PENERAPAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI NILAI POST TEST MAHASISWA PADA JURUSAN TEKNIK INFORMATIKA FTIF ITS
|
|
- Johan Budiaman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Makalah Semnar Tugas Akhr Perode Januar 0 PENERAPAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI NILAI POST TEST MAHASISWA PADA JURUSAN TEKNIK INFORMATIKA FTIF ITS Banon Tr Kuncahyo, R. V. Har Gnard, Isye Areshant 3 Teknk Informatka, Fakultas Teknolog Informas, ITS emal : banon.tr@gmal.com, har@ts-sby.edu, sye.areshant@gmal.com 3 ABSTRAKSI Penddkan meruakan roses yang menerma nut berua sswa dengan tngkat emahaman yang rendah, kemudan dlath melalu beberaa taha untuk menghaslkan ndvdu-ndvdu yang berkualtas. Salah satu cara untuk menla keberhaslan enddkan adalah dar nla yang bersangkutan. Oleh karena tu dbutuhkan redks terhada nla tersebut untuk dgunakan ada roses enddkan selanjutnya. Adatve Neuro-Fuzzy Inference System (ANFIS) adalah suatu metode yang bsa dgunakan untuk memredks nla tersebut. Tugas akhr n mengmlementaskan metode adatve neuro-fuzzy nference system untuk memredks nla ost test mahasswa ada jurusan teknk nformatka FTIf ITS dalam dua taha. Taha ertama adalah taha lath menggunakan algortma least square estmator. Taha lath terdr dar roses yatu forward untuk memerbak arameter konsekuen ada lasan 4 dan backward utuk memerbak arameter rems ada lasan. Taha kedua adalah taha uj setelah mendaatkan arstektur jarngan yang otmum ada taha lath. Uj coba dlakukan dengan memredkskan nla ost test (dalam kasus n adalah nla UAS) ada dua dataset yang berbeda. Berdasarkan uj coba, ANFIS (Adatve Neuro-Fuzzy Inference System) menghaslkan rata-rata error sebesar 0,0 dan RMSE sebesar 0,0 dengan 00 eoch. Pada eksermen n dcoba beberaa eoch dan erforma yang terbak dcaa ada eoch 00. Semakn besar eoch semakn bagus erformanya. Kata Kunc: Predks nla ost test (UAS), ANFIS, fuzzy, jarngan saraf truan.. PENDAHULUAN Penddkan meruakan suatu roses yang menerma nut berua sswa dengan tngkat emahaman yang rendah, kemudan dlath melalu beberaa taha engembangan untuk kemudan menghaslkan ndvdundvdu yang berkualtas dengan kemamuan, keteramlan dan atrbut yang cocok untuk suatu ekerjaan atau tngkat enddkan tertentu[]. Proses n terjad melalu elajaran-elajaran d kelas yang langkah-langkah engajaranya dtetakan dalam kurkulum. Dar roses n kemudan ddaatkan sebuah nla atau beberaa nla yang salng berhubungan yang nantnya akan dgunakan untuk mendaatkan nla akhr dar sebuah roses enddkan. Salah satu nla yang sangat entng adalah nla ujan akhr semester karena mencaku emahaman sswa tentang mater mula dar awal semester sama dengan mater akhr semester. Predks nla ujan akhr semester n bsa dlakukan ada sswa yang tdak bsa mengkut ujan akhr semester tersebut sehngga harus melakukan ujan susulan sebaga bahan ertmbangan menentukan nla kelulusan sswa. Ujan akhr semester mencermnkan emahaman sswa terhada mater selama satu semester berlangsung. Terdaat beberaa hambatan yang muncul ketka akan melakukan redks terhada nla ujan akhr semester. Salah satunya adalah beberaa nla sebelumnya tdak menunjukkan trend yang sama. Nla sswa ada beberaa nla sebelumnya berbeda-beda tergantung ada tngkat emahaman ada bab tersebut. Jka nlanla sebelumnya rendah atau tngg maka akan lebh mudah melakukan redks terhada nla ujan akhr semester, teta jka nlanya berubah-ubah akan susah melakukan redks terhada nla ujan akhr Beberaa eneltan sebelumnya telah dlakukan untuk memredks nla ujan akhr sswa, antara lan adalah metode decson tree[] dan statstka, antara lan dscrmnant analyss [], K-Nearest Neghbour[3] dan regres[4]. Metode decson tree menghaslkan hasl yang cuku akurat. Sementara tu, metode statstka memlk error rates yang lebh besar dbandngkan dengan metode ada datamnng, seert machne learnng. Metode statstka tdak bsa menyelesakan masalah aabla terdaat embobotan ada masngmasng varabel/nla yang dgunakan. Pembobotan yang dmaksud msalnya, Nla Kus memlk bobot 30%, nla UTS memlk bobot 30% dan nla UAS memlk bobot 40%. Untuk mengatas kelemahan metode sebelumnya, sebuah metode yang meruakan enggabungan antara metode sstem engamblan keutusan fuzzy (fuzzy nference system) dan mesn embelajaran, jarngan saraf truan (neural network) dterakan untuk memredks nla ujan akhr semester sswa[4]. Metode n dsebut dengan Adatve Neuro-Fuzzy Inference System (ANFIS). Metode ANFIS meruakan metode yang menggunakan jarngan syaraf truan untuk mengmlementaskan sstem nferens fuzzy. Keunggulan sstem nferens fuzzy adalah daat menerjemahkan engetahuan dar akar dalam bentuk aturan-aturan, namun basanya dbutuhkan waktu yang lama untuk menetakan fungs keanggotaannya. Oleh sebab tu dbutuhkan teknk embelajaran dar jarngan
2 Makalah Semnar Tugas Akhr Perode Januar 0 syaraf truan untuk mengotomatsas roses tersebut sehngga daat mengurang waktu encaran. Dengan memertmbangkan kelebhan ANFIS, maka tugas Akhr n mengmlementaskan metode ANFIS untuk memredks kemamuan akademk sswa. Sstem nferens fuzzy yang dgunakan adalah sstem nferens fuzzy model Tagak-Sugeno-Kang (TSK) orde satu dengan ertmbangan kesederhanaan dan kemudahan komutas. Sstem fuzzy ndgabungkan dengan algortma embelajaran neural network.. Jarngan Saraf Truan (Artfcal Neural Network) Jarngan saraf truan atau artfcal neural network sstem engolah nformas yang memlk karakter seert jarngan saraf bologs, yatu jarngan otak manusa. Pada jarngan saraf truan terdaat stlah neuron atau lebh dkenal dengan node. Seta neuron terhubung dengan neuron lanya melalu layer dengan bobot tertentu. Bobot melambangkan nformas yang dgunakan jarngan untuk menyelesakan ermasalahan. Seta neuron memlk nternal state yang dsebut dengan fungs aktvas. Fungs aktvas meruakan fungs dar nut yang dterma neuron. Satu neuron akan mengrmkan snyal ke neuron-neuron yang lan[6]... Neuron Penyusun Jarngan Saraf Truan Neuron adalah unt yang berfungs untuk memroses nformas yang meruakan dasar dar oeras JST. Gambar menunjukkan komonen dar neuron. Terdaat 3 elemen dasan dar neuron, yatu :. Snass yang menghubungkan antara neuron yang satu dengan neuron yang lan, dmana seta snass memlk bobot masng-masng.. Penjumlah atau adder bertugas menjumlahkan snyal nut yang telah dber bobot berdasarkan bobot ada snass neuron tersebut. Fungs aktvas yang dgunakan untuk membatas keluaran dar sebuah neuron[7]. Gambar. Komonen Neuron.. Arstektur Jarngan Saraf Truan (Artfcal Neural Network) Jarngan saraf truan daat dklasfkaskan menjad (dua) jens, yatu sngle-layer dan mult-layer[6]. a. Dalam jarngan saraf sngle-layer, neuronneuron dkelomokkan menjad unt,yatu unt nut dan unt outut. Unt nut menerma masukkan, sedangkan unt outut akan memberkan reson berdasarkan masukkan. X X X3 W W W3 Gambar Error! No text of secfed style n document.. Sngle layer network Dalam gambar d atas, X, X, X3 adalah smul nut dar jarngan, W, W, W3 adlaah bobot dar ta smul dan Y adalah outut dar jarngan. b. Jarngan saraf mult-layer memlk struktur tambahan selan unt nut dan unt outut, yatu hdden-unt. Hdden unt berhubungan dengan tngkat komlekstas jarngan. Semakn komleks sebuah jarngan maka akan dbutuhkan semakn banyak jumlah hdden unt. Jarngan saraf mult-layer serng dgunakan untuk menyelesakan ermasalahan yang rumt, karena elathan untuk ermasalahan yang komleks akan lebh berhasl jka dlakukan dengan mult-layer. Gambar. Multlayer network Dalam gambar 3 d atas, X, X, Xn adalah smul nut dar jarngan, V, V, Vn3 adalah bobot dar jarngan, Z, Z, Zn adalah smul tersembuny dar jarngan..3. Fungs Aktvas Fungs aktvas adalah fungs yang akan dgunakan untuk memroses nut menjad outut yang dngnkan. Penggunaan fungs aktvas n tergantung ada kebutuhan dan outut yang dngnkan. Berkut meruakan contoh dar fungs aktvas yang basa dgunakan [6]:. Fungs lner/urelne Fungs lner akan memroses nut menuju outut yang sebandng. Fungs n ddefnskan ada fungs matemats sebaga berkut : Gambar.4 menggambarkan fungs lner n : Y (.)
3 Makalah Semnar Tugas Akhr Perode Januar 0 Gambar Fungs lner/urelne. Fungs sgmod Fungs sgmod membatas outut neuron dalam rentang antara 0 hngga. Fungs n ddefnskan ada fungs matemats sebaga berkut : Fungs n dgambarkan ada Gambar.5 : Gambar 3 Fungs sgmod (.) 3.. Hmunan Fuzzy (Fuzzy Sets) Hmunan fuzzy (fuzzy set) adalah sekumulan obyek x dmana masng-masng obyek memlk nla keanggotaan (membersh functon) μ atau dsebut juga dengan nla kebenaran. Jka X adalah sekumulan obyek dan anggotanya dnyatakan dengan x maka hmunan fuzzy dar A d dalam X adalah hmunan dengan seasang anggota atau daat dnyatakan dengan[8]: A = { µ A (x) x x X,A(x) [0,] R} (3.) Contoh, jka A = blangan yang mendekat 0 dmana : A = {(x, µ A (x)) µ A (x ) = (+(x-0) ) - } A = {(0, 0.0),,(5, 0.04),,(0, ),,(5, 0.04), } Ada beberaa hal yang erlu dketahu dalam sstem fuzzy, yatu [8]:. Varabel fuzzy Varabel fuzzy meruakan varabel yang hendak dbahas dalam suatu sstem fuzzy. Contoh: umur, temeratur, ermntaan, dan lan-lan.. Hmunan fuzzy Hmunan fuzzy meruakan suatu gru yang memlk suatu konds atau keadaan tertentu dalam suatu varabel fuzzy. Contoh: Varabel temeratur terbag menjad 5 hmunan fuzzy, yatu: DINGIN, SEJUK, NORMAL, HANGAT dan PANAS. 