PENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION
|
|
- Suharto Indradjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION Yudh Purwananto Rully Soelaman dan Bambang Santoso. Fakultas Teknolog Informas Insttut Teknolog Sepuluh Nopember (ITS) Surabaya 60 Indonesa E-mal : rully@s.ts.ac.d Abstraks Partcle Swarm Optmzaton (PSO) merupakan teknk optmas stokastk berbasskan populas yang ternspras oleh tngkah laku sosal kawanan burung atau kan untuk menyelesakan permasalahan-permasalahan optmas. Dalam PSO solus yang mungkn yang dsebut partkel terbang melewat ruang permasalahan dengan mengkut nla optmum partkel pada saat tu. Pada Tugas Akhr n algortma PSO dgunakan untuk menyelesakan constraned nonlnear optmzaton problems (CNOPs). Untuk menyelesakan permasalahan tersebut dgunakan strateg mempertahankan solus-solus yang mungkn untuk memenuh batasan-batasan. PSO dmula dengan sekelompok solus yang mungkn dan sebuah fungs yang dgunakan untuk mengecek apakah solus baru yang ddapat memenuh semua batasan-batasan. Dua belas CNOPs duj dengan algortma PSO. Dar hasl peneltan menunjukkan bahwa PSO merupakan solus yang efektf dan umum dalam menyelesakan sebagan besar permasalahan optmas nonlnear dengan batasan-batasan pertdaksamaan nonlnear. Pada Tugas Akhr n juga dbandngkan antara algortma PSO dengan algortma genetka. Dar hasl peneltan menunjukkan bahwa algortma PSO lebh cepat dan powerful dbandngkan dengan algortma genetka. Hal n dsebabkan algortma PSO mampu mendapatkan nla optmum fungs dengan teras yang jauh lebh sedkt dbandngkan dengan algortma genetka. Kata kunc: partcle swarm optmzaton technque nonlnear programmng evolutonary computaton constraned optmzaton.. Pendahuluan Selama lebh dar satu dekade belakangan n peneltan pentng telah dlakukan pada CNOPs (Constraned Nonlnear Optmzaton Problems). Permasalahan optmas nonlnear sangat kompleks dan tdak dapat dpredks. Sehngga solus determnstk untuk CNOPs sangat tdak mungkn. Hal n memberkan kesempatan berkembangnya algortma evolusoner. Pada tahun-tahun belakangan n beberapa algortma evolusoner telah dusulkan untuk permasalahan optmas nonlnear. Mchalewcz memberkan gambaran dar algortma-algortma tersebut. Pada paper n beberapa pendekatan komputas evolusoner dtelt dan sekumpulan uj kasus optmas numerk dlakukan. Salah satu algortma untuk CNOPs adalah Partcle Swarm Optmzaton (PSO). PSO adalah teknk komputas evolusoner yang dkembangkan oleh Kennedy dan Eberhart. PSO menggunakan teknk perhtungan evolusoner:. PSO dnsalsas dengan sekumpulan solus acak. PSO mencar solus yang optmum dengan memperbaru generas. Perkembangan populas berdasarkan pada generas sebelumnya Dalam PSO solus potensal yatu partkel terbang melewat ruang permasalahan dengan mengkut partkel yang optmal saat n. PSO telah terbukt efektf untuk banyak permasalahan optmas. Banyak peneltan telah dlakukan dalam area n. Namun CNOPs merupakan area baru untuk PSO.. Dasar Teor. Latar Belakang PSO Sekelompok lmuwan telah mencptakan smulas komputer dar berbaga nterpretas pergerakan organsme-organsme d dalam sebuah kawanan burung atau kan. Khususnya Reynolds (Reynolds 987) dan Heppner dan Grenander (Heppner and Grenander 990) yang menggambarkan smulas kawanan burung. Reynolds terkesan dengan kendahan pergerakan kawanan burung dan Heppner seorang ahl lmu hewan tertark dalam menemukan aturan dasar yang memungknkan sejumlah besar burung untuk berkumpul secara serempak serngkal mengubah arah secara tbatba berpencar dan berkumpul kembal. Sebaga ahl soso bolog E.O.Wlson (Wlson 975) menuls dalam referensnya mengena
2 kawanan kan yatu Dalam teor sedktnya anggota ndvdu dalam kawanan tersebut dapat mengambl keuntungan dar penemuan dan pengalaman sebelumnya dar semua anggota lannya dalam kawanan tersebut selama pencaran makanan. Keuntungan n jelas melebh kerugan dar persangan dalam mencar makanan sewaktuwaktu sumber makanan tersebar dalam potongan kecl yang tdak dapat dpredks. Pernyataan n menyatakan bahwa pertukaran nformas sosal d antara ndvdu menawarkan sebuah keuntungan evolusoner. Hpotesa n adalah dasar dar pengembangan Partcle Swarm Optmzaton (PSO).. Algortma PSO Partcle Swarm Optmzaton (PSO) adalah teknk optmas stokastk berbasskan populas yang dkembangkan oleh Dr. Eberhart dan Dr. Kennedy pada tahun 995 yang ternspras oleh tngkah laku sosal kawanan burung atau kan. D dalam PSO setap solus adalah sebuah ttk dalam ruang pencaran dan mungkn dapat danggap sebaga seekor burung. Burung akan menemukan makanannya melalu usahanya sendr dan kerja sama sosal dengan burung-burung lan d sektarnya[8]. Seandanya ada skenaro sepert n: suatu kawanan burung mencar makanan secara acak d sebuah area. Hanya ada satu potong makanan d area pencaran tersebut. Semua burung tdak tahu d mana makanan tersebut. Namun mereka mengetahu seberapa jauh makanan tu pada setap teras. Jad strateg terbak untuk menemukan makanan tu adalah dengan cara mengkut burung yang terdekat dengan makanan tersebut[7]. Setap anggota d dalam kawanan mengadaptas pola pencarannya dengan belajar dar pengalamannya sendr dan pengalaman anggota yang lan. Burung tad drepresentaskan sebaga partkel dalam algortma. Setap partkel merepresentaskan sebuah solus potensal yang berupa sebuah ttk d dalam ruang pencaran. Global optmum danggap sebaga lokas dar makanan[8]. Semua partkel mempunya nla ftness yang devaluas oleh fungs yang doptmas dan juga kecepatan (velocty)[7]. Nla ftness dan kecepatan (velocty) dgunakan untuk mengatur arah terbang sesua dengan pengalaman terbak kawanan untuk mencar global optmum (gbest) d dalam ruang solus D -dmens dengan cara mengkut partkel optmum pada saat tu dan memperbaru generasgenerasnya. Partkel-partkel tersebut terbang melewat ruang permasalahan D -dmens dengan belajar dar pengalaman-pengalaman terbak semua partkel. Oleh karena tu partkel-partkel tersebut mempunya sebuah kecenderungan untuk terbang menuju area pencaran yang lebh bak pada serangkaan pembelajarannya d dalam proses pencaran tersebut[8]. Setap partkel menympan jejak koordnatnya dalam ruang permasalahan yang sehubungan dengan solus terbak (nla ftness) yang telah dcapa sejauh n. Nla ftness juga dsmpan. Koordnat terbak yang dcapa sebuah partkel saat tercapanya nla ftness terbak pada saat tu dsebut sebaga pbest. Sedangkan koordnat terbak yang dcapa partkel mana pun dalam suatu wlayah tetangga d dalam populas (subset of the swarm) partkel dsebut local best (lbest). Pada saat sebuah partkel mengambl semua populas sebaga tetanggaan topologkalnya maka koordnat terbaknya dsebut global best (gbest). Konsep PSO adalah d setap langkah waktunya (teras/generas) mengubah kecepatan (mengakseleras) dar setap partkel menuju lokas pbest dan lbest-nya (untuk varan PSO local verson). Akseleras dpengaruh syarat yang acak dengan dbangktkannya sejumlah angka acak secara terpsah untuk akseleras menuju lokas pbest (dan lbest). Setelah menemukan kedua nla terbak tersebut (pbest dan gbest) partkel kembal lag memperbaru kecepatan (v) dan possnya () [7]. Pembaharuan partkel dselesakan dengan persamaan berkut n. Persamaan (.) menghtung kecepatan baru untuk tap partkel (solus potensal) berdasarkan pada kecepatan sebelumnya ( V d ) lokas partkel dmana nla ftness terbak telah dcapa ( p d atau pbest) dan lokas populas global ( p gd gbest untuk vers global atau p ld lbest untuk vers lokal) atau local neghborhood pada algortma vers lokal dmana nla ftness terbak telah dcapa. Persamaan (.) memperbaru poss tap partkel pada ruang solus. Dua blangan acak c dan c dbangktkan sendr. Penggunaan berat nersa w telah memberkan performa yang menngkat pada sejumlah aplkas. Vd w Vd c rand () ( pd d ) c rand() ( p gd ) (.) d d d V d (.) V d adalah kecepatan partkel d adalah poss partkel saat n (solus). Poss dar setap partkel dperbaru setap generas hal n dengan menambahkan vektor kecepatan ke vektor poss sebagamana persamaan (.) d atas. Sedangkan rand() adalah blangan acak antar 0 s/d. cdan c adalah faktor pembelajaran yang secara berturutturut merepresentaskan sebuah komponen kogntf dan sebuah komponen sosal yang secara berturutturut mempengaruh seberapa besar pbest dan gbest
3 partkel mempengaruh pergerakannya. Basanya c = c = [7]. w adalah berat nersa yang dgunakan untuk menyembangkan antara kemampuan pencaran global dan pencaran lokal. Basanya berat nersa yang bagus adalah kurang sedkt dar satu.. Pengaturan Parameter PSO Ukuran populas PSO dtetapkan 0 agar dapat mempercepat waktu penghtungan. Hal n dkarenakan selama nsalsas semua partkel harus berada pada ruang yang mungkn. Jad nsalsas memerlukan waktu proses yang lebh panjang jka ukuran populas terlalu besar. Bagamanapun juga untuk kasus yang kompleks ukuran populas yang besar lebh drekomendaskan. Dalam PSO tdak banyak parameter-parameter yang perlu datur. Hanya beberapa parameterparameter berkut n yang perlu datur: kecepatan maksmum V ma berat nersa w konstanta pembelajaran kogntf c dan konstanta pembelajaran sosal c. Kecepatan maksmum V ma dtetapkan sesua jarak dnams partkel. Berat nersa w dtetapkan [0.5 + (Rnd/.0)]. Konstanta pembelajaran c dan c dtetapkan Constraned Nonlnear Optmaton Problems (CNOPs) PSO telah terbukt efektf untuk banyak permasalahan optmas. Banyak peneltan telah dlakukan dalam area n. Namun CNOPs merupakan area baru untuk PSO. Constraned Nonlnear Optmzaton Problems dapat ddefnskan sebaga berkut Optmalkan f () Dmana g j ( ) 0 ( ) 0 h j N (... n ) j... p untuk untuk j q... m Ada komponen dasar yatu: kelompok varabel fungs yang doptmas dan kelompok constrant yang mengelompokkan varabel yang mungkn. Tujuannya adalah mencar nla varabel yang mengoptmalkan fungs sekalgus memenuh constrant. Selama beberapa tahun terakhr n beberapa metode dusulkan untuk menangan constrant dengan algortma genetka untuk permasalahan parameter optmas. Metode-metode n dkelompokkan (Mchalewcz and Schoenauer 996) ke dalam empat kategor:. Metode Berdasarkan Pada Mempertahankan Solus-Solus yang Mungkn. Metode Berdasarkan Pada Fungs-Fungs Penalt (Penalty Functons). Metode Berdasarkan Pada Suatu Pencaran Untuk Solus-Solus Yang Mungkn 4. Metode Hbrd Lannya Tabel. Dua Belas Uj Kasus Optmas Constraned Nonlnear Func Dm Type Relatve LI NE NI sze of feasble space G Quadratc 0.0% G K Nonlnear % 0 0 G K Polynomal <0.000% 0 0 G4 5 Quadratc 5.0% G5 4 Cubc <0.000% 0 G6 Cubc % 0 0 G7 0 Quadratc 0.000% 0 5 G8 Nonlnear 0.850% 0 0 G9 7 Polynomal 0.5% G0 8 Lnear 0.000% 0 G Quadratc <0.0000% 0 0 G Quadratc * LI: Lnear Inequaltes NE: Nonlnear Equatons NI: Nonlnear Inequaltes Deskrps dar uj kasus G G untuk permasalahan optmas constraned nonlnear adalah sebaga berkut: Mnmze 4 G( ) Solus: * ( ) G ( * ) 5 Mamze n 4 n cos ( ) cos ( ) G( ) n n n 0.75 n untuk n. Solus: untuk n 0 G( ) Mamze n n G( ) ( n ). n dan 0 untuk n.
4 Solus: (... n )... G( ). n n Mnmze G4( ) untuk 4 5 Solus: * ( ) G4 ( * ) Mnmze G5( ) / sn( 0.5) 000sn( 4 0.5) sn( 0.5) 000 sn( 4 0.5) sn( 4 0.5) 000sn( 4 0.5) * Solus ( ) G5 ( * ) Mnmze G6( ) ( 0) ( 0) ( 5) ( 5) 00 0 ( 6) ( 5) dan Solus: * ( ) G6 ( * ) Mnmze G7( ) 4 6 ( 0 ) 4( 4 5) ( 5 ) ( 6 ) 57 7( 8 ) ( 9 0) ( 0 7) ( ) 4( ) ( ) ( 6) ( 9 8) ( 8) ( 4) Solus: * ( ) G7 ( * ) Mamze sn ( ).sn( ) G8( ).( ) 0 ( 4) dan 0 0. Solus: G8 ( * ) 0.. Mnmze 4 G9( ) ( 0) 5( ) ( 4 ) Solus: * ( ) G9 ( * ) Mnmze G0( ) 0.005( ) ( ) 0 0.0( 8 5 ) Solus: * ( ) G0 ( * )
5 Mnmze G( ) ( ) 0 dmana:. * Solus: ( ) G ( * ) Mamze G( ) (00 ( 5) ( 5) ( 5) ) /00 ( p) ( q) ( r) 0.5 untuk p q r ( ). Solus: * (555) G ( * )..5 The Modfed PSO Algorthm Untuk CNOPs metode PSO yang semula perlu dmodfkas agar memenuh constrants. Beberapa de dar metode penanganan constrants dapat dgunakan. Metode yang palng langsung adalah metode berdasarkan pada mempertahankan solussolus yang mungkn. Untuk mencar optmum dalam ruang yang mungkn tap partkel mencar seluruh ruang tetap hanya menympan jejak solussolus yang mungkn. Dan untuk mempercepat proses n semua partkel dnsalsas sebaga solus-solus yang mungkn. Berkut n adalah algortmanya: FOR setap partkel { DO { Insalsas partkel } Selama partkel berada dalam ruang yang mungkn (memenuh batasan-batasan) } DO { FOR setap partkel { Htung nla ftness IF nla ftness lebh bak darpada nla ftness terbak yang dsmpan (pbest) AND partkel berada dalam ruang yang mungkn SET nla saat n sebaga pbest yang baru } Plh partkel dengan nla ftness terbak d antara semua partkel sebaga gbest FOR tap partkel { Htung kecepatan partkel menggunakan persamaan (.) Perbaru poss partkel menggunakan persamaan (.) } } WHILE teras maksmum/krtera error mnmum belum tercapa Gambar. Pseudo Code Modfed PSO Ada modfkas dbandngkan dengan PSO mulamula:. Selama nsalsas semua pertkel dnsalsas berulang-ulang sampa memenuh semua constrant.. Selama menghtung nla pbest dan gbest hanya poss dalam ruang yang mungkn yang dhtung. Algortma d atas adalah vers global. Untuk vers lokal hanya ada perbedaan. Sebaga gantnya mencar gbest setap partkel mencar nla yang berdekatan terbak (lbest) untuk mengupdate kecepatan yang baru.. Desan Uj Coba Pada tabel ada tga kasus yang memlk batasanbatasan persamaan nonlnear yatu G G5 G. Dalam metode PSO semua solus yang dnsalsas secara acak perlu dtempatkan pada ruang yang mungkn. Jad untuk batasan-batasan persamaan tersebut hampr tdak mungkn untuk membangktkan sekelompok solus yang mungkn secara acak. Ada beberapa teknk untuk mengelmnsas batasan-batasan persamaan tersebut. Salah satunya dengan menggunakan penggantan langsung untuk menghlangkan batasan-batasan tersebut sebaga berkut: Fungs G Mamze n n n G( ) ( n )..( ) n 0 untuk n Fungs G Mnmze G( ) ( ) untuk. Untuk setap fungs dmens dtetapkan sesua dengan permasalahan constraned nonlnear. Ada uj coba yang dlakukan. Uj coba yang pertama ukuran populas sebanyak 0 kecual fungs G (ukuran populas 50) dan jumlah teras sebanyak 00 kecual fungs G7 dan G0 (000 teras). Uj coba yang kedua ukuran populas sebanyak 0 kecual fungs G (ukuran populas 50) dan jumlah teras sebanyak 500 kecual fungs G7 dan G0 (5000 teras). Sedangkan uj coba ketga (khusus untuk fungs G) menggunakan parameter yang berbeda-beda mengena jumlah partkel dan jumlah teras yatu ukuran populas = dan teras untuk masng-masng ukuran populas adalah dan Algortma yang dgunakan adalah algortma PSO vers global. Semua algortma djalankan selama 0 kal untuk mendapatkan hasl akhr dar gbestval tap teras
6 tap fungs nla terburuk (worst) gbestval tap fungs nla terbak (best) gbestval tap fungs dan nla rata-rata (average) gbestval tap fungs. 4. Hasl dan Pembahasan Tabel tabel dan tabel 4 berkut n menunjukkan nla terburuk (worst) gbestval nla terbak (best) gbestval dan nla rata-rata (average) gbestval tap fungs. Tabel menunjukkan hasl PSO pada ekspermen (00 teras) tabel menunjukkan hasl PSO pada ekspermen (500 teras) sedangkan tabel 4 menunjukkan hasl PSO pada ekspermen (fungs G). Tabel 5 menunjukkan perbandngan antara algortma PSO dan algortma genetka dalam mencar nla optmum fungs. Warna merah menunjukkan nla yang lebh bagus d antara kedua algortma. Tabel. Hasl PSO pada ekspermen (Global populas 0 00 teras 0 kal runnng) Uj kasus G djalankan dengan k=0 varabel Func Type Optmum Worst Best Average G* Mn G Ma G4 Mn G5 Mn G6 Mn G7** Mn G8 Ma G9 Mn G0** Mn G Mn G Ma.0 * Ukuran populas 50 ** Iteras maksmum dubah menjad 000 Tabel. Hasl PSO pada ekspermen (Global populas teras 0 kal runnng) Uj kasus G djalankan dengan k=0 varabel Func Type Optmum Worst Best Average G* Mn G Ma G4 Mn G5 Mn G6 Mn G7** Mn G8 Ma G9 Mn G0** Mn G Mn G Ma.0 * Ukuran populas 50 ** Iteras maksmum dubah menjad 5000 Tabel 4. Hasl PSO pada ekspermen (Fungs G) (Nla optmum 0.896) Ukuran Pop Ma teras Worst Best Average Tabel 5. Perbandngan Algortma PSO dan GA Func Type Optmum PSO 500* GA 0000** G Mn G Ma G4 Mn G5 Mn G6 Mn G7**** Mn G8 Ma G9 Mn G0**** Mn G Mn G Ma.0 *** * Hasl dar tabel teras ** Hasl dar Kozel et al.[5] 0000 teras *** Untuk G GA menggunakan 500 teras **** Maksmum teras dubah menjad 5000 Ekspermen (00 teras) Tabel menunjukkan hasl dar ekspermen pertama (00 teras). Tabel n menunjukkan bahwa untuk sebelas uj kasus CNOPs PSO berhasl mendapatkan nla optmum atau mendekat optmum dalam 00 teras kecual untuk kasus G5 yang tdak dapat dselesakan karena persamaan batasan-batasannya. Ekspermen (500 teras) Tabel menunjukkan hasl dar ekspermen kedua (500 teras). Tabel n menunjukkan bahwa untuk sebelas uj kasus CNOPs PSO berhasl mendapatkan nla optmum atau mendekat optmum dalam 500 teras kecual untuk kasus G5 yang tdak dapat dselesakan karena persamaan batasan-batasannya. Pada ekspermen n PSO mendapatkan hasl-hasl yang lebh bak dbandngkan dengan ekspermen kedua. Namun waktu yang dbutuhkan untuk mendapatkan nla optmum fungs lebh lama dbandngkan dengan ekspermen kedua.
7 Ekspermen (fungs G) PSO tdak dapat menemukan nla optmum yang terbak dengan pengaturan sepert pada ekspermen dan. Untuk tu dcoba varas pengaturan jumlah populas dan jumlah maksmum teras yang dgunakan. PSO berhasl mendapatkan nla optmum dengan jumlah populas yang besar. Haslnya dapat dlhat pada tabel 4. Perbandngan Algortma PSO dan GA Tabel 5 adalah perbandngan hasl uj coba terbak dalam 0 eksekus untuk agortma PSO (500 teras) dengan algortma genetka (0000 teras). Tabel n menunjukkan bahwa PSO mendapatkan hasl yang lebh bak atau serupa dengan teras yang jauh lebh sedkt dbandngkan dengan algortma genetka. 5. Kesmpulan Berdasarkan uj coba dan evaluas terhadap perangkat lunak yang dbangun dapat dambl kesmpulan sebaga berkut:. Algortma PSO mampu menyelesakan sebagan besar permasalahan optmas dengan constrant.. Dbandngkan dengan algortma genetka algortma PSO memlk beberapa keunggulan d antaranya: algortma PSO sederhana (tdak banyak parameterparameter yang datur) algortma PSO jauh lebh cepat dalam mendapatkan nla optmum. IEEE Internatonal Conference on Evolutonary Computaton. Pscataway NJ IEEE Press. pp [4] Kennedy J. Eberhart R. C. and Sh Y. Swarm ntellgence San Franssco: Morgan Kaufmann Publsher 00. [5] Kozel S. and Mchalewcz Z. Evolutonary Algorthms Homomorphous Mappngs and Constraned Parameter Optmzaton. Evolutonary Computaton vol. 7 no.. pp [6] Mchalewcz Z. and Schoenauer M. Evolutonary Algorthms for Constraned Parameter Optmzaton Problems Evolutonary Computaton vol. 4 no. pp [7] Hu Xaohu PSO Tutoral <URL: >. [8] Lang Jng J. Qn A. Ka. Suganthan Ponnuthura Nagaratnam dan Baskar S. Evaluaton of Comprehensve Learnng Partcle Swarm Optmzer. LNCS 6: Paper n hanya menunjukkan langkah pertama dalam peneltan untuk menyelesakan permasalahan optmas constraned nonlnear dengan menggunakan partcle swarm optmzaton (PSO). Agar berguna dalam aplkas prakts kemampuan PSO dalam menyelesakan permasalahan optmas constraned nonlnear yang lebh komplek lag akan perlu untuk dbuktkan. 6. Daftar Pustaka [] Eberhart R. C. and Kennedy J. A new optmzer usng partcle swarm theory Proceedngs of the Sth Internatonal Symposum on Mcro Machne and Human Scence. Nagoya Japan pp [] Kennedy J. dan Eberhart R. C. Partcle swarm optmzaton Proceedngs of IEEE Internatonal Conference on Neural Networks. Pscataway NJ IEEE servce center.pp [] Sh Y. and Eberhart R. C. A modfed partcle swarm optmzer Proceedngs of the
PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
Lebih terperinciAPLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)
APLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) Irfrans Kusmarna, Luh Kesuma Wardhan 2, Muhammad Safrzal 3,3 Jurusan Teknk Informatka, Fakultas Sans dan Teknolog,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Pustaka 2.1.1 Tmetable Tmetable merupakan alokas subjek yang memlk kendala untuk dtempatkan pada ruang waktu (Gan dkk, 2004). Permasalahan Tmetable cukup luas. Masalah
Lebih terperinciOPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO)
OPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO) Efrta Arfah Z Jurusan Teknk Elektro, FTI-ITATS Surabaya Jl. Aref Rahman Hakm 100 Tlp
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciRoy Madi Mahasiswa Teknik Informatika, FT UMRAH
OPTIMASI WAKTU KEBERANGKATAN FERRY TANJUNGPINANG BATAM DENGAN METODE PARTICLE SWARM OPTIMIZATION (Stud Kasus : Pelabuhan Sr Bntan Pura, Kota Tanjungpnang) Roy Mad Mahasswa Teknk Informatka, FT UMRAH (roymad0@gmal.com)
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
Lebih terperinciAnalisa dan Penerapan Metode Particle Swarm Optimization Pada Optimasi Penjadwalan Kuliah
Jurnal Teknk Informatka, Vol 1 September 2012 Analsa dan Penerapan Metode Partcle Swarm Optmzaton Pada Optmas Penjadwalan Kulah Rasha Ashla Rachman 1), Dadang Syarf 2), Rka Perdana Sar 3) 1) Program Stud
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciMETODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
TESIS METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS Oleh : I Made Wdartha NRP. 5109201009 Dosen Pembmbng : Dr. Agus Zanal Arfn, S.Kom, M.Kom Anny Yunart, S.Kom, M.Comp.Sc
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciPRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel
PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih terperinciMODIFIED IMPROVED PARTICLE SWARM OPTIMIZATION FOR OPTIMAL GENERATOR SCHEDULING
Semnar Nasonal Aplkas Teknolog Informas 009 (SNATI 009) ISSN: 1907-50 Yogyakarta, 0 Jun 009 MODIFIED IMPROVED PARTICLE SWARM OPTIMIZATION FOR OPTIMAL GENERATOR SCHEDULING Mackel Tuegeh 1, Soeprjanto, Maurdh
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciOPTIMAL GENERATOR SCHEDULING BASED ON PARTICLE SWARM OPTIMIZATION
Semnar Nasonal Informatka 009 (semnasif 009) ISSN: 1979-38 UPN Veteran Yogyakarta, 3 Me 009 OPTIMAL GENERATOR SCHEDULING BASED ON PARTICLE SWARM OPTIMIZATION Mackel Tuegeh 1, Ad Soeprjanto, Maurdh Hery
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciPEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Studi Kasus : Metode Secant)
PEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Stud Kasus : Metode Secant) Melda panjatan STMIK Bud Darma, Jln.SM.Raja No.338 Sp.Lmun, Medan Sumatera Utara Jurusan Teknk Informatka e-mal : meldapjt.78@gmal.com
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciHAK CIPTA (HKI) Judul Invensi: METODE OPTIMISASI KONFIGURASI JARINGAN DISTRIBUSI BERBASIS LOGIKA FUZZY DAN PARTICLE SWARM OPTIMIZATION
0 HAK CIPTA HKI 1 Judul Invens: METODE OPTIMISASI KONFIGURASI JARINGAN DISTRIBUSI BERBASIS LOGIKA FUZZY DAN PARTICLE SWARM OPTIMIZATION Inventor: Dr. Ramadon Syahputra, S.T., M.T. Ir. Agus Jamal, M.Eng.
Lebih terperinciOptimasi Penjadwalan Perkuliahan Dengan Menggunakan Hybrid Discrete Particle Swarm Optimization (Studi Kasus: PTIIK Universitas Brawijaya)
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 4, Aprl 2017, hlm. 249-256 http://j-ptk.ub.ac.d Optmas Penjadwalan Perkulahan Dengan Menggunakan Hybrd Dscrete Partcle
Lebih terperinciDalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang
LARGE SCALE SYSEM Course by Dr. Ars rwyatno, S, M Dept. of Electrcal Engneerng Dponegoro Unversty BAB V OPIMASI SISEM Dalam sstem pengendalan berhrark level, maka optmas dapat dlakukan pada level pertama
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciImplementasi Metode Particle Swarm Optimization-Dempster Shafer untuk Diagnosa Indikasi Penyakit pada Budidaya Ikan Gurami
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 2, Februar 2018, hlm. 503-509 http://j-ptk.ub.ac.d Implementas Metode Partcle Swarm Optmzaton-Dempster Shafer untuk
Lebih terperinciPENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY
PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY I Made Wdartha Program Stud Teknk Informatka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana emal : madewdartha@cs.unud.ac.d
Lebih terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciMETODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciBAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
Lebih terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciPertemuan ke-4 Analisa Terapan: Metode Numerik. 4 Oktober 2012
Pertemuan ke-4 Analsa Terapan: Metode Numerk 4 Oktober Persamaan Non Non--Lner: Metode NewtonNewton-Raphson Dr.Eng. Agus S. Muntohar Metode Newton Newton--Raphson f( f( f( + [, f(] + = α + + f( f ( Gambar
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciIII. METODOLOGI PENELITIAN
44 III. METODOLOGI PENELITIAN A. Metode Peneltan Menurut Arkunto (00:3) peneltan ekspermen adalah suatu peneltan yang selalu dlakukan dengan maksud untuk melhat akbat dar suatu perlakuan. Metode yang penuls
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
Lebih terperinciBab 2 AKAR-AKAR PERSAMAAN
Analsa Numerk Bahan Matrkulas Bab AKAR-AKAR PERSAMAAN Pada kulah n akan dpelajar beberapa metode untuk mencar akar-akar dar suatu persamaan yang kontnu. Untuk persamaan polnomal derajat, persamaannya dapat
Lebih terperinciPENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI
PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI Reky Stenly Wndah Dosen Jurusan Teknk Spl Fakultas Teknk Unverstas Sam Ratulang Manado ABSTRAK Pada bangunan tngg,
Lebih terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciGambar 3.1 Diagram alir penelitian
BAB 3 METODE PENELITIAN 3.1 Dagram Alr Peneltan Materal Amorph Magnetk (Fe 73 Al 5 Ga 2 P 8 C 5 B 4 S 3 ) Ekspermen DfraksNeutron (I vs 2theta) Smulas Insalsas atom secara random Fungs struktur, F(Q) Perhtungan
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciHuman-Friendly Arm Robot Berbasis Interactive Particle Swarm Optimization (IPSO)
Human-Frendly Arm Robot Berbass Interactve Partcle Swarm Optmzaton (IPSO) Anhar Rsnumawan, Indra Adj Sulstjono ) Jurusan Teknk Elektronka, Polteknk Elektronka Neger Surabaya Kampus PENS-ITS Sukollo, Surabaya
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan
Lebih terperinciJurnal Teknologi Elektro, Universitas Mercu Buana ISSN:
KECERDASAN BUATAN BERBASIS PARTICLE SWARM OPTIMIZATION, ANT COLONY OPTIMIZATION DAN FIREFLY ALGORITHM UNTUK MEREDAM OSILASI GANGGUAN PADA SISTEM PEMBANGKIT LISTRIK Pressa P. Surya Unverstas Muhammadyah
Lebih terperinciBAB III METODE KOMPRESI DAN DEKOMPRESI. untuk setiap B X. fraktal. Penjelasan dimulai dengan pengenalan Multiple Reduction Copy
BAB III METODE KOMPRESI DAN DEKOMPRESI Kompres ctra fraktal memodelkan ctra sebaga lmt dar suatu proses teras. Jka dberkan suatu ctra A X, metode n akan mencar suatu proses W sedemkan sehngga ttk tetap
Lebih terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih terperinciBAB I PENDAHULUAN. konsep strategi yang cocok untuk menghadapi persaingan baik itu mengikuti marketing
BAB I PENDAHULUAN 1.1 Latar Belakang Konds persangan dalam berbaga bdang ndustr saat n dapat dkatakan sudah sedemkan ketatnya. Persangan dalam merebut pasar, adanya novas produk, mencptakan kepuasan pelanggan
Lebih terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciSWARM INTELLIGENCE (Teori & Case Study)
Judul SWARM INTELLIGENCE (Teor & Case Study) PSO, ACO, ABC, ACO-SVR, etc Oleh: Imam Cholssodn Ef Ryandan PENGANTAR Buku n member pemahaman konsep lanjut dan detal penyelesaan untuk pengembangan Swarm Intellgence
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
Lebih terperinciPENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD
Semnar Nasonal Sstem dan Informatka 2007; Bal, 6 November 2007 PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD Nur Hasanah ) Istkhomah 2) Taufq Hdayat 3) Sr Kusumadew 4) Jurusan
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODOLOGI PENELITIAN A. Metode Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode ekspermen dengan bentuk kuas ekspermen. Pre test dlakukan d awal peneltan dan post tes dlakukan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciPrediksi Jumlah Follower Official Account Line Menggunakan Regresi dan Algoritma Genetika
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 217, hlm. 1312-132 http://j-ptk.ub.ac.d Predks Jumlah Follower Offcal Account Lne Menggunakan Regres dan
Lebih terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciBAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinciSOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN
SOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN Ita Rahmadayan 1, Syamsudhuha 2, Asmara Karma 2 1 Mahasswa Program Stud S1 Matematka
Lebih terperinciBab V Aliran Daya Optimal
Bab V Alran Daya Optmal Permasalahan alran daya optmal (Optmal Power Flow/OPF) telah menjad bahan pembcaraan sejak dperkenalkan pertama kal oleh Carpenter pada tahun 196. Karena mater pembahasan tentang
Lebih terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciBAB II DASAR TEORI. 2.1 Definisi Game Theory
BAB II DASAR TEORI Perkembangan zaman telah membuat hubungan manusa semakn kompleks. Interaks antar kelompok-kelompok yang mempunya kepentngan berbeda kemudan melahrkan konflk untuk mempertahankan kepentngan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinci