REVITALISASI D A N SOSIALISASI DIRI PENINGKATAN KUALITAS PENELITIAN & PENDIDIKAN MATEMATIKA DI INDONESIA. Seminar Nasional Mahasiswa S3 Matematika
|
|
- Utami Johan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ISBN : Prosiding Seminar Nasional Mahasiswa S3 Matematia REVITALISASI D A N SOSIALISASI DIRI UNTUK BERPERAN AKTIF DALAM PENINGKATAN KUALITAS PENELITIAN & PENDIDIKAN MATEMATIKA DI INDONESIA i as Mahasiswa S- 3M atemati a Forum Komuniasi Mahasiswa S-3 Matematia se-indonesia Beerja Sama Dengan Jurusan Matematia FMIPA UGM Komu rum ni Fo Editor : Muslim Ansori Ismail Djaaria Dhoriva Urwatul Wutsqa Agus Maman Abadi M. Andy Rudhito Umu Sa adah Karyati Hasih Pratiwi Indonesia
2 Maalah Bidang Statistia Estimating Conditional Intensity of Point Processes Models (Nurtiti Sanusi, Sutawanir D., I Wayan M, Wahyu T).328 Generator Frame Wavelet Ketat dari Kelas Box Spline Multivariate (Mahmud Yunus, Janny Lindiarni, Hendra Gunawan).334 Generalized Regression dalam Pendugaan Area Kecil (Anang Kurnia, Khairil A. Notodiputro, Asep Saefuddin, dan I Wayan Mangu) 346 Chain Ladder Method as a Gold Standard to Estimate Loss Reserves (Aceng K. Mutaqin, Dumaria R. Tampubolon, Sutawanir Darwis).356 Optimalisasi Respon Ganda pada Metode Respon Permuaan (Response Surface) dengan Pendeatan Fungsi Desirability (Hari Sati Wibowo, I Made Sumertajaya, Hari Wijayanto).365 Sifat Penasir Simulated MLE pada Respon Multinomial (Jaa Nugraha)..376 Estimasi Model Probit pada Respons Biner Multivariat Menggunaan MLE dan GEE (Jaa Nugraha).386 Analisis Komponen Utama Temporar (Ismail Djaaria).399 Pendeatan Dynamic Linear Model atau State Space Model pada Pendugaan Area Kecil (Small Area Estimation) (Kusman Sadi dan Khairil Anwar Notodiputro).411 Pengembangan Algoritma EM untu Data Tida Lengap (Incomplete Data) pada Model Log-Linear (Kusman Sadi) CRUISE sebagai Metode Berstrutur Pohon (Tree-Structured) pada Data Non-Biner (Kusman Sadi) Model Proportional Hazards Cox dengan Missing Covariates (Nuraromah Dwidayati, Sri Haryatmi, Subanar).447 Apliasi Mixture Distribution dalam Pemodelan Resio Atuaria (Adhitya Ronnie Effendie) 459 Analisis Komponen Utama Probabilisti pada Data Missing (Ismail Djaaria) Malaah Bidang Terapan..464 Bilangan Ramsey untu Graf Bintang S 6 dan Graf Bipartit Lengap K 2,N, N=2,3,4 (Isnaini Rosyida).476 H-supermagic labelings of c copies of some graphs (Tita Khalis Maryati, A. N. M. Salman, Edy Tri Basoro, Irawati) 485 viii
3 Pengembangan Algoritma EM untu Data Tida Lengap (Incomplete Data) pada Model Log-Linear Kusman Sadi Departemen Statistia, FMIPA IPB Jl. Raya Dramaga, Kampus IPB Dramaga, Bogor usmansadi@yahoo.com Abstra Pada data ategori teradang terdapat beberapa data yang tida lengap pada salah satu ategorinya, sehingga ringasan dari data ategori dalam bentu tabel ontingensinya terbagi menjadi dua bagian yaitu tabel ontingensi data lengap dan data tida lengap. Analisa yang dapat digunaan untu asus tersebut adalah dengan memodelan data lengap mengunaan model log-linear. Kemudian dilauan pendugaan data tida lengap menggunaan algoritma EM. Algoritma EM terdiri dari dari dua tahapan yaitu tahapan M (Maximization) diperoleh dari pendugaan masimum lielihood berupa nilai proporsi setiap sel pengamatan, tahapan E (Expectation) merupaan proses pendistribusian data tida lengap berdasaran proporsi yang telah ditentuan sehingga setiap nilai sel pengamatan mengalami penyesuaian nilai. Algoritma EM ini merupaan proses iterasi yang terus berlangsung hingga diperoleh nilai yang onvergen. Data yang digunaan dalam penelitian ini adalah status esehetan bayi setelah dilahiran di dua lini yang berbeda. Data yang diamati adalah clinic (C), prenatal care (P) dan survival (S). Terdapat data tida lengap pada ategori clinic. Model Log-linear terbai untu data lengap adalah model (SC,PC) arena memilii nilai uji ebaian suai dan model ini cuup sederhana untu mendistribusian data tida lengap e data lengap dibandingan model lainnya. Model ini memberi gambaran hubungan antara peubah clinic (C) dengan peubah lainnya. Kata unci : incomplete data, EM algorithm, prenatal care, survival, maximum lielihood 1. Pendahuluan 1.1. Latar Belaang Data ategori teradang dapat berupa gabungan dari data-data yang tida lengap pada satu atau beberapa ategori. Tida lengapnya data dapat diaibatan oleh nonresponse dari subje yang terobservasi, sehingga dianggap sebagai data missing atau data hilang. Kondisi seperti itu, data ategori yang tersedia masih dapat di ringas dalam bentu tabel ontingensi
4 Pengembangan Algoritma EM untu Data... dan di analisis menggunaan model loglinear (Fuchs Camil,1992). Namun pemodelan yang sempurna untu seluruh data dapat dilauan apabila data tida lengap diduga terlebih dahulu, arena ondisi tersebut tida dapat diabaian (nonignorable) terait dengan nilai peluang di setiap sel ategori dan aan mempengaruhi pendugaan parameter di dalam model (Par Taesung dan Morton B.Brown,1994). Algoritma EM dapat dijadian solusi di dalam pendugaan data tida lengap. Iterasi dari algoritma tersebut dilauan sehingga diperoleh nilai dugaan pada setiap sel pengamatan yang onvergen e satu nilai, Penentuan model terbai yang dilauan pada data tida lengap dapat di lihat dari nilai uji nisbah emunginan dari masing-masing model, nilai yang terbesar menunjuan bahwa model tersebut lebih bai dibandingan model lainnya. Sebagai ilustrasi untu memudahan pemahaman algoritma EM, maa dalam penelitian ini digunaan data ategori cross sectional berupa status eadaan bayi setelah dilahiran pada dua lini yang berbeda Tujuan Penelitian ini bertujuan mempelajari pendugaan data tida lengap dengan algoritma EM pada model loglinear, dan menentuan pemodelan terbai untu data studi asus status eadaan bayi setelah dilahiran pada dua lini yang berbeda. 2. Tinjauan Pustaa 2.1. Model Loglinear pada Tabel Kontingensi Data ategori merupaan jenis data dengan sala penguuran nominal dan ordinal. Ringasan dari data ategori ini dapat ditampilan menggunaan tabel ontingensi, yang berupa total dari seluruh obervasi setiap ategori atau persentasi dari total di setiap ategori (Morgan dan Andrew F Siegel, 1996). Analisis tabel ontingensi berdimensi besar dilauan pada setiap pasangan peubah dalam tabel dua arah. Menurut Fienberg (1978) memilii banya elemahan antara lain : 1. Mengaburan hubungan marginal antara pasangan-pasangan peubah etegori dengan peubah yang lainnya. Bidang Statistia 423
5 Kusman Sadi 2. Tida dapat mengamati hubungan pasangan-pasangan peubah secara simultan. 3. Mengabaian emunginan adanya interasi tiga peubah dan interasi yang lebih tinggi lainnya. Oleh arena itu diperluan analisis lain untu tabel ontingensi berdimensi besar, diantaranya menggunaan model loglinear. Model loglinear menggambaran hubungan beberapa ategori, dengan pendeatan loglinear ini dari model dapat dihitung nilai harapan(m ) setiap sel dalam tabel ontingensi, bentu dari model loglinear dan interpretasi parameter-parameter dalam model sama dengan ANOVA(Agresti,1990) Model Loglinear pada Tabel Kontingensi Tiga Arah Tabel ontingensi tiga arah dengan uuran i x j x dapat dibentu dari N observasi yang terdiri dari tiga peubah X, Y, dan R. Peubah X terdiri dari i ategori, Y terdiri dari j ategori dan R terdiri dari ategori. Bentu model lengap XYR (saturated model), di gambaran dalam bentu : i X i j Y j log m (1) R dimana : 0 dan i XY ij j XY ij j YR j X i Y j XYR... 0 untu : i = 1, 2,..., I j = 1, 2,...,J dan = 1, 2,...K Keterangan : : Rataan seluruh observasi R XY ij YR j XR i XYR X i Y j R XY ij : Pengaruh utama e i pada ategori X : Pengaruh utama e j pada ategori Y : Pengaruh utama e pada ategori R : Interasi ategori X e i dengan ategori Y e j 424 Seminar Nasional Matematia-FKMS3MI 2008
6 Pengembangan Algoritma EM untu Data... YR j XR i : Interasi ategori Y e j dengan ategori R e : Interasi ategori X e i dengan ategori R e XYR : Interasi ategori X e i dengan ategori Y e j dan ategori R e Pendugaan parameter dalam model diatas dapat diperoleh dengan cara sebagai beriut :... log m X R i i Y XY j. j.... ij ij. i... j.... YR j XR i. j. j i. i XYR ij. i.. j i... j Pada dasarnya model yang terbentu dari tabel ontingensi dapat diuraian menjadi beberapa model loglinear (model hirari), tersusun dari model sederhana tanpa adanya interasi antara ategori, hingga model lengap yang seluruh interasi ada didalam model tersebut (Little dan Donald, 1997). Uji Kebaian Suai Model yang dicobaan dapat dilihat esesuaiannya dengan menggunaan uji ebaian suai hi-uadrat Pearson statistic, G 2 ). 2 dan statitsti uji nisbah emunginan (lielihood rasio test Bidang Statistia 425
7 Kusman Sadi Uji Khi-uadrat Pearson 2 Statisti ebaian suai hi-uadrat untu tiga peubah dapat dihitung dengan rumus: n m 2 (2) m i j 2 n adalah nilai pengamatan, sedangan m adalah nilai harapan dari olom-. Uji Nisbah Kemunginan (G 2 ) Statisti nisbah emunginan dapat di hitung dengan rumus: G 2 m 2 n log (3) i j n Logaritma ditentuan dengan bilangan dasar e atau lebih dienal dengan logaritma natural. Hipotesis yang di uji adalah : H 0 : Model memilii ebaian suai H 1 : Model tida memilii ebaian suai Statisti uji 2 Pearson dan G 2 menyebar asimtoti menurut sebaran hi-uadrat ( 2 ) dengan derajat bebas berupa pengurangan jumlah sel terhadap banyanya parameter bebas (Little dan Donald, 1997). Jia terdapat lebih satu model yang sesuai maa dilauan pemilihan model yang memilii ebaian suai paling bai. Pemilihan dapat dilauan dengan menguji hipotesis beriut : H 0 : Pilih Model pertama H 1 : Pilih model edua Statisti ujinya : G G(1) G(2) (4) 426 Seminar Nasional Matematia-FKMS3MI 2008
8 Pengembangan Algoritma EM untu Data... Kaidah pengujian yang digunaan adalah jia lebih ecil dari 2 maa H 0 diterima pada taraf nyata dengan derajat bebas adalah selisih dari derajat bebas edua model yang dibandingan Algoritma EM Algoritma EM adalah salah satu metode yang digunaan secara luas untu menghitung penduga emunginan masimum dari data yang tida lengap (Little dan Donald, 1997). Ada dua tahapan dasar dalam algoritma ini, yaitu : 1. Tahapan E (Expectation) yaitu tahapan mencari nilai harapan bersyarat dari data tida lengaap dengan syarat data lengap dan pendugaan parameter dari suatu fungsi emunginan l( Y ), yang emudian nilai harapan yang diperoleh di subsitusian e dalam data hilang. Tahapan E dalam EM dapat ditentuan sebagai beriut : Q ( t ) ( t ) l Y f Y mis Yobs, dy mis (5) 2. Tahapan M dalam algoritma EM menentuan iterasi penentuan nilai penduga terbaru (t+1) dengan memasimuman : Q ( t 1) ( t ) ( t ) Q (6) Untu semua nilai Dalam asus data tida lengap pada data ategori, edua tahapan penting algoritma EM didefinisian bahwa setiap tahapan E dari algoritma EM menentuan besarnya freuensi pada sel pengamatan semu dengan mengaloasian total marginal dari data tida lengap e dalam sel yang tida terobservasi. Sedangan tahapan M menghasilan pendugaan masimum lielihood dari sel freuensi pengamatan semu tersebut dengan cara memasimuman pendugaan posterior dari parameter model. Kedua tahapan tersebut dilauan terus menerus hingga pada ahirnya diperoleh nilai dugaan pada tahap M yang onvergen terhadap satu nilai (Par dan Morton, 1994). Tahapan pendugaan data hilang dengan algoritma EM, (Little dan Donald, 1997) adalah : Bidang Statistia 427
9 Kusman Sadi 1. Menghitung nilai peluang di setiap sel pengamatan dengan menggunaan statisti cuup yang di peroleh dengan pendugaan masimum lielihood. 2. Menduga nilai harapan di setiap dengan mendistribuan data tida lengap e dalam tiap sel pengamatan berdasaran proporsi peluangnya. 3. Ulangi langah 1-2 sampai memperoleh nilai dugaan parameter yang onvergen e satu nilai tertentu. Setelah diperoleh hasil pendugaan yang onvergen e satu nilai. Keonvergenan dapat diartian bahwa nilai disetiap pengamatan utnu beberapa iterasi ahir tida mengalami perubahan. 3. Bahan dan Metode Ilustrasi yang digunaan untu memahami pendugaan data tida lengap dengan metode EM adalah data mengenai status eadaan bayi setelah dilahiran pada dua lini berbeda. Peubah yang digunaan dalam penelitian ini yaitu: Peubah Kategori Kode Survival died, survived S Prenatal Care less, more P Clinic A,B C Ringasan data di tampilan e dalam tabel ontingensi tiga arah pada Tabel 1. Uuran tabel tersebut 2 x 2 x 2. Tabel 1.Tabel Kontingensi Survival (S) Clinic (C) Prenatal Care (P) Died Survived (a) Data Lengap A Less More B Less More 2 23 m=715 (b) Bagian Data Ta Lengap Less More 5 90 r=255 Sumber : Bishop, Fienberg, dan Holland,(1998), Tabel Seminar Nasional Matematia-FKMS3MI 2008
10 Pengembangan Algoritma EM untu Data... Total seluruh responden yang berpartisipasi adalah 970 orang (m + r = 970), namun hanya 715 terisi lengap (m = 715), sedangan 255 tida lengap (r= 225) terhadap peubah clinic (C), sehingga 255 data ini yang aan di distribusian e dalam sel-sel pengamatan. Metode yang digunaan : 1.Menentuan model terbai dari data lengap yang tersedia. 2.Menentuan nilai peluang setiap sel pengamatan. 3.Menentuan nilai harapan setiap sel dengan mendistribusian data ta lengap berdasaran nilai peluangnya, hingga onvergen. 4.Menentuan model terbai setelah data di perbaii. 4. Hasil dan Pembahan 4.1. Model Loglinear pada Tabel Kontingensi Model hirari yang dapat di uraian dari tabel ontingensi berdimensi tiga ada 19 model loglinear. Sembilan dari model tersebut di tampilan pada lampiran 1, sedangan sepuluh model lainnya di peroleh dari permutasi interasi peubah-peubah pada model (3), (4), (5), (7), dan (8). Analisa dalam penelitian ini hanya menggunaan empat model, arena model-model tersebut dapat menggambaran hubungan antara peubah clinic (C) dengan peubah-peubah lainnya. Empat model tersebut yaitu : model lengap (SPC), model (SP, SC, PC), model (SC, PC), model (SP, SC). Hasil dari nilai uji ebaian suai (G 2 dan 2 ) yang ditampilan pada lampiran 2 untu setiap model, menunjuan bahwa model yang memilii ebaian suai terbai hanya tiga model saja yaitu model (SPC), model (SP, SC, PC), model (SC, PC)., hal ini diperoleh dari pembandingan nilai uji ebaian suai dengan nilai pada tabel hi-uadrat dengan derajat bebas masing-masing model.jia nilai ebaian suai lebih besar dari pada nilai tabel hiuadrat pada taraf nyata 5 % maa esimpulan yang diambil adalah menerima H 0 atau diintrepretasian bahwa model memilii ebaian suai. Oleh arena ada lebih dari satu model yang memilii ebaian suai maa untu menentuan model terbai perlu dilauan analisa lanjutan. Hasil pemilihan dapat dilihat dari Tabel 2. Bidang Statistia 429
11 Kusman Sadi Model Tabel 2.hasil pemilihan model terbai. Model G 2 db 2 (db,5%) Model terpilih (SPC) * (SPC) (SP,SC,PC) (SPC) * (SPC) (SC,PC) (SC,PC)* SP,SC,PC) (SC,PC) (SPC) ini merupaan model yang mengambaran seluruh interasi antar peubah secara lengap.penentuan nilai peluang setiap sel pengamatan pada model lengap (SPC) dapat diproporsian secara sempurna, dari model ini diperoleh nilai ebaian suai (G 2 dan 2 ) nol dan derajat bebasnya juga nol. Pada model (SP, SC, PC) dan model (SC, PC) memilii nilai ebaian suai yang terecil dibandingan dengan model lainnya, hal ini menunjuan edua model ini yang terbai dan mengindiasian bahwa antara peubah survival (S), prenatal (P) berhubungan dengan peubah clinic (C). Namun pada model (SC, PC) tida dapat menjelasan hubungan antara peubah survival (S) dengan peubah prenatal (P) berbeda dengan model (SP, SC, PC). Oleh arena itu untu pendugaan EM model yang digunaan adalah model (SC, PC) arena di nilai lebih sederhana dan aan lebih mudah dalam mendistribusian data ta lengap Analisa Algoritma EM Analisa algoritma EM meliputi pendistribusian dari data tida lengap e dalam data lengap menggunaan nilai peluang bersyarat, emudian menduga nilai di setiap sel pengamatan dari data lengap. Setiap nilai peluang yang diperoleh di tentuan oleh model loglinear. Hasil dari algoritma EM pada model (SC, PC) berhenti pada iterasi e 4, hal ini di sebaban pada iterasi e 4 telah menunjuan nilai yang onvergen pada satu nilai di dalam tahapan E. Jia iterasi itu di lanjutan, maa pada iterasi selanjutnya aan diperoleh penduga nilai sel pengamatan yang sama dengan iterasi e 4. Nilai ahir dari iterasi yang diperoleh merupaan gabungan dari data lengap dengan data tida lengap hasil algoritma EM tersebut seprti di dalam Tabel Seminar Nasional Matematia-FKMS3MI 2008
12 Pengembangan Algoritma EM untu Data... Tabel 3. Nilai Ahir Pendugaan Data Ta Lengap dengan Metode EM Survival (S) Clinic (C) Prenatal Care (P) Died Survived A Less More B Less More 3 30 Total dari seluruh data tida berubah yaitu 970 namun nilai sel pengamatan di dalam tiap ategori berubah. Sel pengamatan yang mendapatan pendistribusian data terbesar adalah sel pada clinic (C) A, prenatal care (P) untu ategori more dan survival (S) untu ategori survived., sel tersebut mendapat tambahan sebesar 83, hal ini terjadi arena proporsi awal pada sel tersebut terbesar pula. 5. Kesimpulan Algoritma EM untu data tida lengap pada model loglinear merupaan metode yang cuup bai digunaan, arena dalam algoritma EM terjadi proses pendistribusian data tida lengap e data lengap berdasaran nilai peluang bersyaratnya, dan penentuan nilai peluang ditentuan oleh model loglinear yang digunaan. Model loglinear terbai dalam ilustrasi yang dapat digunaan untu algoritma adalah model (SC, PC) arena model ini memilii nilai ebaian suai yang terecil dan model cuup sederhana dibanding dengan model (SP, SC, PC). Sedangan proses dari pendistribusian data tida lengap dengan algoritma EM tida membutuhan iterasi yang besar. Pada iterasi e 4 sudah menunjuan nilai yang onvergen, EM Daftar Pustaa Agresti, Alan Categorical Data Analysis. NewYor: Jhon Wiley & Sons. Fienberg, Stephen E The Analysis of Cross-Classified Categorical Data. The Massachusetts Institute of Technology. Fuch, Camil Maximum Lielihood Estimation and Model Selection in Contingency Tables With Missing Data. Journal of The American Statistical Association. Vol 77. No 378. American. Bidang Statistia 431
13 Kusman Sadi Little, R J A., and Donald B. Rubbin Statistical Analysis with Missing Data. New Yor: John Wiley & Sons. Morgan, Charles J., and Andrew F Siegel Statistic and Data Analysi. New Yor: John Wiley & Sons. Par, Taesung., dan Morton B. Brown Models For Categorical With Nonignorable Nonresponse. Journal of The American Statistical Assciation. Vol 89. No 425. American. 432 Seminar Nasional Matematia-FKMS3MI 2008
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
Lebih terperinciREVITALISASI D A N SOSIALISASI DIRI PENINGKATAN KUALITAS PENELITIAN & PENDIDIKAN MATEMATIKA DI INDONESIA. Seminar Nasional Mahasiswa S3 Matematika
ISBN : 978-979-17979-0-0 Prosiding Seminar Nasional Mahasiswa S3 Matematika REVITALISASI D A N SOSIALISASI DIRI UNTUK BERPERAN AKTIF DALAM PENINGKATAN KUALITAS PENELITIAN & PENDIDIKAN MATEMATIKA DI INDONESIA
Lebih terperinci2. Menentukan koleksi inti ubi kayu dan mengevaluasi kebaikan koleksi inti yang diperoleh. METODE. Data
2 2. Menentuan olesi inti ubi ayu dan mengevaluasi ebaian olesi inti yang dieroleh. METODE Data Data yang digunaan dalam enelitian ini berasal dari Kelomo Peneliti Pengelolaan Sumberdaya Geneti (Kelti
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciII. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode
3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode
Lebih terperinciVARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL
SEMINAR NASIONAL PENDIDIKAN SAINS Peningatan Kualitas Pembelajaran Sains dan Kompetensi Guru melalui Penelitian & Pengembangan dalam Menghadapi Tantangan Abad-1 Suraarta, Otober 016 VARIASI NILAI BATAS
Lebih terperinciPENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR
PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR Ngarap Im Mani 1) dan Lim Widya Sanjaya ), 1) & ) Jurs. Matematia Binus University PENGANTAR Perancangan percobaan adalah suatu
Lebih terperinciBAB IV Solusi Numerik
BAB IV Solusi Numeri 4. Algoritma Genetia Algoritma Genetia (AG) [2] merupaan teni pencarian stoasti yang berdasaran pada meanisme selesi alam dan prinsip penurunan genetia. Algoritma genetia ditemuan
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciKAJIAN TEOREMA TITIK TETAP PEMETAAN KONTRAKTIF PADA RUANG METRIK CONE LENGKAP DENGAN JARAK-W
J. Math. and Its Appl. ISSN: 1829-605X Vol. 8, No. 2, November 2011, 43 49 KAJIAN TEOREMA TITIK TETAP PEMETAAN KONTRAKTIF PADA RUANG METRIK CONE LENGKAP DENGAN JARAK-W Sunarsini. 1, Sadjidon 2 Jurusan
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciMateri. Menggambar Garis. Menggambar Garis 9/26/2008. Menggambar garis Algoritma DDA Algoritma Bressenham
Materi IF37325P - Grafia Komputer Geometri Primitive Menggambar garis Irfan Malii Jurusan Teni Informatia FTIK - UNIKOM IF27325P Grafia Komputer 2008 IF27325P Grafia Komputer 2008 Halaman 2 Garis adalah
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciBEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE. Triyani dan Irham Taufiq Universitas Jenderal Soedirman
JMP : Volume 4 Nomor 2, Desember 2012, hal. 271-278 BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE Triyani dan Irham Taufiq Universitas Jenderal Soedirman trianisr@yahoo.com.au ABSTRACT.
Lebih terperinciPENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )
PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciVI. PEMILIHAN MODA (Modal Split/Choice)
VI. PEMILIHAN MODA (Modal Split/Choice) 6.. UMUM Tujuan: Mengetahui proporsi pengaloasian perjalanan e berbagai moda transportasi. Ada dua emunginan situasi yang dihadapi dalam meramal pemilihan moda:
Lebih terperinciUJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure
8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher
Lebih terperinciIDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD
JMP : Vol. 9 No. 1, Juni 17, hal. 13-11 ISSN 85-1456 IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR Gumgum Darmawan Statistia FMIPA UNPAD gumgum@unpad.ac.id Budhi Handoo Statistia
Lebih terperinciBAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel
BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel
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 terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciPenentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway
Rea Racana Jurnal Online Institut Tenologi Nasional Teni Sipil Itenas No.x Vol. Xx Agustus 2015 Penentuan Nilai Eivalensi Mobil Penumpang Pada Ruas Jalan Perotaan Menggunaan Metode Time Headway ENDI WIRYANA
Lebih terperinciUkuran Pemusatan Data
Uuran Pemusatan Data Atina Ahdia, S.Si., M.Si. Universitas Islam Indonesia Uuran Pemusatan Data 1. Mean (rata-rata) 2. Median (nilai tengah) 3. Modus Mean 1. Rata-rata Hitung Misalan terdapat N observasi,
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciAplikasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingkungan Kerja
Apliasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingungan Kerja terhadap Kinerja Pegawai BKKBN Provinsi Kalimantan Timur The Application of Somers d Correlation Analysis at Leadership
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih terperinciINTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh
INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON Maalah Disusun guna memenuhi tugas Mata Kuliah Metode Numeri yang dibimbing oleh Dr. Nur Shofianah Disusun oleh: M. Adib Jauhari Dwi Putra 146090400111001
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
Lebih terperinciPENERAPAN FUZZY GOAL PROGRAMMING DALAM PENENTUAN INVESTASI BANK
PENERAPAN FUZZY GOAL PROGRAMMING DALAM PENENTUAN INVESTASI BANK Nurul Khotimah *), Farida Hanum, Toni Bahtiar Departemen Matematia FMIPA, Institut Pertanian Bogor Jl. Meranti, Kampus IPB Darmaga, Bogor
Lebih terperinciKAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST
KAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST Timbul Pardede (timbul@mail.ut.ac.id) Jurusan Statisti FMIPA, Universitas Terbua ABSTRAK Metode Ward dan metode K-rataan
Lebih terperinciESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR)
SEMINAR NASIONAL PASCASARJANA SAL ESIMASI RAJECORY MOBILE ROBO MENGGUNAKAN MEODE ENSEMBLE KALMAN FILER SQUARE ROO (ENKF-SR) eguh Herlambang Zainatul Mufarrioh Firman Yudianto Program Studi Sistem Informasi
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciI. PENDAHULUAN. Teori graf merupakan salah satu bagian ilmu dari matematika dan merupakan
I. PENDAHULUAN. Latar Belaang Teori graf merupaan salah satu bagian ilmu dari matematia dan merupaan poo bahasan yang relatif muda jia dibandingan dengan cabang ilmu matematia yang lain seperti aljabar
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciUji Alternatif Data Terurut Perbandingan antara Uji Jonckheere Terpstra dan Modifikasinya Ridha Ferdhiana 1 Statistics Peer Group
Uji Alternatif Data Terurut Perbandingan antara Uji Joncheere Terpstra dan Modifiasinya Ridha Ferdhiana Statistics Peer Group Jurusan Matematia FMIPA Universitas Syiah Kuala Banda Aceh, Aceh, 23 email:
Lebih terperinciY = + x + x x + e, e N(0, ), Residual e=y -Yˆ
Yogyaarta, 26 Noember 206 ISSN : 979 9X eissn : 25 528X ANALISIS PSEUDOINVERS DAN APLIKASINYA PADA REGRESI LINEAR BERGANDA Kris Suryowati Program Studi Statistia, Faultas Sains erapan, Institut Sains dan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
Lebih terperinciEstimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani
Lebih terperinciMetode Penggerombolan Berhirarki
4 TINJAUAN PUSTAKA Analisis gerombol dalam bidang riset pemasaran sering diistilahan sebagai analisis segmentasi, merupaan alat statistia peubah ganda yang bertujuan untu mengelompoan n indiidu data e
Lebih terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
Lebih terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
Lebih terperinciPERENCANAAN JUMLAH TENAGA PERAWAT DI RSUD PAMEKASAN MENGGUNAKAN RANTAI MARKOV
PERENCANAAN JUMLAH TENAGA PERAWAT DI RSUD PAMEKASAN MENGGUNAKAN RANTAI MARKOV Nama Mahasiswa : Husien Haial Fasha NRP : 1207 100 011 Jurusan : Matematia FMIPA-ITS Dosen Pembimbing : Drs. Suharmadi, Dipl.
Lebih terperinciPENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI
PENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI Devi Fitrianah, Ade Hodijah Program Studi Teni Informatia, Faultas Ilmu Komputer,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Tinjauan Pustaa Untu menacapai tujuan penulisan sripsi, diperluan beberapa pengertian dan teori yang relevan dengan pembahasan. Karena itu, dalam subbab ini aan diberian beberapa
Lebih terperinciCATATAN KULIAH RISET OPERASIONAL
CATATAN KULIAH RISET OPERASIONAL Pertemuan minggu pertama ( x 50 menit) Pemrograman Bulat Linear (Integer Linear Programming - ILP) Tuuan Instrusional Umum : Mahasiswa dapat menggunaan algoritma yang
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
Lebih terperinciRuang Barisan Orlicz Selisih Dengan Fungsional Aditif Dan Kontinunya
J. Math. and Its Appl. ISSN: 1829-605X Vol. 2, No. 1, May. 2005, 37 45 Ruang Barisan Orlicz Selisih Dengan Fungsional Aditif Dan Kontinunya Sadjidon Jurusan Matematia Institut Tenologi Sepuluh Nopember,
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciRINGKASAN SKRIPSI MODUL PERKALIAN
RINGKASAN SKRIPSI MODUL PERKALIAN SAMSUL ARIFIN 04/177414/PA/09899 DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS GADJAH MADA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM YOGYAKARTA 2008 HALAMAN PENGESAHAN
Lebih terperinciPencitraan Tomografi Elektrik dengan Elektroda Planar di Permukaan
Abstra Pencitraan omografi Eletri dengan Eletroda Planar di Permuaan D. Kurniadi, D.A Zein & A. Samsi KK Instrumentasi & Kontrol, Institut enologi Bandung Jl. Ganesa no. 10 Bandung Received date : 22 November2010
Lebih terperinciBAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.
BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas
Lebih terperinciKECENDERUNGAN PENGGUNAAN JENIS ALAT KONTRASEPSI PESERTA KB AKTIF PADA KABUPATEN SIDOARJO TAHUN 2009
KECENDERUNGAN PENGGUNAAN JENIS ALAT KONTRASEPSI PESERTA KB AKTIF PADA KABUPATEN SIDOARJO TAHUN 009 Furqan Qadarisman, dan Dwiatmono Agus W. Jurusan Statistia Institut Tenologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciBAB III. dan menghamburkan
BAB III MODEL GELOMBANG DAN MODEL ARUS III... Model Numeri Medan Gelombang Untu dapat menggambaran ondisi pola arus di daerah pantai ang diaibatan oleh gelombang maa ita harus dapat mengetahui ondisi medan
Lebih terperinciPELABELAN FUZZY PADA GRAF. Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman.
JMP : Volume 6 Nomor, Juni 04, hal. - PELABELAN FUZZY PADA GRAF Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman email : oeytea0@gmail.com ABSTRACT. This paper discusses
Lebih terperinciBAB III HASIL DAN PEMBAHASAN
15 BAB III HASIL DAN PEMBAHASAN 3.1Relasi Dispersi Pada bagian ini aan dibahas relasi dispersi untu gelombang internal pada fluida dua-lapisan.tinjau lapisan fluida dengan ρ a dan ρ b berturut-turut merupaan
Lebih terperinciKONTROL MOTOR PID DENGAN KOEFISIEN ADAPTIF MENGGUNAKAN ALGORITMA SIMULTANEOUS PERTURBATION
Konferensi Nasional Sistem dan Informatia 29; Bali, November 14, 29 KONTROL MOTOR PID DENGAN KOEFISIEN ADAPTIF MENGGUNAKAN ALGORITMA SIMULTANEOUS PERTURBATION Sofyan Tan, Lie Hian Universitas Pelita Harapan,
Lebih terperinci4. 1 Spesifikasi Keadaan dari Sebuah Sistem
Dalam pembahasan terdahulu ita telah mempelajari penerapan onsep dasar probabilitas untu menggambaran sistem dengan jumlah partiel ang cuup besar (N). Pada bab ini, ita aan menggabungan antara statisti
Lebih terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:
ISSN: 339-54 JURNAL GAUSSIAN, Volume 4, Nomor, Tahun 5, Halaman 87-93 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PENERAPAN FORMULA BENEISH M-SCORE DAN ANALISIS DISKRIMINAN LINIER UNTUK
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciPemodelan Dan Eksperimen Untuk Menentukan Parameter Tumbukan Non Elastik Antara Benda Dengan Lantai
Pemodelan Dan Esperimen Untu enentuan Parameter Tumbuan Non Elasti Antara Benda Dengan Lantai Puspa onalisa,a), eda Cahya Fitriani,b), Ela Aliyani,c), Rizy aiza,d), Fii Taufi Abar 2,e) agister Pengajaran
Lebih terperinciBAYESIAN REVERSIBLE JUMP MARKOV CHAIN MONTE CARLO (RJMCMC) UNTUK PEMODELAN MIXTURE SURVIVAL 1. PENDAHULUAN
BAYESIAN REVERSIBLE JUMP MARKOV CHAIN MONTE CARLO (RJMCMC) UNTUK PEMODELAN MIXTURE SURVIVAL 1 Najihatur Reji, 2 Nur Iriawan 1,2 Jurusan Statistia, FMIPA ITS, Surabaya 1 rezqi.najihatur@gmail.com, 2 nuririawan@gmail.com
Lebih terperinciTUGAS I RANCANGAN PERCOBAAN BAB I
TUGAS I RANCANGAN PERCOBAAN Nama : Dwi Shinta Marselina A. Pengertian Desain Esperimen BAB I Desain Esperimen Merupaan langah-langah lengap yang perlu di ambil jauh sebelum esperimen dilauan supaya data
Lebih terperinciALGORITMA GENETKA PADA MULTI DEPOT VEHICLE ROUTING PROBLEM (MDVRP)
ALGORITMA GENETKA PADA MULTI DEPOT VEHICLE ROUTING PROBLEM (MDVRP) Igusta Wibis Vidi Abar Purwanto 2 FMIPA Universitas Negeri Malang E-mail: wibis.roccity@gmail.com Abstra: Multi Depot Vehicle Routing
Lebih terperinci( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang
LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil
Lebih terperinciPERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM
Seminar Nasional Sistem dan Informatia 2007; Bali, 16 November 2007 PERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM Fajar Saptono 1) I ing Mutahiroh
Lebih terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciMakalah Seminar Tugas Akhir. Aplikasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self Tuning Regulator (STR)
Maalah Seminar ugas Ahir Apliasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self uning Regulator (SR) Oleh : Muhammad Fitriyanto e-mail : D_3_N2@yahoo.com Maalah Seminar ugas Ahir Apliasi
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Data yang telah berhasil diumpulan oleh penulis di BB BIOGEN diperoleh hasil bobot biji edelai dengan jumlah varietas yang aan diuji terdiri dari 15
Lebih terperinciMETODE TAGUCHI UNTUK OPTIMALISASI PRODUK PADA RANCANGAN FAKTORIAL. Staf Pengajar Program Studi Statistika FMIPA UNDIP
Optimalisasi Produ (Triastuti Wuryandari) METODE TAGUCHI UNTUK OPTIMALISASI PRODUK PADA RANCANGAN FAKTORIAL Triastuti Wuryandari 1, Tati Widiharih 2, Sayeti Dewi Anggraini 3 1,2 Staf Pengajar Program Studi
Lebih terperinciBEBERAPA SIFAT QUASI-IDEAL MINIMAL PADA RING TRANSFORMASI LINEAR 1
BEBERAPA SIFAT QUASI-IDEAL MINIMAL PADA RING TRANSFORMASI LINEAR K a r y a t i Jurusan Pendidian Matematia FMIPA Uniersitas Negeri Yogyaarta e-mail : yatiuny@yahoo.com Abstra. Misalan R adalah ring, Q
Lebih terperinciAnalisis Pengaruh Kualitas Pelayanan Terhadap Loyalitas Pelanggan Jasa Pengiriman Pos Kilat Khusus
Jurnal Teni Industri, Vol.1, No., Juni 013, pp.96-101 ISSN 30-495X Analisis Pengaruh Kualitas Pelayanan Terhadap Loyalitas Pelanggan Jasa Pengiriman Pos Kilat Khusus Apriyani 1, Shanti Kirana Anggaraeni,
Lebih terperinciOSN 2014 Matematika SMA/MA
Soal 5. Suatu barisan bilangan asli a 1, a 2, a 3,... memenuhi a + a l = a m + a n untu setiap bilangan asli, l, m, n dengan l = mn. Jia m membagi n, butian bahwa a m a n. Solusi. Andaian terdapat bilangan
Lebih terperinciAnalisis Varians = Analysis of Variance = ANOVA
. Pendahuluan. Distribusi F Analisis Varians Analysis of Variance ANOVA χ² pengujian beberapa (>) proporsi ANOVA pengujian beberapa (>) nilai rata-rata Dasar perhitungan ANOVA ditetapan oleh Ronald A.
Lebih terperinciMENENTUKAN TURUNAN DAN SIFAT-SIFAT TURUNAN DARI FUNGSI 1/f(x) DAN h(x)/f(x) ABSTRACT
MENENTUKAN TURUNAN DAN SIFAT-SIFAT TURUNAN DARI FUNGSI 1/(x DAN h(x/(x Yuliana Saitri 1, Sri Gemawati 2, Musraini 2 1 Mahasiswa Program Studi S1 Matematia 2 Dosen Jurusan Matematia Faultas Matematia dan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 ObjePenelitian Obje penelitian merupaan hal yang tida dapat dipisahan dari suatu penelitian. Obje penelitian merupaan sumber diperolehnya data dari penelitian yang dilauan.
Lebih terperinciMENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE
MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE Desfrianta Salmon Barus - 350807 Jurusan Teni Informatia, Institut Tenologi Bandung Bandung e-mail: if807@students.itb.ac.id ABSTRAK
Lebih terperinciPendekatan Regresi Nonparametrik Spline Untuk Pemodelan Laju Pertumbuhan Ekonomi (LPE) di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol., No., (0) -50 (0-9X Print) D- Pendeatan Regresi Nonparametri Spline Untu Pemodelan Laju Pertumbuhan Eonomi (LPE) di Jawa Timur Elfrida Kurnia Litawati dan I Nyoman Budiantara
Lebih terperinci