EXPERT SYSTEM DIAGNOSA JENIS PENYAKIT GIGI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Komang Aryasa

Ukuran: px
Mulai penontonan dengan halaman:

Download "EXPERT SYSTEM DIAGNOSA JENIS PENYAKIT GIGI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Komang Aryasa"

Transkripsi

1 Komag, Expert System Diagosa Jeis 81 EXPERT SYSTEM DIAGNOSA JENIS PENYAKIT GIGI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Komag Aryasa STMIK Dipaegara Maassar, Jl. Peritis Kemerdeaa Km.9 Telp (0411) aryuh09@gmail.com ABSTRACT The obect of the research was to mae a itelliget system applicatio towards the detal disease types of irritatio pulp, hypermia pulp, acute pulpitis ad periodetitis apicalis, ad giggivity by applyig the artificial eural etwor with the bacpropagatio learig method. The system used the data patters of the disease symptoms which were ivestigated i the Detal Cliic Sectio, Daya Geeral Hospital, Maassar. The umber of samples of the data patters used was 11 samples with the output targets of 000 (irritatio pulp), 001 (hypermia pulp), 010 (acute pulpitis), 011 (periodetitis apicalis), ad 100 (giggivity). The traiig process was by the ANN bacpropagatio with the iput parameters of target error = 0.01, learig rate = 0.1, ad maximum epoch = 50,000. The traiig process stopped o the epoch of 17,328 with RMSE. The result of the research idicates that out of 100 data samples traied, all the data patters (100%) are recogized by the system. The test is carried out by taig 50 data samples that have ever bee traied, the result reveals that 45 out of 50 (90%) data tested ca be recogized by the system. Keywords: Expert system, Artificial Neural Networ, Bacpropagatio, disease. ABSTRAK Peelitia ii bertuua meracag apliasi sistem cerdas terhadap eis peyait gigi Iritatio Pulpa, Hypermia Pulpa, Pulpitis Aut da Periodetitia Apicalis da Giggivitas dega meerapa ariga saraf tirua dega metode pembelaara bacpropagatio. Pada peracaga Sistem ii megguaa pola data geala peyait yag diteliti di Rumah Sait Daya Maassar Bagia Poli Gigi. Jumlah sampel data geala yag diguaa adalah 11 sampel dega target output 000 (Iritatio Pulpa), 001(Hypermia Pulpa), 010 (Pulpitis Aut), 011 ( Periodetitis Apicalis) da 100 (Giggivitas). proses pelatiha dega algoritma JST Bacpropagatio dega parameter iput Target error = 0.01, Learig Rate = 0.1da Masimum Epoch = Proses pelatiha ii berheti pada epoch dega RMSE Hasil peelitia meuua bahwa dari 100 sampel data yag dilatih, seluruh pola data (100 %) data dieali oleh sistem. Peguia dilaua dega megambil 50 sampel data yag belum perah dilatih hasil meuua bahwa 45 dari 50 (90 %) data yag diui dapat dieali oleh system Kata Kuci : Expert System, Jariga Saraf Tirua, BacPropagatio, peyait PENDAHULUAN Di bidag edotera, peraaa doter dalam mediagosa peyait pada pasie harus membutuha etelitia dari eis peyait yag diderita yag dapat meyebaba efe timbulya peyait yag lai, apalagi eis peyait semai81 berembag dari watu e watu. Hal ii

2 82. CSRID Joural, Vol.4 No.2 Jui 2012, Hal meutut para doter, harus megiuti perembaga terbaru tetag eis peyait beserta cara peagaaya yag harus membutuha watu yag lama ia dilaua secara ovesioal. Utu itu pada peelitia ii, aa dibuat suatu sistem cerdas (Expert System) yag meguaa tei omputasi ariga saraf tirua utu mediagosa eis peyait gigi. Tei omputasi ariga saraf tirua dalam mediagosa eis peyait gigi ii merupaa sebuah memori yag meyimpa seumlah data, meliputi iformasi pada geala, diagosis da iformasi lai sebagai suatu perawata utu hal-hal tertetu yag berhubuga dega peyait gigi. Pelatiha ariga dapat dipresetasia dega iput yag terdiri dari seragaia geala yag diderita oleh pasie. Setelah itu ariga syaraf aa melatih iput geala tersebut dega algoritma bacpropagatio, sehigga ditemua suatu aibat dari geala tersebut yaitu eis peyait gigi. Adapu poo permasalaha dalam peelitia ii : 1. Bagaimaa meracag suatu peragat lua Jariga Saraf tirua dega metode pembelaara bacpropagatio yag megidiasia bahwa seseorag telah terserag peyait gigi. 2. Bagaimaa sistem mampu megidetifiasi pola data peyait gigi edalam empat eis peyait yaitu Irritatio Pulpa, Hupermia Pulpa, Pulpitis Aut da Periodetitia Apicalis da giggivitas. Ruag Ligup dibatasi pada : 1. Melaua auisisi pegetahua paar dega wawacara megguaa metode disusi da desripsi masalah tetag peyait gigi. 2. Data masua yag diidetifiasi adalah berupa data geala peyait gigi Irritatio Pulpa, Hupermia Pulpa, Pulpitis Aut da Periodetitia Apicalis da gigggivitas dalam betu fuzzy 3. Metode Pembelaara yag diguaa adalah BacPropagatio 4. Sasara peggua program ii adalah paramedis gigi. 5. Melaua ui coba system Tuua Peelitia ii adalah membuat apliasi sistem cerdas terhadap eis peyait gigi Irritatio Pulpa, Hupermia Pulpa, Pulpitis Aut da Periodetitia Apicalis dega meerapa ariga saraf tirua dega metode pembelaara bacpropagatio. Peelitia ii diharapa dapat memberia mafaat dalam hal: 1. Dari hasil peelitia ii diharapa dapat membatu doter utu megidetifiasi varia peyait gigi pada pasie secara aurat sehigga membatu dalam diagosis da peagaa laut terhadap pasie. 2. Megetahui prisip era Jariga Saraf Tirua yag diapliasia dalam sebuah bahasa pemrograma. 3. Meambah flesibilitas siroisasi atara duia iformatia da edotera. TINJAUAN PUSTAKA Expert System (Sistem Paar) Meurut Kusrii (2008:3) sistem paar adalah apliasi berbasis omputer yag diguaa utu meyelesaia masalah sebagaimaa yag dipiira oleh paar [01]. Pegertia lai meurut Aita Desiai & Muhammad (2006:227) sistem paar adalah sistem yag berbasis pegetahua, yaitu sistem yag meiru pealara dari seorag paar dalam bidag tertertu [02]. Paar yag dimasud disii adalah orag yag mempuyai eahlia husus yag dapat diselesaia oleh orag awam. Sebagai cotoh, doter adalah seorag paar yag mampu mediagosis peyait yag diderita pasie serta dapat memberia peatalasaaa terhadap peyait tersebut. Tida semua orag dapat megambil eputusa megeai diagosis da memberia peatalasaaa suatu peyait. Meurut Turba (Muhammad Arhami, 2005:233) sistem paar disusu oleh dua bagia utama, yaitu liguga pegembaga (develepmet eviromet) da liguga osultasi (cosultatio eviromet). Liguga pegembaga sistem paar diguaa utu memasua pegetahua paar e dalam liguga sistem paar, sedaga liguga

3 Komag, Expert System Diagosa Jeis 83 osultasi diguaa oleh peggua yag bua paar dalam memperoleh pegetahua paar. Kompoe-ompoe sistem paar dalam edua bagia tersebut dapat dilihat dalam Gambar 1 yaitu user iterface (atarmua peggua), basis pegetahua, auisisi pegetahua, mesi iferesi, worplace, fasilitas peelasa, perbaia pegetahua[03]. Gambar 1. Strutur Sistem Paar Peyait Gigi Pegertia dari suatu peyait adalah eadaa tida ormal pada bada atau mida yag meyebaba etidaselesaa, disfugsi, atau teaa/stres epada orag yag terbabit atau berhubug rapat degaya. Sedaga utu pegertia sait gigi adalah rasa yeri pada gigi. Walaupu amat arag teradi, bahaya yag datag bisa beraibat fatal. Beberapa eis peyait gigi adalah sebagai beriut : Iritatio Pulpa, Hypermia Pulpa, Pulpitis Aut, Periodetitis Apicalis, Giggivitas da sebagaiya Jariga Saraf Tirua Jariga saraf tirua (JST) atau eural etwor adalah suatu metode omputasi yag meiru sistem ariga saraf biologis. Metode ii megguaa eleme perhituga o-liier dasar yag disebut euro yag diorgaisasia sebagai ariga yag salig berhubuga, sehigga mirip dega ariga saraf mausia. Jariga saraf tirua dibetu utu memecaha suatu masalah tertetu seperti pegeala pola atau lasifiasi area proses pembelaara[06], [07]. JST meyerupai ota mausia dalam dua hal, yaitu: 1. Pegetahua diperoleh ariga melalui proses belaar. 2. Keuata hubuga atar sel syaraf (euro) yag dieal sebagai bobot bobot siapti diguaa utu meyimpa pegetahua. JST ditetua oleh 3 hal [03] : 1. Pola hubuga atar euro (disebut arsitetur ariga). 2. Metode utu meetua bobot peghubug (disebut metode traiig/learig). 3. Fugsi ativasi, yaitu fugsi yag diguaa utu meetua eluara suatu euro. Satu sel syaraf terdiri dari tiga bagia, yaitu: fugsi peumlah (summig fuctio), fugsi ativasi (activatio fuctio), da eluara (output), seperti terlihat pada gambar 2 dibawah ii. Gambar 2. Model Neuro

4 84. CSRID Joural, Vol.4 No.2 Jui 2012, Hal Algoritma BacPropagatio Lagah 0: Iisialisasi bobot (setiap bobot diberi ilai aca atara 0-1) Lagah 1: Selama odisi berheti belum terpeuhi laua lagah 2-3 Lagah 2: Laua Lagah 3-13 sebaya umlah pelatiha yag diigia Lagah 3: Utu output layer da setiap hidde layer laua lagah 4-13 Lagah 4: Hitug iput setiap ode pada hidde layer z _ i x * w i 1 i i dimaa: z_i = umlah total iput utu ode e- = umlah ode pada hidde layer sebelumya, utu hidde layer yag pertama adalah umlah ode iput x i = ilai ode e-i yag dieluara oleh hidde layer sebelumya, utu hidde layer yag pertama x i adalah iput yag diterima oleh sistem w i = bobot yag meghubuga atara ode e-i da ode e- Lagah 5: Hitug output setiap ode pada hidde layer dega fugsi ativasi z f z _ i ) ( dimaa: z = output dari ode e- 1 f ( x) 1 exp( x) Lagah 6: Hitug iput setiap ode pada output layer y _ i z * w 1 dimaa: y_i = umlah total iput utu ode e- = umlah ode pada hidde layer sebelum output layer w = bobot yag meghubuga atara ode e- da ode e- Lagah 7: Hitug output pada setiap ode pada output layer y f z _ i ) ( dimaa: y = output dari ode e- Lagah 8: Hitug error setiap ode pada output layer dega fugsi deativasi t y )* f '( y _ i ) dimaa: ( = error pada ode e- t = target e- f '( x) f ( x)[1 f ( x)] Lagah 9: Hitug perubaha bobot pada setiap ode pada setiap hidde layer w * dimaa: w = perubaha bobot yag meghubuga ode e- da ode e- = learig rate yag merupaa ilai atara 0 1. Lagah 10: Hitug error setiap ode pada output layer dega fugsi deativasi ( 1 * w )* f '( z _ i dimaa: = error pada ode e- Lagah 11: Hitug perubaha bobot pada setiap ode pada setiap hidde layer w * i dimaa: w i = perubaha bobot yag meghubuga ode e- da ode e- Lagah 12: Update bobot pada setiap ode pada output layer )

5 Komag, Expert System Diagosa Jeis 85 w ( ew) w ( old) Lagah 13: Update bobot pada setiap ode pada setiap hidde layer w ( ew) w ( old) w i i w i Prosedur Peguia Setelah pelatiha, ariga saraf bacpropagatio diapliasia dega haya megguaa tahap perambata mau dari algoritma pelatiha. Prosedur apliasiya adalah sebagai beriut: Lagah 0 : Iisialisasi bobot (dari algoritma pelatiha). Lagah 1 : Utu tiap vector masua, laua lagah 2-4. Lagah 2 : for i = 1,, : atur ativasi uit masua xi. Lagah 3 : for = 1,, p : z _ i x * w i 1 z f ( z _ i ) Lagah 4 : for = 1,, m : i y _ i z * w i 1 y f ( z _ i ) Lagah 5: Jia y 0,5 maa y = 1, else y = 0. METODOLOGI PENELITIAN Jeis Peelitia yag dilaua peulis dalam peelitia ii adalah peelitia esperimetal yaitu meracag suatu system paar megguaa JST BacPropagatio. Data diperoleh dari hasil diagosa doter da wawacara lagsug dega paar gigi (doter gigi) seperti data geala da peyait yag megidiasia seorag terserag suatu eis peyait gigi serta data pegobataya yag aa diambil pada Rumah Sait Umum Daya Kota Maassar bagia Poli Gigi. Peguia sistem yag diguaa adalah Peguia blac box, dimaa peguia ii berfous pada persyarata fugsioal peragat lua, dega demiia peguia memugia pereayasa peragat lua medapata seragaia odisi iput yag sepeuhya megguaa semua persyarata fugsioal utu suatu program (Roger S. Pressma, Phd, 2002) [05]. HASIL PENELITIAN Blo Diagram Sistem Secara umum proses diagosa da tatalasaa peyait gigi dapat digambara dalam blo diagram beriut: PASIEN Pemerisaa Kliis : Data Geala Peyait Traformasi Data (Fuzzificatio) Kesimpula Peyait Peguia JST Bacpropagatio Terapi da TataLasaa Peyait Gigi Gambar 3. Blo Diagram Sistem Diagosa Peyait Gigi

6 86. CSRID Joural, Vol.4 No.2 Jui 2012, Hal Peracaga Sistem Peggua sistem adalah deter amu sistem dapat uga diguaa oleh pratisi esehata laiya seperti perawat gigi. Doter dibatu dalam pegambila eputusa mediagosa eis peyait gigi dari aalisis ebutuha maa aa diracag suatu apliasi yag megacu pada sistem paar sebagai beriut : Pemaai Fata Geala Peyait Basis Pegetahua: Fata da Pola Kesimpula Kowledge egieer Iterface Asi yag direomedasia Metode Iferesi DataBase Pelatiha JST BacPropagtio Perbaia Pegetahua Paar Data Pelatiha Gambar 4. Model Sistem Diagosa Diagram Kotes Pada diagram otes di bawah ii meggambara secara umum alira darimaa data yag masu e sistem da data apa yag dihasila dari sistem da emaa sistem megirima data atau iformasi. Adapu etitas-etitas yag merupaa omuitas luar yag beromuiasi dega sistem ada dua yaitu : Pasie da user(doter). a User (Doter) Data Peguia Data Pelatiha Data Fuzzuficatio Pola Geala Peyait 0 Diagosa Peyait Gigi dega JST Data Pasie Geala Peyait b Pasie Ifo. Fuzzificatio Ifo. Pelatiha Ifo. Peguia Hasil Diagosa TataLasaa Peyait Gambar 5. Diagram Kotes Data Flow Diagram (DFD) Dari diagram otes di atas, alira data yag ada pada sistem digambara dega lebih rici megguaa Data Flow Diagram sebagai beriut :

7 Komag, Expert System Diagosa Jeis DFD Level 1 Sistem Diagosa Peyait Gigi T Geala Peyait &Peyait Ifo. Fuzzificatio Ifo. Pelatiha Ifo. Peguia 1 Pola data geala peyait T Pasie a User (Doter) Diagosa Peyait Gigi dega JST Data Pasie Data Peguia Data Pelatiha Data Fuzzuficatio Tabel Pola Geala Peyait Hasil Diagosa TataLasaa Peyait b Pasie Gambar 6. DFD Level 1 Sistem Diagosa Peyait Gigi Data Pasie Geala Peyait 2. DFD Level 2 Prose Proses JST T Geala Peyait &Peyait Pola Geala Peyait Pola data geala peyait a User (Doter) 1.1 Pola Geala Peyait Ifo. FuzzyFiasi Traformasi/Fuzzyfiasi 1.2 Data Fuzzyfiasi Traformasi/Fuzzyfiasi 1.3 Data Pelatiha Pelatiha Ifo Pelatiha Bobot 1.4 T Pasie Data Peguia Diagosa Data Pasie Ifo Peguia Hasil Diagosa TataLasaa Peyait Data Pasie Geala Peyait b Pasie Gambar 7. DFD Level 2 Proses JST

8 88. CSRID Joural, Vol.4 No.2 Jui 2012, Hal DFD Level 2 Prose Proses Diagosa T_bobot T Pasie Bobot Data Pasie Data Peguia Diagosa Geala Peyait a User/Doter Ifo. Peguia Hasil Diagosa b Pasie Gambar 8. DFD Level 3 Proses Diagosa Implematasi JST BacPropagatio Proses perhituga detesi eis peyait gigi ii dilaua setelah peroleha data-data geala liis dari paar gigi. Masua sistem atau iput yag dapat dimegerti oleh program adalah 11 variabel yag mampu meghasila diagosa eis peyait gigi hususya pada peyait Iritatio Pulpa, hyperemia Pulpa, Pulpitis Aut, Periodetitis Apicalis da Giggivitas yag harus diiisialisasi terlebih dahulu. 1. Merasaa sesuatu ia diberi ragsaga paas atau digi 2. Rasa sait ia diguaa meguyah 3. Rasa sait dipersedia rahag 4. Merasaa sesuatu ia disetuh 5. Teradi pedaraha pada gusi 6. Gigi terasa gilu 7. Gigi terasa goyag 8. Gigi berlubag 9. Teradi sodasi 10. Demam 11. Teradi peusi Dalam proses diagosa gigi lagah pertama dilaua adalah megidetifiasi geala subetif da geala obetif. Geala subetif adalah suatu geala yag bersifat umum yag memilii ilai pasti apaah YA atau TIDAK, sedaga geala obetif adalah geala yag ditetua oleh peguia da observasi oleh para medis, sehigga ilai dari geala ii tergatug dari hasil peguia dari obe gigi yag diderita. Utu variabel yag ilaiya tida bersifat pasti maa ilai variabel ii aa dilaua proses fuzzyfiasi sehigga output dari ilai variabel ii meghasila iterval atara 0 samapi 1. Output yag dihasila sistem ii adalah eis peyait gigi yaitu Iritatio Pulpa, hyperemia Pulpa, Pulpitis Aut, Periodetitis Apicalis da Giggivitas. Berdasara iput dari 11 variabel tersebut dibutuha 3 ode output. Hasil output yag diigia berupa ilai seperti terlihat pada tabel 1 beriut : Tabel 1. Nilai Target Output No Nilai Target Nama Peyait (Bier) IIritatio Pulpa hyperemia Pulpa Pulpitis Aut Periodetitis APC Gigivitas

9 Komag, Expert System Diagosa Jeis 89 Desai Arsitetur JST Bacpropagatio Jariga saraf terdiri dari 3 lapisa, yaitu lapisa masua/iput terdiri atas variable masua 11 uit sel saraf, lapisa tersembuyi terdiri atas 6 uit sel saraf da lapisa eluara / output terdiri atas 3 sel saraf. Lapisa masua duguaa utu meampug 11 variabel yaitu x 1 sampai dega x 11, sedaga 3 lapisa eluara diguaa utu mempresetasia pegelompoa pola, ilai 000 utu iritatio pulpa, ilai 001 utu hyperemia pulpa, ilai 010 utu pulpitis aut, ilai 011 utu periodetitis apicalis da ilai 100 utu giggivitas X1 X2 X3 X11 V1 1 V11 11 bv b 0 1 b 0 10 Z1 Z2 Z3 Z6 bw W 11 W 13 W 12 b 03 W 31 W 23 W 33 W 21 W 22 W 32 W 61 W 62 W 63 b 02 b 01 Y1 Y2 Y3 Keteraga : X1...X11 = Node Iput pada Lapisa Iput Z1...Z11 = Node pada lapisa tersembuyi Y1...Y3 = Node output pada lapisa output V11...V111 = Bobot dari lapisa iput e lapisa tersembuyi W11...W111= Bobot dari lapisa tersembuyi e lapisa outpur Bv = Bias dari lapisa iput e lapisa tersembuyi Bw = Bias dari lapisa tersembuyi e lapisa output Gambar 9. Arsitetur ariga JST Bacpropagatio Utu Diagosa Peyait gigi Alur Proses JST Bacpropagtio Arsitetur JST dega metode bacpropagatio pada sistem yag aa dibagu adalah arsitetur JST berlapisa baya yag terdiri dari lapisa masua (layer iput) dimaa umlah euro pada lapisa iput sebaya 11 yag ditetua pada umlah geala peyait yag di idetifiasi, satu lapisa tersembuyi (layer hidde), utu meetua umlah euro pada hidde layer diguaa formula sebagai beriut : Keteraga : N h = Jumlah Neuro Hidde N i = Jumlah Neuro Iput N o = Jumlah Neuro Output Misala umlah euro pada layer iput sebaya 11 da umlah euro pada layer output sebaya 3 maa Neuro hidde dapat dihitug sebagai beriut : N h = 5,74 dibulata eatas meadi 6 sehigga umlah euro pada lapisa tersembuyi yag diguaa sebaya 6 euro, da satu lapisa eluara (layer output) yag megguaa 3 euro output. Peghubug setiap lapisa adalah bobot. Nilai bobot yag diguaa dega membagita bilaga radom yag cuup ecil (radom - 0.5) Sistem aa memberia ilai radom pada setiap bobot di lapisa iput maupu bias pada lapisa iput da bobot lapisa output serta bias pada lapisa output. Secara umum alur proses JST, Proses Traiig bacpropagatio da diagosa dapat dilihat pada gambar 10 da 11 dibawah ii.

10 90. CSRID Joural, Vol.4 No.2 Jui 2012, Hal Mulai Iput Geala Peait Traformasi/ Fuzzyfiasi Traiig FeadForward Tida Target Error Tercapai? Ya Koresi Bobot da Bias Jariga Selesai Gambar 10. Flowchart Alur Proses JST Mulai Peetua Parameter : Target Orror, Learig Rate da Max Epoch Iisialisasi Bobot Radom Kecil V,W, BiasV, BiasV Hitug Pada Simpul Hidde da Output z _ i x * w i 1 y _ i z * w 1 i i Hitug Error E=(t-y) 2 Hitug Delta Error t y )* f '( y _ i ) ( ( 1 * w )* f '( z _ i ) Koresi Pembobot w * w i * Ya Masih Ada Data? Tida (Erros <Batas Error) Atau Mecapai Epoch Tida Ya Simpa Ditabel bobot Selesai Gambar 11. Flowchart Alur Proses JST

11 Komag, Expert System Diagosa Jeis 91 Hasil Peguia Peguia dilaua dega dua tahap yaitu peguia terhadap data yag aa dilatia yaitu 100 sampel data da peguia pada data baru sebaya 50 sampel yag belum perah dilatiha. Peguia terhadap data yag aa dilatiha dega target error 0.01, learig rate 0.1, maximum epoch meghasila RMSE pada epoch 17328, beriut data hasil pelatiha Proses pelatiha dilaua dega megiput parameter pelatiha yaitu target error, learig rate da masimum epoch, setelah parameter ii diputa dilauta dega megli tombol learig. Learig ii aa megiisialisasi bobot-bobot ariga yag telah ditetua sebelumya, proses pelatiha aa berheti ia RMSE <= target error atau telah mecapai masimum epoch yag telah ditetua pada parameter iput. Hasil pelatiha dega parameter iput target error = 0.01, learig rate = 0.1 da masimum epoch maa proses pelatiha aa mecapi overge pada iterasi dega RMSE dituua pada gambar 12 dibawah ii: Gambar 12. Hasil Pelatiha Adapu hasil legap peguia terhadap 100 data yag telah dilatih adalah dituua pada gambar 13 sebagai beriut : Gambar 13. Hasil Peguia Data Yag dilatiha

12 92. CSRID Joural, Vol.4 No.2 Jui 2012, Hal Bobot atara lapisa iput da lapisa tersembuyi ahir (V) da bias atara lapisa iput da lapisa tersembuyi ahir setelah iterasi e seperti terlihat pada gambar 14 beriut ii : Gambar 14. Bobot Atara Lapisa Iput da Lapisa Tersembuyi Ahir Bobot ahir lapisa tersembuyi e lapisa output (w), da bias ahir lapisa tersembuyi e lapisa output (w0), terlihat pada gambar 15 Gambar 15. Bobot Ahir Da Bias Ahir Lapisa Hidde Kelapisa Output

13 Komag, Expert System Diagosa Jeis 93 Setelah dilaua pembelaara terhadap pola-pola yag dilatih seperti pada table 2 diatas meuua bahwa pelatiha yag dilaua oleh ariga saraf tirua mecapai hasil 100 % area output pelatiha yag ditampila oleh sistem (etwor output) sesuai dega target yag ditetua. Gambar 16 adalah cotoh implemetasi peguia yag dilaua terhadap pola ilai yag iut dilatih. Gambar 16. Hasil Testig Terhadap Nilai Utu Data Kasus 000 (Iritatio Pulpa) Proses pegobata dilaua dega meea tombol Pegobata seperti yag ampa pada gambar 14 diatas, beriut adalah cotoh peagaa dari asus 000(Iritattio Pulpa) sebagai beriut : Gambar 17. Hasil Pegobata Setelah seluruh data yag dilatiha dieali, ariga emudia diui dega 50 data baru yag belum perah dilatiha. Hal ii berfugsi utu megui seberapa besar ariga megeali data baru. Hasil peguia terhadap data baru adalah sebagai beriut :

14 94. CSRID Joural, Vol.4 No.2 Jui 2012, Hal Gambar 15 Hasil Peguia 50 data baru Gambar 18. Hasil Pegobata Ket : *** = Tida dieali Gambar 15 yag berbetu tabel diatas berisi 50 pola data geala peyait dega 11 geala peyait yag megidetifiasia ama peyait masig-masig pola yag deberia oleh doter gigi, dimaa pola ii belum perah dilatih oleh system. Dari 50 data baru yag diui tampa bahwa 45 data (90 %) sesuai dega target semetara 5 data ( 10 %) tida sesuai dega target, hal ii disebaba ara output target dari data pelatiha tida sesuai dega output hasil pelatiha, oleh ara itu dibutuha data pelatiha yag cuup baya da tida ada data yag tida dieali. KESIMPULAN Setelah proses peguia data pelatiha da peguia data baru didapat beberapa esimpula sebagai beriut: 1. Metode JST Bacpropagatio dapat diguaa utu melaua pedetesia suatu eis peyait, gaggua, maupu asus yag memilii data masa lalu, da dega megguaa metode Bacpropagatio, target output yag diigia lebih medeati etepata dalam malaua peguia, area teradi peyesuaia ilai bobot da bias yag semai bai pada proses pelatiha 2. Dari 100 data pelatiha sistem dapat megeali seluruh pola data (100%) dari target output yag telah ditetua 3. Dari peguia 50 data baru JST meghasila tigat aurasi mediagosa eis peyait sebesar 90 %. 4. Proses diagosa seorag doter secara ovesioal sagat bergatug pada daya igat dari ilmu yag telah dipelaari da pegalama doter dalam mediagosa peyait gigi. Proses diagosa dari sistem ii mampu meyimpa seluruh pola data yag perah diaara yag lebih uggul dalam hal meyimpa data-data yag perah dilatiha dari seorag doter. DAFTAR RUJUKAN Aita Desiai, Muhammad, 2006, Kosep Kecerdasa Buata, Adi Offset, Yogyaarta. Jog Je Siag, M.Sc, Drs. (2004). Jariga Saraf Tirua &Pemrogramaya Megguaa Matlab. Peerbit Adi. Yogyaarta..

15 Komag, Expert System Diagosa Jeis 95 Kusrii, 2008, Apliasi Sistem Paar, Adi Offset, Yogyaarta. Muhammad, 2005, Kosep Dasar Sistem Paar, Adi Offset, Yogyaarta. Pressma, Roger S., 2002, Reayasa Peragat Lua Pedeata Pratisi (Buu Satu), Adi Offset, Yogyaarta. Yai, Eli. (2005). Pegatar Jariga Saraf Tirua. Artiel uliah. (Ases 02 Nopember 2010) [Setyaigrum Ratih, Kemampua Expert System - Afis Utu Diagosa Kesehata Peera Idustri Da Mecari Solusiya, Semiar Nasioal Apliasi Teologi Iformasi 2007 (SNATI 2007) Yogyaarta, 16 Jui 2007

Gambar 3.1Single Channel Multiple Phase

Gambar 3.1Single Channel Multiple Phase BAB III MODEL ANTRIAN PADA PEMBUATAN SIM C. Sigle Chael Multiple Phase Sistem atria sigle chael multiple phase merupaa sistem atria dimaa pelagga yag tiba, dapat memasui sistem dega megatri di tempat yag

Lebih terperinci

Representasi sinyal dalam impuls

Representasi sinyal dalam impuls Represetasi siyal dalam impuls Represetasi siyal dalam impuls adalah siyal yag diyataa sebagai fugsi dari impuls atau sebagai umpula dari impuls-impuls. Sembarag siyal disret dapat diyataa sebagai pejumlaha

Lebih terperinci

BAB II LANDASAN TEORI. gamma, fungsi likelihood, dan uji rasio likelihood. Misalkan dilakukan percobaan acak dengan ruang sampel C.

BAB II LANDASAN TEORI. gamma, fungsi likelihood, dan uji rasio likelihood. Misalkan dilakukan percobaan acak dengan ruang sampel C. BAB II LANDASAN TEORI Pada bab ii aa dibahas teori teori yag meduug metode upper level set sca statistics, atara lai peubah aca, distribusi gamma, fugsi gamma, fugsi lielihood, da uji rasio lielihood.

Lebih terperinci

MODUL BARISAN DAN DERET

MODUL BARISAN DAN DERET MODUL BARISAN DAN DERET SEMESTER 2 Muhammad Zaial Abidi Persoal Blog http://meetabied.wordpress.com BAB I. PENDAHULUAN A. Desripsi Dalam modul ii, ada aa mempelajari pola bilaga, barisa, da deret diidetifiasi

Lebih terperinci

BAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE)

BAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE) BAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE) 5.1. Pembagit Radom Variate Disrit Suatu Radom Variate diartia sebagai ilai suatu radom variate yag mempuyai distribusi tertetu. Utu megambil

Lebih terperinci

Resilent Backpropagation Neural Network Dalam Modelisasi Curah Hujan Limpasan Studi Kasus: DAS Tukad Nyuling

Resilent Backpropagation Neural Network Dalam Modelisasi Curah Hujan Limpasan Studi Kasus: DAS Tukad Nyuling Resilet Bacpropagatio Neural Networ Dalam Modelisasi Curah Hua Limpasa Studi Kasus: DAS uad Nyulig Oleh: Putu Doddy Hea Ardaa ABSRAK Peelitia ii meyelidii tetag eguaa Resilet Bacpropagatio Neural Networ

Lebih terperinci

MACAM-MACAM TEKNIK MEMBILANG

MACAM-MACAM TEKNIK MEMBILANG 0 MACAM-MACAM TEKNIK MEMBILANG ATURAN PERKALIAN Beriut ii diberia sebuah dalil tetag peetua baya susua yag palig sederhaa dalam suatu permasalaha yag beraita dega peluag. Dalil 2.1: ATURAN PERKALIAN SECARA

Lebih terperinci

TEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS

TEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS Jural Matematia Vol.6 No. November 6 [ 5 : ] TEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS Ooy Rohaei Jurusa Matematia, UNISBA, Jala Tamasari No, Badug,6, Idoesia

Lebih terperinci

MODUL 1.03 DINAMIKA PROSES. Oleh : Ir. Tatang Kusmara, M.Eng

MODUL 1.03 DINAMIKA PROSES. Oleh : Ir. Tatang Kusmara, M.Eng MODUL 1.03 DINMIK PROSES Ole : Ir. Tatag Kusmara, M.Eg LBORTORIUM OPERSI TEKNIK KIMI JURUSN TEKNIK KIMI UNIVERSITS SULTN GENG TIRTYS CILEGON BNTEN 2008 2 Modul 1.03 DINMIK PROSES I. Pedaulua Dalam bidag

Lebih terperinci

Deret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka

Deret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka oi eswa (fmipa-itb) Deret Positif Deret (ta berhigga) adalah ugapa berbetu a + a + a 3 + a 4 + dega a i disebut suu. Pejumlaha ii berbeda dega pejumlaha dua, tiga, atau berhigga bilaga. Maa, ita perlu

Lebih terperinci

Mata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 5

Mata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 5 Mata Kuliah : Matematia Disrit Program Studi : Tei Iformatia Miggu e : 5 KOMBINATORIAL PENDAHULUAN Persoala ombiatori bua merupaa persoala baru dalam ehidupa yata. Baya persoala ombiatori sederhaa telah

Lebih terperinci

Deret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka

Deret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka oi eswa (fmipa-itb) Deret Positif Deret (ta berhigga) adalah ugapa berbetu a + a + a 3 + a 4 + dega a i disebut suu. Pejumlaha ii berbeda dega pejumlaha dua, tiga, atau berhigga bilaga. Maa, ita perlu

Lebih terperinci

BAB III TAKSIRAN PROPORSI POPULASI JIKA TERJADI NONRESPON. Dalam bab ini akan dibahas penaksiran proporsi populasi jika terjadi

BAB III TAKSIRAN PROPORSI POPULASI JIKA TERJADI NONRESPON. Dalam bab ini akan dibahas penaksiran proporsi populasi jika terjadi BAB III TAKSIRA PROPORSI POPULASI JIKA TERJADI ORESPO Dalam bab ii aa dibaas peasira proporsi populasi jia terjadi orespo da dilaua allba sebaya t ali. Selai itu, juga aa dibaas peetua uura sampel yag

Lebih terperinci

MAKALAH TEOREMA BINOMIAL

MAKALAH TEOREMA BINOMIAL MAKALAH TEOREMA BINOMIAL Disusu utu memeuhi tugas mata uliah Matematia Disrit Dose Pegampu : Dr. Isaii Rosyida, S.Si, M.Si Rombel B Kelompo 2 1. Wihdati Martalya (0401516006) 2. Betha Kuria S. (0401516012)

Lebih terperinci

Aplikasi Sistem Orthonormal Di Ruang Hilbert Pada Deret Fourier

Aplikasi Sistem Orthonormal Di Ruang Hilbert Pada Deret Fourier Apliasi Sistem Orthoormal Di Ruag Hilbert Pada Deret Fourier A 7 Fitriaa Yuli S. FMIPA UNY Abstra Ruag hilbert aa dibahas pada papper ii. Apliasi system orthoormal aa diaji da aa diapliasia pada ruahg

Lebih terperinci

Pengaruh Normalisasi Data pada Jaringan Syaraf Tiruan Backpropagasi Gradient Descent Adaptive Gain (BPGDAG) untuk Klasifikasi

Pengaruh Normalisasi Data pada Jaringan Syaraf Tiruan Backpropagasi Gradient Descent Adaptive Gain (BPGDAG) untuk Klasifikasi Pegaruh Normalisasi Data pada Jariga Syaraf Tirua Bacpropagasi Gradiet Descet Adaptive Gai (BPGDAG utu Klasifiasi Nurul Chamidah Jurusa Tei Iformatia Faultas MIPA UNS Jl. Ir. Sutami No. 36 A Suraarta urulchamidah.2007@gmail.com

Lebih terperinci

PERBANDINGAN PENDEKATAN SEPARABLE PROGRAMMING DENGAN THE KUHN-TUCKER CONDITIONS DALAM PEMECAHAN MASALAH NONLINEAR

PERBANDINGAN PENDEKATAN SEPARABLE PROGRAMMING DENGAN THE KUHN-TUCKER CONDITIONS DALAM PEMECAHAN MASALAH NONLINEAR Jural Tei da Ilmu Komputer PERBANDINGAN PENDEKATAN SEPARABLE PROGRAMMING DENGAN THE KUHN-TUCKER CONDITIONS DALAM PEMECAHAN MASALAH NONLINEAR Budi Marpaug Faultas Tei da Ilmu Komputer Jurusa Tei Idustri

Lebih terperinci

APLIKASI JARINGAN SYARAF TIRUAN PADA DATA MULTIVARIATE

APLIKASI JARINGAN SYARAF TIRUAN PADA DATA MULTIVARIATE Semiar Nasioal Statistia X stitut Teologi Sepuluh Nopember, 7 November 009 APLKAS JARNGAN SYARAF TRUAN PADA DATA MULTVARATE Dra. Kartia Fitriasari, M.Si da Putri Susati Dose Jurusa Statistia FMPA-TS, Surabaya

Lebih terperinci

Bab 16 Integral di Ruang-n

Bab 16 Integral di Ruang-n Catata Kuliah MA3 Kalulus Elemeter II Oi Neswa,Ph.D., Departeme Matematia-ITB Bab 6 Itegral di uag- Itegral Gada atas persegi pajag Itegral Berulag Itegral Gada atas Daerah sebarag Itegral Gada Koordiat

Lebih terperinci

Sinyal dan Sistem Waktu Diskrit ET 3005 Pengolahan Sinyal Waktu Diskrit EL 5155 Pengolahan Sinyal Waktu Diskrit

Sinyal dan Sistem Waktu Diskrit ET 3005 Pengolahan Sinyal Waktu Diskrit EL 5155 Pengolahan Sinyal Waktu Diskrit Siyal da Sistem Watu Disrit ET 35 Pegolaha Siyal Watu Disrit EL 5155 Pegolaha Siyal Watu Disrit Effria Yati Hamid 1 2 Siyal da Sistem Watu Disrit 2.1 Siyal Watu Disrit 2.1.1 Pegertia Siyal Watu Disrit

Lebih terperinci

PEMBUKTIAN SIFAT RUANG BANACH PADA D(K)

PEMBUKTIAN SIFAT RUANG BANACH PADA D(K) JMP : Volume 4 Nomor 1, Jui 2012, hal. 41-50 PEMBUKTIAN SIFAT RUANG BANACH PADA D(K) Malahayati Program Studi Matematia Faultas Sais da Teologi UIN Sua Kalijaga malahayati_01@yahoo.co.id ABSTRACT. I this

Lebih terperinci

ISSN: TEKNOMATIKA Vol.1, No.2, JANUARI

ISSN: TEKNOMATIKA Vol.1, No.2, JANUARI ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran

Lebih terperinci

Perluasan Uji Kruskal Wallis untuk Data Multivariat

Perluasan Uji Kruskal Wallis untuk Data Multivariat Statistia, Vol. No., Mei Perluasa Uji Krusal Wallis utu Data Multivariat TETI SOFIA YANTI Program Studi Statistia, Uiversitas Islam Badug, Jl. Purawarma No. Badug. E-mail: buitet@yahoo.com ABSTAK Adaia

Lebih terperinci

Penulis: Penilai: Editor: Ilustrator: Dra. Puji Iryanti, M.Sc. Ed. Al. Krismanto, M.Sc. Sri Purnama Surya, S.Pd, M.Si. Fadjar N. Hidayat, S.Si.,M.Ed.

Penulis: Penilai: Editor: Ilustrator: Dra. Puji Iryanti, M.Sc. Ed. Al. Krismanto, M.Sc. Sri Purnama Surya, S.Pd, M.Si. Fadjar N. Hidayat, S.Si.,M.Ed. PAKET FASILITASI PEMBERDAYAAN KKG/MGMP MATEMATIKA Pembelajara Barisa, Deret Bilaga da Notasi Sigma di SMA Peulis: Dra. Puji Iryati, M.Sc. Ed. Peilai: Al. Krismato, M.Sc. Editor: Sri Purama Surya, S.Pd,

Lebih terperinci

Penggunaan Transformasi z

Penggunaan Transformasi z Pegguaa Trasformasi pada Aalisa Respo Freuesi Sistem FIR Oleh: Tri Budi Satoso E-mail:tribudi@eepis-its.eduits.edu Lab Siyal,, EEPIS-ITS ITS /3/6 osep pemiira domais of represetatio Domai- discrete time:

Lebih terperinci

Model Antrian Multi Layanan

Model Antrian Multi Layanan Jural Gradie Vol. No. Juli : 8- Model Atria Multi Layaa Sisa Yosmar Jurusa Matematia, Faultas Matematia da Ilmu egetahua Alam, Uiversitas Begulu, Idoesia Diterima 9 April; Disetujui 8 Jui Abstra - Salah

Lebih terperinci

IV. METODE PENELITIAN

IV. METODE PENELITIAN IV. METODE PENELITIAN 4.1. Tempat da Watu Peelitia Peelitia megeai Kepuasa Kosume Restora Gampoeg Aceh, dilasaaa pada bula Mei 2011 higga Jui 2011. Restora Gampoeg Aceh, bertempat di Jl Pajajara, Batarjati,

Lebih terperinci

PEMBAHASAN SOAL OSN MATEMATIKA SMP TINGKAT PROPINSI 2011 OLEH :SAIFUL ARIF, S.Pd (SMP NEGERI 2 MALANG)

PEMBAHASAN SOAL OSN MATEMATIKA SMP TINGKAT PROPINSI 2011 OLEH :SAIFUL ARIF, S.Pd (SMP NEGERI 2 MALANG) PEMBAHASAN SOAL OLIMPIADE SAINS NASIONAL SMP A. ISIAN SINGKAT SELEKSI TINGKAT PROPINSI TAHUN 011 BIDANG STUDI MATEMATIKA WAKTU : 150 MENIT 1. Jia x adalah jumlah 99 bilaga gajil terecil yag lebih besar

Lebih terperinci

MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK. Masalah 1 Terdapat berapa carakah kita dapat memilih 2 baju dari 20 baju yang tersedia?

MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK. Masalah 1 Terdapat berapa carakah kita dapat memilih 2 baju dari 20 baju yang tersedia? Kartia Yuliati, SPd, MSi MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK Masalah Terdapat berapa caraah ita dapat memilih baju dari 0 baju yag tersedia? Cara Misala baju diberi omor dari sampai

Lebih terperinci

Peluang Suatu Kejadian, Kaidah Penjumlahan, Peluang Bersyarat, Kaidah Perkalian dan Kaidah Baiyes

Peluang Suatu Kejadian, Kaidah Penjumlahan, Peluang Bersyarat, Kaidah Perkalian dan Kaidah Baiyes eluag uatu Kejadia, Kaidah ejumlaha, eluag ersyarat, Kaidah eralia da Kaidah aiyes.eluag uatu Kejadia Defiisi : eluag suatu ejadia adalah jumlah peluag semua titi otoh dalam. Dega demiia : 0 (), ( ) =

Lebih terperinci

Pemilihan Kapasitas Dan Lokasi Optimal Kapasitor Paralel Pada Sistem Distribusi Daya Listrik

Pemilihan Kapasitas Dan Lokasi Optimal Kapasitor Paralel Pada Sistem Distribusi Daya Listrik ELECTRICIAN Jural Reayasa da Teologi Eletro 0 Pemiliha Kapasitas Da Loasi Optimal Paralel Pada Sistem Distribusi Daya Listri Osea Zebua Jurusa Tei Eletro, Faultas Tei, Uiversitas Lampug Jl. Prof. Sumatri

Lebih terperinci

Konvolusi pada Distribusi dengan Support Kompak

Konvolusi pada Distribusi dengan Support Kompak Prosidig SI MaNIs (Semiar Nasioal Itegrasi Matematia da Nilai Islami) Vol1, No1, Juli 2017, Hal 453-457 p-issn: 2580-4596; e-issn: 2580-460X Halama 453 Kovolusi pada Distribusi dega Support Kompa Cythia

Lebih terperinci

Makalah Tugas Akhir. Abstract

Makalah Tugas Akhir. Abstract Maalah Tugas Ahir IDENTIFIKASI JENIS PENYAKIT KULIT BERDASARKAN ANALISIS WARNA DAN TEKSTUR PADA CITRA KULIT MENGGUNAKAN KLASIFIKASI K-NEAREST NEIGHBOR Faris Fitriato 1, R Rizal Isato 2, Ajub Ajulia Zahra.

Lebih terperinci

SIMULASI MODEL RLC BERBANTUAN MS EXCEL ASSISTED RLC MODEL SIMULATION MS EXCEL

SIMULASI MODEL RLC BERBANTUAN MS EXCEL ASSISTED RLC MODEL SIMULATION MS EXCEL SIMULASI MODEL RLC BERBANTUAN MS EXCEL ASSISTED RLC MODEL SIMULATION MS EXCEL Edag Habiuddi (Staf Pegajar UP MKU Politei Negeri Badug (Email : ed_.hab@yahoo.co.id ABSTRAK Sistem ragaia listri RLC seri

Lebih terperinci

Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi

Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.

Lebih terperinci

BAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian

BAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,

Lebih terperinci

BAB 2 LANDASAN TEORI. lebar pita sinyal tersebut. Pada kebanyakan aplikasi, termasuk kamera digital video dan

BAB 2 LANDASAN TEORI. lebar pita sinyal tersebut. Pada kebanyakan aplikasi, termasuk kamera digital video dan BAB LADASA TEORI Teorema Shao-yquist meyataa agar tida ada iformasi yag hilag etia pecuplia siyal, maa ecepata pecuplia harus miimal dua ali dari lebar pita siyal tersebut. Pada ebayaa apliasi, termasu

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB ENDAHULUAN. Latar Belakag Masalah Dalam kehidupa yata, hampir seluruh feomea alam megadug ketidak pastia atau bersifat probabilistik, misalya pergeraka lempega bumi yag meyebabka gempa, aik turuya

Lebih terperinci

1) Leptokurtik Merupakan distribusi yang memiliki puncak relatif tinggi

1) Leptokurtik Merupakan distribusi yang memiliki puncak relatif tinggi Statisti Desriptif Keruciga atau Kurtosis Pegertia Kurtosis Peguura urtosis (peruciga) sebuah distribusi teoritis adaalaya diamaam peguura eses (excess) dari sebuah distribusi Sebearya urtosis bisa diaggap

Lebih terperinci

Aproksimasi Terbaik dalam Ruang Metrik Konveks

Aproksimasi Terbaik dalam Ruang Metrik Konveks Aprosimasi Terbai dalam Ruag etri Koves Oleh : Suharsoo S Jurusa atematia FIPA Uiversitas Lampug Abstra asalah esistesi da etuggala aprosimasi terbai suatu titi dalam ruag berorm telah dipelajari oleh

Lebih terperinci

Anova (analysis of varian)

Anova (analysis of varian) ova (aalysis of varia) Ui hipotesis perbedaa ilai rata-rata dari atau lebih elompo idepede Cotoh: daah perbedaa berat bayi lahir dari eluarga E tiggi dega E sedag atau E redah sumsi Ui ova: 1. ube diambil

Lebih terperinci

PENGOLAHAN SINYAL DIGITAL. Modul 5. Sistem Waktu Diskret dan Aplikasi TZ

PENGOLAHAN SINYAL DIGITAL. Modul 5. Sistem Waktu Diskret dan Aplikasi TZ PENGOLHN SINL DIGITL Modul 5. Sistem Watu Disret da pliasi TZ Cotet Overview Sistem Watu Disrit Sstem Properties Shift Ivariace, Kausalitas, Stabilitas diaita dega TZ Trasformasi sistem dari persamaa differece

Lebih terperinci

Bab 6: Analisa Spektrum

Bab 6: Analisa Spektrum BAB Aalisa Spetrum Bab : Aalisa Spetrum Aalisa Spetrum Dega DFT Tujua Belajar Peserta dapat meghubuga DFT dega spetrum dari sial hasil samplig sial watu otiue. -poit DFT dari sial x adalah Xω ag diealuasi

Lebih terperinci

Metode Perhitungan Grafik Dalam Geolistrik Tahanan Jenis Bumi Dengan Derajat Pendekatan Satu

Metode Perhitungan Grafik Dalam Geolistrik Tahanan Jenis Bumi Dengan Derajat Pendekatan Satu Metode Perhituga Grafi.. P. Maurug Metode Perhituga Grafi Dalam Geolistri Tahaa Jeis Bumi Dega Derajat Pedeata Satu Posma Maurug Jurusa Fisia, FMIPA Uiversitas Lampug Jl. S. Brojoegoro No. Badar Lampug

Lebih terperinci

BAB I PENDAHULUAN. A. Latar Belakang Masalah

BAB I PENDAHULUAN. A. Latar Belakang Masalah BAB I PENDAHULUAN A. Latar Belakag Masalah Struktur alabar adalah suatu himpua yag di dalamya didefiisika suatu operasi bier yag memeuhi aksioma-aksioma tertetu. Gelaggag ( Rig ) merupaka suatu struktur

Lebih terperinci

BAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.

BAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya. BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh

Lebih terperinci

BAB IV IMPLEMENTASI DAN PENGUJIAN

BAB IV IMPLEMENTASI DAN PENGUJIAN BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1. Istalasi Software da Hardware Dalam pembuata program ii, peulis megguaka Microsoft Visual Studio 2008, utuk implemetasiya megguaka program Crystal Report 8 utuk membuat

Lebih terperinci

BARISAN DAN DERET. U n = suku ke-n Contoh: Barisan bilangan asli, bilangan genap, bilangan ganjil, dan lain-lain.

BARISAN DAN DERET. U n = suku ke-n Contoh: Barisan bilangan asli, bilangan genap, bilangan ganjil, dan lain-lain. BARIAN DAN DERET A. Barisa Barisa adalah uruta bilaga yag memilii atura tertetu. etiap bilaga pada barisa disebut suu barisa yag dipisaha dega lambag, (oma). Betu umum barisa:,, 3, 4,, dega: = suu pertama

Lebih terperinci

BAB II LANDASAN TEORI. persamaan yang mengandung diferensial. Persamaan diferensial

BAB II LANDASAN TEORI. persamaan yang mengandung diferensial. Persamaan diferensial 5 BAB II LANDASAN TEORI A. Persamaa Diferesial Dari ata persamaa da diferesial, dapat diliat bawa Persamaa Diferesial beraita dega peelesaia suatu betu persamaa ag megadug diferesial. Persamaa diferesial

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Risio Operasioal.1.1 Defiisi Dewasa ii risio operasioal semai diaui sebagai salah satu fator uci yag perlu dielola da dicermati oleh para pelau usaha, hususya di bidag jasa euaga.

Lebih terperinci

3. Integral (3) (Integral Tentu)

3. Integral (3) (Integral Tentu) Darublic www.darublic.com. Itegral () (Itegral Tetu).. Luas Sebagai Suatu Itegral. Itegral Tetu Itegral tetu meruaa itegral ag batas-batas itegrasia jelas. Kose dasar dari itegral tertetu adalah luas bidag

Lebih terperinci

MENGUJI KEMAKNAAN SAMPEL TUNGGAL

MENGUJI KEMAKNAAN SAMPEL TUNGGAL MENGUJI KEMAKNAAN SAMPEL TUNGGAL 1.1 Uji Biomial 1. Uji esesuaia Chi Kuadrat 1.3 Uji Kesesuaia K-S 1.4 Uji Ideedesi Chi Kuadrat 1.5 Uji Pasti Fisher UJI BINOMIAL Meruaa uji roorsi dalam suatu oulasi Poulasi

Lebih terperinci

BAHAN AJAR DIKLAT GURU MATEMATIKA

BAHAN AJAR DIKLAT GURU MATEMATIKA BAHAN AJAR DIKLAT GURU MATEMATIKA DEPARTEMEN PENDIDIKAN NASIONAL DIREKTORAT JENDERAL PENDIDIKAN DASAR DAN MENENGAH DIREKTORAT PENDIDIKAN MENENGAH KEJURUAN 005 DAFTAR ISI Kata Pegatar.. i Daftar Isi...

Lebih terperinci

MASALAH RUTE DISTRIBUSI MULTIDEPOT DENGAN KAPASITAS DAN KECEPATAN KENDARAAN HETEROGEN

MASALAH RUTE DISTRIBUSI MULTIDEPOT DENGAN KAPASITAS DAN KECEPATAN KENDARAAN HETEROGEN MASALAH RUTE DISTRIBUSI MULTIDEPOT DENGAN KAPASITAS DAN KECEPATAN KENDARAAN HETEROGEN Adam Priyo Hartoo 1), Farida Haum 2), Toi Bahtiar 3) 1)2)3) Departeme Matematia, FMIPA, Istitut Pertaia Bogor Kampus

Lebih terperinci

Sifat-sifat Fungsi Karakteristik dari Sebaran Geometrik

Sifat-sifat Fungsi Karakteristik dari Sebaran Geometrik Sifat-sifat Fugsi Karateristi dari Sebara Geometri Dodi Deviato Jurusa Matematia, Faultas MIPA, Uiversitas Adalas Kamus Limau Mais, Padag 563, Sumatera Barat, Idoesia Abstra Fugsi arateristi dari suatu

Lebih terperinci

ANALISIS ALOKASI RUGI TRANSMISI DENGAN METODE Z-BUS

ANALISIS ALOKASI RUGI TRANSMISI DENGAN METODE Z-BUS ANALISIS ALOKASI RUGI TRANSMISI DENGAN METODE Z-BUS Firdaus Dose Jurusa edidia Tei Eletro FT UNM Abstra Sistem teaga listri telah berembag begitu pesat sehigga sistem ariga uga meela biaya rugirugi daya

Lebih terperinci

PRISMA FISIKA, Vol. VI, No. 2 (2018), Hal ISSN :

PRISMA FISIKA, Vol. VI, No. 2 (2018), Hal ISSN : Estimasi Curah Huja di Kota Potiaak Megguaka Metode Propagasi Balik Berdasarka Parameter Cuaca da Suhu Permukaa Laut Ika Oktaviaigsih a, Muliadi b*, Apriasyah c a Prodi Fisika, b Prodi Geofisika, c Prodi

Lebih terperinci

Bab III Metoda Taguchi

Bab III Metoda Taguchi Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Madiun, untuk mendapatkan gambaran kondisi tempat penelitian secara umum,

BAB III METODOLOGI PENELITIAN. Madiun, untuk mendapatkan gambaran kondisi tempat penelitian secara umum, 32 BAB III METODOLOGI PENELITIAN 3.1 Objek Peelitia Peelitia dilakuka di PT. INKA yag terletak di Jl. Yos Sudarso o 71 Madiu, utuk medapatka gambara kodisi tempat peelitia secara umum, termasuk kegiata-kegiata

Lebih terperinci

Penerapan Algoritma Dijkstra dalam Pemilihan Trayek Bus Transjakarta

Penerapan Algoritma Dijkstra dalam Pemilihan Trayek Bus Transjakarta Peerapa Algoritma Dijstra dalam Pemiliha Traye Bus Trasjaarta Muhammad Yafi 504 Program Studi Tei Iformatia Seolah Tei Eletro da Iformatia Istitut Teologi Badug, Jl. Gaesha 0 Badug 40, Idoesia 504@std.stei.itb.ac.id

Lebih terperinci

MASALAH DISTRIBUSI BOLA KE DALAM WADAH SEBAGAI FUNGSI ATAU KUMPULAN FUNGSI

MASALAH DISTRIBUSI BOLA KE DALAM WADAH SEBAGAI FUNGSI ATAU KUMPULAN FUNGSI Vol. 11, No. 1, 45-55, Juli 2014 MASALAH DISTRIBUSI BOLA KE DALAM WADAH SEBAGAI FUNGSI ATAU KUMPULAN FUNGSI Fauziah Baharuddi 1, Loey Haryato 2, Nurdi 3 Abstra Peulisa ii bertujua utu medapata perumusa

Lebih terperinci

Jurnal Ilmu Matematika dan Terapan Maret 2016 Volume 10 Nomor 1 Hal

Jurnal Ilmu Matematika dan Terapan Maret 2016 Volume 10 Nomor 1 Hal Jural Ilmu Matematia da Terapa Maret 16 Volume 1 Nomor 1 Hal. 61 68 ANALISIS FAKTOR-FAKTOR YANG MEMPERNGARUHI KANKER LEHER RAHIM DI KOTA AMBON DENGAN MENGGUNAKAN REGRESI LOGISTIK BINER (Studi asus: Pasie

Lebih terperinci

BAB III METODE PENELITIAN. Metode yang digunakan dalam penelitian ini adalah penelitian korelasi,

BAB III METODE PENELITIAN. Metode yang digunakan dalam penelitian ini adalah penelitian korelasi, BAB III METODE PENELITIAN 3.1 Metode Peelitia Metode yag diguaka dalam peelitia ii adalah peelitia korelasi, yaitu suatu metode yag secara sistematis meggambarka tetag hubuga pola asuh orag tua dega kosep

Lebih terperinci

IV. METODE PENELITIAN. berdasarkan tujuan penelitian (purposive) dengan pertimbangan bahwa Kota

IV. METODE PENELITIAN. berdasarkan tujuan penelitian (purposive) dengan pertimbangan bahwa Kota IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia ii dilaksaaka di Kota Bogor Pemiliha lokasi peelitia berdasarka tujua peelitia (purposive) dega pertimbaga bahwa Kota Bogor memiliki jumlah peduduk yag

Lebih terperinci

PERANCANGAN DAN PEMBUATAN APLIKASI DECISION SUPPORT SYSTEM (DSS) UNTUK PREDIKSI PERMINTAAN KEBUTUHAN BERAS SECARA MULTIUSER

PERANCANGAN DAN PEMBUATAN APLIKASI DECISION SUPPORT SYSTEM (DSS) UNTUK PREDIKSI PERMINTAAN KEBUTUHAN BERAS SECARA MULTIUSER ISSN : 2338-4018 PERANCANGAN DAN PEMBUATAN APLIKASI DECISION SUPPORT SYSTEM (DSS) UNTUK PREDIKSI PERMINTAAN KEBUTUHAN BERAS SECARA MULTIUSER Agik Damai Istato (agik_damai@yahoo.co.id) Muhammad Hasbi (mhasbi@sius.ac.id)

Lebih terperinci

x x x1 x x,..., 2 x, 1

x x x1 x x,..., 2 x, 1 0.4 Variasi Kaoi amel Da Korelasi Kaoi amel amel aca dari observasi ada masig-masig variabel dari ( + q) variabel (), () daat digabuga edalam (( + q) ) data matris,,..., dimaa (0-5) Adau vetor rata-rata

Lebih terperinci

BAB III METODE PENELITIAN. Penelitian ini bertujuan untuk mengetahui ada tidaknya peningkatan

BAB III METODE PENELITIAN. Penelitian ini bertujuan untuk mengetahui ada tidaknya peningkatan BAB III METODE PENELITIAN A. Desai Peelitia Peelitia ii bertujua utu megetahui ada tidaya peigata emampua siswa dalam pealara setelah megguaa model pembelajara berbasis masalah terstrutur dalam pembelajara

Lebih terperinci

MODUL BARISAN DAN DERET

MODUL BARISAN DAN DERET MODUL BARISAN DAN DERET KELAS XII. IPS SEMESTER I Oleh : Drs. Pudjul Prijoo ( http://vidyagata.wordpress.co ) SMA NEGERI 6 Jala Mayje Sugoo 58 Malag Telp./Fax : (034) 75036 E-Mail : sa6_alag@yahoo.co.id

Lebih terperinci

IV. METODE PENELITIAN

IV. METODE PENELITIAN IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,

Lebih terperinci

BAB 1 PENDAHULUAN Latar Belakang

BAB 1 PENDAHULUAN Latar Belakang BAB 1 PENDAHULUAN 1.1. Latar Belakag Dalam keadaa dimaa meghadapi persoala program liier yag besar, maka aka berusaha utuk mecari peyelesaia optimal dega megguaka algoritma komputasi, seperti algoritma

Lebih terperinci

Jaringan Sistem Informasi Robotik Vol. 2, No. 01, Maret 2018

Jaringan Sistem Informasi Robotik Vol. 2, No. 01, Maret 2018 Peerapa Jariga Syaraf Tirua Utuk Memprediksi Volume Pemakaia Air Dega Metode Backpropagatio (Studi Kasus PT. PDAM Kota Padag) Khelvi Ovela Putra 1, Guadi Widi Nurcahyo 2, Julius Satoy 3 123 Program Pascasarjaa

Lebih terperinci

III. METODE PENELITIAN

III. METODE PENELITIAN 30 III. METODE PENELITIAN A. Metode Dasar Peelitia Metode yag diguaka dalam peelitia adalah metode deskriptif, yaitu peelitia yag didasarka pada pemecaha masalah-masalah aktual yag ada pada masa sekarag.

Lebih terperinci

GRAFIKA

GRAFIKA 6 5 7 3 6 3 3 GRAFIKA 3 6 57 08 0 9 5 9 385 946 5 3 30 0 8 9 5 9 3 85 946 5 ANALISA REAL Utu uliah (pegatar) aalisa real yag dilegapi dega program MATLAB Dr. H.A. Parhusip G R A F I K A Peerbit Tisara

Lebih terperinci

Pendugaan Parameter. Debrina Puspita Andriani /

Pendugaan Parameter. Debrina Puspita Andriani    / Pedugaa Parameter 7 Debria Puspita Adriai E-mail : debria.ub@gmail.com / debria@ub.ac.id Outlie Pedahulua Pedugaa Titik Pedugaa Iterval Pedugaa Parameter: Kasus Sampel Rataa Populasi Pedugaa Parameter:

Lebih terperinci

SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN

SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN Ahyuna 1), Komang Aryasa 2) 1), 2) Jurusan Teknik Informatika, STMIK Dipanegara Makassar 3) Jl. Perintis

Lebih terperinci

BAB V METODOLOGI PENELITIAN

BAB V METODOLOGI PENELITIAN BAB V METODOLOGI PEELITIA 5.1 Racaga Peelitia Peelitia ii merupaka peelitia kualitatif dega metode wawacara medalam (i depth iterview) utuk memperoleh gambara ketidaklegkapa pegisia berkas rekam medis

Lebih terperinci

Jurusan Pendidikan Matematika, Fakultas Keguruan dan Ilmu Pendidikan Universitas Bung Hatta

Jurusan Pendidikan Matematika, Fakultas Keguruan dan Ilmu Pendidikan Universitas Bung Hatta PENERAPAN MODEL COOPERATIVE LEARNING TIPE THINK PAIR SQUARE UNTUK MENINGKATKAN KEMAMPUAN PEMECAHAN MASALAH MATEMATIKA SISWA KELAS VIII SMP PERTIWI 1 PADANG Cherly Mardelfi 1, Lutfia Almash 2, Yusri Wahyui

Lebih terperinci

Aplikasi Program untuk Mendiagnosa Penyakit Kandungan Menggunakan Metode Waterfall

Aplikasi Program untuk Mendiagnosa Penyakit Kandungan Menggunakan Metode Waterfall Jural Tekik Komputer, Aplikasi Program utuk Mediagosa Peyakit Kaduga Megguaka Metode Waterfall Ridwasyah Program Studi (Tekik Iformatika) STMIK Nusa Madiri Jakarta Jl. Damai No. 8 Warug Jati Barat (Margasatwa),

Lebih terperinci

Bab 5 Sinyal dan Sistem Waktu Diskrit. Oleh: Tri Budi Santoso Laboratorium Sinyal, EEPIS-ITS

Bab 5 Sinyal dan Sistem Waktu Diskrit. Oleh: Tri Budi Santoso Laboratorium Sinyal, EEPIS-ITS Bab 5 Siyal da Sistem Watu Disrit Oleh: Tri Budi Satoso Laboratorium Siyal, EEPIS-ITS Materi: Represetasi matemati pada siyal watu disrit, domai watu da freuesi pada suatu siyal watu disrit, trasformasi

Lebih terperinci

TINJAUAN PUSTAKA Pengertian

TINJAUAN PUSTAKA Pengertian TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok

Lebih terperinci

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) PENGENALAN WAJAH DUA DIMENSI MENGGUNAKAN MULTI-LAYER PERCEPTRON BERDASARKAN NILAI PCA DAN LDA

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) PENGENALAN WAJAH DUA DIMENSI MENGGUNAKAN MULTI-LAYER PERCEPTRON BERDASARKAN NILAI PCA DAN LDA 27 PENGENALAN WAJAH DUA DIMENSI MENGGUNAKAN MULTI-LAYER PERCEPTRON BERDASARKAN NILAI PCA DAN LDA Shofwatul Uyu 1, Muhammad Fadzlur Rahma 2 1,2 Program Studi Tekik Iformatika, Fakultas Sais da Tekologi,

Lebih terperinci

SATUAN ACARA PERKULIAHAN

SATUAN ACARA PERKULIAHAN UNIVERSITAS ISLAM INDONESIA Versi : 1 Revisi : 0 FM-UII-AA-FKA-05/R4 Taggal Revisi : Taggal Berlaku : 1 Agustus 2010 Perte Kompetesi SATUAN ACARA PERKULIAHAN Program Studi : Tekik Iformatika Fakultas :

Lebih terperinci

PENERAPAN ALGORITMA ANALITYCAL HIRACY PROCESS DALAM PEMILIHAN BEASISWA PADA SMA KALUKUBULA

PENERAPAN ALGORITMA ANALITYCAL HIRACY PROCESS DALAM PEMILIHAN BEASISWA PADA SMA KALUKUBULA Semiar Nasioal Tekologi Iformasi da Multimedia 207 STMIK AMIKOM Yogyakarta, 4 Februari 207 PENERAPAN ALGORITMA ANALITYCAL HIRACY PROCESS DALAM PEMILIHAN BEASISWA PADA SMA KALUKUBULA Dewi Kusumawati ) )

Lebih terperinci

REGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan

REGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k

Lebih terperinci

Sistem Pakar Deteksi Diabetes Mellitus Menggunakan Metode Bayesian Berbasis Web

Sistem Pakar Deteksi Diabetes Mellitus Menggunakan Metode Bayesian Berbasis Web Sistem Deteksi Diabetes Mellitus Megguaka Metode Bayesia Berbasis Web Voy Pawaka Program Studi Tekik Iformatika Jurusa Tekik Elektro Fakultas Tekik Uiversitas Tajugpura e-mail: voypwk@gmail.com Abstrak

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula

Lebih terperinci

METODE PENELITIAN. 3.1 Kerangka Pemikiran

METODE PENELITIAN. 3.1 Kerangka Pemikiran 24 III. METODE PENELITIN 3.1 Keragka Pemikira BMT l-fath IKMI melakuka fugsi meyalurka daa dega melakuka pembiayaa kepada UMKM. Produk pembiayaa yag dimiliki BMT l-fath IKMI adalah Murabahah da Iarah.

Lebih terperinci

ISSN Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika (KARMAPATI) Volume 5, Nomor 2, Tahun 2016

ISSN Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika (KARMAPATI) Volume 5, Nomor 2, Tahun 2016 ISSN 222-9063 Kumpula Artiel Mahasiswa Pedidia Tei Iformatia (KARMAPATI) Volume, Nomor 2, Tahu 2016 Pegembaga Prototipe Portal Otomatis Dega Peesia Plat Nomor Kedaraa Berbasis Raspberry Pi ede Agus Udayaa

Lebih terperinci

MODUL PRAKTIKUM Statistik Inferens (MIK 411)

MODUL PRAKTIKUM Statistik Inferens (MIK 411) MODUL PRAKTIKUM tatistik Iferes (MIK 4) Disusu Oleh Nada Aula Rumaa, KM., MKM UNIVERITA EA UNGGUL 07 Revisi (tgl) : 0 (0 Desember 07) / 4 UJI T DEPENDEN/BERPAANGAN (PAIRED T TET) A. Pedahulua Uji t berpasaga,

Lebih terperinci

PENDAHULUAN. Statistika penyajian DATA untuk memperoleh INFORMASI penafsiran DATA. Data (bentuk tunggal : Datum ) : ukuran suatu nilai

PENDAHULUAN. Statistika penyajian DATA untuk memperoleh INFORMASI penafsiran DATA. Data (bentuk tunggal : Datum ) : ukuran suatu nilai 1. Pegertia Statistika PENDAHULUAN Statistika berhubuga dega peyajia da peafsira kejadia yag bersifat peluag dalam suatu peyelidika terecaa atau peelitia ilmiah. Statistika peyajia DATA utuk memperoleh

Lebih terperinci

DISAIN DAN IMPLEMENTASI PERANGKAT LUNAK KLASIFIKASI CITRA INDERAJA MULTISPEKTRAL SECARA UNSUPERVISED

DISAIN DAN IMPLEMENTASI PERANGKAT LUNAK KLASIFIKASI CITRA INDERAJA MULTISPEKTRAL SECARA UNSUPERVISED DISAIN DAN IMPLEMENTASI PERANGAT LUNA LASIFIASI CITRA INDERAJA MULTISPETRAL SECARA UNSUPERVISED AGUS ZAINAL ARIFIN, Faultas Teologi Iformasi, Istitut Teologi Sepuluh Nopember, Surabaya Gedug Tei Iformatia,

Lebih terperinci

STUDI TENTANG PETA KENDALI p YANG DISTANDARISASI UNTUK PROSES PENDEK KUALITAS

STUDI TENTANG PETA KENDALI p YANG DISTANDARISASI UNTUK PROSES PENDEK KUALITAS STUDI TENTANG PETA KENDALI p YANG DISTANDARISASI UNTUK PROSES PENDEK KUALITAS (Tati Octavia et al.) STUDI TENTANG PETA KENDALI p YANG DISTANDARISASI UNTUK PROSES PENDEK KUALITAS Tati Octavia Dose Faultas

Lebih terperinci

PREDIKSI ph AIR HUJAN DI KALIMANTAN BARAT DENGAN METODE BACKPROPAGATION

PREDIKSI ph AIR HUJAN DI KALIMANTAN BARAT DENGAN METODE BACKPROPAGATION Buleti Ilmiah Math. Stat. da Terapaya (Bimaster) Volume 04, No. 3 (2015), hal 397 406. PREDIKSI ph AIR HUJAN DI KALIMANTAN BARAT DENGAN METODE BACKPROPAGATION Fra Siskus Dia Ariato, Muhlasah Novitasari

Lebih terperinci

PERCOBAAN 4 VARIABEL ACAK DAN DISTRIBUSI PROBABILITASNYA

PERCOBAAN 4 VARIABEL ACAK DAN DISTRIBUSI PROBABILITASNYA PERCOBAAN 4 VARIABEL ACAK DAN DISTRIBUSI PROBABILITASNYA 4.. Tujua : Setelah melaksaaka praktikum ii mahasiswa diharapka mampu : Membedaka data berdasarka jeis variabelya Mapatka mea da varias dari distribusi

Lebih terperinci

PENJADWALAN JOBS PADA SINGLE MACHINE DENGAN MEMINIMUMKAN VARIANS WAKTU PENYELESAIAN JOBS (Studi Kasus di P.T. XYZ )

PENJADWALAN JOBS PADA SINGLE MACHINE DENGAN MEMINIMUMKAN VARIANS WAKTU PENYELESAIAN JOBS (Studi Kasus di P.T. XYZ ) (Fey Nilawati Kusuma et al.) PENJADWALAN JOBS PADA SINGLE MACHINE DENGAN MEMINIMUMKAN VARIANS WAKTU PENYELESAIAN JOBS (Studi Kasus di P.T. XYZ ) I Gede Agus Widyadaa I Nyoma Sutapa Dose Faultas Teologi

Lebih terperinci

I PENDAHULUAN II LANDASAN TEORI. mandiri jika tidak mengandung t secara eksplisit di dalamnya. (Kreyszig, 1983)

I PENDAHULUAN II LANDASAN TEORI. mandiri jika tidak mengandung t secara eksplisit di dalamnya. (Kreyszig, 1983) I PENDAHULUAN Latar Belaag Permasalaha ebiaa pemaea ia yag memberia eutuga masimum da berelauta (tida teradi epuaha dari populasi ia yag dipae) adalah hal yag sagat petig bagi idustri periaa Para ilmuwa

Lebih terperinci

1.1 METODE PENGEMBANGAN PENDEKATAN RATA- RATA SAMPEL UNTUK PROGRAM STOKASTIK DUA TAHAP. Faridawaty Marpaung. Abstrak

1.1 METODE PENGEMBANGAN PENDEKATAN RATA- RATA SAMPEL UNTUK PROGRAM STOKASTIK DUA TAHAP. Faridawaty Marpaung. Abstrak METODE PEGEMBAGA PEDEKATA RATA- RATA SAMPEL UTUK PROGRAM STOKASTIK DUA TAHAP Faridawaty Marpaug Abstra Peelitia ii megemuaa metode pegembaga pedeata rata rata sampel utu program stoasti dua tahap. Metodologi

Lebih terperinci

PERANCANGAN SITUS WEBSITE SISTEM PEMASARAN PADA PT. RADJAWALI MENGGUNAKAN BAHASA PEMROGRAM PHP DAN DATABASE MYSQL

PERANCANGAN SITUS WEBSITE SISTEM PEMASARAN PADA PT. RADJAWALI MENGGUNAKAN BAHASA PEMROGRAM PHP DAN DATABASE MYSQL Jural Sais da Tekologi Vol 7 o 2, Desember 207 PERANCANGAN SITUS WEBSITE SISTEM PEMASARAN PADA PT. RADJAWALI MENGGUNAKAN BAHASA PEMROGRAM PHP DAN DATABASE MYSQL Eko Amri Jaya Sistem Iformasi, Sekolah Tiggi

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 30 BAB III METODE PENELITIAN Peelitia pejadwala pembagkit termal ii adalah utuk membadigka metode Lagragia Relaxatio yag diajuka peulis dega metode yag diguaka PLN. Di sii aka diuji metode maa yag peramalaya

Lebih terperinci

PENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA

PENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA PENAKSIRAN DAN PERAMALAN BIAYA Ari Darmawa, Dr. S.AB, M.AB Email: aridarmawa_fia@ub.ac.id A. PENDAHULUAN B. PENAKSIRAN DAN PRAKIRAAN FUNGSI BIAYA C. PENAKSIRAN JANGKA PENDEK - Ekstrapolasi sederhaa - Aalisis

Lebih terperinci