hs}) = 0.75, ({ms},{me}) = 0.7, ({le},{ms}) = 0.6, ({he},{ls}) = 0, ({ls},{he}) = 0, ({hs},{me}) = 0.3, ({me},{ms}) = 0.82, ({ls},{le}) = 0.65, ({ms},{he}) = 0.08, ({le},{hs}) = 0, ({he},{ms}) = 0.09, ({ms},{le}) = 0.48, ({hs},{he}) = Msalkan akan dtetapkan α ( Con, Dec ) 0.2 (derajat ketergantungan lebh besar atau sama dengan 0.2). Terakhr, akan dbentuk dua tabel keputusan yatu Tabel 6 dan Tabel 7 yang merepresentaskan hasl proyeks dengan pendekatan data reduks dar Tabel 4 untuk doman dua hmpunan fuzzy, yatu E (penddkan) dan S (penghaslan). = (, S, E,0.2 ( S, E )) Tabel 6 S E 0.2 (S, E) u ls le.00 u 2 ls me 0.20 u 3 ms me 0.82 u 4 hs me 0.27 u 5 hs he 0.75 Tabel 6 menyatakan konds yatu S dan keputusan yatu E. 2 = (, E, S,0.2 ( E, S )) Tabel 7 E S 0.2 (E, S) u le ls 0.65 u 2 le ms 0.48 u 3 me ms 0.7 u 4 me hs 0.3 u 5 he hs 0.94 Tabel 7 menyatakan konds yatu E dan keputusan yatu S. Dar Tabel 6 dan Tabel 7 dapat dkatakan bahwa seseorang yang menerma S (penghaslan) yang tngg, maka E (penddkan) yang dmlknya juga tngg. In yang dsebut dengan fuzzy ntegrty constrant (FIC). Selan tu, hmpunan fuzzy dapat dgunakan untuk merepresentaskan relas pada Tabel 6 dan Tabel 7 yatu dengan fuzzy proposton (Klr dan Yuan 995) yatu pada konteks relas, proposs p dapat drepresentaskan dalam salah satu kanonk (bentuk yang resm) : p : IF Con X, THEN Dec Y IS ( X, Y ), (45) atau bentuk kanonk lannya, p : P(Dec Y Con X) yatu ( X, Y ), (46) dengan X, Y bagan dar hmpunan fuzzy pada dom(con), dom(dec), dan P(Dec Y Con X) peluang bersyarat. Tabel 6 dan Tabel 7 dekspreskan dengan menggunakan fuzzy proposton pada ekspres (45) sebaga berkut : IF S = ls THEN E = le IS.00, IF E = le THEN S = ls IS 0.65, IF S = ls THEN E = me IS 0.20, IF E = le THEN S = ms IS 0.48, IF S = ms THEN E = me IS 0.82, IF E = me THEN S = ms IS 0.7, IF S = hs THEN E = me IS 0.27, IF E = me THEN S = hs IS 0.3, IF S = hs THEN E = he IS 0.75, IF E = he THEN S = hs IS IF konds, THEN keputusan, dan IS derajat ketergantungan konds menentukan keputusan. Fuzzy proposton d atas dapat danggap sebaga aturan keputusan dengan adanya sstem keputusan. Hal n
10 6 aplkas knowledge dscovery and data mnng (KDD). Doman skalar pada Tabel 6 dan Tabel 7 yang drepresentaskan dengan hmpunan fuzzy menyatakan sebagan daerah dar atrbut sepert yang dberkan pada fungs keanggotaan. Derajat relas ketergantungan ( ) antara dua hmpunan doman skalar tdak asmetrs. Sebaga contoh, derajat ketergantungan hs dengan dberkan he sama dengan 0.94 sedangkan derajat ketergantungan dar he dengan dberkannya hs sama dengan 0.75, ({hs},{he}) = 0.94, ({he},{hs}) = Dar dua nla asmetrs n dapat dsmpulkan bahwa he hs (he menentukan hs pada sebagan daerah) karena memenuh ϕ({ hs},{ he}) ϕ({ he},{ hs}). Secara verbal dapat dkatakan bahwa seseorang yang mempunya he (penddkan tngg) seharusnya menerma hs (panghaslan tngg) darpada mengatakan seseorang yang menerma hs (penghaslan tngg) seharusnya memlk he (penddkan tngg). In terlhat bahwa hs pada relas he mengambl area yang lebar dar pada he pada relas hs. he tdak mempunya relas kecual relas dengan hs. Hal n berart tdak ada kelayakan dar S untuk seseorang yang mempunya he (kecual seseorang tersebut menerma hs). Pada penanganan yang lan, hs mempunya relas bak he maupun me. Hal n berart bahwa mash mungkn untuk menerma hs bag seseorang yang memlk me, meskpun peluang untuk mendapatkan hs untuk orang yang memlk me lebh rendah darpada untuk orang yang memlk he. Pada duna nyata, relas n dgunakan untuk KDD. Hasl dar aplkas tersebut akan dperlukan untuk proses pembuat keputusan, meskpun pada tulsan n tdak mempunya mplementas untuk menguj aplkas n secara detal. p 4.6 Pendekatan Data Query Data query salah satu aplkas dar relas database. ntuk membangun tabel keputusan dperlukan relas fuzzy query. Metode yang berdasarkan pada FCP dgunakan untuk proses pendekatan data query pada pemberan relas fuzzy. Pendekatan data query pendekatan data yang menggunakan peluang query, peluang query memperlhatkan nla peluang pada proses data query. Proses data query dtujukan pada dua kerangka yatu berdasarkan pada nput bergantung dan nput bebas. Pada kasus n, nput bergantung berhubungan dengan operas AND dan nput bebas berhubungan dengan operas O dengan tujuan yatu untuk menghaslkan output yang relevan. In dapat terlhat pada contoh bahwa metode yang memenuh relas klask (crsp) dar data sama baknya sepert relas fuzzy. Kemudan, akan dperkenalkan relas fuzzy query yang berhubungan dengan tabel keputusan pada bagan sebelumnya yatu sepert pendekatan data query. a. Data Query Berdasarkan Input yang Bergantung Proses data query berdasarkan nput yang bergantung berhubungan dengan operas AND yang menggunakan fungs mnmum sepert standar t-norm pada operas hmpunan fuzzy. Dengan menggunakan defns peluang query untuk nput yang bergantung pada persamaan (27), jka ˆ (,..., ) α Q b* a* a* n =, maka proses data query nput a*,..., a hanya * n ada satu output yang past b * pada relas. Sebalknya, jka Q ˆ ( b,..., ) 0 * a* a α * n =, maka tdak ada peluang untuk menemukan output b * dengan nput yang dberkan a *,..., a * pada n relas. Contoh 5 Tabel 8 elas (N, C, G) N C G John (j) Matematka (m) A John (j) Bolog (b) B John (j) Kma (k) B Paul (p) Matematka (m) B Paul (p) Kma (k) A Paul (p) Bolog (b) A
11 7 elas dar (N, C, G) terlhat pada Tabel 8. Keterangan : N = nama, C = Course (mata pelajaran), G = Grade (huruf mutu). Kemudan dasumskan bahwa akan dcar Qˆ (G=' A' N=' j') dan Q ˆ (G=' A' N= ' j', C=' m') dengan α = 0.. Transformas Tabel 8 dengan N= j, C= m, dan G= A dapat dlhat pada Lampran. Dengan menggunakan persamaan (27), maka perhtungan menjad :. ˆ (G=' ' N= ' ') 0. Q A j 3, = Berart /3 dar mata pelajaran John mendapat nla A Q G N C = ˆ ( ='A' ='j', ='m'). Berart benar bahwa John mendapat nla A untuk Matematka. Contoh d atas merupakan metode query yang ddefnskan berdasarkan pada defns peluang query pada relas database klask. Peluang query, sepert hasl pada proses data query memperlhatkan nla peluang pada proses data query. Dengan menguj semua nla doman, maka akan dbentuk relas fuzzy query yang berhubungan dengan tabel keputusan pada bagan sebelumnya. Contoh 6 Pada Tabel 8 akan dbuat relas fuzzy query ( N G) 0. dan ( C G) 0. 2, relas tersebut merepresentaskan query untuk G dberkan nput N dan query untuk G dberkan nput C sepert yang terlhat pada Tabel 9 dan Tabel 0 (perhtungan lhat Lampran). Tabel 9 ( N G ) 0. N G Q(G N) 0. John A /3 John B 2/3 Paul B /3 Paul A 2/3 0. Tabel 0 2 C G Q(G C) 0. Matematka A /2 Bolog A /2 Kma A /2 Matematka B /2 Kma B /2 Bolog B /2 Contoh 7 Tabel 4 pada Contoh 4 akan dgunakan kembal untuk pendekatan data query berdasarkan nput yang bergantung. Tabel 4 merepresentaskan sstem nformas dar Karr I = (, A ={E, S}) dan relas (E, S). Fungs keanggotaan dar hmpunan fuzzy hgh educaton (he), dan hgh salary (hs), dberkan sebaga berkut : he ={0./SHS, 0.8/BA, /MS, /PhD}, hs = {0./255, 0.5/275, /300, /35, /340, /350, /355, /360, /374, /400, /45, /420, /470, /500}. Dengan menggunakan persamaan (27), akan ddapatkan peluang query untuk objek yang dberkan he AND hs (perhtungan lhat Lampran). (u he,hs) = /9.4 = 0.06, (u 2 he,hs) = 0, (u 3 he,hs) = /9.4 = 0.06, (u 4 he,hs) = 0, (u 5 he,hs) = 0, (u 6 he,hs) = 0, (u 7 he,hs) = /9.4 = 0.06, (u 8 he,hs) = 0, Qˆ (u 9 he,hs) = /9.4 = 0.06, (u 0 he,hs) = 0./9.4 = 0.006, (u 2 he,hs) = 0./9.4 = 0.006, (u 3 he,hs) = 0.8/9.4 = 0.085, (u 4 he,hs) = 0./9.4 = 0.006, (u 5 he,hs) = 0.8/9.4 = 0.085, (u 6 he,hs) = 0, (u 7 he,hs) = 0.8/9.4 = 0.085, (u 8 he,hs) = /9.4 = 0.06, (u 9 he,hs) = 0,
12 8 (u 20 he,hs) = 0, (u 2 he,hs) = 0.8/9.4 = 0.085, (u 22 he,hs) = 0./9.4 = 0.006, (u 23 he,hs) = 0.8/9.4 = 0.085, (u 24 he,hs) = 0. Blangan 9.4 jarak dar he AND hs pada relas. Dengan kata lan, 9.4 total nla keanggotaan dar output (objek) yang memenuh he dan hs, serta memenuh, 24 r = Qˆ ( u he, hs) =. r Sebaga contoh, nama u mengambl /9.4 = bagan dar seluruh output, tap u 2 mengambl 0./9.4 = dar seluruh output. Dasumskan bahwa hanya objek yang peluang query lebh besar atau sama dengan 0.5/9.4 = yang akan dambl sehngga akan dtetapkan α = 0.5/9.4 = In memberkan relas fuzzy query sepert yang terlhat pada Tabel. Tabel ( E, S ) 0.5/9.4 E S Q ˆ ( E, S ) 0.5/9.4 He hs u /9.4 = 0.06 He hs u 3 /9.4 = 0.06 he hs u 7 /9.4 = 0.06 he hs u 9 /9.4 = 0.06 he hs u 3 0.8/9.4 = he hs u 5 0.8/9.4 = he hs u 7 0.8/9.4 = he hs u 8 /9.4 = 0.06 he hs u 2 0.8/9.4 = he hs u /9.4 = Pada penanganan yang lan, akan dhtung derajat keanggotaan dar kesesuaan antara setap output dan nput yang dberkan yatu he AND hs dengan peluang query untuk he AND hs dberkan objek sebaga berkut : (he,hs u ) =, (he,hs u 2 ) = 0, (he,hs u 3 ) =, (he,hs u 4 ) = 0, (he,hs u 5 ) = 0, (he,hs u 6 ) = 0, (he,hs u 7 ) =, (he,hs u 8 ) = 0, (he,hs u 9 ) =, (he,hs u 0 ) = 0., (he,hs u ) = 0, (he,hs u 2 ) = 0., (he,hs u 3 ) = 0.8, (he,hs u 4 ) = 0., (he,hs u 5 ) = 0.8, (he,hs u 6 ) = 0, (he,hs u 7 ) = 0.8, (he,hs u 8 ) =, (he,hs u 9 ) = 0, (he,hs u 20 ) = 0, (he,hs u 2 ) = 0.8, (he,hs u 22 ) = 0., (he,hs u 23 ) = 0.8, (he,hs u 24 ) = 0. In berart u, u 3, u 7, u 9, dan u 8 memenuh he dan hs dengan derajat keanggotaan sama dengan. Jarak atau kardnaltas dar he AND hs dapat dtentukan sebaga berkut : 24 r = Qˆ ( he, hs u ) = he, hs = 9.4, r dengan he, hs berart jarak atau kardnaltas dar he AND hs. Selan tu, hmpunan fuzzy dapat dgunakan untuk merepresentaskan penamaan fuzzy he AND hs d atas hmpunan dar objek, sepert : he AND hs = {/u, /u 3, /u 7, /u 9, 0./u 0, 0.8/u 3, 0./u 4, 0.8/u 5, 0.8/u 7, /u 8, 0.8/u 2, 0./u 22, 0.8/u 23 }. Ekspres (45) yatu fuzzy proposton dapat dgunakan untuk merepresentaskan aturan keputusan dengan adanya tabel keputusan, sepert pada Tabel 2 dan Tabel 3.
13 9 Tabel 2 IF {E dan S} THEN IS nla IF THEN IS u u 3 u 7 u 9 u 0 u 2 u 3 u 4 u 5 u 7 u 2 u 22 u b. Data Query berdasarkan Input yang Bebas Proses data query berdasarkan nput yang bebas berhubungan dengan operas O yang menggunakan fungs maksmum sepert standar t-conorm pada operas hmpunan fuzzy. Pada kasus n, nput akan danggap bebas sepert nput yang dberkan secara bebas dengan tujuan yang sama yatu menghaslkan output yang relevan. Contoh 8 Tabel 4 pada Contoh 4 akan dgunakan kembal untuk pendekatan data query berdasarkan nput yang bergantung. Tabel 4 merepresentaskan sstem nformas dar Karr I = (, A ={E, S}) dan relas (E, S). Fungs keanggotaan dar hmpunan fuzzy hgh educaton (he), dan hgh salary (hs), dberkan sebaga berkut : he ={0./SHS, 0.8/BA, /MS, /PhD}, hs = {0./255, 0.5/275, /300, /35, /340, /350, /355, /360, /374, /400, /45, /420, /470, /500}. Tabel 3 IF THEN {E dan S} IS nla IF THEN IS u u 3 u 7 u 9 u 0 u 2 u 3 u 4 u 5 u 7 u 2 u 23 u Dengan menggunakan persamaan (30), akan dhtung peluang query untuk objek dberkan he O hs, sebaga berkut : (u he,hs) = /3.2 = 0.076, (u 2 he,hs) = 0./3.2 = , (u 3 he,hs) = /3.2 = 0.076, (u 4 he,hs) = 0, (u 5 he,hs) = 0, (u 6 he,hs) = 0./3.2 = , (u 7 he,hs) = /3.2 = 0.076, (u 8 he,hs) = 0./3.2 = , (u 9 he,hs) = /3.2 = 0.076, (u 0 he,hs) = 0.5/3.2 = , (u he,hs) = 0, (u 2 he,hs) = /3.2 = 0.076, (u 3 he,hs) = /3.2 = 0.076, (u 4 he,hs) = /3.2 = 0.076, (u 5 he,hs) = /3.2 = 0.076, (u 6 he,hs) =0./3.2 = ,
14 20 (u 7 he,hs) = /3.2 = 0.076, (u 8 he,hs) = /3.2 = 0.076, (u 9 he,hs) = 0, (u 20 he,hs) = 0./3.2 = , (u 2 he,hs) = /3.2 = 0.076, (u 22 he,hs) = 0./3.2 = , (u 23 he,hs) = /3.2 = 0.076, (u 24 he,hs) = 0./3.2 = Blangan 3.2 jarak dar he O hs pada relas. Dengan kata lan, 3.2 total nla keanggotaan dar output (objek) yang memenuh he O hs, serta memenuh, 24 r = Qˆ ( u he, hs) =. r Sebaga contoh, nama u mengambl /3.2 = bagan dar seluruh output, tap u 2 mengambl 0./3.2 = dar seluruh output. Dasumskan bahwa hanya objek yang peluang querynya lebh besar atau sama dengan 0.5/3.2 = yang akan dambl sehngga akan dtetapkan α=0.5/3.2. In memberkan relas fuzzy query sepert yang terlhat pada Tabel /3.2 Tabel 4 ( E, S ) E S Q ˆ ( E, S ) 0.5 /3.2 he hs u /3.2 = he hs u 3 /3.2 = he hs u 7 /3.2 = he hs u 9 /3.2 = he hs u 0 0.5/3.2 = he hs u 2 /3.2 = he hs u 3 /3.2 = he hs u 4 /3.2 = he hs u 5 /3.2 = he hs u 7 /3.2 = he hs u 8 /3.2 = he hs u 2 /3.2 = he hs u 23 /3.2 = Pada penanganan yang lan, akan dhtung derajat keanggotaan dar kesesuaan antara setap output dan nput yang dberkan yatu he O hs dengan peluang query untuk he O hs dberkan objek sebaga berkut : (he,hs u ) =, (he,hs u 2 ) = 0., (he,hs u 3 ) =, (he,hs u 4 ) = 0, (he,hs u 5 ) = 0, (he,hs u 6 ) = 0., (he,hs u 7 ) =, (he,hs u 8 ) = 0., (he,hs u 9 ) =, (he,hs u 0 ) = 0.5, (he,hs u ) = 0, (he,hs u 2 ) =, (he,hs u 3 ) =, (he,hs u 4 ) =, (he,hs u 5 ) =, (he,hs u 6 ) = 0., (he,hs u 7 ) =, (he,hs u 8 ) =, (he,hs u 9 ) = 0, (he,hs u 20 ) = 0., (he,hs u 2 ) =, (he,hs u 22 ) = 0., (he,hs u 23 ) =, (he,hs u 24 ) = 0.. In berart u, u 3, u 7, u 9, u 2, u 3, u 4, u 5, u 7, u 8, u 2, dan u 23 memenuh he O hs dengan derajat keanggotaan sama dengan. Jarak atau kardnaltas dar he O hs dapat dtentukan sebaga berkut : 24 r = Qˆ ( he, hs u ) = he, hs = 3.2, r dengan he, hs berart jarak atau kardnaltas dar he O hs. Selan tu, hmpunan fuzzy dapat dgunakan untuk merepresentaskan penamaan fuzzy he O hs d atas hmpunan dar objek, sepert : he O hs = {/u, 0./u 2, /u 3, 0./u 6, /u 7, 0./u 8, /u 9, 0.5/u 0, /u 2, /u 3, /u 4, /u 5, 0./u 6, /u 7, /u 8, 0./u 20, /u 2, 0./u 22, /u 23, 0./u 24 }.
15 2 Ekspres (45) yatu fuzzy proposton dapat dgunakan untuk merepresentaskan aturan keputusan dengan adanya tabel keputusan, sepert pada Tabel 5 dan Tabel 6. Tabel 5 IF {E atau S} THEN IS nla IF THEN IS u {(E he) atau u 2 u 3 {(E he) atau u 6 u 7 {(E he) atau u 8 u 9 {(E he) atau u 0 u 2 u 3 u 4 u 5 {(E he) atau u 6 u 7 u 8 {(E he) atau u 20 u 2 u 22 u 23 u 24 Tabel 6 IF THEN {E atau S} IS nla IF THEN IS u {(E he) atau u 2 {(E he) atau 0. u 3 {(E he) atau u 6 {(E he) atau 0. u 7 {(E he) atau u 8 {(E he) atau 0. u 9 {(E he) atau u 0 {(E he) atau 0.5 u 2 {(E he) atau u 3 {(E he) atau u 4 {(E he) atau u 5 {(E he) atau u 6 {(E he) atau 0. u 7 {(E he) atau u 8 {(E he) atau u 20 {(E he) atau 0. u 2 {(E he) atau u 22 {(E he) atau 0. u 23 {(E he) atau u 24 {(E he) atau 0. Proses tujuan data query tdak dberkan hanya untuk memerksa relas output ke dalam nput yang dberkan, tetap juga derajat dar padanan antara output yang past dan nput yang dberkan. Pada kasus n, derajat peluang query, Q, memperlhatkan apakah output past satu-satunya output yang memenuh nput yang dberkan atau ada output lannya yang memenuh nput yang dberkan. Hasl dar proses data query sangat berguna untuk nformas kembal.
BAB 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 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 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 II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Matematka dbag menjad beberapa kelompok bdang lmu, antara lan analss, aljabar, dan statstka. Ruang barsan merupakan salah satu bagan yang ada d bdang
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
Lebih terperinciBAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi
BAB III FUNGSI MAYOR DAN MINOR Pada bab n akan dbahas konsep-konsep dasar dar fungs mayor dan fungs mnor dar suatu fungs yang terdefns pada suatu nterval tertutup. Pendefnsan fungs mayor dan mnor tersebut
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 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 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 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 terperinciSISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS
SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS A8 M. Andy Rudhto 1 1 Program Stud Penddkan Matematka FKIP Unverstas Sanata Dharma Kampus III USD Pangan Maguwoharjo Yogyakarta 1 e-mal: arudhto@yahoo.co.d
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 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 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.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih 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 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 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 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 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 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 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 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 terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih 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 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 III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciBab 1 PENDAHULUAN 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 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 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 HASILKALI TENSOR PADA RUANG VEKTOR. Misalkan V ruang vektor atas lapangan F. Suatu transformasi linear f L ( V, F )
28 BAB III HASILKALI TENSOR PADA RUANG VEKTOR III.1 Ruang Dual Defns III.1.2: Ruang Dual [10] Msalkan V ruang vektor atas lapangan F. Suatu transformas lnear f L ( V, F ) dkatakan fungsonal lnear (atau
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciBEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA
BEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA A-3 Dan Aresta Yuwanngsh 1 1 Mahasswa S Matematka UGM dan.aresta17@yahoo.com Abstrak Dberkan R merupakan rng dengan elemen satuan, M R-modul kanan, dan R S End
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih 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 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 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 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 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 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
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 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 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 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 terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih 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
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB 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 terperinciberasal dari pembawa muatan hasil generasi termal, sehingga secara kuat
10 KARAKTRISTIK TRANSISTOR 10.1 Dasar Pengoperasan JT Pada bab sebelumnya telah dbahas dasar pengoperasan JT, utamannya untuk kasus saat sambungan kolektor-bass berpanjar mundur dan sambungan emtor-bass
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
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 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 terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciIII PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan
Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF
Lebih terperinciPADA GRAF PRISMA BERCABANG
PELABELAN TOTAL SUPER (a, d)-busur ANTI AJAIB PADA GRAF PRISMA BERCABANG Achmad Fahruroz,, Dew Putre Lestar,, Iffatul Mardhyah, Unverstas Gunadarma Depok Program Magster Fakultas MIPA Unverstas Indonesa
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
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 terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciBAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB 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 terperinciSEMI RING POLINOM ATAS ALJABAR MAX-PLUS
JMP : Volume 4 Nomor 2, Desember 2012, hal. 289-297 SEMI RING POLINOM ATAS ALJABAR MAX-PLUS Suroto Prod Matematka, Jurusan MIPA, Fakultas Sans dan Teknk Unverstas Jenderal Soedrman e-mal : suroto_80@yahoo.com
Lebih terperinciSUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD
SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 33-40, April 2001, ISSN : KLASIFIKASI INTERAKSI GELOMBANG PERMUKAAN BERTIPE DUA SOLITON
JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No., 33-40, Aprl 00, ISSN : 40-858 KLASIFIKASI INTERAKSI GELOMBANG PERMUKAAN BERTIPE DUA SOLITON Sutmn dan Agus Rusgyono Jurusan Matematka FMIPA UNDIP Abstrak Pada
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 terperinciBab 3 Analisis Ralat. x2 x2 x. y=x 1 + x 2 (3.1) 3.1. Menaksir Ralat
Mater Kulah Ekspermen Fska Oleh : Drs. Ishaft, M.S. Program Stud Penddkan Fska Unverstas Ahmad Dahlan, 07 Bab 3 Analss Ralat 3.. Menaksr Ralat Msalna suatu besaran dhtung dar besaran terukur,,..., n. Jka
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 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 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 terperinciBAB 5 HASIL DAN PEMBAHASAN. Sampel yang digunakan dalam penelitian ini adalah data pengujian pada
BAB 5 ASIL DAN PEMBAASAN 5. asl Peneltan asl peneltan akan membahas secara lebh lengkap mengena penyajan data peneltan dan analss data. 5.. Penyajan Data Peneltan Sampel yang dgunakan dalam peneltan n
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber
Lebih terperinciBAB III METODE PENELITIAN. menggunakan strategi pembelajaran mind mapping dalam pendekatan
35 BAB III METODE PENELITIAN A. Jens dan Desan Peneltan Jens peneltan n adalah kuas ekspermen. Pada peneltan n terdapat dua kelompok subjek peneltan yatu kelompok ekspermen yang dberkan suatu perlakuan
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 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 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan quas expermental dengan one group pretest posttest desgn. Peneltan n tdak menggunakan kelas pembandng namun sudah menggunakan
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih 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 terperinciDISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA
DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,
Lebih terperinciIII. METODELOGI PENELITIAN. Suatu penelitian dapat berhasil dengan baik dan sesuai dengan prosedur ilmiah,
III. METODELOGI PENELITIAN A. Metode Peneltan Suatu peneltan dapat berhasl dengan bak dan sesua dengan prosedur lmah, apabla peneltan tersebut menggunakan metode atau alat yang tepat. Dengan menggunakan
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 III METODE PENELITIAN
BAB III METODE PENELITIAN Bab n akan menjelaskan latar belakang pemlhan metode yang dgunakan untuk mengestmas partspas sekolah. Propns Sumatera Barat dplh sebaga daerah stud peneltan. Setap varabel yang
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB III METODE PENELITIAN. 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 terperinciBAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciUJI PRIMALITAS. Sangadji *
UJI PRIMALITAS Sangadj * ABSTRAK UJI PRIMALITAS. Makalah n membahas dan membuktkan tga teorema untuk testng prmaltas, yatu teorema Lucas, teorema Lucas yang dsempurnakan dan teorema Pocklngton. D sampng
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinci