Resilent Backpropagation Neural Network Dalam Modelisasi Curah Hujan Limpasan Studi Kasus: DAS Tukad Nyuling
|
|
- Surya Chandra
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Resilet Bacpropagatio Neural Networ Dalam Modelisasi Curah Hua Limpasa Studi Kasus: DAS uad Nyulig Oleh: Putu Doddy Hea Ardaa ABSRAK Peelitia ii meyelidii tetag eguaa Resilet Bacpropagatio Neural Networ di dalam aalisis megeai hubuga curah hua-limpasa utu daerah alira sugai (DAS) Beberapa algoritma pembelaara eural etwor telah dielasa dalam beberapa peelitia atapu literatur Peelitia-peelitia yag telah dilaua tersebut meliputi peggambara da arsitetur yag coco diterapa di dalam apliasi yag berbeda misalya dalam predisi curah hua, predisi bair, da lai-lai Pada peelitia ii, Resilet Bacpropagatio Neural Networ diguaa utu meggambara trasformasi curah hua-limpasa pada salah satu DAS yag ada di Bali yai DAS uad Nyulig serta memverifiasi model tersebut secara statisti berdasara ilai mea square error (MSE), root mea square error (RMSE), esalaha absolute rata-rata (KAR) da ilai oefisie orelasi (r) Hasil peelitia meuua bahwa pegguaa Resilet Bacpropagatio Neural Networ dapat diterapa dalam modelisasi hubuga curah hua limpasa Dari eam model arsitetur ariga yag diterapa, model 6 dega pelatiha gradiet descet berarsitetur memberia hasil yag palig optimum dega tigat ilai esalaha abolute rata-rata (KAR),59 dega ilai oefisie orelasi 99,7 % pada proses traiig da pada proses peguia, meghasila ilai KAR,644 dega ilai oefisie orelasi 58,7% Dari hasil tersebut terlihat bahwa Resilet Bacpropagatio Neural Networ memilii emampua yag cuup bai dalam meggambara flutuasi debit yag aca e dalam betu model buata da uga dapat diterapa dalam modelisasi curah hua limpasa walaupu hasil peguia (testig) hasilya tida terlalu aurat area masih teradi peyimpaga Kata uci: pemodela curah hua limpasa, DAS, Resilet Bacpropagatio Neural Networ PENDAHULUAN Proses hidrologi secara sederhaa dapat digambara dega adaya hubuga atara usur masua yai hua, proses da eluara yaitu berupa alira (Hadihardaa, 25) Hubuga curah hua-limpasa merupaa masalah petig dalam hidrologi da meadi ompoe yag palig medasar dalam proses evaluasi sumber daya air (Jusawag, etal, 27) dimaa proses hidrologi ii bersifat o liear da sagat Artificial Neural Networ telah terbuti meadi model alteratif dari model tradisioal yag efisie dalam memodela variabel sumber daya air bai secara ualitatif da uatitatif Dalam beberapa tahu terahir, Artificial Neural Networs (ANN) sebagai salah satu betu model ota hitam (blac box model), telah berhasil diguaa secara optimal utu memodela hubuga o liier iput-output dalam suatu proses hidrologi yag omples da berpotesi meadi salah satu alat pegambil eputusa yag meaia dalam hidrologi (Dawso da Wilby, 2) Berdasara hasil peelitia megeai hubuga curah hua-limpasa dega model ANN pada suatu DAS, di dalam aalisis baya megguaa fugsi pembelaara dalam ANN berupa fugsi dega algoritma dasar gradiet descet saa Beraita dega hal tersebut, dipadag perlu dilaua suatu peelitia megeai pemodela hubuga curah hua-limpasa dega model Artificial Neural Networs dega algoritma fugsi pembelaara yag berbeda pada DAS gua lebih memahami bagaimaa iera da implemetasi dari ANN tersebut Obye studi yag diambil adalah DAS uad Nyulig di Karagasem yag memilii luas 24,93 m 2 Verifiasi model dilaua secara statisti berdasara ilai mea square error (MSE), root mea square error (RMSE), esalaha absolute rata-rata (KAR) da ilai oefisie orelasi (r) Model ANN yag diguaa utu aalisis megguaa metode Resilet Bacpropagatio Neural Networ, dieraa dega batua software MALAB versi 7 Release 4 2 UJUAN PENELIIAN Adapu tuua peelitia ii adalah utu megai da meggambara peerapa model Resilet Bacpropagatio Neural Networ di dalam modelisasi hubuga curah hua limpasa pada DAS uad Nyulig 3 LOKASI SUDI Loasi studi adalah daerah alira sugai (DAS) uad Nyulig yag berada di Kabupate Karagasem Propisi Bali Daerah alira sugai (DAS) uad Nyulig memilii luas urag dari m 2 yai 24,93 m 2 (Aoim, 27) dega betu daerah pegalira secara umum memaag (Aoim, 29) Data yag diambil utu diguaa dalam pegalihragama curah hua meadi limpasa adalah data ilim (data temperatur, ecepata agi, elembaba relatif, elembaba masimum, da lama peyiara) da data hidrologi (data curah hua, data debit da evapotraspirasi) Data ilim meggambara odisi cuaca di suatu daerah studi, da fator ilim bulaa yag terumpul selama (sepuluh) tahu yai dari tahu Data ilim ii didapat dari stasiu limatologi Pegaar pada PS ei Sipil UNR
2 Susua Sedaga etersediaa data hidrologi berupa data curah hua bulaa yag didapat dari stasiu hua Pidpid, stasiu hua Bebadem, da stasiu hua Amlapura Data curah hua yag terumpul sebaya tahu dari tahu MEODOLOGI 4 ei Aalisis Data 4 Aalisis data hua Dalam peelitia ii, data hidrologi yag diguaa bersumber dari beberapa stasiu hua, da data tersebut berupa data curah hua bulaa pada beberapa stasiu hua Data curah hua bulaa diguaa sebagai data masua (iput) di dalam pemodela Aalisis data hua ii meliputi ui osistesi data, curah hua rata-rata areal (areal raifall) da perbaia data hua Ui Kosistesi Data Pada suatu seri data hua, bisa teradi ohomogeitas data da etidasamaa (icosistecy) data Data tida homoge maupu tida osiste meyebaba hasil aalisis tida teliti Oleh area itu sebelum data tersebut dipaai utu aalisis, terlebih dahulu harus dilaua ui osistesi Ui osistesi dilaua dega metode RAPS (Rescaled Adusted Partial Sums) dega megguaa data dari stasiu itu sediri yaitu peguia dega umulatif peyimpaga terhadap ilai rata-rata dibagi dega aar umulatif rerata peyimpaga terhadap ilai rerataya i S *, S * ( Y Y ') dega =, 2, 3,, () S o S * i ** (2) Dy 2 ( Yi Y ') 2 i Dy (3) Q mas ** (4) R S mas S * mi S ** (5) * Dega melihat ilai statisti, maa dapat dicari ilai Q / da R / Hasil yag dapat dibadiga ilai Q / syarat da R / Sebagai syarat ia Q / da R / dihitug lebih ecil maa data masih dalam batasa osiste Syarat ilai Q / da R / sesuai dega tabel dari Sri Harto (99) 2 Hua wilayah Curah hua yag diperlua utu pegalihragama hua limpasa adalah curah hua rata-rata di seluruh daerah yag bersaguta Stasiu-stasiu pegamat hua yag tersebar pada suatu daerah alira sebagai hua titi (poit raifall) Utu megubah hua titi (poit raifall) meadi hua wilayah (regioal raifall) diguaa pedeata dega metode Polygo hiesse Metode Polygo hiese baya diguaa utu meghitug hua rerata awasa area memberia oresi terhadap edalama hua sebagai fugsi luas daerah yag diaggap mewaili Persamaa hua wilayah dega metode Polygo hiesse adalah sebagai beriut: R i A i Ri (6) A 3 Perbaia data hua Di dalam peguura hua serig dialami dua masalah Pertama adalah tida tercatatya data hua area rusaya alat atau pegamat tida mecatat data Kedua adalah area adaya perubaha odisi di loasi pecatata selama satu periode pecatata, seperti pemidaha atau perbaia stasiu, perubaha prosedur peguura atau area peyebab lai Kedua masalah tersebut perlu diselesaia dega melaua oresi berdasara data dari beberapa stasiu di seitarya (riatmodo, 28) Metode periraa yag diguaa adalah sebagai beriut (Waielista, 99; Due da Leopold, 978 dalam Asda, 24): P ( P P P ) C A B x (7) 3
3 42 Evapotraspirasi Evapotraspirasi adalah proses evaporasi da traspirasi yag beraita dega apa yag teradi pada taah yag tertutup oleh tumbuh-tumbuha Aalisis evapotraspirasi ii meliputi perhituga evapotraspirasi potesial da evapotraspiasi atual Perhituga periraa evapotraspirasi potesial (E to ) di daerah Idoesia diaalisis dega megguaa rumus Pema yag telah disederhaaa (Aoim, 26): E to = c[w(,75rs R] + ( w)f(u)(e a e d ) (8) Jia dalam evapotraspirasi potesial air yag tersedia dari yag diperlua oleh taama selama proses traspirasi berlebiha, maa dalam evapotraspirasi atual ii umlah air tida berlebiha atau terbatas Jadi evapotraspirasi atual adalah evapotraspirasi yag teradi pada odisi air yag tersedia terbatas Evapotraspirasi atual dipegaruhi oleh proporsi permuaa luar yag tida tertutupi tumbuha hiau (exposed surface) pada musim emarau Selai exposed surface, evapotraspirasi atual uga dipegaruhi oleh umlah hari hua () dalam bula yag bersaguta Meurut Moc dalam Aoim (26), rasio atara selisih evapotraspirasi potesial da evapotraspirasi atual dega evapotraspirasi potesial dipegaruhi oleh exposed surface (m) da umlah hari hua (), seperti dituua dalam formulasi sebagai beriut : m E E p (8 ) 2 (9) Dari formulasi diatas dapat diaalisis bahwa evapotraspirasi potesial aa sama dega evapotraspirasi atual (atau ΔE = ) ia: a Evapotraspirasi teradi pada huta primer atau huta seuder Dimaa daerah ii memilii harga exposed surface (m) sama dega (ol) b Bayaya hari hua dalam bula yag diamati pada daerah itu sama dega 8 hari Jadi evapotraspirasi atual adalah evapotraspirasi potesial yag memperhituga fator exposed surface da umlah hari hua dalam bula yag bersaguta Sehigga evapotraspirasi atual adalah evapotraspirasi yag sebearya teradi atau actual evapotraspiratio, dihitug sebagai beriut: E atual = EP ΔE () 42 Pemodela Resilet Bacpropagatio Neural Networ 42 Iput Data Sebelum memulai pembelaara, terlebih dahulu diumpula data yag dapat dipercaya Kemudia membagi data tersebut e dalam set pembelaara (traiig) da set peguia (testig) sesuai dega tei Holdout Set pelatiha diguaa utu melatih ariga, sedaga set test diguaa setelah pelatiha ariga selesai, yaitu utu megui apaah ariga meghasila output sesuai dega yag diigia pada watu iput yag belum perah dipelaari oleh ariga dimasua (Puspitaigrum, 26) Data traiig da data testig megguaa data curah hua, evapotraspirasi da debit dalam beberapa tahu yag diambil dari suatu DAS Dalam peelitia ii sebaya 6% data (data tahu ) diguaa sebagai data iput yag atiya aa diadia data dalam proses pembelaara Data iput da output dalam ariga bac propagatio sebelum diguaa, harus dilaua proses ormalisasi atau preprocessig terhadap data Proses ormalisasi dilaua utu merubah ilai data iput da output e dalam sala - sampai dega megguaa persamaa sebagai beriut (Satosa, 27): X X mi X ' ( BA BB) ( BB) () X X mas mi 422 Peetua Arsitetur Jariga Pegatura dari syaraf-syaraf dalam lapisa (layer) da pola hubuga atar lapisa-lapisa disebut arsitetur ariga Berdasara syaraf masua arsitetur ariga, pada peelitia ii ditetua meadi 6 (eam) arsitetur ariga yag didasari atas syaraf masua (iput ode) Eam strutur artificial eural etwors multilayer diguaa utu ui coba (umlah ode megidiasia utu masig-masig model dalam masig-masig layer) Beriut adalah eeam model tersebut:
4 a Model (2-5-) Model megguaa 2 ode iput layer yag ditetua dari hua dalam DAS da evapotraspirasi, 5 ode hidde layer da ode output layer yaitu limpasa t INPU NODE Hua v HIDDEN NODE v v 2 w OUPU NODE Q Evapotraspirasi v 2 b Gambar Arsitetur ariga model b Model 2 (3-5-) Model 2 megguaa 3 ode iput layer yag ditetua dari hua dalam DAS, evapotraspirasi, limpasa t-, 5 ode hidde layer da ode output layer yaitu limpasa t INPU NODE Hua HIDDEN NODE v Evapotraspirasi v v 2 v 2 w OUPU NODE Q t v 3 Limpasa (t-) v 3 b Gambar 2 Arsitetur ariga model 2 c Model 3 (4-5-) Model 3 megguaa 4 ode iput layer yag ditetua dari hua dalam DAS, evavotraspirasi, limpasa t-, limpasa t-2, 5 ode hidde layer da ode output layer yaitu limpasa t INPU NODE Hua HIDDEN NODE v Evapotraspirasi v v 2 v 2 w OUPU NODE Q t Limpasa (t-) v 3 v 3 b Limpasa (t-2) Gambar 3 Arsitetur ariga model 3
5 d Model 4 (2--5-) Model 4 megguaa 2 ode iput layer yag ditetua dari hua dalam DAS da evapotraspirasi, ode hidde layer, 5 ode hidde layer 2 da ode output layer yaitu limpasa t INPU NODE Hua v v HIDDEN NODE w HIDDEN NODE 2 Evapotraspirasi v 2 v 2 w x OUPU NODE Q x 2 b 3 b Gambar 4 Arsitetur ariga model 4 e Model 5 (3--5-) Model 5 megguaa 3 ode iput layer yag ditetua dari hua dalam DAS, evapotraspirasi, limpasa t-, ode hidde layer, 5 ode hidde layer 2 da ode output layer yaitu limpasa t INPU NODE Hua v v HIDDEN NODE w HIDDEN NODE 2 Evapotraspirasi v 2 v 2 v 3 w x x 2 OUPU NODE Q t Limpasa (t-) v 3 b b 3 Gambar 5 Arsitetur ariga model 5 f Model 6 (4--5-) Model 6 megguaa 4 ode iput layer yag ditetua dari hua dalam DAS, evavotraspirasi, limpasa t-, limpasa t-2, ode hidde layer, 5 ode hidde layer 2 da ode output layer yaitu limpasa t INPU NODE Hua Evapotraspirasi Limpasa (t-) v v 2 v v 2 v 3 v 3 HIDDEN NODE w w HIDDEN NODE 2 x x 2 OUPU NODE Q V 4 V4 b 3 Limpasa (t-2) b Gambar 6 Arsitetur ariga model 6
6 423 Proses Pembelaara (Learig ad raiig Process) Proses pembelaara dalam artificial eural etwors bertuua utu megubah fator bobot sehigga diperoleh bobot hubuga yag diigia Di dalam peelitia ii, proses pembelaara yag dipaai adalah metode perambata mudur (bac propagatio) erdapat beberapa lagah peyusua algoritma utu pembelaara bac propagatio, yaitu: Iisialisasi bobot awal (ambil bobot awal dega ilai radom yag ecil) Pembobot awal pada ANN diberi ilai secara aca 2 Laua tahap perambata mau (forward propagatio) utu medapata error Perhituga forward propagatio dimulai dega meumlaha hasil peralia iput x i dega pembobot v i Da meghasila z_i yag merupaa ilai iput e fugsi ativasi hidde layer Kemudia output z pada hidde layer uit merupaa hasil fugsi ativasi f dega masua z_i Hal ii telah diformulasia dalam persamaa beriut: z _ i b x v ; z = f(z_i ) i i i Nilai output pada hidde layer emudia dialia dega pembobot w da meghasila ilai y_i yag merupaa ilai iput fugsi ativasi output layer Nilai output y pada output layer dihitug dega megguaa fugsi ativasi f dega masua y_i Hal ii telah diformulasia dalam persamaa beriut: y _ i b 2 p i z w y = f(y_i ) dega fugsi ativasi berupa: Iput layer e hidde layer da hidde layer e hidde layer 2 Fugsi sigmoid y f ( x) (2) x e Hidde layer 2 e output layer Fugsi idetitas f(x) = x (3) 3 ahap perambata mudur (bacward propagatio) merupaa suatu proses pelatiha (pegoresia) ilai pembobot pada ANN Pada ariga ANN strutur multilayer dega fugsi sigmoid, aa meyebaba gradieya aa medeati ol diareaa iput yag diberia baya Gradie yag medeati ol ii berimpliasi pada redahya perubaha bobot yag maa bias meyebaba algoritma aa sagat lambat utu medeati ilai optimumya Utu itu diguaa Resilet Bacpropagatio utu megelimiasi besarya efe dari turua parsial dega cara megguaa tada turuaya saa da megabaia besarya ilai turua ada turua ii aa meetua arah perbaia bobot-bobot Resilet Bacpropagatio (dalam MALAB versi 7 Release 4 megguaa fugsi trairp) Parameter-parameter yag diguaa dalam proses aalisis dega megguaa MALAB: ettraiparamepochs = umlah epoch masimum yag boleh dilaua selama proses pelatiha ettraiparamgoal = target ilai fugsi iera ettraiparamlr = lau pembelaara ettraiparamdelt_ic = eaia bobot ettraiparamdelt_dec = peurua bobot ettraiparamdelt = perubaha bobot awal ettraiparamdeltmax = masimum perubaha bobot ettraiparamshow = umlah epoch yag aa dituua emauaya 424 Proses Peguia Peguia arsitetur ariga syaraf tirua (artificial eural etwors) diguaa utu megetahui apaah arsitetur ariga yag telah dilatih telah dapat megeali pola-pola data, selai data latih, dega bai atau tida Utu meilai edeata atau ecocoa data hasil pemodela dega data hasil pegamata, dilaua ui ecocoa dega megguaa fugsi obetif atau fugsi esalaha yag merupaa persamaa dari perhituga da pegamata Dalam peelitia ii, sebaya 4% data (data tahu 2 23) diguaa utu proses peguia dega fugsi obetif utu perhituga esalaha berupa parameter statisti, atara lai: a Mea Square Error (MSE) MSE 2 ( t) ( y ( t) d ( t)) (4) b Root Mea Square Error (RMSE) RMSE( t) ( y ( t) d ( t)) 2 c Kesalaha Absolute Rata-Rata (KAR) Abs( Qcomp Qobs ) KAR (6) Q obs (5)
7 5 ANALISA DAN DISKUSI Beriut diberia beberapa hasil aalisis berdasara data-data ilim da data hidrologi: 5 Data Ilim Data ii meggambara odisi cuaca di suatu daerah studi, da fator ilim yag terumpul selama (sepuluh) tahu yai dari tahu Data ilim ii didapat dari stasiu limatologi Susua, dega data yag tercatat adalah data temperatur, ecepata agi, elembaba relatif, elembaba masimum, da lama peyiara Berdasara data temperatur ( C) da ecepata agi (m/hari) rata-rata bulaa pada daerah studi sesuai abel beriut: abel Data temperatur da ecepata agi rerata bulaa (994-23) DAS Nyulig Ilim Bula Ja Feb Mar Apr Mei Ju Jul Agust Sep Ot Nop Des ( C) 26, 26,6 26,5 26,9 24,3 23,6 23,7 25,64 26,9 27,9 27,7 26,67 Kec (m/hari),6 72,4 62,83 46,55 3,28 3,78 3,3 35,6 37,5 47,4 43,3 46,94 Sumber: Pusat Litbag Pegaira Departeme Peeraa Umum, BMKG Sedaga data elembaba masimum, peyiara matahari da elembaba relatif sesuai Gambar beriut:, 4 9, 3 8, 7, 6, Prosetase (%), 4, 3, 3 la u2 )/b m2 l (m o ta 2,,, Ja Mar Mei Jul Sep Nop Bula e-i Bula e- Kelembaba masimum Peyiara Kelembaba relatif Gambar Data elembaba da peyiara (994-23) DAS Nyulig Evapotraspirasi potesial Curah hua DAS Nyulig Gambar 2 Curah Hua da Evapotraspirasi DAS Nyulig 52 Data Hidrologi da Evapotraspirasi Ketersediaa data hidrologi berupa data curah hua bulaa yag didapat dari stasiu hua Pidpid, stasiu hua Bebadem, da stasiu hua Amlapura Data curah hua yag terumpul sebaya tahu dari tahu Hasil perhituga curah hua daerah da evapotraspirasi tersebut dapat dilihat pada Gambar 2 di atas Dari hasil aalisis curah hua daerah rata-rata pertahu sebesar 72,6 mm, da ii meuua potesi curah hua yag relatif tiggi Sedaga evapotraspirasi tertiggi sebesar 3,89 mm/bula teradi di bula Agustus da teredah sebesar 89,6 mm/bula pada bula Pebruari 53 Hubuga Curah Hua Limpasa dega Resilet Bacpropagatio Dari hasil pembelaara (traiig) da peguia (testig) dega algoritma pembelaara Resilet Bacpropagatio, utu masig-masig pola arsitetur dihitug parameter statistia yaitu oefisie orelasi (r), mea square error (MSE), root mea square error (RMSE), da esalaha absolute rata-rata (KAR) Parameter statistia utu arsitetur model dega 2 ode iput layer, 5 ode hidde layer da ode output layer (2-5-), arsitetur model 2 dega 3 ode iput layer, 5 ode hidde layer da ode output layer (3-5-), arsitetur model 3 dega 4 ode iput layer, 5 ode hidde layer da ode output layer (4-5-), arsitetur model 4 dega 2 ode iput layer, ode hidde layer, 5 ode hidde layer 2 da ode output layer (2--5-), arsitetur model 5 dega 3 ode iput layer, ode hidde layer, 5 ode hidde layer 2 da ode output layer (3--5-), arsitetur model 6 dega 4 ode iput layer, ode hidde layer, 5 ode hidde layer 2 da ode output layer (4--5-) disaia dalam abel 2 Dalam proses pembelaara (traiig), berdasara parameter statistia meuua bahwa model 6 dega arsitetur memberia hasil yag palig optimum dega ilai oefisie orelasi terbesar yai,997 da ilai KAR,59 Sehigga disimpula model 6 dega arsitetur meghasila data bagita yag palig optimum pada proses pembelaara Dari abel 2 dietahui bahwa model 6 uga memberia hasil yag cuup bai Ii dapat dilihat dari ilai oefisie orelasi sebesar,6977 dega ilai KAR,24sedaga pada pembelaara adaptive leaig rate, model 3 dega arsitetur 4-5- memberia ilai oefisie orelasi sebesar,587 dega ilai KAR,644 Dapat disimpula bahwa model 6 mempuyai hubuga atau orelasi yag cuup uat atara data atual da data predisi Secara umum, model Resilet Bacpropagatio memilii emampua yag cuup bai dalam meggambara flutuasi debit yag aca e dalam betu model buata da uga dapat diterapa dalam modelisasi curah hua limpasa walaupu hasil peguia (testig) hasilya tida terlalu aurat area masih teradi peyimpaga
8 abel 2 Kiera model dega Resilet Bacpropagatio Model MSE Jariga DAS uad Nyulig raiig/kalibrasi estig/verifiasi r MSE RMSE KAR r MSE RMSE KAR Model,25849, ,955 58,36,9798,4 234,26 5,997 2,24 Model 2,44947, ,62 58,5249,9943,478 64,43 5,665 2,449 Model 3,4589, ,763 58,8452,8,328 9,95 5,336,596 Model 4,99576, ,955 58,36,26,99 234,26 5,997 2,3223 Model 5,2473, ,62 58,5249,3, ,43 5,665,9 Model 6,68374, ,763 58,8452,59,587 9,95 5,336, Best Liear Fit: A = (98) + (97) R = 992 Data Poits Best Liear Fit A = 2 2 Hasil peguia dega data pelatiha: arget (-), output (-) arget/atual Output/Predisi A arget/output Data e- Gambar 3 Persamaa oefisie orelasi hasil traiig Resilet Bacpropagatio model 6 Gambar 4 Hidrograf hasil traiig Resilet Bacpropagatio model Best Liear Fit: A = (78) + (279) R = 587 Data Poits Best Liear Fit A = Hasil peguia dega data pelatiha: arget (-), output (-) arget/atual Output/Predisi A arget/output Data e- Gambar 5 Persamaa oefisie orelasi hasil testig Resilet Bacpropagatio model 6 Gambar 6 Hidrograf hasil testig Resilet Bacpropagatio model 6 6 KESIMPULAN DAN SARAN 6 Kesimpula : Dari hasil peelitia da pembahasa dapat diambil esimpula sebagai beriut: Peerapa model ariga syaraf buata (artificial eural etwor) metode Resilet Bacpropagatio di dalam modelisasi curah hua limpasa memberia hasil yag relatif bai pada proses pembelaara (traiig) da proses peguia (testig) 2 Dalam proses pembelaara (traiig), berdasara parameter statistia meuua bahwa model 6 dega arsitetur memberia hasil yag palig optimum dega ilai oefisie orelasi terbesar yai,997 da ilai KAR,59 Sehigga disimpula model 6 dega arsitetur meghasila data bagita yag palig optimum pada proses pembelaara Model 6 uga memberia hasil yag cuup bai Ii dapat dilihat dari
9 ilai oefisie orelasi sebesar,6977 dega ilai KAR,24sedaga pada pembelaara adaptive leaig rate, model 3 dega arsitetur 4-5- memberia ilai oefisie orelasi sebesar,587 dega ilai KAR,644 3 Secara umum, model Resilet Bacpropagatio memilii emampua yag cuup bai dalam meggambara flutuasi debit yag aca e dalam betu model buata da uga dapat diterapa dalam modelisasi curah hua limpasa walaupu hasil peguia (testig) hasilya tida terlalu aurat area masih teradi peyimpaga 62 Sara Utu esempuraa hasil peelitia beriutya, di dalam melaua pemodela diharapa utu mecoba beberapa model arsitetur ANN laiya serta dega melaua beberapa perubaha ilai di dalam parameterparamaterya Selai itu eaurata data peduug (data hidrologi maupu data limatologi) uga harus diperhatia DAFAR PUSAKA Adidarma, WK, Hadihardaa, IK, Legowo, S (24) Perbadiga Pemodela Hua-Limpasa Atara Artificial Neural Networ (ANN) da NRECA Jural ei Sipil IB, Vol No 3: 5-5 Adia, D Ad Pham, D (27) Artificial Neural Networ Computatioal Itelligece Spriger: Aoim (26) Lapora Hidrologi Departeme Peeraa Umum Diretorat Jederal Sumber Daya Air Satua Kera NV Pegembaga da Pegelolaa Sumber Air Bali, Depasar Dawso, CW ad Wilby, RL (2) Hydrological Modellig Usig Artificial Neural Networs Progress i Physical Geography, 25-: 8-8 Fausett, L (994) Fudametal of Neural Networs, Pretice Hall, Egelwood Cliffs, New Jersey Fu, LiMi (994) Neural Networs I Computer Itelligece, McGraw-Hill Ic, Sigapore Hadihardaa, IK, Sutio, S (25) Pemodela Curah Hua-Limpasa Megguaa Artificial Neural Networ (ANN) dega Metode Bacpropagatio Jural ei Sipil IB, Vol 2 No 4: Jusawag, P, Asavaat, J, Lursisap, C (27) Artificial Neural Networ Model for Raifall-Ruoff Relatioship ASIMMOD, Chiag Mai, hailad Kusumadewi, S (24) Membagu Jariga Syaraf irua Megguaa MALAB da Excel Li Graha Ilmu, Yogyaarta Setiawa, BI, Rudiyato (24) Apliasi Neural Networs Utu Predisi Alira Sugai, Prosidig Semiloa eologi Simulasi da Komputasi serta Apliasi 24 BPP, Jaarta Sriivasulu, S, Jai, A (28) Raifall-Ruoff Modellig: Itegratig Available Data ad Moder echiques Water Sciece ad echology Library 68, Spriger-Verlag Berli Heidelberg : 59-7
Representasi sinyal dalam impuls
Represetasi siyal dalam impuls Represetasi siyal dalam impuls adalah siyal yag diyataa sebagai fugsi dari impuls atau sebagai umpula dari impuls-impuls. Sembarag siyal disret dapat diyataa sebagai pejumlaha
Lebih terperinciMODUL 1.03 DINAMIKA PROSES. Oleh : Ir. Tatang Kusmara, M.Eng
MODUL 1.03 DINMIK PROSES Ole : Ir. Tatag Kusmara, M.Eg LBORTORIUM OPERSI TEKNIK KIMI JURUSN TEKNIK KIMI UNIVERSITS SULTN GENG TIRTYS CILEGON BNTEN 2008 2 Modul 1.03 DINMIK PROSES I. Pedaulua Dalam bidag
Lebih terperinciTEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS
Jural Matematia Vol.6 No. November 6 [ 5 : ] TEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS Ooy Rohaei Jurusa Matematia, UNISBA, Jala Tamasari No, Badug,6, Idoesia
Lebih terperinciGambar 3.1Single Channel Multiple Phase
BAB III MODEL ANTRIAN PADA PEMBUATAN SIM C. Sigle Chael Multiple Phase Sistem atria sigle chael multiple phase merupaa sistem atria dimaa pelagga yag tiba, dapat memasui sistem dega megatri di tempat yag
Lebih terperinciBAB II LANDASAN TEORI. gamma, fungsi likelihood, dan uji rasio likelihood. Misalkan dilakukan percobaan acak dengan ruang sampel C.
BAB II LANDASAN TEORI Pada bab ii aa dibahas teori teori yag meduug metode upper level set sca statistics, atara lai peubah aca, distribusi gamma, fugsi gamma, fugsi lielihood, da uji rasio lielihood.
Lebih terperinciPengaruh Normalisasi Data pada Jaringan Syaraf Tiruan Backpropagasi Gradient Descent Adaptive Gain (BPGDAG) untuk Klasifikasi
Pegaruh Normalisasi Data pada Jariga Syaraf Tirua Bacpropagasi Gradiet Descet Adaptive Gai (BPGDAG utu Klasifiasi Nurul Chamidah Jurusa Tei Iformatia Faultas MIPA UNS Jl. Ir. Sutami No. 36 A Suraarta urulchamidah.2007@gmail.com
Lebih terperinciMACAM-MACAM TEKNIK MEMBILANG
0 MACAM-MACAM TEKNIK MEMBILANG ATURAN PERKALIAN Beriut ii diberia sebuah dalil tetag peetua baya susua yag palig sederhaa dalam suatu permasalaha yag beraita dega peluag. Dalil 2.1: ATURAN PERKALIAN SECARA
Lebih terperinciPerluasan Uji Kruskal Wallis untuk Data Multivariat
Statistia, Vol. No., Mei Perluasa Uji Krusal Wallis utu Data Multivariat TETI SOFIA YANTI Program Studi Statistia, Uiversitas Islam Badug, Jl. Purawarma No. Badug. E-mail: buitet@yahoo.com ABSTAK Adaia
Lebih terperinciMODUL BARISAN DAN DERET
MODUL BARISAN DAN DERET SEMESTER 2 Muhammad Zaial Abidi Persoal Blog http://meetabied.wordpress.com BAB I. PENDAHULUAN A. Desripsi Dalam modul ii, ada aa mempelajari pola bilaga, barisa, da deret diidetifiasi
Lebih terperinciBAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE)
BAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE) 5.1. Pembagit Radom Variate Disrit Suatu Radom Variate diartia sebagai ilai suatu radom variate yag mempuyai distribusi tertetu. Utu megambil
Lebih terperinciEXPERT SYSTEM DIAGNOSA JENIS PENYAKIT GIGI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Komang Aryasa
Komag, Expert System Diagosa Jeis 81 EXPERT SYSTEM DIAGNOSA JENIS PENYAKIT GIGI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Komag Aryasa STMIK Dipaegara Maassar, Jl. Peritis Kemerdeaa Km.9 Telp (0411)
Lebih terperinciMAKALAH TEOREMA BINOMIAL
MAKALAH TEOREMA BINOMIAL Disusu utu memeuhi tugas mata uliah Matematia Disrit Dose Pegampu : Dr. Isaii Rosyida, S.Si, M.Si Rombel B Kelompo 2 1. Wihdati Martalya (0401516006) 2. Betha Kuria S. (0401516012)
Lebih terperinciDeret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka
oi eswa (fmipa-itb) Deret Positif Deret (ta berhigga) adalah ugapa berbetu a + a + a 3 + a 4 + dega a i disebut suu. Pejumlaha ii berbeda dega pejumlaha dua, tiga, atau berhigga bilaga. Maa, ita perlu
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA DATA MULTIVARIATE
Semiar Nasioal Statistia X stitut Teologi Sepuluh Nopember, 7 November 009 APLKAS JARNGAN SYARAF TRUAN PADA DATA MULTVARATE Dra. Kartia Fitriasari, M.Si da Putri Susati Dose Jurusa Statistia FMPA-TS, Surabaya
Lebih terperinciMetode Perhitungan Grafik Dalam Geolistrik Tahanan Jenis Bumi Dengan Derajat Pendekatan Satu
Metode Perhituga Grafi.. P. Maurug Metode Perhituga Grafi Dalam Geolistri Tahaa Jeis Bumi Dega Derajat Pedeata Satu Posma Maurug Jurusa Fisia, FMIPA Uiversitas Lampug Jl. S. Brojoegoro No. Badar Lampug
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Tempat da Watu Peelitia Peelitia megeai Kepuasa Kosume Restora Gampoeg Aceh, dilasaaa pada bula Mei 2011 higga Jui 2011. Restora Gampoeg Aceh, bertempat di Jl Pajajara, Batarjati,
Lebih terperinciDeret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka
oi eswa (fmipa-itb) Deret Positif Deret (ta berhigga) adalah ugapa berbetu a + a + a 3 + a 4 + dega a i disebut suu. Pejumlaha ii berbeda dega pejumlaha dua, tiga, atau berhigga bilaga. Maa, ita perlu
Lebih terperinciSIMULASI MODEL RLC BERBANTUAN MS EXCEL ASSISTED RLC MODEL SIMULATION MS EXCEL
SIMULASI MODEL RLC BERBANTUAN MS EXCEL ASSISTED RLC MODEL SIMULATION MS EXCEL Edag Habiuddi (Staf Pegajar UP MKU Politei Negeri Badug (Email : ed_.hab@yahoo.co.id ABSTRAK Sistem ragaia listri RLC seri
Lebih terperinciPEMBAHASAN SOAL OSN MATEMATIKA SMP TINGKAT PROPINSI 2011 OLEH :SAIFUL ARIF, S.Pd (SMP NEGERI 2 MALANG)
PEMBAHASAN SOAL OLIMPIADE SAINS NASIONAL SMP A. ISIAN SINGKAT SELEKSI TINGKAT PROPINSI TAHUN 011 BIDANG STUDI MATEMATIKA WAKTU : 150 MENIT 1. Jia x adalah jumlah 99 bilaga gajil terecil yag lebih besar
Lebih terperinciBAB III TAKSIRAN PROPORSI POPULASI JIKA TERJADI NONRESPON. Dalam bab ini akan dibahas penaksiran proporsi populasi jika terjadi
BAB III TAKSIRA PROPORSI POPULASI JIKA TERJADI ORESPO Dalam bab ii aa dibaas peasira proporsi populasi jia terjadi orespo da dilaua allba sebaya t ali. Selai itu, juga aa dibaas peetua uura sampel yag
Lebih terperinciBAB 2 LANDASAN TEORI. lebar pita sinyal tersebut. Pada kebanyakan aplikasi, termasuk kamera digital video dan
BAB LADASA TEORI Teorema Shao-yquist meyataa agar tida ada iformasi yag hilag etia pecuplia siyal, maa ecepata pecuplia harus miimal dua ali dari lebar pita siyal tersebut. Pada ebayaa apliasi, termasu
Lebih terperinciBab 6: Analisa Spektrum
BAB Aalisa Spetrum Bab : Aalisa Spetrum Aalisa Spetrum Dega DFT Tujua Belajar Peserta dapat meghubuga DFT dega spetrum dari sial hasil samplig sial watu otiue. -poit DFT dari sial x adalah Xω ag diealuasi
Lebih terperinciSinyal dan Sistem Waktu Diskrit ET 3005 Pengolahan Sinyal Waktu Diskrit EL 5155 Pengolahan Sinyal Waktu Diskrit
Siyal da Sistem Watu Disrit ET 35 Pegolaha Siyal Watu Disrit EL 5155 Pegolaha Siyal Watu Disrit Effria Yati Hamid 1 2 Siyal da Sistem Watu Disrit 2.1 Siyal Watu Disrit 2.1.1 Pegertia Siyal Watu Disrit
Lebih terperinciPERBANDINGAN PENDEKATAN SEPARABLE PROGRAMMING DENGAN THE KUHN-TUCKER CONDITIONS DALAM PEMECAHAN MASALAH NONLINEAR
Jural Tei da Ilmu Komputer PERBANDINGAN PENDEKATAN SEPARABLE PROGRAMMING DENGAN THE KUHN-TUCKER CONDITIONS DALAM PEMECAHAN MASALAH NONLINEAR Budi Marpaug Faultas Tei da Ilmu Komputer Jurusa Tei Idustri
Lebih terperinciBARISAN DAN DERET. U n = suku ke-n Contoh: Barisan bilangan asli, bilangan genap, bilangan ganjil, dan lain-lain.
BARIAN DAN DERET A. Barisa Barisa adalah uruta bilaga yag memilii atura tertetu. etiap bilaga pada barisa disebut suu barisa yag dipisaha dega lambag, (oma). Betu umum barisa:,, 3, 4,, dega: = suu pertama
Lebih terperinciBab 16 Integral di Ruang-n
Catata Kuliah MA3 Kalulus Elemeter II Oi Neswa,Ph.D., Departeme Matematia-ITB Bab 6 Itegral di uag- Itegral Gada atas persegi pajag Itegral Berulag Itegral Gada atas Daerah sebarag Itegral Gada Koordiat
Lebih terperinciBAB II LANDASAN TEORI. persamaan yang mengandung diferensial. Persamaan diferensial
5 BAB II LANDASAN TEORI A. Persamaa Diferesial Dari ata persamaa da diferesial, dapat diliat bawa Persamaa Diferesial beraita dega peelesaia suatu betu persamaa ag megadug diferesial. Persamaa diferesial
Lebih terperinciPemilihan Kapasitas Dan Lokasi Optimal Kapasitor Paralel Pada Sistem Distribusi Daya Listrik
ELECTRICIAN Jural Reayasa da Teologi Eletro 0 Pemiliha Kapasitas Da Loasi Optimal Paralel Pada Sistem Distribusi Daya Listri Osea Zebua Jurusa Tei Eletro, Faultas Tei, Uiversitas Lampug Jl. Prof. Sumatri
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini bertujuan untuk mengetahui ada tidaknya peningkatan
BAB III METODE PENELITIAN A. Desai Peelitia Peelitia ii bertujua utu megetahui ada tidaya peigata emampua siswa dalam pealara setelah megguaa model pembelajara berbasis masalah terstrutur dalam pembelajara
Lebih terperinci3. Integral (3) (Integral Tentu)
Darublic www.darublic.com. Itegral () (Itegral Tetu).. Luas Sebagai Suatu Itegral. Itegral Tetu Itegral tetu meruaa itegral ag batas-batas itegrasia jelas. Kose dasar dari itegral tertetu adalah luas bidag
Lebih terperinciPutu Doddy Heka Ardana 1. ABSTRAK
APLIKASI JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS) DALAM MODELISASI CURAH HUJAN LIMPASAN DENGAN PERBANDINGAN DUA ALGORITMA PELATIHAN (STUDI KASUS: DAS TUKAD JOGADING) (139A) Putu Doddy Heka Ardana
Lebih terperinciPRISMA FISIKA, Vol. VI, No. 2 (2018), Hal ISSN :
Estimasi Curah Huja di Kota Potiaak Megguaka Metode Propagasi Balik Berdasarka Parameter Cuaca da Suhu Permukaa Laut Ika Oktaviaigsih a, Muliadi b*, Apriasyah c a Prodi Fisika, b Prodi Geofisika, c Prodi
Lebih terperinciANALISA PENGARUH PANJANG BELT CONVEYOR TERHADAP FREKUENSI REPAIR SEBELUM DAN SESUDAH MENGGUNAKAN LOCKING BOLT PADA SAMBUNGAN COLD SPLICING ABSTRAKSI
ANALIA PENGARUH PANJANG BELT CONVEYOR TERHAAP FREKUENI REPAIR EBELUM AN EUAH MENGGUNAKAN LOCKING BOLT PAA AMBUNGAN COL PLICING ABTRAKI Ach. Hadi Widodo¹,Priyagug Hartoo²,uatmio³ ¹Mahasiswa Tei Mesi,Uiversitas
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 5
Mata Kuliah : Matematia Disrit Program Studi : Tei Iformatia Miggu e : 5 KOMBINATORIAL PENDAHULUAN Persoala ombiatori bua merupaa persoala baru dalam ehidupa yata. Baya persoala ombiatori sederhaa telah
Lebih terperinciIII. METODE PENELITIAN. Lokasi penelitian dilakukan di Provinsi Sumatera Barat yang terhitung
42 III. METODE PENELITIAN 3.. Lokasi da Waktu Peelitia Lokasi peelitia dilakuka di Provisi Sumatera Barat yag terhitug mulai miggu ketiga bula April 202 higga miggu pertama bula Mei 202. Provisi Sumatera
Lebih terperinciAplikasi Model Regresi Dalam Pengalihragaman Hujan Limpasan Terkait Dengan Pembangkitan Data Debit (Studi Kasus: DAS Tukad Jogading)
Aplikasi Model Regresi Dalam Pengalihragaman Hujan Limpasan Terkait Dengan Pembangkitan Data Debit (Studi Kasus: DAS Tukad Jogading) Putu Doddy Heka Ardana 1 1 Jurusan Teknik Sipil, Universitas Ngurah
Lebih terperinciPREDIKSI ph AIR HUJAN DI KALIMANTAN BARAT DENGAN METODE BACKPROPAGATION
Buleti Ilmiah Math. Stat. da Terapaya (Bimaster) Volume 04, No. 3 (2015), hal 397 406. PREDIKSI ph AIR HUJAN DI KALIMANTAN BARAT DENGAN METODE BACKPROPAGATION Fra Siskus Dia Ariato, Muhlasah Novitasari
Lebih terperinciANALISIS INTENSITAS HUJAN DI STASIUN KALIBAWANG KABUPATEN KULONPROGO
ANALISIS INTENSITAS HUJAN DI STASIUN KALIBAWANG KABUPATEN KULONPROGO Titiek Widyasari 1 1 Program Studi Tekik Sipil, Uiversitas Jaabadra Yogyakarta, Jl. Tetara Rakyat Mataram 55 57 Yogyakarta Email: myso_jayastu@yahoo.co.id
Lebih terperincix x x1 x x,..., 2 x, 1
0.4 Variasi Kaoi amel Da Korelasi Kaoi amel amel aca dari observasi ada masig-masig variabel dari ( + q) variabel (), () daat digabuga edalam (( + q) ) data matris,,..., dimaa (0-5) Adau vetor rata-rata
Lebih terperinciUNIVERSITAS INDONESIA META-ANALISIS UNTUK RELIABILITAS SUATU ALAT UKUR BERDASARKAN KOEFISIEN ALPHA CRONBACH SKRIPSI JANUARINA ANGGRIANI
UNIVERSITAS INDONESIA META-ANALISIS UNTUK RELIABILITAS SUATU ALAT UKUR BERDASARKAN KOEFISIEN ALHA CRONBACH SKRISI JANUARINA ANGGRIANI 080655 FAKULTAS MATEMATIKA DAN ILMU ENGETAHUAN ALAM ROGRAM STUDI SARJANA
Lebih terperinciBAB III METODOLOGI PENELITIAN A. Tempat dan Waktu Penelitian Penelitian dilakukan di SMA Negeri 1 Ngemplak.Sekolah ini beralamatkan di jalan
BAB III METODOLOGI PENELITIAN A. Tempat da Waktu Peelitia Peelitia dilakuka di SMA Negeri 1 Ngemplak.Sekolah ii beralamatka di ala Embarkasi Hai Doohuda, kecamata Ngemplak, Kabupate Boyolali, Provisi Jawa
Lebih terperinciBAB II TINJAUAN PUSTAKA. membahas distribusi normal dan distribusi normal baku, penaksir takbias μ dan σ,
BAB II TINJAUAN PUSTAKA.1 Pedahulua Dalam peulisa materi poo dari sripsi ii diperlua beberapa teori-teori yag meduug, yag mejadi uraia poo pada bab ii. Uraia dimulai dega membahas distribusi ormal da distribusi
Lebih terperinci1) Leptokurtik Merupakan distribusi yang memiliki puncak relatif tinggi
Statisti Desriptif Keruciga atau Kurtosis Pegertia Kurtosis Peguura urtosis (peruciga) sebuah distribusi teoritis adaalaya diamaam peguura eses (excess) dari sebuah distribusi Sebearya urtosis bisa diaggap
Lebih terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinciREGRESI DAN KORELASI
REGRESI DAN KORELASI Pedahulua Dalam kehidupa sehari-hari serig ditemuka masalah/kejadia yagg salig berkaita satu sama lai. Kita memerluka aalisis hubuga atara kejadia tersebut Dalam bab ii kita aka membahas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Risio Operasioal.1.1 Defiisi Dewasa ii risio operasioal semai diaui sebagai salah satu fator uci yag perlu dielola da dicermati oleh para pelau usaha, hususya di bidag jasa euaga.
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciSifat-sifat Fungsi Karakteristik dari Sebaran Geometrik
Sifat-sifat Fugsi Karateristi dari Sebara Geometri Dodi Deviato Jurusa Matematia, Faultas MIPA, Uiversitas Adalas Kamus Limau Mais, Padag 563, Sumatera Barat, Idoesia Abstra Fugsi arateristi dari suatu
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakag Dalam keadaa dimaa meghadapi persoala program liier yag besar, maka aka berusaha utuk mecari peyelesaia optimal dega megguaka algoritma komputasi, seperti algoritma
Lebih terperinciBAHAN AJAR DIKLAT GURU MATEMATIKA
BAHAN AJAR DIKLAT GURU MATEMATIKA DEPARTEMEN PENDIDIKAN NASIONAL DIREKTORAT JENDERAL PENDIDIKAN DASAR DAN MENENGAH DIREKTORAT PENDIDIKAN MENENGAH KEJURUAN 005 DAFTAR ISI Kata Pegatar.. i Daftar Isi...
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI.1 Pegertia da Maksud Irigasi Irigasi berasal dari istilah irrigatie dalam bahasa Belada atau irrigatio dalam bahasa Iggris. Irigasi dapat diartika sebagai suatu usaha yag dilakuka
Lebih terperinciBAB 6 NOTASI SIGMA, BARISAN DAN DERET
BAB 6 NOTASI SIGMA, BARISAN DAN DERET A RINGKASAN MATERI. Notasi Sigma Diberia suatu barisa bilaga, a, a,..., a. Lambag deret tersebut, yaitu: a = a + a +... + a a meyataa jumlah suu pertama barisa Sifat-sifat
Lebih terperinciSIMULASI TAMPUNGAN AIR EMBUNG KUMBO DESA SUMBER ARUM UNTUK KEBUTUHAN AIR IRIGASI DESA SUMBER ARUM KECAMATAN SONGGON KABUPATEN BANYUWANGI JAWA TIMUR
SMULAS TAMPUNGAN AR EMBUNG KUMBO DESA SUMBER ARUM UNTUK KEBUTUHAN AR RGAS DESA SUMBER ARUM KECAMATAN SONGGON KABUPATEN BANYUWANG JAWA TMUR JURNAL Diajua utu memeuhi sebagia persyarata memperoleh gelar
Lebih terperinciPenggunaan Transformasi z
Pegguaa Trasformasi pada Aalisa Respo Freuesi Sistem FIR Oleh: Tri Budi Satoso E-mail:tribudi@eepis-its.eduits.edu Lab Siyal,, EEPIS-ITS ITS /3/6 osep pemiira domais of represetatio Domai- discrete time:
Lebih terperinciKORELASI POLISERIAL UNTUK PENDUGAAN PARAMETER STRUCTURAL EQUATION MODELING
Kode Maalah M- KORELASI POLISERIAL UNTUK PENDUGAAN PARAMETER STRUCTURAL EQUATION MODELING SEM Oleh : Nur Rusliah Prof. Dr. Dra. Susati Liuwih, M.Stat Dra. Kartia Fitriasari, M.Si. ABSTRAK Structural Equatio
Lebih terperinciJurnal Ilmu Matematika dan Terapan Maret 2016 Volume 10 Nomor 1 Hal
Jural Ilmu Matematia da Terapa Maret 16 Volume 1 Nomor 1 Hal. 61 68 ANALISIS FAKTOR-FAKTOR YANG MEMPERNGARUHI KANKER LEHER RAHIM DI KOTA AMBON DENGAN MENGGUNAKAN REGRESI LOGISTIK BINER (Studi asus: Pasie
Lebih terperinciPENGOLAHAN SINYAL DIGITAL. Modul 5. Sistem Waktu Diskret dan Aplikasi TZ
PENGOLHN SINL DIGITL Modul 5. Sistem Watu Disret da pliasi TZ Cotet Overview Sistem Watu Disrit Sstem Properties Shift Ivariace, Kausalitas, Stabilitas diaita dega TZ Trasformasi sistem dari persamaa differece
Lebih terperinciAplikasi Sistem Orthonormal Di Ruang Hilbert Pada Deret Fourier
Apliasi Sistem Orthoormal Di Ruag Hilbert Pada Deret Fourier A 7 Fitriaa Yuli S. FMIPA UNY Abstra Ruag hilbert aa dibahas pada papper ii. Apliasi system orthoormal aa diaji da aa diapliasia pada ruahg
Lebih terperinciMASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK. Masalah 1 Terdapat berapa carakah kita dapat memilih 2 baju dari 20 baju yang tersedia?
Kartia Yuliati, SPd, MSi MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK Masalah Terdapat berapa caraah ita dapat memilih baju dari 0 baju yag tersedia? Cara Misala baju diberi omor dari sampai
Lebih terperinciPEMODELAN LAMA PEMBERIAN ASI EKSKLUSIF PADA RUMAH TANGGA MISKIN DENGAN METODE REGRESI POHON DI PROVINSI SULAWESI TENGAH
PEMODELAN LAMA PEMBERIAN ASI EKSKLUSIF PADA RUMAH TANGGA MISKIN DENGAN METODE REGRESI POHON DI PROVINSI SULAWESI TENGAH Yermia Firma Setiawirawa da Dr. Bambag Widjaaro Oto, S.Si, M.Si Mahasiswa Jurusa
Lebih terperinciBAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.
BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder
Lebih terperinciPROSIDING ISSN:
PROSIDING ISSN: 5-656 OPTIMISASI BERKENDALA MENGGUNAKAN METODE GRADIEN TERPROYEKSI Nida Sri Uami Uiversias Muhammadiyah Suraara idaruwiyai@gmailcom ABSTRAK Dalam ulisa ii dibahas eag meode gradie erproyesi
Lebih terperinciIII. METODE PENELITIAN
30 III. METODE PENELITIAN A. Metode Dasar Peelitia Metode yag diguaka dalam peelitia adalah metode deskriptif, yaitu peelitia yag didasarka pada pemecaha masalah-masalah aktual yag ada pada masa sekarag.
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinciPenulis: Penilai: Editor: Ilustrator: Dra. Puji Iryanti, M.Sc. Ed. Al. Krismanto, M.Sc. Sri Purnama Surya, S.Pd, M.Si. Fadjar N. Hidayat, S.Si.,M.Ed.
PAKET FASILITASI PEMBERDAYAAN KKG/MGMP MATEMATIKA Pembelajara Barisa, Deret Bilaga da Notasi Sigma di SMA Peulis: Dra. Puji Iryati, M.Sc. Ed. Peilai: Al. Krismato, M.Sc. Editor: Sri Purama Surya, S.Pd,
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciAproksimasi Terbaik dalam Ruang Metrik Konveks
Aprosimasi Terbai dalam Ruag etri Koves Oleh : Suharsoo S Jurusa atematia FIPA Uiversitas Lampug Abstra asalah esistesi da etuggala aprosimasi terbai suatu titi dalam ruag berorm telah dipelajari oleh
Lebih terperinciProgram Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi
Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.
Lebih terperinciBAB IV PENGUMPULAN DAN PENGOLAHAN DATA
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 Data permitaa Dalam meramalka permitaa produk lever cable utuk kebutuha PT. Kyoda Mas Mulia sediri. data yag diambil utuk perhituga peramala permitaa yaitu dega
Lebih terperinciModel Antrian Multi Layanan
Jural Gradie Vol. No. Juli : 8- Model Atria Multi Layaa Sisa Yosmar Jurusa Matematia, Faultas Matematia da Ilmu egetahua Alam, Uiversitas Begulu, Idoesia Diterima 9 April; Disetujui 8 Jui Abstra - Salah
Lebih terperinciSTUDI TENTANG PETA KENDALI p YANG DISTANDARISASI UNTUK PROSES PENDEK KUALITAS
STUDI TENTANG PETA KENDALI p YANG DISTANDARISASI UNTUK PROSES PENDEK KUALITAS (Tati Octavia et al.) STUDI TENTANG PETA KENDALI p YANG DISTANDARISASI UNTUK PROSES PENDEK KUALITAS Tati Octavia Dose Faultas
Lebih terperinciBab 5 Sinyal dan Sistem Waktu Diskrit. Oleh: Tri Budi Santoso Laboratorium Sinyal, EEPIS-ITS
Bab 5 Siyal da Sistem Watu Disrit Oleh: Tri Budi Satoso Laboratorium Siyal, EEPIS-ITS Materi: Represetasi matemati pada siyal watu disrit, domai watu da freuesi pada suatu siyal watu disrit, trasformasi
Lebih terperinciMANAJEMEN RISIKO INVESTASI
MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya
Lebih terperinciANALISIS CURAH HUJAN WILAYAH
Lapora Praktikum Hari/taggal : Rabu 7 Oktober 2009 HIDROLOGI Nama Asiste : Sisi Febriyati M. Yohaes Ariyato. ANALISIS CURAH HUJAN WILAYAH Lilik Narwa Setyo Utomo J3M108058 TEKNIK DAN MANAJEMEN LINGKUNGAN
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciKuliah : Rekayasa Hidrologi II TA : Genap 2015/2016 Dosen : 1. Novrianti.,MT. Novrianti.,MT_Rekayasa Hidrologi II 1
Kuliah : Rekayasa Hidrologi II TA : Geap 2015/2016 Dose : 1. Novriati.,MT 1 Materi : 1.Limpasa: Limpasa Metoda Rasioal 2. Uit Hidrograf & Hidrograf Satua Metoda SCS Statistik Hidrologi Metode Gumbel Metode
Lebih terperinciMASALAH DISTRIBUSI BOLA KE DALAM WADAH SEBAGAI FUNGSI ATAU KUMPULAN FUNGSI
Vol. 11, No. 1, 45-55, Juli 2014 MASALAH DISTRIBUSI BOLA KE DALAM WADAH SEBAGAI FUNGSI ATAU KUMPULAN FUNGSI Fauziah Baharuddi 1, Loey Haryato 2, Nurdi 3 Abstra Peulisa ii bertujua utu medapata perumusa
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciAnova (analysis of varian)
ova (aalysis of varia) Ui hipotesis perbedaa ilai rata-rata dari atau lebih elompo idepede Cotoh: daah perbedaa berat bayi lahir dari eluarga E tiggi dega E sedag atau E redah sumsi Ui ova: 1. ube diambil
Lebih terperinciPENJADWALAN JOBS PADA SINGLE MACHINE DENGAN MEMINIMUMKAN VARIANS WAKTU PENYELESAIAN JOBS (Studi Kasus di P.T. XYZ )
(Fey Nilawati Kusuma et al.) PENJADWALAN JOBS PADA SINGLE MACHINE DENGAN MEMINIMUMKAN VARIANS WAKTU PENYELESAIAN JOBS (Studi Kasus di P.T. XYZ ) I Gede Agus Widyadaa I Nyoma Sutapa Dose Faultas Teologi
Lebih terperinciPENGARUH MODAL KERJA TERHADAP KREDIT YANG DISALURKAN SERTA DAMPAKNYA TERHADAP RENTABILITAS PERUSAHAAN
Jural Autasi FE Usil, Vol. 4, No., 009 ISSN : 907-9958 PENGARUH MODAL KERJA TERHADAP KREDIT YANG DISALURKAN SERTA DAMPAKNYA TERHADAP RENTABILITAS PERUSAHAAN Rai Rahma Dose Jurusa Autasi Faultas Eoomi Uiversitas
Lebih terperinciMODUL BARISAN DAN DERET
MODUL BARISAN DAN DERET KELAS XII. IPS SEMESTER I Oleh : Drs. Pudjul Prijoo ( http://vidyagata.wordpress.co ) SMA NEGERI 6 Jala Mayje Sugoo 58 Malag Telp./Fax : (034) 75036 E-Mail : sa6_alag@yahoo.co.id
Lebih terperinciPeluang Suatu Kejadian, Kaidah Penjumlahan, Peluang Bersyarat, Kaidah Perkalian dan Kaidah Baiyes
eluag uatu Kejadia, Kaidah ejumlaha, eluag ersyarat, Kaidah eralia da Kaidah aiyes.eluag uatu Kejadia Defiisi : eluag suatu ejadia adalah jumlah peluag semua titi otoh dalam. Dega demiia : 0 (), ( ) =
Lebih terperinciIII. METODELOGI PENELITIAN
III. METODELOGI PENELITIAN A. Metode Peelitia Metode peelitia merupaka suatu cara tertetu yag diguaka utuk meeliti suatu permasalaha sehigga medapatka hasil atau tujua yag diigika, meurut Arikuto (998:73)
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciMETODE PENELITIAN. 3.1 Kerangka Pemikiran
24 III. METODE PENELITIN 3.1 Keragka Pemikira BMT l-fath IKMI melakuka fugsi meyalurka daa dega melakuka pembiayaa kepada UMKM. Produk pembiayaa yag dimiliki BMT l-fath IKMI adalah Murabahah da Iarah.
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia Daerah peelitia adalah Kota Bogor yag terletak di Provisi Jawa Barat. Pemiliha lokasi ii berdasarka pertimbaga atara lai: (1) tersediaya Tabel Iput-Output
Lebih terperinciUJI STATISTIK PENGARUH PERLAKUAN PERMUKAAN TERHADAP UMUR FATIK DENGAN DATA TERBATAS
Uji Statisti Pegaruh Perlaua Permuaa terhadap dega Data Terbatas (Agus Suhartoo) Areditasi LIPI omor : 536/D/007 Taggal 6 Jui 007 UJI STATISTIK PEGARUH PERLAKUA PERMUKAA TERHADAP UMUR FATIK DEGA DATA TERBATAS
Lebih terperinciANALISIS ALOKASI RUGI TRANSMISI DENGAN METODE Z-BUS
ANALISIS ALOKASI RUGI TRANSMISI DENGAN METODE Z-BUS Firdaus Dose Jurusa edidia Tei Eletro FT UNM Abstra Sistem teaga listri telah berembag begitu pesat sehigga sistem ariga uga meela biaya rugirugi daya
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Lokasi da Waktu Pegambila Data Pegambila data poho Pius (Pius merkusii) dilakuka di Huta Pedidika Guug Walat, Kabupate Sukabumi, Jawa Barat pada bula September 2011.
Lebih terperinciBAB III METODOLOGI PENELITIAN
22 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di tiga kator PT Djarum, yaitu di Kator HQ (Head Quarter) PT Djarum yag bertempat di Jala KS Tubu 2C/57 Jakarta Barat,
Lebih terperinciKAJIAN METODE EMPIRIS UNTUK MENGHITUNG DEBIT BANJIR SUNGAI NEGARA DI RUAS KECAMATAN SUNGAI PANDAN (ALABIO)
ISSN 085-5761 (Prit) Jural POROS TEKNIK, Volume 8 No., Desember 016 : 55-103 ISSN 44-7764 (Olie) KAJIAN METODE EMPIRIS UNTUK MENGHITUNG DEBIT BANJIR SUNGAI NEGARA DI RUAS KECAMATAN SUNGAI PANDAN (ALABIO)
Lebih terperinciREGRESI LINIER GANDA
REGRESI LINIER GANDA Secara umum, data hasil pegamata Y bisa terjadi karea akibat variabelvariabel bebas,,, k. Aka ditetuka hubuga atara Y da,,, k sehigga didapat regresi Y atas,,, k amu masih meujukka
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciSEBARAN t dan SEBARAN F
SEBARAN t da SEBARAN F 1 Tabel uji t disebut juga tabel t studet. Sebara t pertama kali diperkealka oleh W.S. Gosset pada tahu 1908. Saat itu, Gosset bekerja pada perusahaa bir Irladia yag melarag peerbita
Lebih terperinciMETODE PENELITIAN. Penelitian tentang Potensi Ekowisata Hutan Mangrove ini dilakukan di Desa
III. METODE PENELITIAN A. Lokasi da Waktu Peelitia Peelitia tetag Potesi Ekowisata Huta Magrove ii dilakuka di Desa Merak Belatug, Kecamata Kaliada, Kabupate Lampug Selata. Peelitia ii dilaksaaka atara
Lebih terperinciMATERI 12 ANALISIS PERUSAHAAN
MATERI 12 ANALISIS PERUSAHAAN EPS DAN INFORMASI LAPORAN KEUANGAN KELEMAHAN PELAPORAN EPS DALAM LAPORAN KEUANGAN ANALISIS RASIO PROFITABILITAS PERUSAHAAN EARNING PER SHARE (EPS) PRICE EARNING RATIO (PER)
Lebih terperinciIV. METODE PENELITIAN. berdasarkan tujuan penelitian (purposive) dengan pertimbangan bahwa Kota
IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia ii dilaksaaka di Kota Bogor Pemiliha lokasi peelitia berdasarka tujua peelitia (purposive) dega pertimbaga bahwa Kota Bogor memiliki jumlah peduduk yag
Lebih terperinciKonvolusi pada Distribusi dengan Support Kompak
Prosidig SI MaNIs (Semiar Nasioal Itegrasi Matematia da Nilai Islami) Vol1, No1, Juli 2017, Hal 453-457 p-issn: 2580-4596; e-issn: 2580-460X Halama 453 Kovolusi pada Distribusi dega Support Kompa Cythia
Lebih terperinci