PERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES
|
|
- Hadi Hendra Rachman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Semnar Nasonal Aplkas Teknolog Informas 007 (SNATI 007) ISSN: Yogyakarta, 16 Jun 007 PERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES Arna Farza, Afrda Helen, Annsa Rasyd Polteknk Elektronka Neger Surabaya, Insttut Teknolog Sepuluh Nopember (ITS) Surabaya e-mal: {arna, ABSTRAKSI ANFIS (Adaptf Neuro Fuzzy Inference System) adalah metode jarngan neural yang fungsnya sama dengan sstem nferens fuzzy. Pada ANFIS, proses belajar pada jarngan neural dengan sejumlah pasangan data berguna untuk memperbaharu parameter-parameter sstem nferens fuzzy. Metode ANFIS menggunakan algortma Error backpropagaton yang memlk beberapa keunggulan, yatu bak dar seg kekonvergenan maupun dar seg lokal mnmumnya yang sangat peka terhadap perbakan parameter ANFIS. Metode n dmplementaskan pada peramalan data tme seres untuk 4 jens tpe data yatu stasoner (data sunspot), random (data saham), non stasoner (arlne), musman (beban lstrk). Proses learnng data dengan ANFIS memlk hasl yang sempurna dmana nla error proses tranng mampu mencapa 0 (nol). Metode ANFIS memlk hasl yang sangat bak untuk peramalan data saham dmana ddapatkan nla MSE.7 pada tme lag 30. Hasl peramalan untuk data sunspot dan data beban lstrk memlk hasl yang lebh kecl dar ARIMA yatu untuk tme lag 30 dan 4885 untuk tme lag 10. Pada metode ANFIS nla tme lag sangat berpengaruh pada hasl peramalan dmana semakn besar tme lag maka hasl peramalan semakn bak. Kata kunc: Peramalan Tme Seres, neural netork, ANFIS. 1. PENDAHULUAN Semakn dsadar saat n, baha untuk permasalahan rl yang komplek dbutuhkan sstem cerdas yang menggabungkan lmu pengetahuan, teknk dan metodolog dar berbaga sumber. Serngkal komputas dar permasalahan rl akan lebh menguntungkan bla dgunakan teknk komputas secara snerg darpada dlakukan secara sendr-sendr. Oleh karena tu pada peneltan n akan menggabungkan kemampuan jarngan neural dan sstem fuzzy yang dsebut neuro-fuzzy untuk melakukan proses peramalan data tme seres dengan beberapa tpe data. Sstem fuzzy memlk keunggulan dalam memodelkan aspek kualtatf dar pengetahuan manusa dan proses pengamblan keputusan (reasonng) sebagamana dlakukan oleh manusa dengan menerapkan bass aturan atau bass kadah. Sstem fuzzy dapat mengatas kesultan dalam melukskan suatu sstem fss yang komplek dan sukar dmodelkan secara matemats. Informas yang dgunakan oleh sstem fuzzy adalah pengetahuan kualtatf tentang sstem dengan sarana lngustk. Karena terdr dar bass aturan dan label lngustk sebagamana dalam kehdupan manusa, sstem fuzzy secara ntutf mudah dpaham oleh manusa. Tngkat kehandalan sstem fuzzy sangat bergantung kepada aturan yang dgunakan dalam bass kadah. Sstem berstruktur jarngan neural dlham oleh karakterstk sstem bologs jarngan sel syaraf manusa (neuron) dalam memproses snyal nformas pada masukan melalu suatu fungs pembobot dan fungs aktvas untuk menghaslkan snyal keluaran yang akan dteruskan pada sel yang lan. Keunggulan dar sstem n adalah kemampuan belajar terhadap nformas numerk melalu algortma belajar (learnng algorthm) untuk memperbak parameter pada fungs pembobot dan fungs aktvasnya. Selama n kesultan ddalam merancang arstektur jarngan terletak pada menentukan seberapa banyak lapsan-lapsan dalam (hdden layer) yang akan dgunakan sehngga struktur jarngan cukup memada. Kesultan yang akan djumpa dalam menentukan aturan-aturan yang akan dmasukkan kedalam bass kadah sstem fuzzy dan kesultan yang djumpa dalam merancang seberapa banyak lapsan dalam yang akan dgunakan dalam struktur jarngan neural, dapat datas dengan menggabungkan kedua sstem n menjad sstem neuro-fuzzy struktur ANFIS (Adaptve Neuro-Fuzzy Inference Sstem). Dalam ANFIS jumlah hdden node pada neural netork adalah sesua dengan sstem fuzzy yang terdr dar tga bagan yatu: fuzzyfkas (layer1), sstem nferens fuzzy (layer dan 3), dan defuzzyfkas (layer 4). Arstektur jarngan neural yang dpaka sudah dtentukan yatu sebanyak 5 lapsan yang dbuat tetap. Dalam bdang kontrol, ANFIS mempunya kemampuan untuk menangan sstem yang komplek, nonlner dan berubah terhadap aktu melalu algortma belajar terhadap data numerk dar sstem. Pengontrol neuro-fuzzy yang berstruktur ANFIS akan dgunakan untuk melakukan proses peramalan beberapa data tme seres bertpe stasoner (sunspot), random (ndeks saham), non stasoner (arlne) dan musman (beban lstrk).. ANFIS (ADAPTIVE NEURO FUZZY INFERRENCE SYSTEM) Jarngan neural adalah struktur jarngan dmana keseluruhan tngkah laku masukan-keluaran dtentukan oleh sekumpulan parameter-parameter yang dmodfkas. Salah satu struktur jarngan D-77
2 Semnar Nasonal Aplkas Teknolog Informas 007 (SNATI 007) ISSN: Yogyakarta, 16 Jun 007 neural adalah multlayer perceptrons (MLP). Jens jarngan n khusus bertpe umpan maju. MLP telah dterapkan dengan sukses untuk menyelesakan masalah-masalah yang sult dan beragam dengan melathnya menggunakan algortma propagas balk dar kesalahan atau error backpropagaton (EBP). Selanjutnya, sstem fuzzy dapat melukskan suatu sstem dengan pengetahuan lngustk yang mudah dmengert. Sstem nfererens fuzzy dapat dtala dengan algortma propagas balk berdasarkan pasangan data masukan-keluaran menggunakan arstektur jarngan neural. Dengan cara n memungknkan sstem fuzzy dapat belajar. Gabungan sstem fuzzy dengan jarngan neural n basa dsebut dengan neuro-fuzzy..1 Struktur ANFIS Sstem neuro-fuzzy berstruktur ANFIS (Adaptve Neuro Fuzzy Inference Sstem atau basa dsebut juga Adaptve Netork-based Fuzzy Inference Sstem) termasuk dalam kelas jarngan neural namun berdasarkan fungsnya sama dengan sstem nferens fuzzy [1]. Pada neuro-fuzzy, proses belajar pada jarngan neural dengan sejumlah pasangan data berguna untuk memperbaharu parameter-parameter sstem nferens fuzzy. Fuzzy nference sstem yang dgunakan memlk dua nput yatu x dan y dan satu output f. Untuk model fuzzy Sugeno orde satu, aturan yang umum dengan dua aturan fuzzy f-then, adalah sebaga berkut []: Rule 1 : f x s A 1 and y s B 1, then f 1 = p 1 x + q 1 y + r 1 ; Rule : f x s A and y s B, then f = p x + q y + r ; Gambar 1a menggambarkan mekansme pertmbangan untuk model Sugeno n; struktur ANFIS untuk fungs yang sama dtunjukkan pada Gambar 1b, dmana smpul pada lapsan yang sama memlk fungs yang sama. Keluaran masngmasng smpul dalam layar l dtulskan O l, []. Gambar 1. (a) Model fuzzy Sugeno orde satu dua nput dengan dua aturan. (b) struktur ANFIS Penjelasan pada masng-masng lapsan sebaga berkut: Lapsan 1: Setap smpul pada lapsan n adalah smpul adaptf dengan fungs smpul []: O = µ A x,untuk = 1,, atau O 1, 1, = µ B ( ) ( y),untuk = 3, 4 dmana x (atau y) adalah masukan bag smpul, dan A (atau B - ) adalah label bahasa (lngustc label) sepert msalnya kecl atau luas, dll. Dengan kata lan, O 1, adalah tngkatan keanggotaan dar hmpunan fuzzy A (= A 1, A, B 1 atau B ) dan menentukan derajad keanggotaan dar masukan x (atau y) yang dberkan. Fungs keanggotaan parameter dar A dapat ddekat dengan fungs bell []: 1 µ A ( x) = b x c 1+ a D mana {a, b, c } adalah hmpunan parameter. Parameter pada lapsan n dsebut parameterparameter prems. Lapsan : Setap smpul pada lapsan n dber label Π, bersfat non-adaptf (parameter tetap) yang mempunya keluaran berupa perkalan dar semua snyal yang masuk []. O = = µ A ( x ) B ( y ), 1,,, µ = Masng-masng keluaran smpul menyatakan derajad pengaktfan dar aturan fuzzy. Secara umum beberapa operator T-norm yang dapat mengungkapkan logka fuzzy AND dapat dgunakan sebaga fungs smpul pada lapsan n. Lapsan 3: Setap smpul pada lapsan n dber label N, juga bersfat non-adaptf. Masng-masng smpul menamplkan derajad pengaktfan ternormalsas dengan bentuk []. O 3, = =, = 1, 1 + Apabla dbentuk lebh dar dua aturan, fungs dapat dperluas dengan membag dengan jumlah total untuk semua aturan. Lapsan 4: Tap smpul pada lapsan n berupa smpul adaptf dengan fungs smpul []: O 4, = f = ( p x + q y + r ) dmana adalah derajad pengaktfan ternormalsas dar lapsan 3 dan {p, q, r } merupakan hmpunan parameter dar smpul n. Parameter d lapsan n dnamakan parameterparameter konsekuen. D-78
3 Semnar Nasonal Aplkas Teknolog Informas 007 (SNATI 007) ISSN: Yogyakarta, 16 Jun 007 Lapsan 5: Smpul tunggal pada lapsan n dber label, yang mana menghtung semua keluaran sebaga penjumlahan dar semua snyal yang masuk []: Keluaran keseluruhan = f O 5, = f =. Algortma Belajar Hbrda ANFIS dalam kerjanya mempergunakan algortma belajar hbrda, yatu menggabungkan metode Least-squares estmator (LSE) dan error backpropagaton (EBP). Dalam struktur ANFIS metode EBP dlakukan d lapsan 1, sedangkan metode LSE dlakukan d lapsan 4. Pada lapsan 1 parameternya merupakan parameter dar fungs keanggotaan hmpunan fuzzy sfatnya nonlner terhadap keluaran sstem. Proses belajar pada parameter n menggunakan metode EBP untuk memperbaharu nla parameternya. Sedangkan pada lapsan ke 4, parameter perupakan parameter lner terhadap keluaran sstem, yang menyusun bass kadah fuzzy. Proses belajar untuk memperbaharu parameter. Lapsan n menggunakan metode Least-squares Estmator (LSE). Proses belajar pada ANFIS dapat dlhat pada tabel 1. Tabel 1. Proses belajar ANFIS [] Arah maju Arah mundur Parameter prems Tetap EBP Parameter Least-squares Tetap konsekuen estmator Snyal Keluaran smpul Snyal kesalahan 3. PERAMALAN TIME SERIES DENGAN ANFIS Pada peramalan dengan metode ANFIS terbag menjad 3 proses yatu: proses Insalsas aal, proses pembelajaran (learnng), dan proses peramalan. Penentuan perode nput dan perode tranng dlakukan saat nsalsas aal dmana taptap perode nput memlk pola atau pattern yang berbeda. Data yang dgunakan untuk proses pembelajaran (tranng) terdr dar data nput, parameter ANFIS, dan data test yang berada pada prode tranng ANFIS. Tranng dengan ANFIS menggunakan adalah algortma belajar hbrda, dmana dlakukan penggabungan metode Least-squares estmator (LSE) pada alur maju dan error backpropagaton (EBP) pada alur mundur. Pada algortma belajar n nla parameter prems akan tetap saat alur maju, namun sebalknya parameter konsekuen akan terupdate saat alur maju. Alur maju Gambar. Blok dagram alur maju ANFIS untuk tme seres forecastng Pada blok dagram Gambar dgambarkan mengena proses alur maju dar sebuah sstem ANFIS yang terdr dar beberapa layer. Pada layer pertama data nput pada masng masng perode akan dlakukan proses fuzzyfkas. Proses n adalah untuk memetakan nputan data kedalam hmpunan fuzzy sesua dengan klasfkas yang dplh (pada proyek akhr n hanya menggunakan dua jens hmpunan fuzzy yatu: tngg dan rendah). Dalam proses n nputan akan dlakukan perhtungan fungs keanggotaan fuzzy untuk mentransformas masukan hmpunan klask (crsp) ke derajat tertentu. Fungs keanggotaan yang dgunakan adalah jens gaussan dmana pada fungs keanggotaan n terdapat dua parameter yatu mean dan varan, parameter tersebut dalam metode ANFIS dsebut sebaga parameter prems. Pada layer kedua dan ketga dlakuakn proses nference engne (system nferens fuzzy) dtentukan rule fuzzy untuk dlakukan proses perhtungan selanjutnya. Pada proses n dgunakan model takag sugeno. Pada proyek akhr n dgunakan dua rule yatu: jka mx1 bertemu my1 maka akan dlanjutkan ke W1, dan jka mx bertemu my maka akan dlanjutkan ke W. nla W1 dan W ddapat dar hasl pencaran nla mnmum untuk masng masng nput keanggotaan fuzzy. Pada layer 4 dlakukan proses defuzzyfkas dlakukan perhtungan mentransformas hasl fuzzy ke bentuk keluaran yang crsp. Pada layer n dlakukan perhtungan LSA untuk mendapatkan nla parameter konsekuen. Pada layer 5 dlakukan proses summary dar dua output pada layer 4. Pada ANFIS system fuzzy terletak pada layer 1,,3 dan 4. dmana system fuzzy n adalah sebaga penentu hdden node yang terdapat pada system neural netork. Alur mundur Pada blok dagram Gambar 3 djelaskan mengena sstematka alur mundur dar suatu sstem ANFIS. Pada proses n dlakukan algortma EBP (Error Backpropagaton) dmana pada setap layer dlakukan perhtungan error untuk melakukan update parameter-parameter ANFIS. D-79
4 Semnar Nasonal Aplkas Teknolog Informas 007 (SNATI 007) ISSN: Yogyakarta, 16 Jun 007 ( x mean(, ) var(, = rate* ε1(, * * m(, k) * var(, 3 Nla delta varans selanjutnya djumlahkan dengan nla varans sebelumnya untuk menghaslkan nla varans yang baru var_ baru = var+ var Gambar 3. Blok dagram alur mundur ANFIS untuk tme seres forecastng Pada layer 5 dlakukan perhtungan error dengan rumus dfferensal dar perhtungan MSE yatu: ( yd y) ε = Nla yd adalah output aktual, dan nla y adalah output ANFIS. Pada layer 4 tdak dlakukan perhtungan error hal n dkarenakan pada alur mundur tdak terjad update nla paramater konsekuen yang terdapat pada layer 4. untuk perhtungan error layer 3 dlakukan dengan rumus sebaga berkut: ε ) = ε * o4( ), =1, 3 ( 5 Proses perhtungan datas akan berulang terus menerus sampa nla MSE memenuh nla error maksmum yang dngnkan oleh user. 4. UJI COBA DAN ANALISA Uj coba dlakukan terhadap 4 tpe data yatu stasoner, random, non stasoner dan musman. Data Tme Seres Bertpe Stasoner berupa data sunspot tahunan sebanyak 306 data ddapatkan dar Solar Influences Data Analyss Center (SIDC) for Sunspot Index dapat dlhat pada Gambar 4. Data Tme Seres Bertpe Random berupa data harga saham Telkom perode haran, mula Januar 1998 sampa dengan 30 Aprl 1999 sejumlah 33 data. Data n dperoleh dar lembaran publkas Jakarta Stock Exchange (JSX Monthly Statstcs) dapat dlhat pada Gambar 5. Pada layer dlakukan perhtungan error dengan melbatkan error 5 dan error 3 yatu: ω( n) ε ( ) = ε 3 ( ) * n=,1 ( ω * ω ) 1 Pada layer 1 dlakukan perhtungan error dengan melbatkan error 5,3 dan error yatu: ε, = ε ( )* µ ( n, ), =1, n=,1 1( k Setelah dlakukan perhtungan error pada setap layer maka dlakukan update data parameter ANFIS dengan proses dfferensal masng-masng parameter prems terhadap fungs gaussan. Dmana pada perhtungan n nla error sebelumnya dnputkan. Berkut adalah rumus untuk memperoleh parameter delta mean pada ANFIS setelah proses defferensal. x mean(, mean(, = rate* ε1(, ** m(, k)* var(, Nla delta mean selanjutnya djumlahkan dengan nla mean sebelumnya untuk menghaslkan nla mean yang baru mean _ baru = mean + mean Berkut adalah rumus untuk memperoleh parameter delta vaans pada ANFIS setelah proses defferensal. Gambar 4. Plot data tme seres sunspot Gambar 5. Plot data tme seres harga saham perode haran Data Tme Seres Bertpe Non Stasoner berupa data jumlah penumpang pesaat terbang nternasonal (Arlne data) sejumlah 144 data[7] dapat dlhat pada Gambar 6. D-80
5 Semnar Nasonal Aplkas Teknolog Informas 007 (SNATI 007) ISSN: Yogyakarta, 16 Jun 007 Gambar 6. Plot data tme seres Arlne perode bulanan Data Tme Seres Bertpe Musman berupa data beban energ lstrk se Jaa-Bal dengan perode per jam (MW) sebanyak 744 data sepert pada Gambar 7. Gambar 7. Plot data tme seres beban lstrk haran Perbandngan nla MSE hasl peramalan yang dlakukan oleh model ARIMA dan ANFIS untuk 1 (satu) tahap kedepan s/d 10 (sepuluh tahap kedepan). Pada sub bab sebelumnya sudah dlakukan perbandngan nla MSE untuk tap-tap tme lag. Dengan melhat hasl perbandngan nla MSE pada Tabel dapat dketahu baha model ANFIS memlk hasl yang bak untuk melakukan peramalan untuk data jens random (data saham) dmana pada hasl peramalan n menghaslkan nla MSE yang palng kecl dar nla MSE keseluruhan yatu Metode ANFIS juga memlk hasl yang bak untuk melakukan peramalan pada data tme seres tpe stasoner (data sunspot) dan musman (data beban lstrk), hal n dapat dlhat dar nla MSE yang dhaslkan ANFIS lebh kecl dar ARIMA. Pada pengujan n metode ANFIS kurang menghaslkan nla yang bak saat melakukan peramalan untuk data non stasoner (data arlne), hal n dapat dlhat dar nla MSE ANFIS lebh besar dar ARIMA. Pada 1 tahap peramalan kedepan saja nla MSE ANFIS memlk selsh yang cukup jauh dengan ARIMA yatu 19. Tabel. Perbandngan nla MSE metode ANFIS dan ARIMA untuk semua data. DATA Sunspot (Stasoner) Data tranng 150 Saham (Random) Data tranng 400 Arlne (Non stasoner) Data tranng 100 Beban lstrk (Musman) Data tranng 300 Tahap ke depan MSE ANFIS (Rata-rata lag) ARIMA KESIMPULAN Dar un coba ANFIS untuk peramalan beberapa jens data tme seres dapat dambl beberapa kesmpulan: 1 Proses peramalan data tme seres dengan menggunakan metode ANFIS menghaslkan proses belajar yang bak dmana nla error tranng data mampu mencapa 0 (nol). Hasl peramalan dengan metode ANFIS menghaslkan nla MSE yang lebh kecl untuk data tme seres tpe stasoner (data sunspot), random (data saham), musman (data beban lstrk). 3 Pada data arlne nla MSE metode ANFIS lebh tngg dbandngkan ARIMA, hal n dkarenakan perubahan fluktuas data yang sangat tngg, sehngga sangat sult untuk melakukan perhtungan predks data pada tahap kedepan meskpun ddapatkan proses belajar yang bak. D-81
6 Semnar Nasonal Aplkas Teknolog Informas 007 (SNATI 007) ISSN: Yogyakarta, 16 Jun 007 PUSTAKA [1] Jang, J.-S. R ANFIS: Adaptve-netorkbased fuzzy nference systems, IEEE Trans. on Systems, Man and Cybernetcs, 3(03): [] Jang, J.-S. R Neuro-Fuzzy and Soft Computng. NeJersey Prentce-Hall. [3] Gorzalczany M. B., A. Gluszek Neurofuzzy systems for rule-based modelng of dynamc processes. Proceedngs of ESIT 000, pp [5] Sudarmn, Drs., Modul Ajar Tme Seres MODEL ARIMA (Box-Jekns Method), Program Pasca Magster Statstka Fakultas Matematka dan Ilmu Pengetahuan Alam Insttut Teknolog Sepuluh Nopember Surabaya, 003. [6] Farza Arna. M.Kom., Tess Hybrd Algorthma Genetka Smulated Annealng untuk peramalan Data Tme seres Program Pasca Sarjana Insttut Teknolog Sepuluh Nopember Surabaya, Jul 003. [7] G. Atsalaks, Ucenc Tme seres predcton of ater consumpton usng neuro-fuzzy (ANFIS) approach. D-8
Hybrid 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 terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB 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 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 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 terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciBAB 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 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 V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBAB 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. 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 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 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 terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih 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 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih 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 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 terperinciEvanita Fakultas Teknik, Program Studi Teknik Informatika Universitas Muria Kudus
Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 PREDIKSI VOLUME LALU LINTAS ANGKUTAN LEBARAN PADA WILAYAH JAWA TENGAH DENGAN METODE K-MEANS CLUSTERING UNTUK ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Evanta Fakultas
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
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 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 terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
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 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
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 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 terperinciPRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel
PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
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 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 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 terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciBAB 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 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 IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih 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 III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciLOGO ADAPTIVE PREDICTIVE CONTROL BERBASIS ANFIS-PI UNTUK PENGENDALIAN TEMPERATUR HEAT EXCHANGER TESIS RE2099. Ruslim
LOGO PROGRAM MAGISTER BIDANG KEAHLIAN TEKNIK SISTEM PENGATURAN JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA TESIS RE099 ADAPTIVE PREDICTIVE CONTROL BERBASIS
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
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 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 terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciBAB 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 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 terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
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 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 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 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 terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciBAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciAnalisis Kecepatan Dan Percepatan Mekanisme Empat Batang (Four Bar Lingkage) Fungsi Sudut Crank
ISSN 907-0500 Analss Kecepatan Dan Percepatan Mekansme Empat Batang (Four Bar ngkage Fungs Sudut Crank Nazaruddn Fak. Teknk Unverstas Rau nazaruddn.unr@yahoo.com Abstrak Pada umumnya analss knematka dan
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 METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciBAB 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 terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
Lebih terperinciPENENTUAN DENSITAS PERMUKAAN
PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan
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
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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
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 terperinciSistem Kriptografi Stream Cipher Berbasis Fungsi Chaos Circle Map Dengan Pertukaran Kunci Diffie-Hellman
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Sstem Krptograf Stream Cpher Berbass Fungs Chaos Crcle Map Dengan Pertukaran Kunc Dffe-Hellman A-6 Muh. Fajryanto 1,a), Aula Kahf 2,b), Vga Aprlana
Lebih terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciPEMODELAN GENERAL REGRESSION NEURAL NETWORK UNTUK PREDIKSI TINGKAT PENCEMARAN UDARA KOTA SEMARANG ABSTRACT
PEMODELAN GENERAL REGREION NEURAL NETWORK UNTUK PREDIKI TINGKAT PENCEMARAN UDARA KOTA EMARANG Bud Warsto 1, Agus Rusgyono 1 dan M. Aff Amrllah 1 Program tud tatstka FMIPA UNDIP Alumn Program tud tatstka
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Tujuan Peneltan Tujuan dalm peneltan n adalah mengetahu keefektfan strateg pembelajaran practce-rehearsal pars dengan alat peraga smetr lpat dan smetr putar dalam menngkatkan
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk
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 terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih 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 terperinciPERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT BOILER BERBASIS ADAPTIVE NETWORK FUZZY INFERENCE SYSTEM (ANFIS)
Yulat: PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT... 145 PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT BOILER BERBASIS ADAPTIVE NETWORK FUZZY INFERENCE SYSTEM (ANFIS)
Lebih terperinciPENJADWALAN PEMBEBANAN MENGGUNAKAN FAKTOR PENALTI PADA SISTEM TRANSMISI 500 kv JAWA-BALI DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)
PENJADWALAN PEMBEBANAN MENGGUNAKAN FAKTOR PENALTI PADA SISTEM TRANSMISI 500 kv JAWA-BALI DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Had Sutanto Sarag *), Hermawan, and Susatyo Handoko
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 terperinciBAB II DASAR TEORI. 2.1 Definisi Game Theory
BAB II DASAR TEORI Perkembangan zaman telah membuat hubungan manusa semakn kompleks. Interaks antar kelompok-kelompok yang mempunya kepentngan berbeda kemudan melahrkan konflk untuk mempertahankan kepentngan
Lebih terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih terperinciIII PEMODELAN MATEMATIS SISTEM FISIK
34 III PEMODELN MTEMTIS SISTEM FISIK Deskrps : Bab n memberkan gambaran tentang pemodelan matemats, fungs alh, dagram blok, grafk alran snyal yang berguna dalam pemodelan sstem kendal. Objektf : Memaham
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 terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL
Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: 979-756-061-6 Yogyakarta, 18 Jun 2005 PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL Setyo Nugroho
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 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 III METODE PENELITIAN. Karangkajen, Madrasah Tsanawiyah Mu'allimaat Muhammadiyah Yogyakarta,
BAB III METODE PENELITIAN A. Tempat dan Waktu Peneltan Peneltan n dlakukan pada 6 (enam) MTs d Kota Yogyakarta, yang melput: Madrasah Tsanawyah Neger Yogyakarta II, Madrasah Tsanawyah Muhammadyah Gedongtengen,
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 terperinci