MODIFIKASI STEPSIZE PADA METODE STEEPEST DESCENT DALAM PENGOPTIMUMAN FUNGSI: KASUS FUNGSI KUADRATIK DIAGONAL FACHRIADI FADHILLAH
|
|
- Hartono Wibowo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 MODIFIKASI STEPSIZE PADA METODE STEEPEST DESCENT DALAM PENGOPTIMUMAN FUNGSI: KASUS FUNGSI KUADRATIK DIAGONAL FACHRIADI FADHILLAH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
2
3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa skripsi berjudul Modifikasi Stepsize pada Metode Steepest Descent dalam Pengoptimuman Fungsi: Kasus Fungsi Kuadratik Diagonal adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Desember 2014 Fachriadi Fadhillah NIM G
4 ABSTRAK FACHRIADI FADHILLAH. Modifikasi Stepsize pada Metode Steepest Descent dalam Pengoptimuman Fungsi: Kasus Fungsi Kuadratik Diagonal. Dibimbing oleh BIB PARUHUM SILALAHI dan MUHAMMAD ILYAS. Metode steepest descent adalah salah satu metode untuk menemukan titik optimum suatu fungsi tanpa kendala. Metode ini menggunakan stepsize yang diperoleh dari pencarian exact line. Metode ini mungkin menuju ke titik optimum dengan lambat. Beberapa penelitian telah dilakukan untuk mengatasi kelemahan ini dengan mengubah stepsize. Beberapa stepsize baru antara lain dikembangkan oleh Ya-xiang Yuan, Barzilai, dan Borwein. Karya ilmiah ini membandingkan waktu penyelesaian dan banyaknya iterasi untuk metode steepest descent, metode Yaxiang Yuan, dan metode Barzilai-Borwein dalam menyelesaikan suatu permasalahan pengoptimuman tanpa kendala untuk kasus fungsi kuadratik diagonal. Hasil numerik yang diperoleh menunjukan bahwa metode Ya-xiang Yuan dapat menemukan titik optimum hanya dengan tiga iterasi saja untuk fungsi dengan dua variabel. Selanjutnya metode Ya-xiang Yuan sangat efisien untuk masalah dengan dimensi kecil, sedangkan metode Barzilai-Borwein menunjukan hasil yang lebih baik untuk masalah dengan dimensi besar. Kata kunci: Modifikasi stepsize, Pengoptimuman fungsi tanpa kendala, Steepest descent ABSTRACT FACHRIADI FADHILLAH. A Stepsize Modification for Steepest Descent Method in Optimization of a Function: a Diagonal Quadratic Function Case. Supervised by BIB PARUHUM SILALAHI and MUHAMMAD ILYAS. The steepest descent is one of the methods for unconstrained optimization. This method uses stepsize which is obtained by using exact line searches. The exact line searches along steepest descent direction may found the optimum point slowly. A number of researches have been conducted for solving this weakness by changing the stepsize. Some new stepsizes were developed by Ya-xiang Yuan, Barzilai, and Borwein. In this paper, the execution times and the number of iterations of the steepest descent method, the Ya-xiang Yuan method, and the Barzilai-Borwein method will be compared in solving an unconstrained optimization for diagonal quadratic function case. Numerical results showed that the Ya-xiang Yuan method can find the optimum point within three iterations for two variables functions. Furthermore, the Ya-xiang Yuan method is the most efficient for small scale problems, while the Barzilai-Borwein method showed better results for large scale problems. Keywords: Optimization of unconstrained function, Steepest descent, Stepsize modification
5 MODIFIKASI STEPSIZE PADA METODE STEEPEST DESCENT DALAM PENGOPTIMUMAN FUNGSI: KASUS FUNGSI KUADRATIK DIAGONAL Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Departemen Matematika DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR FACHRIADI 2014 FADHILLAH
6
7 Judul Skripsi : Modifikasi Stepsize pada Metode Steepest Descent dalam Pengoptimuman Fungsi: Kasus Fungsi Kuadratik Diagonal Nama : Fachriadi Fadhillah NIM : G Disetujui oleh Dr Ir Bib Paruhum Silalahi, MKom Pembimbing I Muhammad Ilyas, MSi MSc Pembimbing II Diketahui oleh Dr Toni Bakhtiar, MSc Ketua Departemen Tanggal Lulus:
8 PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta ala atas segala karunia-nya sehingga karya ilmiah ini berhasil diselesaikan. Judul karya ilmiah ini adalah Modifikasi Stepsize pada Metode Steepest Descent dalam Pengoptimuman Fungsi: Kasus Fungsi Kuadratik Diagonal. Terima kasih penulis ucapkan kepada Bapak Dr Ir Bib Paruhum Silalahi, Mkom dan Bapak Muhammad Ilyas, Msi MSc selaku pembimbing, serta Bapak Ruhiyat, SSi MSi yang telah banyak memberi saran, motivasi, dan bimbingan dalam penulisan karya ilmiah ini, serta kepada seluruh staf Departemen Matematika. Terima kasih juga penulis ucapkan kepada Bapak Chairul Chaniago, Ibu Radiah Azita, Rully Novriansyah, Redyan Febriansyah, Yoanka Khairunissa, Risya Ari Purnama, Tinneke Hakim Putri, Voira Alyssa Febriansyah, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Ucapan terima kasih juga penulis berikan kepada para sahabat Erjodi Cahyo, Aisatul Mustaqimah, Intan Nabilla, Adi Kiswanto, Rayfan Ambrian, Laras Febi Amelia, Fachri Aditya, Annisyia Zarina, Zeta Fadilla, Annisa Primanitasari, Kiki Septiani, Gerry Kristian, Diah Putri Pertiwi, Chika Katelia, Nena Apriliana, seluruh mahasiswa Departemen Matematika Angkatan 45, 46, 47, 48, dan 49 serta teman-teman sekalian di luar Departemen Matematika baik di dalam Institut Pertanian Bogor maupun di luar Institut Pertanian Bogor atas kritik, saran, dan doanya selama pembuatan karya ilmiah ini. Semoga karya ilmiah ini bermanfaat. Bogor, Desember 2014 Fachriadi Fadhillah
9 DAFTAR ISI DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRAN vi PENDAHULUAN 1 Latar Belakang 1 Tujuan Penelitian 1 TINJAUAN PUSTAKA 2 HASIL DAN PEMBAHASAN 2 Metode Ya-xiang Yuan 2 Metode Barzilai Borwein 6 Hasil Numerik 7 Algoritme Ya-xiang Yuan 7 Algoritme Steepest Descent 7 Algoritme Barzilai-Borwein 8 SIMPULAN 12 DAFTAR PUSTAKA 12 LAMPIRAN 13 RIWAYAT HIDUP 30
10 DAFTAR TABEL 1 Hasil untuk fungsi dua variabel 8 2 Hasil untuk fungsi tiga variabel 9 3 Hasil untuk fungsi sepuluh variabel 9 4 Hasil untuk fungsi 25 variabel 10 DAFTAR GAMBAR 1 Perbandingan waktu metode Ya-xiang Yuan, metode BB, dan metode steepest descent 11 2 Perbandingan banyak iterasi metode Ya-xiang Yuan, metode BB, dan metode steepest descent 11 DAFTAR LAMPIRAN 1 Metode Ya-xiang Yuan untuk dua variabel 13 2 Metode Ya-xiang Yuan untuk tiga variabel 14 3 Metode Ya-xiang Yuan untuk sepuluh variabel 16 4 Metode Ya-xiang Yuan untuk 25 variabel 18 5 Metode steepest descent untuk dua variabel 20 6 Metode steepest descent untuk tiga variabel 21 7 Metode steepest descent untuk sepuluh variabel 22 8 Metode steepest descent untuk 25 variabel 23 9 Metode BB untuk dua variabel Metode BB untuk tiga variabel Metode BB untuk sepuluh variabel Metode BB untuk 25 variabel 28
11 1 PENDAHULUAN Latar Belakang Permasalahan mengenai pengoptimuman adalah mencari penyelesaian terbaik dari suatu masalah. Masalah yang ditemui terdiri atas fungsi tujuan dan kendala yang dapat berupa fungsi linear maupun nonlinear. Terdapat beberapa metode untuk menyelesaikan masalah pengoptimuman dengan kelebihan dan kekurangan yang berbeda untuk masing-masing metode. Salah satu metode yang digunakan dalam masalah pengoptimuman bersifat iteratif, yaitu dimulai dari titik awal x 1 yang sudah ditentukan, kemudian bergerak ke titik x 2 hingga titik x n, yaitu titik yang mendekati atau sama dengan nilai optimal. Metode-metode tersebut dapat diklasifikasikan ke dalam dua kelompok, yaitu metode dengan menggunakan gradien dan metode tanpa menggunakan gradien. Untuk metode dengan menggunakan gradien, diperlukan syarat fungsi tujuan terturunkan. Contoh metode dengan menggunakan gradien yaitu metode steepest descent, metode Newton, dan metode conjugate gradien. Contoh metode tanpa menggunakan gradien yaitu metode Rosenbrock dan metode Nelder-Mead (Klerk et al. 2005). Masalah yang digunakan pada karya ilmiah ini adalah masalah pengoptimuman nonlinear tanpa kendala, yaitu mencari nilai x yang meminimumkan suatu fungsi f(x) dan metode yang digunakan adalah metode steepest descent. Metode steepest descent bergerak dengan langkah-langkah yang saling tegak lurus. Tepatnya, jika {x i } adalah barisan steepest descent untuk fungsi f(x), maka untuk setiap bilangan asli i 0, vektor yang menghubungkan x i 1 dengan x i tegak lurus dengan vektor yang menghubungkan x i dengan x i+1. Perlu diketahui, pencarian dengan arah steepest descent untuk menuju ke suatu titik mungkin berjalan dengan lambat (Yuan 2006). Metode steepest descent memerlukan iterasi yang banyak untuk menemukan solusi minimum karena gerak langkahnya yang berliku-liku (zigzag). Barzilai dan Borwein (1988) berusaha menyempurnakan metode ini dengan mengubah stepsize. Pada karya ilmiah ini akan dibahas tentang modifikasi metode steepest descent dengan mengubah stepsize. Algoritme yang baru ini akan menempatkan stepsize yang baru pada iterasi genap sedangkan pada setiap iterasi ganjil tetap menggunakan stepsize pada steepest descent. Algoritme ini didasarkan pada artikel yang ditulis oleh Yuan (2006). Setelah itu akan dilakukan simulasi sebagai perbandingan dengan metode steepest descent dan metode BB. Pengolahan data dilakukan dengan menggunakan bantuan software MATLAB R2010a. Tujuan Penelitian Penulisan karya ilmiah ini bertujuan untuk: 1. Merekonstruksi penggunaan stepsize baru pada metode steepest descent. 2. Membandingkan waktu penyelesaian dan banyaknya iterasi yang dilakukan pada metode steepest descent yang telah dimodifikasi, Barzilai dan Borwein, dan steepest descent.
12 2 TINJAUAN PUSTAKA Metode steepest descent adalah metode gradien sederhana untuk pengoptimuman tanpa kendala: min x Rⁿ f(x), dengan f(x) adalah fungsi kontinu dan terturunkan di R n. Metode ini memiliki bentuk sebagai berikut: x k+1 = x k + α k ( g k ), dengan g k = g(x k ) = f(x k ) adalah vektor gradien dari f(x) di x k dan α k > 0 adalah stepsize. Arah pencarian dalam metode ini berbanding terbalik dengan arah gradien, yaitu dengan arah menurun tercuram (steepest descent), sehingga metode ini diberi nama steepest descent. Arah curam menurun yang diterapkan dalam metode ini sendiri dipercaya merupakan arah terbaik dalam artian metode ini dapat mengurangi fungsi objektif sebanyak mungkin. Stepsize α k dapat diperoleh dengan pencarian exact line: α k = argmin{f(x k + a( g k ))}. Metode steepest descent selalu konvergen. Secara teori metode ini tidak akan berhenti atau akan terus melakukan iterasi sampai kriteria penghentian terpenuhi. Namun, untuk kasus yang sangat sederhana saat fungsi objektif f(x) merupakan fungsi kuadrat konveks sempurna, yaitu: f(x) = g T x xt Hx, dengan g R n, H R n n simetris dan definit positif. Asumsikan kita menggunakan stepsize yang didapat dari pencarian exact line, metode ini dapat membutuhkan waktu yang cukup lama untuk memperoleh hasil (Yuan 2006). HASIL DAN PEMBAHASAN Metode Ya-xiang Yuan Untuk analisis pada bab ini, diasumsikan bahwa fungsi objektif adalah sebagai berikut: f(x) = g T x xt Hx,
13 dengan g R n dan H R n n simetris dan definit positif. Pada dasarnya, metode baru ini adalah pengembangan dari metode steepest descent. Dapat dilihat pada metode baru ini pencarian exact line harus dilakukan pada iterasi terakhir sebelum algoritme berhasil menemukan solusinya. Diasumsikan pula bahwa digunakan pencarian exact line pada iterasi pertama supaya kita tidak menghindari keberuntungan apabila ada kasus di mana algoritme dapat menemukan solusi pada iterasi pertama. Oleh karena itu, dibuatlah algoritme sebagai berikut: 3 x 2 = x 1 α 1 g 1 x 3 = x 2 α 2 g 2 x 4 = x 3 α 3 g 3, di mana α 1 dan α 3 didapat dari pencarian exact line dan x 4 adalah solusi. Perlu dicari formula untuk α 2 sehingga x 4 akan menjadi nilai minimum dari fungsi objektif. Metode ini disebut metode Ya-xiang Yuan. Untuk mempermudah analisis, dipelajari kasus di mana g 1 dan g 2 adalah dua buah sumbu. Sesuai dengan pencarian exact line pada iterasi pertama, gradien g 1 dan g 2 adalah ortogonal. Oleh karena itu kita dapat menampilkan semua vektor x sebagai kombinasi linear dari g 1 dan g 2. Misalkan diberikan fungsi: f(x 2 + t g 1 + u g 2 ) = ( 0 T g 1 g 2 g 2 ) ( t u ) g T 1 Hg g T 1 Hg 2 2 (t g1 u )T ( 2 g1 g 2 g T 1 Hg 2 g T ) ( t 2 Hg 2 u ). g1 g 2 g2 2 Berdasarkan pencarian exact line pada iterasi pertama, diperoleh α 1 = g 1 2 / g 1 T Hg 1 dan g 1 T Hg 2 = g 2 2 /α 1 yang diperoleh dari: x k+1 = x k α k g k f(x k+1) = f(x k α k g k ) f (x k+1 ) = f (x k α k g k ). Karena α k = argmin {f(x k α k g k )}, diperlukan syarat f (x k+1 ) = 0 sehingga: f (x k α k g k ) = 0 f (x k α k g k ) T g k = 0 (g + H(x k α k g k )) T (g + Hx) = 0 (g + H x α k H(g k ) T (g + Hx) = 0 (g + Hx) T (g + Hx) + α k (g + Hx) T H(g + Hx) = 0
14 4 g k T g k + α k g k T Hg k = 0 α k g k T Hg k = g k T g k α k = g k T g k g T k Hg k α k = g k 2 g k T Hg k. Dengan menggunakan notasi α 2 = g 2 2 /g 2 T Hg 2, didapat bahwa: f(x 2 + t g 1 + u g 2 ) = ( 0 T g 1 g 2 g 2 ) ( t u ) 1 g (t a1 a u )T ( 1 g 1 ) ( t g 2 1 u ). a 1 g 1 a2 Oleh karena itu, dapat diketahui nilai minimum dari fungsi objektifnya adalah: u ) = g 1 g 2 g 1 2 /a 2 g 2 2 /a ( g 2 1 g 1 ), ( t yang diperoleh dari: df dt = 0 2t a 2u g 2 1 a 1 g 1 = 0 2t g 1 2u g 2 = 0 t g 1 u g 2 = 0 (1) df du = 0 g 2 + u a 2 t g 2 a 1 g 1 = 0 ta 2 g 2 + ua 1 g 1 = a 1 a 2 g 1 g 2. (2) Kemudian dilakukan eliminasi pada persamaan (1) dan (2)
15 (1) * a 2 g 2 ta 2 g 1 g 2 ua 2 g 2 2 = 0 (3) (2) * g 1 ta 2 g 1 g 2 + ua 1 g 1 2 = a 1 a 2 g 1 2 g 2 (4) (3) + (4) ua 1 g 1 2 ua 2 g 2 2 = a 1 a 2 g 1 2 g 2 u = a 1 a 2 g 1 2 g 2 a 1 g 1 2 a 2 g 2 2 u = Subtitusikan u ke persamaan (1) diperoleh: t = g 1 2 g 2 g 1 2 a g a 1 g 1 g 2 2 g 1 2 a g a Untuk mendapatkan x 4 = x 2 + t g 1 + g 1 u g 2, perlu diketahui bahwa arah g 2 gradien g 3 paralel terhadap vektor residual x 4 x 3. Untuk itu, diperlukan dua arah: dan ( t u ) ( 0 α 2 g 2 ) ( 0 1 g 2 g 2 ) + ( a1 a 1 g 1 0 ) ( g 2 1 α 2 g 2 ) a 1 g 1 a2 adalah dua buah arah yang paralel. Dua arah tersebut paralel terhadap masingmasing: dan g 2 ( g 1 α 2 ( g 1 2 g 2 2 )/ g α 2 α 1 ) 1 ( α 2 g 2 /α 1 g 1 1 α 2 /α 2 ). Dapat diasumsikan: g 2 ( g 1 α 2 ( g 1 2 g 2 2 )/ g α 2 α 1 ) = λ (α 2 g 2 /α 1 g 1 ) 1 α 2 /α 2 1
16 6 untuk λ R. Berdasarkan baris pertama didapatkan λ = α 1 g 1 /α 2. Kemudian nilai λ tersebut disubtitusikan ke baris kedua pada persamaan di atas sehingga diperoleh: Persamaan di atas ekuivalen dengan: 1 α 2 ( 1 α g α 1 g 1 2) = α 1 α α 1 2 α 2. ( 1 α 1 α 2 g 2 2 (α 1 g 1 ) 2) α 2 2 ( 1 α 1 1 α 2 ) α = 0. (3) Karena H definit positif, diketahui bahwa: Γ = 1 α 1 α 2 g 2 2 (α 1 g 1 ) 2 > 0. Dari persamaan (3) diperoleh dua solusi positif untuk α 2 yaitu: (1 α 1 +1 α 2 )± (1 α 1 +1 α 2 ) 2 4Γ 2Γ Dari dua solusi tersebut dipilih nilai yang lebih kecil dan dapat dituliskan sebagai berikut:. α 2 = 2 (1 α 1 1 α 2 ) 2 +4 g 2 2 s α 1 +1 α 2, dengan s 1 = x 2 x 1 = α 1 g 1. α 2 inilah yang disebut stepsize baru dan kemudian akan diaplikasikan ke dalam metode hasil modifikasi steepest descent. Metode Barzilai-Borwein Gagasan utama dari metode Barzilai-Borwein ini adalah dengan menggunakan hasil pada iterasi sebelumnya untuk menentukan stepsize. Metode ini kemudian dikenal dengan metode BB. Iterasi yang digunakan adalah sebagai berikut: x k+1 = x k D k g k, di mana D k = λ k I. Metode ini memiliki dua buah stepsize: λ k = s T k 1 s k 1 T s k 1 y k 1
17 7 dan λ k = s T k 1 y k 1 T, y k 1 y k 1 dengan s k 1 = x k x k 1 dan y k 1 = g k g k 1. Pada karya ilmiah ini hanya digunakan satu buah stepsize yaitu: λ k = s k 1 T s k 1. s T k 1 y k 1 Hasil Numerik Algoritme yang digunakan pada karya ilmiah ini adalah sebagai berikut: Algoritme Ya-xiang Yuan Step 1 Masukan titik awal x 1. 0< ε 1. Hitung g 1, Tetapkan k=1. Step 2 Hitung stepsize dengan pencarian exact line α 2k 1 ; Tetapkan x 2k = x 2k 1 α 2k 1 g 2k 1 Step 3 Jika g(x 2k ) ε maka berhenti; Step 4 Hitung stepsize dengan pencarian exact line α 2k, Tetapkan α 2k = dan 2 (1 α 2k 1 1 α 2k ) g 2k 2 s 2k α 2k α 2k Jika g 2k+1 ε maka berhenti; Step 5 k=k+1, kembali ke Step 2. x 2k+1 = x 2k α 2k g 2k Algoritme Steepest Descent Step 1 Masukan titik awal x 0. 0< ε 1. Hitung g 1, Tetapkan k=0. Step 2 Hitung stepsize dengan pencarian exact line α k ; Tetapkan Step 3 Jika g(x k ) ε maka berhenti; Step 4 k=k+1, kembali ke Step 2. x k+1 = x k α k g k
18 8 Algoritme Barzilai-Borwein Step 1. Diberikan x 0 εr n, 0< ε 1. Tetapkan k=0. Step 2. Jika g k ε, stop; lainnya d k = g k. Step 3. Jika k=0, menentukan λ 0 dengan pencarian exact line; selainnya dengan menghitung λ k dengan λ k = s T k 1 Step 4. Tentukan x k+1 = x k + λ k d k. Step 5. k = k + 1, kembali ke Step 2. s k 1 st. k 1 y k 1 Fungsi yang digunakan adalah fungsi kuadratik diagonal, yaitu fungsi yang dibangkitkan secara acak dengan ketentuan sebagai berikut: f(x) = (x x ) T diag(σ 1,, σ n )(x x ). x R n. Jumlah variabel yang digunakan dilambangkan dengan n di mana nilai n=2,3,10,25. Vektor x i (i = 1,, n) [ 5,5] yang dipilih secara acak. Diberikan σ n = cond(10,100) dan σ i (i = 1,, n) di mana nilainya diperoleh secara acak dengan interval [1, σ n ]. Untuk semua kasus diberikan titik awal adalah vektor nol (0,...,0) T dan kriteria penghentian adalah g k Untuk setiap kasus, dilakukan lima kali pengulangan. Tabel 1 Hasil untuk fungsi dua variabel Ya-xiang Yuan Steepest Descent BB n σ n Iterasi Waktu (s) Iterasi Waktu (s) Iterasi Waktu (s) , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Rata-rata 3 0, ,8 0, ,6 0, Untuk fungsi dengan dua variabel, metode Ya-xiang Yuan hanya membutuhkan maksimal tiga iterasi untuk menemukan solusi minimumnya (Tabel 1). Metode ini memiliki waktu yang paling cepat dan banyaknya iterasi paling sedikit dibandingkan metode BB dan steepest descent.
19 9 Tabel 2 Hasil untuk fungsi tiga variabel Ya-xiang Yuan Steepest Descent BB n σ n Iterasi Waktu (s) Iterasi Waktu (s) Iterasi Waktu (s) , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Rata-rata 8,3 0, ,4 2, ,9 0, Untuk fungsi dengan tiga variabel, metode Ya-xiang Yuan memiliki waktu yang paling cepat dan banyaknya iterasi paling sedikit dibandingkan metode BB dan steepest descent. Pada salah satu percobaan, metode Ya-xiang Yuan dan metode BB menghasilkan banyak iterasi yang sama yaitu sebesar sembilan iterasi, namun waktu yang dibutuhkan metode Ya-xiang Yuan lebih cepat daripada metode BB (Tabel 2). Berdasarkan nilai rata-rata, metode Ya-xiang Yuan dan BB hanya membutuhkan waktu kurang dari satu sekon untuk menemukan solusi, sedangkan metode steepest descent membutuhkan waktu lebih dari dua sekon. Tabel 3 Hasil untuk fungsi sepuluh variabel Ya-xiang Yuan Steepest Descent BB n σ n Iterasi Waktu (s) Iterasi Waktu (s) Iterasi Waktu (s) , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Rata-rata 28,6 2, ,3 7, ,2 2, Untuk fungsi dengan sepuluh variabel, metode BB memiliki waktu yang paling cepat dan banyaknya iterasi paling sedikit dibandingkan metode Ya-xiang Yuan dan steepest descent. Pada salah satu percobaan, metode Ya-xiang Yuan dan metode BB menghasilkan banyaknya iterasi yang sama yaitu sebesar 17 iterasi, namun waktu yang dibutuhkan metode BB lebih cepat daripada metode Ya-xiang Yuan (Tabel 3). Berdasarkan nilai rata-rata, metode BB membutuhkan waktu
20 10 sekitar dua sekon untuk menemukan solusi minimumnya, metode Ya-xiang Yuan membutuhkan waktu hampir tiga sekon, dan metode steepest descent membutuhkan waktu sekitar tujuh sekon. Tabel 4 Hasil untuk fungsi 25 variabel Ya-xiang Yuan Steepest Descent BB n σ n Iterasi Waktu (s) Iterasi Waktu (s) Iterasi Waktu (s) , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Rata-rata 46,7 11, ,4 28, ,4 7, Untuk fungsi dengan 25 variabel, metode BB memiliki waktu yang paling cepat dan banyaknya iterasi paling sedikit dibandingkan metode Ya-xiang Yuan dan steepest descent. Pada salah satu percobaan, metode Ya-xiang Yuan dan metode BB menghasilkan banyaknya iterasi yang sama yaitu sebesar 33 iterasi, namun waktu yang dibutuhkan metode BB lebih cepat daripada metode Ya-xiang Yuan (Tabel 4). Berdasarkan nilai rata-rata, metode BB membutuhkan waktu sekitar tujuh sekon untuk menemukan solusi minimumnya, metode Ya-xiang Yuan membutuhkan waktu sekitar 11 sekon, dan metode steepest descent membutuhkan waktu sekitar 28 sekon Perbandingan waktu eksekusi dan banyaknya iterasi untuk metode Ya-xiang Yuan, metode BB, dan metode steepest descent dalam bentuk grafik, ditunjukkan pada Gambar 1 dan Gambar 2. Untuk fungsi dengan dua dan tiga variabel, metode Ya-xiang Yuan memiliki waktu yang paling cepat untuk menemukan solusi dibandingkan metode BB dan steepest descent, sedangkan untuk fungsi dengan sepuluh dan 25 variabel, metode BB memiliki waktu yang paling cepat untuk menemukan solusi dibandingkan metode Ya-xiang Yuan dan steepest descent. Metode steepest descent memiliki waktu yang paling lambat dibandingkan metode BB dan Ya-xiang Yuan baik untuk fungsi dengan dua, tiga, sepuluh, maupun 25 variabel (Gambar 1).
21 11 30, , Waktu (s) 20, , , , , Ya-xiang Yuan 0, , , , SD 0, , , , BB 0, , , , Gambar 1 Perbandingan waktu metode Ya-xiang Yuan, metode BB, dan metode steepest descent Banyak Iterasi Ya-xiang Yuan 3 8,3 28,6 46,7 SD 10,8 36,4 71,3 148,4 BB 6,6 11,9 24,2 39,4 Gambar 2 Perbandingan banyak iterasi metode Ya-xiang Yuan, metode BB, dan metode steepest descent Untuk fungsi dengan dua dan tiga variabel, metode Ya-xiang Yuan memiliki iterasi paling sedikit dibandingkan metode BB dan steepest descent, sedangkan untuk fungsi dengan sepuluh dan 25 variabel, metode BB memiliki iterasi paling sedikit dibandingkan metode Ya-xiang Yuan dan steepest descent. Metode steepest descent memiliki banyaknya iterasi yang paling besar dibandingkan metode BB dan Yaxiang Yuan baik untuk fungsi dengan dua, tiga, sepuluh, maupun 25 variabel (Gambar 2).
22 12 SIMPULAN Modifikasi dengan memberikan stepsize baru yang dilakukan pada metode Ya-xiang Yuan dapat menemukan solusi suatu masalah nonlinear tanpa kendala dengan waktu yang lebih cepat dan jumlah iterasi yang lebih sedikit dibandingkan metode Barzilai-Borwein dan metode steepest descent untuk masalah dimensi kecil. Hasil percobaan bahkan menunjukan bahwa metode Ya-xiang Yuan dapat menemukan nilai minimum dengan tiga iterasi saja untuk fungsi dua variabel. Untuk masalah dengan dimensi yang besar, metode Barzilai-Borwein memberikan kinerja yang lebih baik dibandingkan metode Ya-xiang Yuan maupun metode steepest descent. DAFTAR PUSTAKA Barzilai J, Borwein JM Two point step size gradient methods. IMA J Numer Anal 8(1): doi: /imanum/ Klerk E, Roos C, Terlaky T Optimization. Delft(ND): Delft University of Technology. Yuan, Y A new stepsize for the steepest descent method. Journal of Computational Mathematics 24(2):
23 13 Lampiran 1 Metode Ya-xiang Yuan untuk dua variabel clear; clc; tic; syms x1 x2 v2=[x1,x2]; xb=randi([-5,5],2,1); b=randi(100,1,2); B=diag(b); f1=v2+xb.'; f=expand(f1*b*f1.') x = [x1 x2]; y = [0 0]; tol = 10^(-6); gradien = jacobian(f,x) a = jacobian(gradien,x); A = subs(a,x,y) g = -subs(gradien,x,y) Set_alpha=[]; set_ls=[]; k=1; while norm(g)>tol if (mod(k,2)==1) alfa = g*g'/(g*a*g'); y1 = y(k,:)+alfa*g; y = [y; y1] Set_alpha=[Set_alpha single(alfa)]; k = k+1; g = -subs(gradien,{x1,x2},{y(k,1),y(k,2)}) A = subs(a,{x1 x2},{y(k,1),y(k,2)}); nilai = subs(f,{x1,x2},{y(k,1),y(k,2)}); uji = norm(g); else alfa = g*g'/(g*a*g'); Set_alpha=[Set_alpha single(alfa)]; s =y(k,:)- y(k-1,:); L1 = sqrt((1/set_alpha(k-1)- 1/Set_alpha(k)).^2+4*g*g'/(s*s')); L2 = 1/Set_alpha(k-1)+1/Set_alpha(k); alfa_new = single(2/(l1+l2)); set_ls=[set_ls;alfa_new]; y1 = y(k,:)+ alfa_new*g; y = [y; y1] k = k+1; g = -subs(gradien,{x1,x2},{y(k,1),y(k,2)}) A = subs(a,{x1 x2},{y(k,1),y(k,2)}); nilai = subs(f,{x1,x2},{y(k,1),y(k,2)}); uji = norm(g); end end toc; iterasi = k-1 uji_konvergensi = norm(g);
24 14 Lampiran 2 Metode Ya-xiang Yuan untuk tiga variabel clear; clc; tic; syms x1 x2 x3 v2=[x1,x2,x3]; xb=randi([-5,5],3,1); b=randi(100,1,3); B=diag(b); f1=v2+xb.'; f=expand(f1*b*f1.') x = [x1 x2 x3]; y = [0 0 0]; tol = 10^(-6); gradien = jacobian(f,x) a = jacobian(gradien,x); A = subs(a,x,y); g = -subs(gradien,x,y) Set_alpha=[]; set_ls=[]; k=1; while norm(g)>tol if (mod(k,2)==1) L = g*g'/(g*a*g'); y1 = y(k,:)+l*g; y = [y; y1]; Set_alpha=[Set_alpha single(l)]; k = k+1; g = -subs(gradien,{x1,x2,x3},{y(k,1),y(k,2),y(k,3)}); A = subs(a,{x1 x2 x3},{y(k,1),y(k,2),y(k,3)}); hasil = subs(f,{x1,x2,x3},{y(k,1),y(k,2),y(k,3)}); else L = g*g'/(g*a*g'); Set_alpha=[Set_alpha single(l)]; s =y(k,:)- y(k-1,:); L1 = sqrt((1/set_alpha(k-1)- 1/Set_alpha(k)).^2+4*g*g'/(s*s')); L2 = 1/Set_alpha(k-1)+1/Set_alpha(k); LS = single(2/(l1+l2)); set_ls=[set_ls;ls]; y1 = y(k,:)+ LS*g; y = [y; y1] ; k = k+1; g = -subs(gradien,{x1,x2,x3},{y(k,1),y(k,2),y(k,3)}); A = subs(a,{x1 x2 x3},{y(k,1),y(k,2),y(k,3)}); hasil = subs(f,{x1,x2,x3},{y(k,1),y(k,2),y(k,3)}); end end y toc; iterasi = k-1 uji_konvergensi = norm(g);
25 hasil; F = subs(f,{x1,x2,x3},{y(end,1),y(end,2),y(end,3)}); 15
26 16 Lampiran 3 Metode Ya-xiang Yuan untuk sepuluh variabel clear; clc; tic; syms x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 v2=[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10]; xb=randi([-5,5],10,1); b=randi(100,1,10); B=diag(b); f1=v2+xb.'; f=expand(f1*b*f1.') x = [x1 x2 x3 x4 x5 x6 x7 x8 x9 x10]; y = [ ]; tol = 10^(-8) gradien = jacobian(f,x) a = jacobian(gradien,x); A = subs(a,x,y) g = -subs(gradien,x,y) Set_alpha=[]; set_ls=[]; k=1; while norm(g)>tol if (mod(k,2)==1) alfa = g*g'/(g*a*g') y1 = y(k,:)+alfa*g y = [y; y1] Set_alpha=[Set_alpha single(alfa)] k = k+1; g = - subs(gradien,x,{y(k,1),y(k,2),y(k,3),y(k,4),y(k,5),y(k,6),y(k,7),y (k,8),y(k,9),y(k,10)}) A = subs(a,x,{y(k,1),y(k,2),y(k,3),y(k,4),y(k,5),y(k,6),y(k,7),y(k,8), y(k,9),y(k,10)}) nilai = subs(f,x,{y(k,1),y(k,2),y(k,3),y(k,4),y(k,5),y(k,6),y(k,7),y(k,8), y(k,9),y(k,10)}) uji = norm(g) else alfa = g*g'/(g*a*g') Set_alpha=[Set_alpha single(alfa)] s =y(k,:)- y(k-1,:) L1 = sqrt((1/set_alpha(k-1)- 1/Set_alpha(k)).^2+4*g*g'/(s*s')) L2 = 1/Set_alpha(k-1)+1/Set_alpha(k) alfa_new = single(2/(l1+l2)) set_ls=[set_ls;alfa_new] y1 = y(k,:)+ alfa_new*g y = [y; y1] k = k+1; g = - subs(gradien,x,{y(k,1),y(k,2),y(k,3),y(k,4),y(k,5),y(k,6),y(k,7),y (k,8),y(k,9),y(k,10)})
27 A = subs(a,x,{y(k,1),y(k,2),y(k,3),y(k,4),y(k,5),y(k,6),y(k,7),y(k,8), y(k,9),y(k,10)}) nilai = subs(f,x,{y(k,1),y(k,2),y(k,3),y(k,4),y(k,5),y(k,6),y(k,7),y(k,8), y(k,9),y(k,10)}) uji = norm(g) 17 end end y iterasi = k-1 f toc;
28 18 Lampiran 4 Metode Ya-xiang Yuan untuk 25 variabel clear; clc; tic; syms x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 x16 x17 x18 x19 x20 x21 x22 x23 x24 x25 v2=[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13,x14,x15,x16,x17,x18,x19,x20,x21,x22,x23,x24,x25]; xb=randi([-5,5],25,1); b=randi(100,1,25); B=diag(b); f1=v2+xb.'; f=expand(f1*b*f1.') x = [x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 x16 x17 x18 x19 x20 x21 x22 x23 x24 x25]; y = [ ]; tol = 10^(-6) gradien = jacobian(f,x) a = jacobian(gradien,x); A = subs(a,x,y) g = -subs(gradien,x,y) Set_alpha=[]; set_ls=[]; k=1; while norm(g)>tol if (mod(k,2)==1) alfa = g*g'/(g*a*g') y1 = y(k,:)+alfa*g y = [y; y1] Set_alpha=[Set_alpha single(alfa)] k = k+1; g = - subs(gradien,x,{y(end,1),y(end,2),y(end,3),y(end,4),y(end,5),y(end,6),y(end,7),y(end,8),y(end,9),y(end,10),y(end,11),y(end,12),y(end,13),y(end,14),y(end,15),y(end,16),y(end,17),y(end,18),y(end,19),y (end,20),y(end,21),y(end,22),y(end,23),y(end,24),y(end,25)}) A = subs(a,x,{y(k,1),y(k,2),y(k,3),y(k,4),y(k,5),y(k,6),y(k,7),y(k,8), y(k,9),y(k,10),y(k,11),y(k,12),y(k,13),y(k,14),y(k,15),y(k,16),y(k,17),y(k,18),y(k,19),y(k,20),y(k,21),y(k,22),y(k,23),y(k,24),y(k,2 5)}) nilai = subs(f,x,{y(k,1),y(k,2),y(k,3),y(k,4),y(k,5),y(k,6),y(k,7),y(k,8), y(k,9),y(k,10),y(k,11),y(k,12),y(k,13),y(k,14),y(k,15),y(k,16),y(k,17),y(k,18),y(k,19),y(k,20),y(k,21),y(k,22),y(k,23),y(k,24),y(k,2 5)}) uji = norm(g) else alfa = g*g'/(g*a*g') Set_alpha=[Set_alpha single(alfa)] s =y(k,:)- y(k-1,:) L1 = sqrt((1/set_alpha(k-1)- 1/Set_alpha(k)).^2+4*g*g'/(s*s')) L2 = 1/Set_alpha(k-1)+1/Set_alpha(k) alfa_new = single(2/(l1+l2))
29 19 set_ls=[set_ls;alfa_new] y1 = y(k,:)+ alfa_new*g y = [y; y1] k = k+1; g = - subs(gradien,x,{y(k,1),y(k,2),y(k,3),y(k,4),y(k,5),y(k,6),y(k,7),y (k,8),y(k,9),y(k,10),y(k,11),y(k,12),y(k,13),y(k,14),y(k,15),y(k,1 6),y(k,17),y(k,18),y(k,19),y(k,20),y(k,21),y(k,22),y(k,23),y(k,24),y(k,25)}) A = subs(a,x,{y(k,1),y(k,2),y(k,3),y(k,4),y(k,5),y(k,6),y(k,7),y(k,8), y(k,9),y(k,10),y(k,11),y(k,12),y(k,13),y(k,14),y(k,15),y(k,16),y(k,17),y(k,18),y(k,19),y(k,20),y(k,21),y(k,22),y(k,23),y(k,24),y(k,2 5)}) nilai = subs(f,x,{y(k,1),y(k,2),y(k,3),y(k,4),y(k,5),y(k,6),y(k,7),y(k,8), y(k,9),y(k,10),y(k,11),y(k,12),y(k,13),y(k,14),y(k,15),y(k,16),y(k,17),y(k,18),y(k,19),y(k,20),y(k,21),y(k,22),y(k,23),y(k,24),y(k,2 5)}) uji = norm(g) end end y iterasi = k-1 f toc;
30 20 Lampiran 5 Metode steepest descent untuk dua variabel Contoh: clear clc tic syms x1 x2 lambda f = 32*x1^2-192*x1 + 93*x2^2-186*x ; x = [x1 x2]; x0 = [0,0]; tol = 10^(-6); %Hitung Gradien f(x1,x2); Gradien = jacobian(f,x) S_cek = subs(f,[x1 x2],{x0(1),x0(2)}) %Subtitusi Gradien f(x0,y0) k = 0; N = []; N =[N; x0(1) x0(2)]; S = subs(gradien,[x1 x2],{x0(1),x0(2)}) while norm(s) > tol LGM = lambda*(-s); y0 = x0+lgm; fsub = subs(f,[x1,x2],{y0(1),y0(2)}); difsub = diff(fsub,lambda); Lsub = solve(difsub,lambda); LM = min(single(lsub)); y0 = subs(y0,lambda,lm); k = k+1; N = [N;y0(1) y0(2)]; x0 = y0; S = subs(gradien,[x1 x2],{x0(1),x0(2)}); %L(k) = LM end iterasi = k N toc clf(figure(1)) figure(1) ezcontour(f,[-1,4],[-1,4]) grid on hold on plot(n(:,1),n(:,2),'-ko','linewidth',2,... 'MarkerEdgeColor','k',... 'MarkerFaceColor','g',... 'MarkerSize',3) axis square
31 21 Lampiran 6 Metode steepest descent untuk tiga variabel Contoh: clear clc tic syms x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 lambda f = 6*x1^2 + 24*x1 + 10*x2^2-80*x2 + 7*x3^2 + 28*x ; x = [x1 x2 x3]; x0 = [0,0,0]; tol = 10^(-6); %Hitung Gradien f(x1,x2); Gradien = jacobian(f,x) S_cek = subs(f,x,{x0(1),x0(2),x0(3)}) %Subtitusi Gradien f(x0,y0) k = 0; N = []; N =[N; x0(1) x0(2) x0(3)]; S = subs(gradien,x,{x0(1),x0(2),x0(3)}) while norm(s) > tol LGM = lambda*(-s); y0 = x0+lgm; fsub = subs(f,x,{y0(1),y0(2),y0(3)}); difsub = diff(fsub,lambda); Lsub = solve(difsub,lambda); LM = min(single(lsub)); y0 = subs(y0,lambda,lm); k = k+1; N = [N;y0(1) y0(2) y0(3)]; x0 = y0; S = subs(gradien,x,{x0(1),x0(2),x0(3)}); %L(k) = LM end iterasi = k N toc
32 22 Lampiran 7 Metode steepest descent untuk sepuluh variabel Contoh: clear clc tic syms x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 lambda f = 68*x1^2-408*x1 + 70*x2^ *x2 + 7*x3^2-28*x ; x = [x1 x2 x3 x4 x5 x6 x7 x8 x9 x10]; x0 = [0,0,0,0,0,0,0,0,0,0]; tol = 10^(-6); %Hitung Gradien f(x1,x2); Gradien = jacobian(f,x) S_cek = subs(f,x,{x0(1),x0(2),x0(3)}) %Subtitusi Gradien f(x0,y0) k = 0; N = []; N =[N; x0(1) x0(2) x0(3) x0(4) x0(5) x0(6) x0(7) x0(8) x0(9) x0(10)]; S = subs(gradien,x,{x0(1),x0(2),x0(3),x0(4),x0(5),x0(6),x0(7),x0(8),x0 (9),x0(10)}) while norm(s) > tol LGM = lambda*(-s); y0 = x0+lgm; fsub = subs(f,x,{y0(1),y0(2),y0(3),y0(4),y0(5),y0(6),y0(7),y0(8),y0(9),y0 (10)}); difsub = diff(fsub,lambda); Lsub = solve(difsub,lambda); LM = min(single(lsub)); y0 = subs(y0,lambda,lm); k = k+1; N = [N;y0(1) y0(2) y0(3) y0(4) y0(5) y0(6) y0(7) y0(8) y0(9) y0(10)]; x0 = y0; S = subs(gradien,x,{x0(1),x0(2),x0(3),x0(4),x0(5),x0(6),x0(7),x0(8),x0 (9),x0(10)}); %L(k) = LM end iterasi = k N toc
33 23 Lampiran 8 Metode steepest descent untuk 25 variabel Contoh: clear clc tic syms x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 x16 x17 x18 x19 x20 x21 x22 x23 x24 x25 lambda f = 38*x1^2-152*x1 + 41*x10^2 + 82*x *x11^ *x *x12^2-56*x12 + 7*x13^2 + 9*x14^2 + 36*x *x15^ *x *x16^ *x *x17^2-310*x17 + 2*x18^2 + 8*x *x19^2-108*x *x2^ *x2 + 10*x20^2-20*x *x21^2-120*x *x22^ *x *x23^2-344*x *x24^2-588*x *x25^2-232*x *x3^2-228*x3 + 40*x4^ *x4 + 40*x5^ *x5 + 52*x6^2-104*x6 + 66*x7^2 + 96*x8^ *x8 + 73*x9^ *x ; x = [x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 x16 x17 x18 x19 x20 x21 x22 x23 x24 x25]; x0 = [0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]; tol = 10^(-6); %Hitung Gradien f(x1,x2); Gradien = jacobian(f,x) S_cek = subs(f,x,{x0(1),x0(2),x0(3),x0(4),x0(5),x0(6),x0(7),x0(8),x0(9),x0 (10),x0(11),x0(12),x0(13),x0(14),x0(15),x0(16),x0(17),x0(18),x0(19 ),x0(20),x0(21),x0(22),x0(23),x0(24),x0(25)}) %Subtitusi Gradien f(x0,y0) k = 0; N = []; N =[N; x0(1) x0(2) x0(3) x0(4) x0(5) x0(6) x0(7) x0(8) x0(9) x0(10) x0(11) x0(12) x0(13) x0(14) x0(15) x0(16) x0(17) x0(18) x0(19) x0(20) x0(21) x0(22) x0(23) x0(24) x0(25)] S = subs(gradien,x,{x0(1),x0(2),x0(3),x0(4),x0(5),x0(6),x0(7),x0(8),x0 (9),x0(10),x0(11),x0(12),x0(13),x0(14),x0(15),x0(16),x0(17),x0(18),x0(19),x0(20),x0(21),x0(22),x0(23),x0(24),x0(25)}) while norm(s) > tol LGM = lambda*(-s); y0 = x0+lgm; fsub = subs(f,x,{y0(1),y0(2),y0(3),y0(4),y0(5),y0(6),y0(7),y0(8),y0(9),y0 (10),y0(11),y0(12),y0(13),y0(14),y0(15),y0(16),y0(17),y0(18),y0(19 ),y0(20),y0(21),y0(22),y0(23),y0(24),y0(25)}); difsub = diff(fsub,lambda); Lsub = solve(difsub,lambda); LM = min(single(lsub)); y0 = subs(y0,lambda,lm); k = k+1; N = [N;y0(1) y0(2) y0(3) y0(4) y0(5) y0(6) y0(7) y0(8) y0(9) y0(10) y0(11) y0(12) y0(13) y0(14) y0(15) y0(16) y0(17) y0(18) y0(19) y0(20) y0(21) y0(22) y0(23) y0(24) y0(25)] x0 = y0; S = subs(gradien,x,{x0(1),x0(2),x0(3),x0(4),x0(5),x0(6),x0(7),x0(8),x0 (9),x0(10),x0(11),x0(12),x0(13),x0(14),x0(15),x0(16),x0(17),x0(18),x0(19),x0(20),x0(21),x0(22),x0(23),x0(24),x0(25)}); end
34 24 N iterasi = k toc
35 25 Lampiran 9 Metode BB untuk dua variabel Contoh: clear; clc; tic; syms x1 x2 f = 26*x1^2-52*x1 + 41*x2^2-328*x x = [x1 x2] y = [0 0] tol = 10^(-6) gradien = jacobian(f,x) g = single(-subs(gradien,{x1,x2},{y(1,1),y(1,2)})) a = jacobian(gradien,x) A = subs(a,{x1 x2},{y(1,1),y(1,2)}) F = subs(f,{x1,x2},{y(1,1),y(1,2)}) set_f = [F] set_g = [g] k=1 while norm(g)>tol if mod(k,2)==1 L = g*g'/(g*a*g') y1 = y(end,:)+l*g y = [y; y1] g = single(-subs(gradien,{x1,x2},{y(end,1),y(end,2)})) F = subs(f,{x1,x2},{y(end,1),y(end,2)}) set_f = [set_f;f] set_g = [set_g;g] else sk =y(end,:)-y(end-1,:) yk =set_g(end,:)-set_g(end-1,:) L = -sk*sk'/(sk*yk') y1 = y(end,:)+ L*set_g(end,:) y = [y; y1] g = single(-subs(gradien,{x1,x2},{y(end,1),y(end,2)})) F = subs(f,{x1,x2},{y(end,1),y(end,2)}) set_f = [set_f;f] set_g = [set_g;g] end k = k+1; end y toc; iterasi = k-1
36 26 Lampiran 10 Metode BB untuk tiga variabel Contoh: clear; clc; tic; syms x1 x2 x3 f = 68*x1^2-408*x1 + 70*x2^ *x2 + 7*x3^2-28*x x = [x1 x2 x3] y = [0 0 0] tol = 10^(-6) gradien = jacobian(f,x) g = single(-subs(gradien,{x1,x2,x3},{y(1,1),y(1,2),y(1,3)})) a = jacobian(gradien,x) A = subs(a,{x1 x2 x3},{y(1,1),y(1,2),y(1,3)}) F = subs(f,{x1,x2,x3},{y(1,1),y(1,2),y(1,3)}) set_f = [F] set_g = [g] k=1 while norm(g)>tol if mod(k,2)==1 L = g*g'/(g*a*g') y1 = y(end,:)+l*g y = [y; y1] g = single(- subs(gradien,{x1,x2,x3},{y(end,1),y(end,2),y(end,3)})) F = subs(f,{x1,x2,x3},{y(end,1),y(end,2),y(end,3)}) set_f = [set_f;f] set_g = [set_g;g] else sk =y(end,:)-y(end-1,:) yk =set_g(end,:)-set_g(end-1,:) L = -sk*sk'/(sk*yk') y1 = y(end,:)+ L*set_g(end,:) y = [y; y1] g = single(- subs(gradien,{x1,x2,x3},{y(end,1),y(end,2),y(end,3)})) F = subs(f,{x1,x2,x3},{y(end,1),y(end,2),y(end,3)}) set_f = [set_f;f] set_g = [set_g;g] end k = k+1; end y toc; iterasi = k-1
37 27 Lampiran 11 Metode BB untuk sepuluh variabel Contoh: clear; clc; tic; syms x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 f = 28*x1^2-56*x1 + 23*x10^ *x *x2^2-136*x2 + 66*x3^ *x3 + 17*x4^ *x4 + 12*x5^2-72*x5 + 50*x6^2 + 96*x7^2-192*x7 + 35*x8^ *x8 + 59*x9^ *x x = [x1 x2 x3 x4 x5 x6 x7 x8 x9 x10] y = [0,0,0,0,0,0,0,0,0,0] tol = 10^(-6) gradien = jacobian(f,x) g = single(-subs(gradien,x,y)) a = jacobian(gradien,x) A = subs(a,x,y) F = subs(f,x,y) set_f = [F] set_g = [g] k=1 while norm(g)>tol if mod(k,2)==1 L = g*g'/(g*a*g') y1 = y(end,:)+l*g y = [y; y1] g = single(- subs(gradien,x,{y(end,1),y(end,2),y(end,3),y(end,4),y(end,5),y(end,6),y(end,7),y(end,8),y(end,9),y(end,10)})) F = subs(f,x,{y(end,1),y(end,2),y(end,3),y(end,4),y(end,5),y(end,6),y( end,7),y(end,8),y(end,9),y(end,10)}) set_f = [set_f;f] set_g = [set_g;g] else sk =y(end,:)-y(end-1,:) yk =set_g(end,:)-set_g(end-1,:) L = -sk*sk'/(sk*yk') y1 = y(end,:)+ L*set_g(end,:) y = [y; y1] g = single(- subs(gradien,x,{y(end,1),y(end,2),y(end,3),y(end,4),y(end,5),y(end,6),y(end,7),y(end,8),y(end,9),y(end,10)})) F = subs(f,x,{y(end,1),y(end,2),y(end,3),y(end,4),y(end,5),y(end,6),y( end,7),y(end,8),y(end,9),y(end,10)}) set_f = [set_f;f] set_g = [set_g;g] end k = k+1; end y toc; iterasi = k-1
38 28 Lampiran 12 Metode BB untuk 25 variabel Contoh: clear; clc; tic; syms x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 x16 x17 x18 x19 x20 x21 x22 x23 x24 x25 f = 38*x1^2-152*x1 + 41*x10^2 + 82*x *x11^ *x *x12^2-56*x12 + 7*x13^2 + 9*x14^2 + 36*x *x15^ *x *x16^ *x *x17^2-310*x17 + 2*x18^2 + 8*x *x19^2-108*x *x2^ *x2 + 10*x20^2-20*x *x21^2-120*x *x22^ *x *x23^2-344*x *x24^2-588*x *x25^2-232*x *x3^2-228*x3 + 40*x4^ *x4 + 40*x5^ *x5 + 52*x6^2-104*x6 + 66*x7^2 + 96*x8^ *x8 + 73*x9^ *x x = [x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 x16 x17 x18 x19 x20 x21 x22 x23 x24 x25] y = [0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0] tol = 10^(-6) gradien = jacobian(f,x) g = single(-subs(gradien,x,y)) a = jacobian(gradien,x) A = subs(a,x,y) F = subs(f,x,y) set_f = [F] set_g = [g] k=1 while norm(g)>tol if mod(k,2)==1 L = g*g'/(g*a*g') y1 = y(end,:)+l*g y = [y; y1] g = single(- subs(gradien,x,{y(end,1),y(end,2),y(end,3),y(end,4),y(end,5),y(end,6),y(end,7),y(end,8),y(end,9),y(end,10),y(end,11),y(end,12),y(end,13),y(end,14),y(end,15),y(end,16),y(end,17),y(end,18),y(end,19),y (end,20),y(end,21),y(end,22),y(end,23),y(end,24),y(end,25)})) F = subs(f,x,{y(end,1),y(end,2),y(end,3),y(end,4),y(end,5),y(end,6),y( end,7),y(end,8),y(end,9),y(end,10),y(end,11),y(end,12),y(end,13),y (end,14),y(end,15),y(end,16),y(end,17),y(end,18),y(end,19),y(end,2 0),y(end,21),y(end,22),y(end,23),y(end,24),y(end,25)}) set_f = [set_f;f] set_g = [set_g;g] else sk =y(end,:)-y(end-1,:) yk =set_g(end,:)-set_g(end-1,:) L = -sk*sk'/(sk*yk') y1 = y(end,:)+ L*set_g(end,:) y = [y; y1] g = single(- subs(gradien,x,{y(end,1),y(end,2),y(end,3),y(end,4),y(end,5),y(end,6),y(end,7),y(end,8),y(end,9),y(end,10),y(end,11),y(end,12),y(end,13),y(end,14),y(end,15),y(end,16),y(end,17),y(end,18),y(end,19),y (end,20),y(end,21),y(end,22),y(end,23),y(end,24),y(end,25)}))
39 F = subs(f,x,{y(end,1),y(end,2),y(end,3),y(end,4),y(end,5),y(end,6),y( end,7),y(end,8),y(end,9),y(end,10),y(end,11),y(end,12),y(end,13),y (end,14),y(end,15),y(end,16),y(end,17),y(end,18),y(end,19),y(end,2 0),y(end,21),y(end,22),y(end,23),y(end,24),y(end,25)}) set_f = [set_f;f] set_g = [set_g;g] end k = k+1; end y toc; iterasi = k-1 29
40 30 RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 21 November 1992 dari ayah H. Chairul Chaniago dan ibu Hj. Radiah Azita. Penulis adalah putra keempat dari empat bersaudara. Tahun 2010 penulis lulus dari SMA Negeri 47 Jakarta dan pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI) dan diterima di Departemen Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama mengikuti perkuliahan, penulis pernah aktif sebagai anggota Organisasi Mahasiswa Daerah (OMDA) Jakarta Community. Penulis juga pernah aktif sebagai asisten pengajar di bimbingan belajar Matematika Kumon. Penulis juga aktif sebagai wakil ketua Futsal Kaskus Tangerang Selatan. Selain itu penulis juga pernah aktif di Futsal Matematika, Sepakbola Matematika, Atletik Matematika, Futsal FMIPA, dan Sepakbola TPB 47. Beberapa prestasi yang diraih oleh penulis antara lain ialah Juara 2 Sepakbola Olimpiade Mahasiswa IPB (OMI) tahun 2011, Juara 2 Futsal Sport Competition and Art Festival on Mipa Faculty (SPIRIT) tahun 2012, Juara 2 Sepakbola SPIRIT tahun 2012, Juara 1 Sepakbola SPIRIT tahun 2013, Juara 3 Estafet Pria SPIRIT 2013, dan Juara 2 Estafet Pria SPIRIT tahun 2014.
METODE STEEPEST DESCENT
METODE STEEPEST DESCENT DENGAN UKURAN LANGKAH BARU UNTUK PENGOPTIMUMAN NIRKENDALA D. WUNGGULI 1, B. P. SILALAHI 2, S. GURITMAN 3 Abstrak Metode steepest descent adalah metode gradien sederhana untuk pengoptimuman.
Lebih terperinciPERBANDINGAN WAKTU EKSEKUSI METODE STEEPEST DESCENT DAN METODE BARZILAI-BORWEIN MENGGUNAKAN PERANGKAT LUNAK MATLAB KIKI SEPTIANI
PERBANDINGAN WAKTU EKSEKUSI METODE STEEPEST DESCENT DAN METODE BARZILAI-BORWEIN MENGGUNAKAN PERANGKAT LUNAK MATLAB KIKI SEPTIANI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciMETODE STEEPEST DESCENT DALAM PENGOPTIMUMAN FUNGSI DAN PENERAPANNYA MENGGUNAKAN APLIKASI ANDROID ALFI AINI
METODE STEEPEST DESCENT DALAM PENGOPTIMUMAN FUNGSI DAN PENERAPANNYA MENGGUNAKAN APLIKASI ANDROID ALFI AINI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciMETODE STEEPEST DESCENT DENGAN UKURAN LANGKAH BARU UNTUK PENGOPTIMUMAN NIRKENDALA DJIHAD WUNGGULI
1 METODE STEEPEST DESCENT DENGAN UKURAN LANGKAH BARU UNTUK PENGOPTIMUMAN NIRKENDALA DJIHAD WUNGGULI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2015 2 3 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciMETODE TWO-POINT STEPSIZE GRADIENT DAN METODE MODIFIKASI TWO-POINT STEPSIZE GRADIENT UNTUK MENYELESAIKAN OPTIMALISASI TANPA KENDALA RIZKI OKTAVIANI
METODE TWO-POINT STEPSIZE GRADIENT DAN METODE MODIFIKASI TWO-POINT STEPSIZE GRADIENT UNTUK MENYELESAIKAN OPTIMALISASI TANPA KENDALA RIZKI OKTAVIANI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciDr. Ir. Bib Paruhum Silalahi, M.Kom
Metode Descent Oleh : Andaikan fungsi tujuan kita adalah minf(x);x R n. Secara umum f(x) dapat berupa fungsi nonlinear. Metode-metode descent adalah metode iteratif untuk memperoleh solusi pendekatan dari
Lebih terperinciKonvergensi Global Metode Spectral Conjugate Descent yang Baru Menggunakan Pencarian Garis Armijo yang Termodifikasi
42 ISSN 2302-7290 Vol. 2 No. 2, April 2014 Konvergensi Global Metode Spectral Conjugate Descent yang Baru Menggunakan Pencarian Garis Armijo yang Termodifikasi Global Convergence of the New Spectral Conjugate
Lebih terperinciOPTIMASI FUNGSI MULTI VARIABEL DENGAN METODE UNIVARIATE. Dwi Suraningsih (M ), Marifatun (M ), Nisa Karunia (M )
OPTIMASI FUNGSI MULTI VARIABEL DENGAN METODE UNIVARIATE Dwi Suraningsih (M2, Marifatun (M53, Nisa Karunia (M6 I. Pendahuluan Latar Belakang. Dalam kehidupan sehari-hari disa maupun tidak, sebenarnya manusia
Lebih terperinciMETODE STEEPEST DESCENT
METODE STEEPEST DESCENT Dosen Pengampu: Rukmono Budi Utomo M.Sc. Disusun Oleh : Linna Tri Lestari 6A1 1384202140 Diajukan sebagai tugas Ujian Akhir Semester UAS Metode Numerik UNIVERSITAS MUHAMMADIYAH
Lebih terperinciPERBANDINGAN PENYELESAIAN SISTEM OREGONATOR DENGAN METODE ITERASI VARIASIONAL DAN METODE ITERASI VARIASIONAL TERMODIFIKASI
PERBANDINGAN PENYELESAIAN SISTEM OREGONATOR DENGAN METODE ITERASI VARIASIONAL DAN METODE ITERASI VARIASIONAL TERMODIFIKASI oleh AMELIA FEBRIYANTI RESKA M0109008 SKRIPSI ditulis dan diajukan untuk memenuhi
Lebih terperinciOPTIMASI FUNGSI MULTIVARIABLE TANPA KENDALA DENGAN METODE NEWTON
OPTIMASI FUNGSI MULTIVARIABLE TANPA KENDALA DENGAN METODE NEWTON Susi Ranangga [M008067], Aeroni Dwijayanti [M008078] Hamdani Citra P. [M0003], Nafi Nur Khasana [M00058]. Pendahuluan Dalam kehidupan sehari-hari
Lebih terperinciPERBANDINGAN METODE TRUST-REGION DENGAN METODE NEWTON-RAPHSON PADA OPTIMASI FUNGSI NON LINIER TANPA KENDALA
PERBANDINGAN METODE TRUST-REGION DENGAN METODE NEWTON-RAPHSON PADA OPTIMASI FUNGSI NON LINIER TANPA KENDALA Yully Estiningsih 1, Farikhin, Nikken Prima Puspita 3 1,,3 Jurusan Matematika FSM Universitas
Lebih terperinciPENENTUAN PELUANG BERTAHAN DALAM MODEL RISIKO KLASIK DENGAN MENGGUNAKAN TRANSFORMASI LAPLACE AMIRUDDIN
PENENTUAN PELUANG BERTAHAN DALAM MODEL RISIKO KLASIK DENGAN MENGGUNAKAN TRANSFORMASI LAPLACE AMIRUDDIN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciPENGEMBANGAN ALGORITMA ITERATIF UNTUK MINIMISASI FUNGSI NONLINEAR
PENGEMBANGAN ALGORITMA ITERATIF UNTUK MINIMISASI FUNGSI NONLINEAR TESIS Oleh FADHILAH JULI YANTI HARAHAP 127021019/MT FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2014
Lebih terperinciKata Pengantar. Medan, 11 April Penulis
Kata Pengantar Puji syukur penulis panjatkan kepada Tuhan YME, bahwa penulis telah menyelesaikan tugas mata kuliah Matematika dengan membahas Numerical Optimization atau Optimasi Numerik dalam bentuk makalah.
Lebih terperinciMETODE NUMERIK ARAH KONJUGASI
METODE NUMERIK ARAH KONJUGASI 14 Mei 2016 Diajukan untuk Memenuh Tugas Ujian Akhir Semester Mata kuliah Metode Numerik Dosen Pengampu Bapak Rukmono Budi Utomo,M.Sc Nur Aliyah 1384202043 6A1 Fakultas Keguruan
Lebih terperinciMETODE SEQUENTIAL QUADRATIC PROGRAMMING (SQP) UNTUK MENYELESAIKAN PERSOALAN NONLINEAR BERKENDALA SKRIPSI YANI
METODE SEQUENTIAL QUADRATIC PROGRAMMING (SQP) UNTUK MENYELESAIKAN PERSOALAN NONLINEAR BERKENDALA SKRIPSI YANI 070803040 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA
Lebih terperinciPENGOPTIMUMAN FUNGSI KUADRATIK DENGAN METODE CONJUGATE GRADIENT DAN PENERAPANNYA MENGGUNAKAN APLIKASI ANDROID IMAM SHALAHUDDIN
PENGOPTIMUMAN FUNGSI KUADRATIK DENGAN METODE CONJUGATE GRADIENT DAN PENERAPANNYA MENGGUNAKAN APLIKASI ANDROID IMAM SHALAHUDDIN DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciMODEL DISTRIBUSI PERTUMBUHAN EKONOMI ANTARKELOMPOK PADA DUA DAERAH ADE LINA HERLIANI
MODEL DISTRIBUSI PERTUMBUHAN EKONOMI ANTARKELOMPOK PADA DUA DAERAH ADE LINA HERLIANI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya
Lebih terperinciAPROKSIMASI FUNGSI SINUS DAN KOSINUS SEBAGAI KOMBINASI LINEAR DARI FUNGSI EKSPONENSIAL MUHAMMAD ADAM AZHARI
APROKSIMASI FUNGSI SINUS DAN KOSINUS SEBAGAI KOMBINASI LINEAR DARI FUNGSI EKSPONENSIAL MUHAMMAD ADAM AZHARI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPERBANDINGAN METODE SIMPLEKS DENGAN ALGORITMA TITIK INTERIOR DALAM PENYELESAIAN MASALAH PROGRAM LINIER SKRIPSI AGUSTINA ANGGREINI SITORUS
PERBANDINGAN METODE SIMPLEKS DENGAN ALGORITMA TITIK INTERIOR DALAM PENYELESAIAN MASALAH PROGRAM LINIER SKRIPSI AGUSTINA ANGGREINI SITORUS 120803060 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPENDUGAAN PARAMETER BEBERAPA SEBARAN POISSON CAMPURAN DAN BEBERAPA SEBARAN DISKRET DENGAN MENGGUNAKAN ALGORITME EM ADE HARIS HIMAWAN
PENDUGAAN PARAMETER BEBERAPA SEBARAN POISSON CAMPURAN DAN BEBERAPA SEBARAN DISKRET DENGAN MENGGUNAKAN ALGORITME EM ADE HARIS HIMAWAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN
Lebih terperinciMETODE ITERASI VARIASIONAL PADA MASALAH STURM-LIOUVILLE
METODE ITERASI VARIASIONAL PADA MASALAH STURM-LIOUVILLE oleh HILDA ANGGRIYANA M0109035 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika JURUSAN
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Saat ini semakin banyak permasalahan pada kehidupan sehari-hari yang memerlukan pendekatan optimisasi dalam penyelesaiannya. Sebagai contoh, misalkan sebuah perusahaan
Lebih terperinciMODIFIKASI METODE NEWTON DENGAN KEKONVERGENAN ORDE EMPAT. Yenni May Sovia 1, Agusni 2 ABSTRACT
MODIFIKASI METODE NEWTON DENGAN KEKONVERGENAN ORDE EMPAT Yenni May Sovia, Agusni 2 Mahasiswa Program Studi S Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau
Lebih terperinciPEMBENTUKAN PASSAGE DALAM QUESTION ANSWERING SYSTEM UNTUK DOKUMEN BAHASA INDONESIA SYAHRUL FATHI
PEMBENTUKAN PASSAGE DALAM QUESTION ANSWERING SYSTEM UNTUK DOKUMEN BAHASA INDONESIA SYAHRUL FATHI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
Lebih terperinciPENYELESAIAN MAGIC SQUARE SEBAGAI PERMASALAHAN SISTEM PERSAMAAN LINEAR (SPL) RISMANTO FERNANDUS SIRINGO-RINGO
PENYELESAIAN MAGIC SQUARE SEBAGAI PERMASALAHAN SISTEM PERSAMAAN LINEAR (SPL) RISMANTO FERNANDUS SIRINGO-RINGO DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPERBANDINGAN HASIL PENGGEROMBOLAN METODE K-MEANS, FUZZY K-MEANS, DAN TWO STEP CLUSTER
PERBANDINGAN HASIL PENGGEROMBOLAN METODE K-MEANS, FUZZY K-MEANS, DAN TWO STEP CLUSTER LATHIFATURRAHMAH SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN MENGENAI TUGAS AKHIR DAN SUMBER
Lebih terperinciSEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI
SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN
Lebih terperinciSYARAT FRITZ JOHN PADA MASALAH OPTIMASI BERKENDALA KETAKSAMAAN. Caturiyati 1 Himmawati Puji Lestari 2. Abstrak
Syarat Fritz John... (Caturiyati) SYARAT FRITZ JOHN PADA MASALAH OPTIMASI BERKENDALA KETAKSAMAAN Caturiyati 1 Himmawati Puji Lestari 2 1,2 Jurusan Pendidikan Matematika FMIPA UNY 1 wcaturiyati@yahoo.com
Lebih terperinciMETODE NUMERIK STEEPEST DESCENT
METODE NUMERIK STEEPEST DESCENT 1 Juni 2016 Ujian Akhir Semester Untuk memenuhi ujian alhir semester mata kuliah metode numerik Selvi Kusdwi Lestari (1384202138 6A1 Pendidikan Matematika Fakultas Keguruan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan mengenai teori teori yang berhubungan dengan pembahasan ini sehingga dapat dijadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciMODEL OPTIMASI JADWAL UJIAN DAN IMPLEMENTASINYA PADA UNIVERSITAS TERBUKA ASMARA IRIANI TARIGAN
MODEL OPTIMASI JADWAL UJIAN DAN IMPLEMENTASINYA PADA UNIVERSITAS TERBUKA ASMARA IRIANI TARIGAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciALGORITMA EKSAK UNTUK MENYELESAIKAN PERSOALAN BIN COVERING
ALGORITMA EKSAK UNTUK MENYELESAIKAN PERSOALAN BIN COVERING TESIS Oleh ERI SAPUTRA 097021080/MT FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2012 ALGORITMA EKSAK UNTUK
Lebih terperinciMASALAH PENJADWALAN KERETA SECARA PERIODIK DENGAN BIAYA MINIMUM PADA JALUR GANDA MUHAMMAD RIZQY HIDAYATSYAH
MASALAH PENJADWALAN KERETA SECARA PERIODIK DENGAN BIAYA MINIMUM PADA JALUR GANDA MUHAMMAD RIZQY HIDAYATSYAH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciSTRATEGI PENGEMBANGAN DAYA SAING PRODUK UNGGULAN DAERAH INDUSTRI KECIL MENENGAH KABUPATEN BANYUMAS MUHAMMAD UNGGUL ABDUL FATTAH
i STRATEGI PENGEMBANGAN DAYA SAING PRODUK UNGGULAN DAERAH INDUSTRI KECIL MENENGAH KABUPATEN BANYUMAS MUHAMMAD UNGGUL ABDUL FATTAH SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 iii PERNYATAAN
Lebih terperinciMODIFIKASI METODE HOMOTOPY PERTURBASI UNTUK PERSAMAAN NONLINEAR DAN MEMBANDINGKAN DENGAN MODIFIKASI METODE DEKOMPOSISI ADOMIAN ABSTRACT
MODIFIKASI METODE HOMOTOPY PERTURBASI UNTUK PERSAMAAN NONLINEAR DAN MEMBANDINGKAN DENGAN MODIFIKASI METODE DEKOMPOSISI ADOMIAN Handico Z Desri 1, Syamsudhuha 2, Zulkarnain 2 1 Mahasiswa Program Studi S1
Lebih terperinciMANAJEMEN RISIKO DI PERUSAHAAN BETON (STUDI KASUS UNIT READYMIX PT BETON INDONESIA) MUAMMAR TAWARUDDIN AKBAR
MANAJEMEN RISIKO DI PERUSAHAAN BETON (STUDI KASUS UNIT READYMIX PT BETON INDONESIA) MUAMMAR TAWARUDDIN AKBAR SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciPEMODELAN SISTEM PENDULUM TERBALIK GANDA DAN KARAKTERISASI PARAMETER PADA MASALAH REGULASI OPTIMAL HASBY ASSIDIQI
PEMODELAN SISTEM PENDULUM TERBALIK GANDA DAN KARAKTERISASI PARAMETER PADA MASALAH REGULASI OPTIMAL HASBY ASSIDIQI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN
Lebih terperinciANALISIS POLA KELAHIRAN MENURUT UMUR STUDI KASUS DI INDONESIA TAHUN 1987 DAN TAHUN 1997 SUMIHAR MEINARTI
ANALISIS POLA KELAHIRAN MENURUT UMUR STUDI KASUS DI INDONESIA TAHUN 1987 DAN TAHUN 1997 SUMIHAR MEINARTI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciPERBANDINGAN KEKONVERGENAN BEBERAPA MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA PONCO BUDI SUSILO
PERBANDINGAN KEKONVERGENAN BEBERAPA MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA PONCO BUDI SUSILO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 SUMBER INFORMASI Dengan ini saya menyatakan
Lebih terperinciPENYELESAIAN MASALAH PENGIRIMAN PAKET KILAT UNTUK JENIS NEXT-DAY SERVICE DENGAN MENGGUNAKAN TEKNIK PEMBANGKITAN KOLOM. Oleh: WULAN ANGGRAENI G
PENYELESAIAN MASALAH PENGIRIMAN PAKET KILAT UNTUK JENIS NEXT-DAY SERVICE DENGAN MENGGUNAKAN TEKNIK PEMBANGKITAN KOLOM Oleh: WULAN ANGGRAENI G54101038 PROGRAM STUDI MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciMETODE ITERASI BARU BEBAS DERIVATIF UNTUK MENEMUKAN SOLUSI PERSAMAAN NONLINEAR ABSTRACT
METODE ITERASI BARU BEBAS DERIVATIF UNTUK MENEMUKAN SOLUSI PERSAMAAN NONLINEAR Eka Ceria 1, Agusni, Zulkarnain 1 Mahasiswa Program Studi S1 Matematika Laboratorium Matematika Terapan, Jurusan Matematika
Lebih terperinciPERBANDINGAN ANALISIS SENSITIVITAS MENGGUNAKAN PARTISI OPTIMAL DAN BASIS OPTIMAL PADA OPTIMASI LINEAR MIRNA SARI DEWI
PERBANDINGAN ANALISIS SENSITIVITAS MENGGUNAKAN PARTISI OPTIMAL DAN BASIS OPTIMAL PADA OPTIMASI LINEAR MIRNA SARI DEWI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciPERBANDINGAN SOLUSI SISTEM PERSAMAAN NONLINEAR MENGGUNAKAN METODE NEWTON- RAPHSON DAN METODE JACOBIAN
E-Jurnal Matematika Vol. 2, No.2, Mei 2013, 11-17 ISSN: 2303-1751 PERBANDINGAN SOLUSI SISTEM PERSAMAAN NONLINEAR MENGGUNAKAN METODE NEWTON- RAPHSON DAN METODE JACOBIAN NANDA NINGTYAS RAMADHANI UTAMI 1,
Lebih terperinciPREDIKSI JANGKA PANJANG DARI PROSES POISSON SIKLIK DENGAN FUNGSI INTENSITAS GLOBAL DIKETAHUI AGUSTINA MARGARETHA
PREDIKSI JANGKA PANJANG DARI PROSES POISSON SIKLIK DENGAN FUNGSI INTENSITAS GLOBAL DIKETAHUI AGUSTINA MARGARETHA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH
PENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
Lebih terperinciPENGOPTIMUMAN FUNGSI TAKLINEAR DENGAN METODE KUASI NEWTON: TEORI DAN APLIKASINYA MOCHAMMAD GIA PRIYANA PAJAR
PENGOPTIMUMAN FUNGSI TAKLINEAR DENGAN METODE KUASI NEWTON: TEORI DAN APLIKASINYA MOCHAMMAD GIA PRIYANA PAJAR DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciMETODE PENGALI LAGRANGE DAN APLIKASINYA DALAM BIDANG EKONOMI SKRIPSI RAHMAD HIDAYAT
METODE PENGALI LAGRANGE DAN APLIKASINYA DALAM BIDANG EKONOMI SKRIPSI RAHMAD HIDAYAT 110803018 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2015 METODE
Lebih terperinciPENERAPAN DAN PERBANDINGAN CARA PENGUKURAN RESPON PADA ANALISIS KONJOIN
PENERAPAN DAN PERBANDINGAN CARA PENGUKURAN RESPON PADA ANALISIS KONJOIN (Studi Kasus: Preferensi Mahasiswa Statistika IPB Angkatan 44, 45, dan 46 terhadap Minat Bidang Kerja) DONNY ARIEF SETIAWAN SITEPU
Lebih terperinciTEKNIK ITERASI VARIASIONAL UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR ABSTRACT
TEKNIK ITERASI VARIASIONAL UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR Koko Saputra 1, Supriadi Putra 2, Zulkarnain 2 1 Mahasiswa Program Studi S1 Matematika 2 Laboratorium Matematika Terapan, Jurusan Matematika
Lebih terperinciPENGEMBANGAN MODEL SINGLE SIGN-ON UNTUK LAYANAN INTERNET DAN PROXY IPB PRIYO PUJI NUGROHO
PENGEMBANGAN MODEL SINGLE SIGN-ON UNTUK LAYANAN INTERNET DAN PROXY IPB PRIYO PUJI NUGROHO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 PENGEMBANGAN
Lebih terperincioleh WAHYUNI PUTRANTO NIM. M SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
PERBANDINGAN METODE GRADIENT DESCENT DAN GRADIENT DESCENT DENGAN MOMENTUM PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN KURS TENGAH RUPIAH TERHADAP DOLAR AMERIKA oleh WAHYUNI PUTRANTO NIM.
Lebih terperinciOPTIMASI BERSYARAT DENGAN KENDALA PERSAMAAN MENGGUNAKAN MULTIPLIER LAGRANGE SERTA PENERAPANNYA SKRIPSI SANDRA RIZAL
OPTIMASI BERSYARAT DENGAN KENDALA PERSAMAAN MENGGUNAKAN MULTIPLIER LAGRANGE SERTA PENERAPANNYA SKRIPSI SANDRA RIZAL 060803016 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciMODIFIKASI METODE RELE UNTUK MODEL PENDUDUK QUASI-STABIL CECEP A.H.F. SANTOSA
MODIFIKASI METODE RELE UNTUK MODEL PENDUDUK QUASI-STABIL CECEP A.H.F. SANTOSA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 Hak Cipta milik Institut Pertanian Bogor, tahun 2008 Hak Cipta dilindungi
Lebih terperinciPEMODELAN JARINGAN SYARAF TIRUAN UNTUK PENGENALAN KATA PADA BERBAGAI KONDISI KESEHATAN PEMBICARA BAYU INDRAYANA
PEMODELAN JARINGAN SYARAF TIRUAN UNTUK PENGENALAN KATA PADA BERBAGAI KONDISI KESEHATAN PEMBICARA BAYU INDRAYANA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciPENGGEROMBOLAN DUA TAHAP DESA-DESA DI JAWA TENGAH ALIFTA DIAH AYU RETNANI
PENGGEROMBOLAN DUA TAHAP DESA-DESA DI JAWA TENGAH ALIFTA DIAH AYU RETNANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2012 RINGKASAN ALIFTA DIAH AYU RETNANI.
Lebih terperinciANALISIS REGRESI TERPOTONG BEBERAPA NILAI AMATAN NURHAFNI
ANALISIS REGRESI TERPOTONG DENGAN BEBERAPA NILAI AMATAN NOL NURHAFNI SEKOLAH PASCASARJANAA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan
Lebih terperinciOPTIMASI TANAMAN PANGAN DI KOTA MAGELANG DENGAN PEMROGRAMAN KUADRATIK DAN METODE FUNGSI PENALTI EKSTERIOR SKRIPSI
OPTIMASI TANAMAN PANGAN DI KOTA MAGELANG DENGAN PEMROGRAMAN KUADRATIK DAN METODE FUNGSI PENALTI EKSTERIOR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta
Lebih terperinciFakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Binawidya Pekanbaru (28293), Indonesia.
FAMILI DARI METODE NEWTON-LIKE DENGAN ORDE KONVERGENSI EMPAT Nurazmi, Supriadi Putra 2, Musraini M 2 Mahasiswa Program Studi S Matematika 2 Laboratorium Matematika Terapan, Jurusan Matematika Fakultas
Lebih terperinciRATA-RATA KUADRAT SESATAN PENDUGA REGRESI DENGAN KOMBINASI LINIER DUA VARIABEL BANTU PADA SAMPEL ACAK SEDERHANA
RATA-RATA KUADRAT SESATAN PENDUGA REGRESI DENGAN KOMBINASI LINIER DUA VARIABEL BANTU PADA SAMPEL ACAK SEDERHANA oleh INTAN LISDIANA NUR PRATIWI NIM. M0110040 SKRIPSI ditulis dan diajukan untuk memenuhi
Lebih terperinciEVALUASI DETERMINAN MATRIKS REKURSIF DENGAN FAKTORISASI LB RUDIANSYAH
EVALUASI DETERMINAN MATRIKS REKURSIF DENGAN FAKTORISASI LB RUDIANSYAH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2007 ABSTRAK RUDIANSYAH. Evaluasi
Lebih terperinciMETODE ITERASI BARU BERTIPE SECANT DENGAN KEKONVERGENAN SUPER-LINEAR. Rino Martino 1 ABSTRACT
METODE ITERASI BARU BERTIPE SECANT DENGAN KEKONVERGENAN SUPER-LINEAR Rino Martino 1 1 Mahasiswa Program Studi S1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Binawidya
Lebih terperinciALGORITMA MODIFIKASI BROYDEN-FLETCHER-GOLDFARB-SHANNO (MBFGS) PADA PERMASALAHAN OPTIMASI
ALGORITMA MODIFIKASI BROYDEN-FLETCHER-GOLDFARB-SHANNO (MBFGS) PADA PERMASALAHAN OPTIMASI Nama Mahasiswa : Rahmawati Erma.S. NRP : 1208100030 Jurusan : Matematika Dosen Pembimbing : 1. Subchan, M.Sc, Ph.D
Lebih terperinciPENGOPTIMUMAN PADA MASALAH PEMROGRAMAN LINEAR DENGAN KOEFISIEN INTERVAL ANA FARIDA
i PENGOPTIMUMAN PADA MASALAH PEMROGRAMAN LINEAR DENGAN KOEFISIEN INTERVAL ANA FARIDA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 i ABSTRAK ANA
Lebih terperinciANALISIS MODEL PELUANG BERTAHAN HIDUP DAN APLIKASINYA SUNARTI FAJARIYAH
ANALISIS MODEL PELUANG BERTAHAN HIDUP DAN APLIKASINYA SUNARTI FAJARIYAH SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 2 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan
Lebih terperinciMETODE ITERASI ORDE EMPAT DAN ORDE LIMA UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR. Imaddudin ABSTRACT
METODE ITERASI ORDE EMPAT DAN ORDE LIMA UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR Imaddudin Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciPENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI
PENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciARAH KONJUGAT. dibuat guna memenuhi tugas UAS Mata Kuliah Metode Numerik Dosen: Rukmono Budi Utomo M.Sc. 4 juni Dadang Supriadi A2
ARAH KONJUGAT dibuat guna memenuhi tugas UAS Mata Kuliah Metode Numerik Dosen: Rukmono Budi Utomo M.Sc. 4 juni 2016 Dadang Supriadi 1384202098 6A2 UNIVERSITAS MUHAMMADIYAH TANGERANG FAKULTAS KEGURUAN ILMU
Lebih terperinciMETODE BINOMIAL UNTUK MENENTUKAN HARGA OPSI CALL INDONESIA DAN STRATEGI LINDUNG NILAINYA JAENUDIN
METODE BINOMIAL UNTUK MENENTUKAN HARGA OPSI CALL INDONESIA DAN STRATEGI LINDUNG NILAINYA JAENUDIN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciPENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI
PENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciSOLUSI PERSAMAAN BOLTZMANN DENGAN NILAI AWAL BOBYLEV MENGGUNAKAN PENDEKATAN ANALITIK DAN NUMERIK YOANITA HISTORIANI
SOLUSI PERSAMAAN BOLTZMANN DENGAN NILAI AWAL BOBYLEV MENGGUNAKAN PENDEKATAN ANALITIK DAN NUMERIK YOANITA HISTORIANI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 PERNYATAAN MENGENAI TESIS DAN
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PENYALURAN KREDIT DI BANK UMUM MILIK NEGARA PERIODE TAHUN RENALDO PRIMA SUTIKNO
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PENYALURAN KREDIT DI BANK UMUM MILIK NEGARA PERIODE TAHUN 2004-2012 RENALDO PRIMA SUTIKNO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2013 PERNYATAAN MENGENAI
Lebih terperinciANALISIS BIPLOT UNTUK MEMETAKAN MUTU SEKOLAH YANG SESUAI DENGAN NILAI UJIAN NASIONAL SUJITA
ANALISIS BIPLOT UNTUK MEMETAKAN MUTU SEKOLAH YANG SESUAI DENGAN NILAI UJIAN NASIONAL SUJITA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciKAJIAN MODEL MIKROSKOPIK DAN MODEL KINETIK LALU LINTAS KENDARAAN DAN SIMULASINYA DESYARTI SAFARINI TLS
KAJIAN MODEL MIKROSKOPIK DAN MODEL KINETIK LALU LINTAS KENDARAAN DAN SIMULASINYA DESYARTI SAFARINI TLS SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciANALISIS GRAFOLOGI BERDASARKAN HURUF a DAN t MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR AMANDA KARATIKA HUBEIS
ANALISIS GRAFOLOGI BERDASARKAN HURUF a DAN t MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR AMANDA KARATIKA HUBEIS DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciMODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG
MODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini
Lebih terperinciMODIFIKASI METODE CAUCHY DENGAN ORDE KONVERGENSI EMPAT. Masnida Esra Elisabet ABSTRACT
MODIFIKASI METODE CAUCHY DENGAN ORDE KONVERGENSI EMPAT Masnida Esra Elisabet Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Riau Kampus
Lebih terperinciDaimah 1. Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Binawidya Pekanbaru (28293), Indonesia.
METODE NEWTON BISECTRIX UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR Daimah 1 1 Mahasiswa Program Studi S1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Binawidya Pekanbaru
Lebih terperinciPENDEKATAN PROGRAM TUJUAN GANDA UNTUK MENYELESAIKAN PERMASALAHAN FUZZY TRANSPORTASI SKRIPSI RISTYA PUSPITASARI
PENDEKATAN PROGRAM TUJUAN GANDA UNTUK MENYELESAIKAN PERMASALAHAN FUZZY TRANSPORTASI SKRIPSI RISTYA PUSPITASARI 070803013 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Pada suatu eksperimen atau pengamatan terhadap suatu keadaan, pengambilan data merupakan salah satu bagian terpenting, agar hasil dari eksperimen dapat lebih
Lebih terperinciVARIAN METODE HALLEY BEBAS TURUNAN KEDUA DENGAN ORDE KEKONVERGENAN ENAM. Siti Mariana 1 ABSTRACT ABSTRAK
VARIAN METODE HALLEY BEBAS TURUNAN KEDUA DENGAN ORDE KEKONVERGENAN ENAM Siti Mariana 1 1 Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciMODEL MANGSA PEMANGSA DENGAN RESPON FUNGSIONAL TAK MONOTON RIDWAN IDHAM
MODEL MANGSA PEMANGSA DENGAN RESPON FUNGSIONAL TAK MONOTON RIDWAN IDHAM DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ABSTRAK RIDWAN IDHAM. Model
Lebih terperinciSKRIPSI Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu Jurusan Informatika. Disusun Oleh: WINA ISTI RETNANI NIM.
PERBANDINGAN ALGORITMA BACKPROPAGATION LEVENBERG MARQUARDT (LM) DENGAN BACKPROPAGATION GRADIENT DESCENT ADAPTIVE GAIN (BPGD/AG) DALAM PREDIKSI JUMLAH PENGANGGURAN DI PROVINSI JAWA TENGAH SKRIPSI Diajukan
Lebih terperinciEVALUASI NUMERIK DARI METODE APROKSIMASI DALAM PROGRAM STOKASTIK
EVALUASI NUMERIK DARI METODE APROKSIMASI DALAM PROGRAM STOKASTIK TESIS Oleh MUHAMMAD ISMAIL 127021006/MT FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2014 EVALUASI NUMERIK
Lebih terperinciPENGGUNAAN REGRESI SPLINE ADAPTIF BERGANDA UNTUK DATA RESPON BINER AZWIRDA AZIZ SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2005
1 PENGGUNAAN REGRESI SPLINE ADAPTIF BERGANDA UNTUK DATA RESPON BINER AZWIRDA AZIZ SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2005 2 SURAT PERNYATAAN Dengan ini saya menyatakan bahwa tesis yang berjudul
Lebih terperinciMODEL PENJADWALAN GURU MENGGUNAKAN GRAPH COLORING DENGAN ALGORITMA BEE COLONY
MODEL PENJADWALAN GURU MENGGUNAKAN GRAPH COLORING DENGAN ALGORITMA BEE COLONY TESIS Oleh SETIAWAN TANADI 117021027/MT FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2013
Lebih terperinciOPTIMASI BICRITERIA LINEAR PROGRAMMING DENGAN KENDALA FUZZY TRIANGULAR SKRIPSI LINTANG GILANG PRATAMA
OPTIMASI BICRITERIA LINEAR PROGRAMMING DENGAN KENDALA FUZZY TRIANGULAR SKRIPSI LINTANG GILANG PRATAMA 090803050 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA
Lebih terperinciANALISIS KEPUASAN DAN LOYALITAS KONSUMEN DALAM PENGGUNAAN METODE PEMBAYARAN NON-TUNAI
ANALISIS KEPUASAN DAN LOYALITAS KONSUMEN DALAM PENGGUNAAN METODE PEMBAYARAN NON-TUNAI (PREPAID CARD) LOVITA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012 SURAT PERNYATAAN Saya menyatakan dengan
Lebih terperinciESTIMASI BAYES UNTUK PARAMETER PARETO DENGAN MENGGUNAKAN FUNGSI LIKELIHOOD
ESTIMASI BAYES UNTUK PARAMETER PARETO DENGAN MENGGUNAKAN FUNGSI LIKELIHOOD TESIS Oleh JEMONO 117021005/MT FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2013 ESTIMASI BAYES
Lebih terperinciANALISIS POLA KELAHIRAN MENURUT UMUR STUDI KASUS DI INDONESIA TAHUN 1987 DAN TAHUN 1997 SUMIHAR MEINARTI
ANALISIS POLA KELAHIRAN MENURUT UMUR STUDI KASUS DI INDONESIA TAHUN 1987 DAN TAHUN 1997 SUMIHAR MEINARTI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciTEKNIK ITERASI VARIASIONAL DAN BERBAGAI METODE UNTUK PENDEKATAN SOLUSI PERSAMAAN NONLINEAR. Yeni Cahyati 1, Agusni 2 ABSTRACT
TEKNIK ITERASI VARIASIONAL DAN BERBAGAI METODE UNTUK PENDEKATAN SOLUSI PERSAMAAN NONLINEAR Yeni Cahyati 1, Agusni 1 Mahasiswa Program Studi S1 Matematika Dosen Jurusan Matematika Fakultas Matematika dan
Lebih terperinciMETODE PENYELESAIAN UNTUK PERSOALAN PERTIDAKSAMAAN VARIASIONAL DENGAN KENDALA PERSAMAAN DAN PERTIDAKSAMAAN
METODE PENYELESAIAN UNTUK PERSOALAN PERTIDAKSAMAAN VARIASIONAL DENGAN KENDALA PERSAMAAN DAN PERTIDAKSAMAAN TESIS Oleh RUTH MAYASARI SIMANJUNTAK 117021050/MT FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciPENYELESAIAN PERMAINAN SUDOKU, CHALLENGER PUZZLE, DAN N-QUEENS PROBLEM MENGGUNAKAN INTEGER PROGRAMMING ALI VIKRI
PENYELESAIAN PERMAINAN SUDOKU, CHALLENGER PUZZLE, DAN N-QUEENS PROBLEM MENGGUNAKAN INTEGER PROGRAMMING ALI VIKRI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPENGOPTIMUMAN BERBASIS DUAL MASALAH PENJADWALAN TIGA HARI KERJA DALAM SEMINGGU SECARA SIKLIS NUR HADI
PENGOPTIMUMAN BERBASIS DUAL MASALAH PENJADWALAN TIGA HARI KERJA DALAM SEMINGGU SECARA SIKLIS NUR HADI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciPENDUGAAN TURUNAN PERTAMA DAN TURUNAN KEDUA DARI FUNGSI INTENSITAS SUATU PROSES POISSON PERIODIK SYAMSURI
PENDUGAAN TURUNAN PERTAMA DAN TURUNAN KEDUA DARI FUNGSI INTENSITAS SUATU PROSES POISSON PERIODIK SYAMSURI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciKELUARGA METODE LAGUERRE DAN KELAKUAN DINAMIKNYA DALAM MENENTUKAN AKAR GANDA PERSAMAAN NONLINEAR. Een Susilawati 1 ABSTRACT
KELUARGA METODE LAGUERRE DAN KELAKUAN DINAMIKNYA DALAM MENENTUKAN AKAR GANDA PERSAMAAN NONLINEAR Een Susilawati 1 1 Mahasiswa Program Studi S1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciPENGARUH SERTIFIKASI GURU TERHADAP KESEJAHTERAAN DAN KINERJA GURU DI KABUPATEN SUMEDANG RIZKY RAHADIKHA
1 PENGARUH SERTIFIKASI GURU TERHADAP KESEJAHTERAAN DAN KINERJA GURU DI KABUPATEN SUMEDANG RIZKY RAHADIKHA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciPREDIKSI STATUS KEAKTIFAN STUDI MAHASISWA DENGAN ALGORITMA C5.0 DAN K-NEAREST NEIGHBOR IIN ERNAWATI G
PREDIKSI STATUS KEAKTIFAN STUDI MAHASISWA DENGAN ALGORITMA C5.0 DAN K-NEAREST NEIGHBOR IIN ERNAWATI G651044054 SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciAPLIKASI METODE BRANCH AND CUT DALAM OPTIMASI PRODUKSI POT BUNGA (Studi Kasus: UD. Pot Bunga Mukhlis Rangkuti, Gelugur) SKRIPSI
APLIKASI METODE BRANCH AND CUT DALAM OPTIMASI PRODUKSI POT BUNGA (Studi Kasus: UD. Pot Bunga Mukhlis Rangkuti, Gelugur) SKRIPSI NUSAIBAH KHOLILAH 100803035 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN
Lebih terperinci