3. Fungs tangen herbolk Fungs tangent herbolk membatas nla outut dalam rentang - hngga dengan menggunakan rumus tangen herbolk. Fungs n ddefnskan ada fungs matemats sebaga berkut : (.3) Gambar.6 adalah gambar dar fungs tangen herbolk: Gambar 4 Fungs tangent herbolk 3. Teor Logka Fuzzy Logka fuzzy menyatakan bahwa logka benar dan salah dalam logka konvensonal tdak daat mengatas masalah gradas yang ada ada duna nyata. Tdak seert logka Boolean, logka fuzzy memunya nla yang kontnyu. Tngkat fuzzy dnyatakan dalam derajat keanggotaan dan derajat kebenaran. Oleh sebab tu dnyatakan bahwa sebuah konds bsa bernla sebagan benar dan sebagan salah ada waktu yang sama[7]. Gambar 5 Hmunan fuzzy ada varabel temerature 3. Semesta Pembcaraan Semesta embcaraan adalah keseluruhan nla yang derbolehkan untuk doeraskan dalam suatu varabel fuzzy. Semesta embcaraan meruakan hmunan blangan real yang senantasa nak (bertambah) secara monoton dar kr ke kanan atau sebalknya. Nla semesta embcaraan daat berua blangan ostf mauun negatf. Contoh semesta embcaraan: a. Semesta embcaraan untuk varabel umur: [0 + ] b. Semesta embcaraan untuk varabel temeratur: [0 40] 4. Doman Doman hmunan fuzzy adalah keseluruhan nla yang dznkan dan boleh doeraskan dalam suatu hmunan fuzzy. Semest halnya semesta embcaraan, doman meruakan hmunan blangan real yang senantasa nak (bertambah) secara monoton dar kr ke kanan. Nla doman daat berua blangan ostf mauun negatf. Contoh doman hmunan fuzzy: a. DINGIN = [0, 0] b. SEJUK = [5, 5] c. NORMAL = [0, 30] d. HANGAT = [5, 35] 3
4 Makalah Semnar Tugas Akhr Perode Januar 0 e. PANAS = [30, 40]. 3.. Fungs Keanggotaan Fuzzy Keanggotaan (membersh functon) adalah suatu kurva yang menunjukkan ttk-ttk nut data ke dalam nla keanggotaanya (dsebut juga sebaga derajat keanggotaan) yang memlk nterval antara 0 sama [8]. Fungs keanggotaan yang serng dgunakan [8], antara lan :. Fungs keanggotaan segtga Fungs keanggotaan segtga memlk arameter a, b, dan c dengan formula sebaga berkut: (3.). Sebuah bass aturan yang bers aturan fuzzy fthen.. Bass data yang mendefnskan fungs keanggotaan hmunan fuzzy. 3. Unt engamblan keutusan yang menyatakan oeras nferens atas aturan-aturan yang ada. 4. Fuzzfkas yang mentransformaskan masukan klask (crs) ke derajat tertentu sesua dengan fungs keanggotaan. 5. Defuzzfkas yang mentransformaskan hasl nferens fuzzy ke dalam bentuk crs.. Fungs keanggotaan traesum Fungs keanggotaan traesum memlk arameter a, b, c, dan d dengan formula sebaga berkut : (3.3) 3. Fungs keanggotaan Gaussan Fungs keanggotaan Gaussan memlk memlk arameter a, dan dengan formula sebaga berkut : (3.4) 4. Fungs keanggotaan Bell yang derluas (Generalzed Bell/Gbell) Fungs keanggotaan Bell yang derluas memlk arameter a, b, dan c dengan formula sebaga berkut : (3.5) 3.3. Bass Aturan Bass aturan meruakan sekumulan aturan yang terdaat ada sstem fuzzy. Aturan f-then fuzzy atau fuzzy condtonal statement adalah sebuah bentuk aturan f A then B, dmana A dan B adalah label dar fuzzy sets yang dtanda sesua dengan fungs keanggotaan[0]. Dengan kata lan, bass aturan f-then fuzzy dgunakan untuk menangka maksud yang tdak jelas dar emkran sesua dengan kemamuan manusa yang mamu membuat keutusan d lngkungan yang tdak ast dan tdak jelas. Sebaga contoh daat dgambarkan sebaga bekut : Gambar 9. Fuzzy nference system 4. Sstem ANFIS (Adatve Neuro-Fuzzy Inference System) Sstem nferens fuzzy meruakan sebuah system dengan engetahuan lngustk yang mudah dmengert dan daat djalankan ada algortma roagasbalk berdasarkan asangan data masukan-keluaran dengan menggunakan arstektur jarngan saraf truan. Metode n memungknkan system fuzzy belajar. Gabungan dar system jarngan saraf (neural network) dengan system fuzzy n dsebut dengan adatve neuro-fuzzy nference system (ANFIS)[0] 4.. Struktur ANFIS dan Algortma Pembelajaran Hbrda ANFIS menggunakan sstem fuzzy Sugeno untuk mengambl keutusan berdasarkan aturan fuzzy f-then dan fakta yang ada. Model fuzzy Sugeno yang dgunakan adalah fuzzy Sugeno te yang menghaslkan outut lnear. Aturan umum fuzzy Sugeno dengan aturan fuzzy f-the adalah sebaga berkut: Rule : If x s A and y s B, then f = x + qy + r Rule : If x s A and y s B, then f = x + qy + r If (jka) tekananya tngg then (maka) volumenya kecl Dmana tekanan dan volume adalah varable lngustk, tngg dan kecl adalah nla lngustk atau label yang ddefnskan dalam fungs keanggotaan Sstem Inferens Fuzzy (Fuuzy Inference System) Sstem nferens fuzzy adalah sebuah sstemengamblan keutusan yang ddasarkan ada teor fuzzy, aturan fuzzy f-then dan logka fuzzy [8]. Struktur dasar sstem nferens fuzzy terdr atas: Gambar 0 Fuzzy Sugeno te dengan nut dan aturan[]. ANFIS menggunakan algortma belajar hbrda dalam kerjanya. Algortma hbrda n berart menggabungkan (dua) algortma embelajaran dalam sebuah jarngan. ANFIS menggabungkan metode Least 4
5 Makalah Semnar Tugas Akhr Perode Januar 0 Square Estmator (LSE) dan Error Backroagaton (EBP). Metode EBP dterakan ada lasan, sedangkan metode LSE dterakan ada lasan 4[0]. berubah. Hal n berart akan terbentuk berbaga fungs keanggotaan untuk hmunan lngustk A,,I sesua dengan model fuzzy Sugeno. Parameter ada lasan n dsebut dengan arameter rems. Lasan Seta smul ada lasan n adalah smul nonadatf. Oututnya meruakan erkalan dar semua nut yang masuk ada lasan n. O, = w = µ A (x). µ A- (y), =,,,n (4.3) Gambar Struktur ANFIS dengan nut Tabel Proses Pembelajaran Hbrda ada ANFIS[] - Taha Maju Taha Mundur Parameter Prems Teta Gradent descent-ebp Parameter LSE Teta Konsekuen Snyal Keluaran Smul Snyal Kesalahan Berkut adalah enjelasan lebh lanjut tentang roses embelajaran ada ANFIS[0]: Pada awalnya, jarngan merambat dar layer nut ke layer outut. Outut dar neuron/smul ke- ada lasan ke-l dnotaskan sebaga O l,, seert berkut: Lasan Seta smul ada lasan n adalah smul adatf dengan fungs aktvas smul sebaga berkut : O, = µ A (x) untuk =, atau O, = µ A- (y) untuk = 3,4 (4.) Dengan x dan y adalah nut ada smul ke, dan A adalah label lngustk seert bak, buruk, dsb. Dengan kata lan O, adalah fungs keanggotaan dar dar A dan mensesfkaskan derajat keanggotaan x dan y terhada A. Fungs keanggotaan µ A (x) ddasarkan ada ersamaan bell dengan nla maksmum dan nla mnmum 0 (.4). (4.) dmana {a, b,c} adalah hmunan arameter. Parameter c dan a daat datur untuk merubah nla dar usat dan lebar dar kurva bell, sedangkan b dgunakan untuk mengatur kemrngan kurva dan harus bernla ostf agar kurva tdak terbalk. Jka nla dar aremeterarameter n berubah, maka kurva fungs bell juga akan Ta keluaran smul menyatakan derajat engaktfan (frng strength) ta aturan fuzzy. Banyaknya smul ada lasan n menunjukkan banyaknya aturan yang dbentuk. Lasan 3 Seta smul ada lasan n adalah smul nonadatf yang menamlkan fungs derajat engaktfan ternomalsas (normalzed frng strength) yatu raso keluaran smul ke- ada lasan sebelumnya terhada seluruh keluaran lasan sebelumnya, dengan bentuk fungs smul : w O 3, w,, (4.4) w w Lasan 4 Seta smul ada lasan n adalah smul adatf dengan fungs smul : O 4, w f w x q y r (4.5) dengan adalah derajat engaktfan ternormalsas dar lasan 3 dan {, q, r } menyatakan arameter konsekuen yang adatf. Lasan 5 Pada lasan n hanya ada satu smul teta yang fungsnya untuk menjumlahkan semua masukan. O, w f w f 5 (4.6) w Jarngan adatf dengan lma lasan tersebut ekvalen dengan system nferens fuzzy Sugeno. 4.. Proses Pembelajaran dengan RLSE untuk Parameter Konsekuen ada Taha Maju 5
6 Makalah Semnar Tugas Akhr Perode Januar 0 Berdasarkan arstektur ANFIS ada Gambar, dketahu bahwa jka nla dar arameter rems teta maka keluaran keseluruhannya daat dnyatakan dengan kombnas lner dar arameter konsekuen (4.7) Jka sejumlah N data belajar dterakan ada ersamaan (4.7), ddaat w x w y q w r w x w y q w w x w y q w r w x w y q w r u (4.8) r Jka ersamaan (4.8) dnyatakan dengan ersamaan matrks, berbentuk : (4.9) Dengan dmens dar masng matrks A, X dan B adalah PxM, Mx, dan Px. Dmana P adalah jumlah asangan data lath dan M adalah jumlah arameter konsekuen. Penyelesaan terbak adalah dengan memnmumkan. Dengan teor LSE ddaatkan solus untuk X*, LSE dar X, adalah dengan menggunakan seudo-nverse dar X : u Msalkan jarngan adatf yang dberkan memlk lasan L dan lasan k memlk sejumlah k node, maka untuk P data, jumlah dar kesalahan kuadrat adalah: (4.) Dengan adalah outut deal dar data, adalah outut yang dhaslkan jarngan. Tujuan dar sstem adatf adalah untuk memnmumkan engukuran kesalahan ada ersamaan (4.) dengan mengubah arameter-arameter adatf. Dengan mendefnskan snyal kesalahan sebaga ordered dervatve terhada keluaran smul ke-, lasan ke-l, maka ordered dervatve dnotaskan dengan : (4.3) Snyal kesalahan untuk smul keluaran ke- (ada lasan l) daat dhtung langsung dengan : (4.4) Jka engukuran kesalahan seert yang ddefnskan ada ersamaan (4.) maka ersamaan (4.3) menjad : (4.5) Untuk smul dalam ada lasan l oss ke-, snyal kesalahan daat deroleh menggunakan aturan ranta : (4.0) Karena memerlama waktu komutas yang dsebabkan oleh erkalan dengan nverse matrks dan ersamaan menjad tdak jelas jka adalah matrks sngular, maka X dhtung dengan Recursve LSE (RLSE) seert berkut : (4.) Dengan adalah vector bars dar matrks A, adalah komonen ke dar matrks B, dan S adalah matrks kovaran. Insal konds dar X 0 adalah 0 dan S 0 adalah, dmana adalah blangan ostf besar dan I adalah matrks denttas dengan ukuran MxM Proses Pembelajaran Backroagaton-error untuk Parameter Prems ada Taha Mundur (4.6) Dengan 0 l L-. Snyal kesalahan smul dalam, ada lasan ke-l daat dnyatakan sebaga kombnas lner dar snyal kesalahan smul ada lasan ke (l+). Jad untuk menghtung snyal kesalahan ada smul ke- lasan ke-l (l < L), ertama dgunakan ersamaan (4.4) untuk mendaatkan snyal kesalahan ada lasan keluaran kemudan ersamaan (4.6) secara teratf sama mencaa lasan yang dngnkan. Prosedur datas dsebut enjalaran balk (backroagaton) karena snyal kesalahan dhtung secara mundur dar lasan keluaran hngga lasan masukan. Vektor graden ddefnskan sebaga ordered dervatve dar engukuran kesalahan terhada ta arameternya. Jka a adalah arameter smul ke-i lasan ke-l, maka deroleh : 6
7 Makalah Semnar Tugas Akhr Perode Januar 0 (4.7) Jka a meruakan arameter yang ada ada beberaa smul maka ersamaan (.9) menjad : (4.8) dengan S meruakan hmunan smul yang berskan a sebaga arameter, sedangkan x* dan f* adalah keluaran dan fungs dar smul yang bersangkutan. Turunan masng-masng secara keseluruhan terhada engukuran kesalahan akan menghaslkan : (4.9) Dengan metode gradent smle steeest descent, ersamaan untuk memerbak arameter a adalah : dengan dnyatakan dengan : (4.0) adalah laju roses belajar (learnng rate) yang (4.) Dengan k adalah ste sze yang daat dubah untuk memerceat konvergens[]. Parameter untuk smul selanjutnya derbaharu dengan : 6 w8,6 8 (4.30) dengan cara yang sama daat deroleh 5, 4 dan 3. Dalam eneltan n dcar nla erubahan dar arameter-arameter fungs keanggotaan hmunan fuzzy. Parameter-arameter tersebut berada ada lasan ke- maka snyal kesalahan ada lasan ke-, yatu 6, 5, 4 dan 3 dmasukkan ke dalam ersamaan (4.4) (4.30) untuk mencar. Pada ersamaan (4.4) (4.30) dgunakan notas W,j, dmana nla n menyatakan bobot untuk snyal kesalahan ta smul. Berdasarkan ersamaan (.8) daat dhtung dengan W, j f x j, untuk > j (4.3) Dbandngkan dengan menerakan Persamaan (4.6) untuk mencar snyal kesalahan ada lasan dalam, rosedur yang lebh sederhana daat dlakukan dengan mengartkan W,j sebaga bobot snyal kesalahan dar smul ke smul j dan snyal kesalahan ada smul meruakan jumlah dar ta snyal kesalahan yang masuk ke smul j dkalkan dengan bobotnya. Proses belajar roagas balk (EBP) untuk contoh n bsa dgambarkan sebaga berkut. + = + (4.) Untuk sstem ada Gambar. dengan menerakan ersamaan (.6) dan ersamaan (.8) maka deroleh ersamaan-ersamaan : E 3 x3 (4.3) adalah snyal kesalahan lasan keluaran dar jarngan adatf. Kemudan secara teratf dengan roagasbalk deroleh snyal kesalahan smul ke- lasan ke-l-, atau w3, 3 w3, 3 0 w,0 9 w,9 8 w0,8 0 w9,8 9 7 w0,7 0 w9,7 9 (4.4) (4.5) (4.6) (4.7) (4.8) (4.9) Gambar Proses belajar roagasbalk ada ANFIS [8] 5. Imlementas 5.. Taha Lath Taha n meruakan taha embelajaran yang dlakukan oleh jarngan. Parameter ada jarngan drubah-rubah berdasarkan data yang dmasukkan agar menghaslkan outut yang dngnkan. Perubahan arameter - arameter dharakan mamu menyelesakan masalah-masalah yang sejens, tdak overfttng mauun underfttng. Pada taha n terdaat taha embelajaran, yatu taha maju dan taha mundur. Berkut meruakan enjelasan dar masng-masng taha:. Taha maju Lasan Outut dmul ada lasan n meruakan fungs keanggotaan µ A (x) yang ddasarkan ada ersamaan bell 7
8 Makalah Semnar Tugas Akhr Perode Januar 0 dengan nla maksmum dan nla mnmum 0 seert ada ersamaan (4.). Parameter a, b, c ada ersamaan (4.) dsebut dengan arameter rems. Nla dar arameter n akan derbaru ada taha mundur. Lasan Outut seta smul ada lasan n meruakan erkalan dar semua nut yang masuk seert ada ersamaan (4.3). Ta keluaran smul menyatakan derajat engaktfan (frng strength) ta aturan fuzzy. Banyaknya smul ada lasan n menunjukkan banyaknya aturan yang dbentuk Lasan 3 Ouut seta smul ada lasan n dsebut dengan derajat engaktfan ternomalsas (normalzed frng strength) sesua dengan ersamaan (4.4). Derajat engaktfan ternomalsas adalah raso keluaran smul ke- ada lasan sebelumnya terhada seluruh keluaran lasan sebelumnya. Lasan 4 Seta smul ada lasan n adalah smul adatf dengan fungs smul seert ayng djelaskan ada ersamaan (4.5). Lasan 5 Pada lasan n hanya ada satu smul teta yang fungsnya untuk menjumlahkan semua masukan dar lasan 4 seert djelaskan ada ersamaan (4.6).. Taha mundur Pada roses n dlakukan algortma EBP (Error Backroagaton) dmana ada seta layer dlakukan erhtungan error untuk melakukan udate arameterarameter ANFIS. Pada layer 5 dlakukan erhtungan error dengan rumus dfferensal dar erhtungan MSE yatu: ( yd y) (5.) Nla yd adalah outut aktual, dan nla y adalah outut ANFIS. Setelah ersamaan 5. ddeferensal maka manghaslkan ersamaan (5.) 5 yd y (5.) Pada layer 4 tdak dlakukan erhtungan error hal n dkarenakan ada alur mundur tdak terjad udate nla aramater konsekuen yang terdaat ada layer 4. untuk erhtungan error layer 3 dlakukan dengan rumus sebaga berkut: error y 3 * y t (5.3) Dmana hasl defferensal rumus datas adalah sebaga berkut: ) * o4( ) 3( 5, =,,..,7 (5.4) Pada layer dlakukan erhtungan error dengan melbatkan error 5 dan error 3 yatu : error y t * * y t (5.5) Dmana hasl defferensal rumus 3.5 adalah sebaga berkut: ( n) ( ) 3( )* ( * ) =n=,,..,7 (5.6) Pada layer dlakukan erhtungan error dengan melbatkan error 5,3 dan error yatu : error y t * * * y t (5.7) Dmana hasl defferensal rumus datas adalah sebaga berkut:, =,,...,8 j=,,...7 (5.8) Seta eoch dar jarngan adalah satu kal taha maju dan satu kal taha mundur dlakukan. Dalam taha maju, nut droses untukmendaatkan outut jarngan sama matrks A dan B ddaatkan, dan arameter konsekuen ddaatkan dengan formula LSE dan kemudan menghtung error. Pada taha mundur, error rates droagaskan balk sama lasan nut dan arameter rems drubah 5.. Taha Uj Taha uj yang dlakukan untuk mengetahu aakah ANFIS daat mengenal ola dengan memberkan nut yang mungkn berbeda dengan nut ada taha lath. Dataset yang ada dbag menjad data lath dan data uj dengan komoss ayng berbeda. Pada taha n, jarngan hanya berjalan satu kal taha maju untuk seta rangkaan data yang dmasukkan. 6. Uj Coba dan Evaluas Dataset yang dgunakan ada uj coba n adalah nla-nla yang berasal dar mata kulah yang berbeda dengan atrbut 4 atrbut (nla Kus, nla Kus, nla UTS, nla Kus 3) dan satu nla ost test (UAS) yang akan dredks 6.. Skenaro Uj Coba Uj coba dlakukan dengan melath data dengan menggunakan teras/eoch yang berbeda-beda, yatu 50, 00, dan 00 eoch. Komoss data lath dan data uj yang dgunakan adalah 5 data lath dan 5 data uj. Uj coba n dlakukan ada dataset dan dataset untuk kemudan dbandngkan haslnya. Pada seta asangan data nut outut akan dhtung error rogram yang ddaatkan dar selsh antara outut deal (nla ost test yang sebenarnya) dengan outut yang dhaslkan oleh jarngan. Kemudan dseta akhr teras/ eoch dhtung RMSE (root mean square error). Dan d akhr eoch akan dhtung rata-rata error dan rata-rata RMSE. Semakn kecl nla rata-rata error dan rata-rata RMSE menunjukkan bahwa alkas mamu berjalan sesua dengan yang dharakan. 6.. Hasl Uj Coba Rata-rata error sesua dengan ersamaan (.4) dan RMSE sesua dengan ersamaan (.44) hasl uj coba ada Dataset daat dlhat ada tabel 5. berkut 8
9 Makalah Semnar Tugas Akhr Perode Januar 0 Tabel 6. Rata-rata Error dan RMSE outut ANFIS dengan menggunakan 5 data uj ada Dataset Jumlah Iteras Rata-rata Error Rata-rata RMSE 50 0,0 0,0 00 0,0 0,0 00 0,0 0,0 Dar tabel 6. d atas terlhat bahwa semakn banyak teras yang dlakukan akan menghaslkan rata-rata error dan rata-rata RMSE yang semakn kecl. Kecenderungan nla rata-rata error dan rata-rata RMSE semakn kecl ada saat jumlah teras bertambah dar 50 menjad 00 kemudan menjad 00 teras. Rata-rata error dan RMSE hasl uj coba ada Dataset daat dlhat ada tabel 6. berkut Tabel 6.3 Error outut ANFIS dengan menggunakan 5 data uj ada Dataset Jumlah Iteras Ratarata Error Ratarata RMSE 50 0,06 0, ,06 0, ,06 0,07 Dar tabel 6. d atas terlhat bahwa semakn banyak teras yang dlakukan akan menghaslkan rata-rata error dan rata-rata RMSE yang semakn kecl. Kecenderungan nla rata-rata error dan rata-rata RMSE semakn kecl ada saat jumlah teras bertambah dar 50 menjad 00 kemudan menjad 00 teras Evaluas Dar hasl uj coba dengan menggunakan 5 data lath dan 5 data uj daat dketahu bahwa jumlah teras/eoch berengaruh ada rata-rata error dan ratarata RMSE yang dhaslkan. Semakn banyak teras, maka rogram akan menghaslkan rata-rata error dan rata-rata RMSE yang semakn kecl. Pada dataset, ratarata error dan rata-rata RMSE terkecl deroleh ada setelah 00 teras, yatu sebesar 0,0 untuk rata-rata error dan 0,0 untuk rata-rata RMSE. Sedangkan ada dataset, rata-rata error dan rata-rata RMSE terkecl deroleh juga setelah 00 teras, yatu sebesar 0,06 untuk rata-rata error dan 0,06 untuk rata-rata RMSE. Dar hasl uj coba juga dketahu bahwa erubahan jumlah eoch yang dberkan ada ANFIS berengaruh ada hasl yang dkeluarkan. Hal n dsebabkan karena semakn banyak eoch yang dberkan ada jarngan ANFIS menyebabkan semakn banyak ula roses learnng yang dlakukan. Dengan semakn banyaknya roses learnng yang dlakukan maka arameter akan dsesuakan sehngga bsa menghaslkan error yang mnmum untuk semua data dalam dataset.. Metode ANFIS n dbangun dengan 5 lasan, dmana masng-masng lasan memlk fungs aktvas sesua dengan konse sstem nferens fuzzy. Dan menggunakan forward dan backward untuk memerbak arameter-arameternya.. Dengan menggunakan teras/eoch yang berbeda terlhat bahwa metode ANFIS mencaa rata-rata error sebesar 0,0 dan RMSE sebesar 0,0 untuk dataset. Error tersebut tercaa ada saat eoch 00. Untuk dataset model mencaa error sebesar 0,06 dan RMSE sebesar 0,07 dengan menggunakan eoch yang sama. Berdasarkan hasl error daat dsmulkan bahwa semakn besar jumlah teras/eoch amak error yang dhaslkan juga semakn kecl. Referens [] Karagozog lu, B., & Turkmen, N A software tool to facltate desgn, assessment and evaluaton of courses n an educatonal system. [] Suerby, J., F, Vandamme, J., P, & Meskens, N. 006.Determnaton of factors nfluencng the achevement of the frst-year unversty students usng data mnng methods. [3] Romero, C, Ventura, S, Esejo, P., G, & Hervas, C. 00. Data Mnng Algorthms to Classfy Students. [4] Taylan, O, & Karagozoglu, B An adatve neuro-fuzzy model for redcton of student s academc erformance. [5] Wkeda. 0. Klasfkas, <URL: htt://d.wkeda.org/wk/klasfkas> dakses Desember 0. [6] Setawan, Kuswara, 003, Paradgma Sstem Cerdas. Malang : Banyumeda Publshng. [7] Zadeh, L. A. 97. A fuzzy set theoretc nterretaton of the lngustc hedges. Journal of Cybernetcs,, [8] Kusumadew, Sr. 00. Analss dan Desan Sstem Fuzzy Menggunakan Fuzzy Toolbox Matlab. Yogyakarta : Graha Ilmu. [9] Jang, J.-S.R, Sun, C.-T dan Mzutan E ANFIS : Adatve-Network-Based Fuzzy Inference System. [0] Jang, J., & Sun, C Neuro-fuzzy modelng and control. Proceedngs of IEEE, 83, Kesmulan Berdasarkan hasl uj coba yang telah dlakukan, terdaat beberaa kesmulan yang daat dambl, yatu: 9
BAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
Lebih terperinciHybrid intelligent system adalah kombinasi lebih dari dua teknologi cerdas.
Teny Handhayan Pendahuluan Hybrd ntellgent system adalah kombnas lebh dar dua teknolog cerdas. Contohnya kombnas Neural Network dengan Fuzzy membentuk Neuro-fuzzy system Perbandngan Expert Systems, Fuzzy
Lebih terperinciPREDIKSI CUACA MENGGUNAKAN METODE CASE BASED REASONING DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Jurnal Informatka, Vol., No., November 04, 90-95 ISSN 4-005 DOI: 0.9744/nformatka...90-95 PREDIKSI CUACA MENGGUNAKAN METODE CASE BASED REASONING DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Ra Chanago *,
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciOleh : Harifa Hanan Yoga Aji Nugraha Gempur Safar Rika Saputri Arya Andika Dumanauw
Oleh : Harfa Hanan Yoga A Nugraha Gemur Safar ka Sautr Arya Andka Dumanau Dosen : Dr.rer.nat. Ded osad, S.S., M.Sc. Program Stud Statstka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Gadah Mada
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
Lebih terperinciPERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES
Semnar Nasonal Aplkas Teknolog Informas 007 (SNATI 007) ISSN: 1907-50 Yogyakarta, 16 Jun 007 PERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES Arna Farza, Afrda Helen, Annsa Rasyd Polteknk Elektronka
Lebih terperinciTINJAUAN PUSTAKA Tingkat Keberhasilan Mahasiswa Regresi Logistik
5 TINJAUAN PUSTAKA Tngkat Keberhaslan Mahasswa Secara gars besar, faktor-faktor yang memengaruh keberhaslan mahasswa dalam enddkan (Munthe 983, dacu dalam Halm 29 adalah:. Faktor ntelektual seert masalah
Lebih terperinciEvaluasi Tingkat Validitas Metode Penggabungan Respon (Indeks Penampilan Tanaman, IPT)
Evaluas Tngkat Valdtas Metode Penggabungan Reson (Indeks Penamlan Tanaman, IPT) 1 Gust N Adh Wbawa I Made Sumertajaya 3 Ahmad Ansor Mattjk 1 Mahasswa S3 Pascasarjana Statstka IPB,3 Staf Pengajar Deartemen
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan quas expermental dengan one group pretest posttest desgn. Peneltan n tdak menggunakan kelas pembandng namun sudah menggunakan
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciTaksiran Kurva Regresi Spline pada Data Longitudinal dengan Kuadrat Terkecil
Vol. 11, No. 1, 77-83, Jul 2014 Taksran Kurva Regres Slne ada Data Longtudnal dengan Kuadrat Terkecl * Abstrak Makalah n mengka tentang estmas regres slne khususnya enggunaan ada data longtudnal. Data
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciPengaturan Proses Tekanan pada Sistem Pengaturan Berjaringan Menggunakan Kontroler Fuzzy Neural Network
TUGAS AKHIR TE - 091399 Pengaturan Proses Tekanan pada Sstem Pengaturan Berjarngan Menggunakan Kontroler Fuzzy Neural Network Rende Ramadhan NRP 2208100131 Dosen Pembmbng : Ir. Al Faton, M.T. Imam Arfn,
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciDalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang
LARGE SCALE SYSEM Course by Dr. Ars rwyatno, S, M Dept. of Electrcal Engneerng Dponegoro Unversty BAB V OPIMASI SISEM Dalam sstem pengendalan berhrark level, maka optmas dapat dlakukan pada level pertama
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciIII.METODE PENELITIAN. Pada penelitian ini subyek yang digunakan adalah siswa VII A SMPN 5
33 III.METODE PENELITIAN A Jens Dan Desan Peneltan. Jens peneltan yang dgunakan dalam peneltan n adalah peneltan kuanttatf. Peneltan n merupakan peneltan korelas yang bertujuan untuk mengetahu hubungan
Lebih terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciANALISIS PEUBAH GANDA (MULTIVARIATE ANALYSIS
ANALISIS PEUBAH GANDA (MULTIVARIATE ANALYSIS Pengantar Analss Peubah Ganda Dr.Ir. I Made Sumertajaya, MS Deartemen Statstka-FMIPA IPB Emal : kulah_ag@yahoo.com Password: akmade Mater APG No I II III IV
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciIII PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan
Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciPENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD
Semnar Nasonal Sstem dan Informatka 2007; Bal, 6 November 2007 PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD Nur Hasanah ) Istkhomah 2) Taufq Hdayat 3) Sr Kusumadew 4) Jurusan
Lebih terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciMETODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciPenerapan Metode Runge-Kutta Orde 4 dalam Analisis Rangkaian RLC
Penerapan Metode Runge-Kutta Orde 4 dalam Analss Rangkaan RLC Rka Favora Gusa JurusanTeknk Elektro,Fakultas Teknk,Unverstas Bangka Beltung rka_favora@yahoo.com ABSTRACT The exstence of nductor and capactor
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciSEARAH (DC) Rangkaian Arus Searah (DC) 7
ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan
Lebih terperinciPENGGABUNGAN PADA SUPER EDGE-MAGIC PETERSEN GRAPH DENGAN VERTEX PADA SETIAP VERTEX YANG ADA. Ida Christiana 1,Chairul Imron 2 ABSTRAK
PENGGABUNGAN PADA SUPER EDGE-MAGIC PETERSEN GRAPH DENGAN VERTEX PADA SETIAP VERTEX YANG ADA Ida Chrstana 1,Charul Imron ABSTRAK Pelabelan suatu grah adalah suatu emetaan dar hmunan elemen grah (vertex,
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
Lebih terperinciBAB III METODE PENELITIAN. problems. Cresswell (2012: 533) beranggapan bahwa dengan
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan kombnas atau mxed methods. Cresswell (2012: 533) A mxed methods research desgn s a procedure for collectng, analyzng and mxng
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciPost test (Treatment) Y 1 X Y 2
BAB III METODOLOGI PENELITIAN A. Metode Peneltan Metode Peneltan adalah cara lmah untuk memaham suatu objek dalam suatu kegatan peneltan. Peneltan yang dlakukan n bertujuan untuk mengetahu penngkatan hasl
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciKORELASI DAN REGRESI LINIER. Debrina Puspita Andriani /
KORELASI DAN REGRESI LINIER 9 Debrna Puspta Andran www. E-mal : debrna.ub@gmal.com / debrna@ub.ac.d 2 Outlne 3 Perbedaan mendasar antara korelas dan regres? KORELASI Korelas hanya menunjukkan sekedar hubungan.
Lebih terperinciBab IV Pemodelan dan Perhitungan Sumberdaya Batubara
Bab IV Pemodelan dan Perhtungan Sumberdaa Batubara IV1 Pemodelan Endapan Batubara Pemodelan endapan batubara merupakan tahapan kegatan dalam evaluas sumberdaa batubara ang bertuuan menggambarkan atau menatakan
Lebih terperinciMETODE NUMERIK. INTERPOLASI Interpolasi Beda Terbagi Newton Interpolasi Lagrange Interpolasi Spline.
METODE NUMERIK INTERPOLASI Interpolas Beda Terbag Newton Interpolas Lagrange Interpolas Splne http://maulana.lecture.ub.ac.d Interpolas n-derajat polnom Tujuan Interpolas berguna untuk menaksr hargaharga
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciDekomposisi Nilai Singular dan Aplikasinya
A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak
Lebih terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciKOMBINASI PENAKSIR RASIO-PRODUK PROPORSI EKSPONENSIAL UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA., R. Efendi 2, H.
KOMBINASI PENAKSIR RASIO-PRODUK PROPORSI EKSPONENSIAL UNTUK RATA-RATA POPULASI PADA SAMPLING AAK SEDERHANA A. F. Indraan *, R. Efend, H. Srat Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas
Lebih terperinciI. PENGANTAR STATISTIKA
1 I. PENGANTAR STATISTIKA 1.1 Jens-jens Statstk Secara umum, lmu statstka dapat terbag menjad dua jens, yatu: 1. Statstka Deskrptf. Statstka Inferensal Dalam sub bab n akan djelaskan mengena pengertan
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinci