Prediksi Penerimaan Zakat menggunakan Metode Support Vector Regression (SVR) dengan Flower Pollination Algorithm (FPA)
|
|
- Shinta Agusalim
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: X Vol. 1, No. 7, Jun 017, hlm Predks Penermaan Zakat menggunakan Metode Support Vector Regresson (SVR) dengan Flower Pollnaton Algorthm (FPA) Tusart Handayan 1, Imam Cholssodn, Agus Wahyu Wdodo 3 Program Stud Teknk Informatka, Fakultas Ilmu Komputer, Unverstas Brawjaya Emal: @mal.ub.ac.d, mamcs@ub.ac.d, 3 a_wahyu_w@ub.ac.d Abstrak Pembayaran dan penyaluran zakat d Indonesa dkelola oleh Badan Aml Zakat, salah satunya adalah Lembaga Aml Zakat Infaq dan Shadaqah Muhammadyah (LAZISMU) Malang. Fluktuas tngg rendahnya dana zakat yang dterma oleh LAZISMU Malang mempengaruh banyaknya dana zakat yang bsa dsalurkan kepada masyarakat d seluruh wlayah Malang. Predks penermaan zakat sangat dperlukan untuk mengetahu jumlah zakat yang akan dterma, sehngga antspas solus ketka dana kurang dar target penyaluran dapat dlakukan sedn mungkn. Predks yang dlakukan pada peneltan n adalah menggunakan metode Support Vector Regresson (SVR) dengan Flower Pollnaton Algorthm (FPA). SVR dgunakan untuk melakukan predks penermaan zakat berdasarkan data hstory penermaan zakat, kemudan FPA dgunakan untuk melakukan optmas nla dar parameter yang akan dgunakan pada metode SVR. Data yang dgunakan sebanyak 64 data hstors dar bulan Jul 011 Oktober 016, data penermaan zakat dar salah satu Lembaga Aml Zakat Nasonal wlayah Malang yatu LAZISMU Malang. Hasl pengujan yang dlakukan terhadap predks penermaan zakat menggunakan SVR dengan FPA pada data penermaan zakat dar tahun 011 hngga 016 menghaslkan nla sebesar dalam ftness atau dalam MAPE yang berart rata-rata selsh antara data aktual dengan hasl predks adalah senla Rp Kata Kunc: penermaan zakat, zakat, SVR, FPA, MAPE. Abstract Payment and dstrbuton of zakat n Indonesa managed by Badan Aml Zakat, whch of one s Lembaga Aml Zakat Infaq and Shadaqah Muhammadyah (LAZISMU) Malang. Fluctuatons n the level of zakat fund receved by LAZISMU Malang affect n the amount of zakat fund that can be dstrbuted to communtes n the all of Malang regon. Zakat recepton forecastng s so needed to determned the amount of zakat receved, so that soluton antcpaton when the fund s less than the dstrbuton target can be done as early as possble. Predcton are made on ths research s usng Support Vector Regresson (SVR) wth Flower Pollnaton Algorthm (FPA) method. SVR used to make predcton of zakat receved based on hstorcal data zakat receved, and then FPA used to make optmzaton value from parameter to be used on SVR method. Data used as many as 64 hstorcal data from Jul 011 up to Oktober 016 data receved of zakat for the one of Lembaga Aml Zakat Nasonal at Malang regon that s LAZISMU Malang. The results of tests performed on the predcton zakat usng SVR wth FPA on zakat revenue data from 011 to 016 resulted value of n the ftness and n the MAPE whch means average dfference between of actual data and predct result s Rp Keywords: zakat revenue, zakat, SVR, FPA, MAPE. 1. PENDAHULUAN Pengelola zakat d Indonesa datur dalam Undang-Undang No. 38 tahun 1999 yang bers Badan Aml Zakat adalah lembaga pengelola zakat yang terdr atas masyarakat dengan tugas yatu mengumpulkan, mendstrbuskan, dan mendayagunakan serta bertanggungjawab kepada pemerntah sesua dengan tngkatnya. Salah satu Badan Aml Zakat yang ada d Kota Malang adalah Lembaga Aml Zakat Infaq dan Shadaqah Muhammadyah (LAZISMU) Malang. Fakultas Ilmu Komputer Unverstas Brawjaya 534
2 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 535 Fluktuas tngg rendah dana zakat yang dterma oleh lembaga LAZISMU mempengaruh jumlah dana zakat yang bsa dsalurkan kepada calon penerma zakat. Solus yang saat n dlakukan ketka jumlah yang dterma kurang dar target dstrbus kepada calon penerma zakat adalah dengan melakukan seleks ulang kepada calon penerma zakat. Predks penermaan zakat sangat dperlukan untuk mengetahu jumlah zakat yang akan dterma, sehngga antspas solus ketka dana kurang dar target penyaluran bsa dlakukan sedn mungkn. Beberapa metode yang dapat dgunakan untuk melakukan predks, sebaga contohnya adalah Support Vector Regresson (SVR) dan Artfcal Network Neural (ANN). SVR terbukt sebaga salah satu metode predks yang memberkan hasl jauh lebh bak dbandngkan dengan yang lannya. Hal n ddukung oleh peneltan yang dlakukan oleh Anandh, dkk. (013) dengan menggunakan metode SVR untuk menyelesakan kasus predks permntaan dan pasokan kayu, menghaslkan nla Mean Magntute Relatve Error (MMRE) yang cukup rendah yakn Peneltan predks waktu perjalanan dengan SVR menghaslkan nla Relatve Mean Error (RME) sebesar 3.91% (Hsn Wu, dkk., 015). SVR memlk kelemahan yatu ketdakmampuan SVR dalam menemukan kombnas koefsen parameter yang mampu memberkan hasl yang optmal, sehngga dperlukan metode optmas untuk memudahkan SVR dalam menemukan kombnas koefsen parameternya (Alfredo et al., Telkom Bandung). Metode optmas untuk mengoptmalkan hasl predks terdapat beberapa macam, sebaga contohnya: Genetc Algorthm (GA), Partcle Swarm Optmzaton (PSO), Flower Pollnaton Algorthm (FPA) dan Artfcal Bee Colony (ABC). Optmas dengan menggunakan algortma Flower Pollnaton Algorthm (FPA) terbukt mampu memberkan hasl yang lebh bak dbandngkan dengan algortma optmas yang lannya. Pernyataan n ddukung dengan peneltan yang dlakukan oleh Chroma, dkk. (016) dengan membandngkan hasl dar kasus predks konsums mnyak tanah menggunakan algortma FPA, GA, PSO, dan ABC. Dar peneltan tersebut FPA memberkan hasl yang jauh lebh bak dbandngkan yang lannya, menghaslkan nla MSE sebesar Berdasarkan penjabaran datas, mplementas predks zakat yang akan dlakukan pada peneltan n adalah menggunakan Support Vector Regresson (SVR) dengan Flower Pollnaton Algorthm (FPA). Dharapkan dengan dlakukan peneltan n bsa memberkan hasl predks untuk jangka waktu terdekat sesua dengan data uj yang dgunakan.. TINJAUAN PUSTAKA.1 Zakat Defns zakat berdasarkan Undang-Undang Pengelolaan Zakat, Zakat adalah sebagan harta yang wajb dkeluarkan oleh seorang muslm yang untuk dsalurkan kepada yang berhak menerma sesua dengan ketentuan dan syarat Islam. Zakat dbedakan atas jens yatu zakat ftrah atau nafs dan zakat maal atau zakat harta. Zakat ftrah adalah zakat yang sfatnya wajb dkeluarkan oleh muslm yang mempunya kelebhan persedaan makanan untuk dgunakan pada har raya umat Islam dengan beberapa ukuran pemberan dan beberapa aturan penerma, sedangkan zakat maal adalah kewajban zakat yang harus dkeluarkan oleh seseorang sesua dengan harta yang dmlk dengan aturan pengeluaran yang telah dtentukan dan penerma yang telah datur dalam syarat Islam (Purbasar, 015).. Support Vector Regresson (SVR) SVR merupakan pengembangan model regres dar SVM. SVR memetakan data secara non-lnear ke dmens yang lebh tngg dengan tujuan dapat menerma regres lnear. Algortma sekuensal adalah salah satu metode untuk regres non-lnear yang mampu memberkan solus optmal, teras lebh cepat, dan urutan yang lebh tepat dbandngkan dengan metode konvensonal (Vjayakumar & Wu, 1999). Berkut adalah tahapan Algortma Sekuensal untuk regres non lner: 1. Insalsas parameter yatu varabel skalar ( ), learnng rate ( ), varabel slack (C), epslon ( ) dan teras maksmum.. Insalsas dan dengan nla awal 0 untuk keduanya, dlanjutkan dengan menghtung nla Matrks Hessan. Rj ( K( x, x) ) untuk,j = 1,,l (1) 3. Lakukan teras untuk setap ttk data pelathan sesua dengan langkah a, b dan c. a. Lakukan pada setap data lath dengan persamaan berkut: l E y ( ) R () j 1 j j j Fakultas Ilmu Komputer, Unverstas Brawjaya
3 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 536 b. Lakukan pada setap data lath dengan persamaan berkut: mn max,, E C (3) mn max E,, C (4) c. Setelah dtemukan nla lagrange, tahap berkutnya adalah lakukan pada setap data lath persamaan 5 dan 6 (5) (6) 4. Lakukan secara berulang langkah ketga hngga mencapa teras maksmum atau max dan max 5. Dapat danggap suatu Support Vector jka syarat! 0 telah dpenuh, yang berart terjad perbedaan nla antara kedua varabel. 6. Menghtung dengan fungs regres : l f ( x) ( )( K( x, x) ) Keterangan: R j 1 (7) = matrks Hessan pada bars ke- dan kolom ke-j K( x, x) = fungs kernel yang dgunakan l E y = varabel skalar = banyak data yang dgunakan = nla error ke- = nla aktual data lath ke- j, j = nla Lagrange Multpler l = banyak data yang dgunakan δα, δα = perubahan nla α dan α Ɛ = nla epslon γ = nla learnng rate C = varabel slack.3 Flower Pollnaton Algorthm (FPA) Dalam mplementas algortma flower pollnaton dsesuakan dengan penyerbukan bunga yang sebenarnya yatu dengan konsep penyerbukan yang terdr atas dua jens: penyerbukan sendr (penyerbukan lokal) dan penyerbukan slang (penyerbukan global). Penyerbukan lokal terjad ketka penyerbukan dengan serbuk sar yang berasal dar bunga yang sama atau bunga berbeda pada satu tanaman. Penyerbukan global terjad apabla gamet serbuk sar yang dbawa oleh penyerbuk sepert serangga dapat mencapa jarak yang jauh dan bergerak dengan ksaran waktu yang lama (Chroma, dkk., 016). Drepresentaskan ke dalam persamaan 8 yang dgunakan ketka konds penyerbukan global yatu ketka nla probabltas lebh besar dar nla random dan persamaan 15 dgunakan ketka konds penyerbukan lokal yatu ketka nla probabltas lebh kecl dar nla random, sebaga berkut: x t+1 = x t + L(B x t ) (8) Berkut fungs untuk jarak penyerbukan bunga: L λγ(λ) sn(πγ ) π S = v u 1 Γ(1+β) sn(πβ σ u = { ) S 1+λ, (S S 0 > 0) (9) 1/β (10) Γ[ (1+β) β 1 ]β N(0,1) = x µ σ σ = 1 N ( N =1 (x x ) N 1 Γ(n) = 0 t x 1 e t } 1/β (11) (1) (13) (14) x t+1 = x t + ε(x j t x k t ) (15) Keterangan: t x = solus vektor pada teras t B = solus terbak saat n L = jarak penyerbukan oleh serangga Γ(λ) = fungs gamma standar λ = parameter ukuran penyerbukan γ = ukuran learnng rate untuk operas optmas dengan FPA S = symmetrc Levy stable dstrbuton u = dstrbus normal N(0,1) σ u v = dstrbus normal N(0,1) β = beta dengan nla 0 sampa dengan σ u = sgma u N = banyaknya nla yang akan dcar standard devasnya x = data berdstrbus normal ndeks ke x = rata-rata nla berdstrbus normal n = nla yang akan dhtung fungs gamma nya x = varabel peubah e =.7188 t x = solus vektor pada teras t ε = dstrbus seragam [0,1] t x k = solus vektor k pada teras t Fakultas Ilmu Komputer, Unverstas Brawjaya
4 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer Support Vector Regresson (SVR) dan Flower Pollnaton Algorthm (FPA) Tahapan metode hybrd SVR-FPA untuk predks penermaan zakat adalah sebaga berkut: 1. Insalsas parameter dan data.. Penentuan batas nla untuk parameter yang doptmas dan nsalsas sebanyak N flower sebaga populas. 3. Menghtung nla ftness dengan pelathan SVR dan mencar x best. 4. Ulang tahap berkut hngga teras maksmal: a. Bangktkan nla random untuk tap dmens ndvdu seluruh populas. b. Jka random<p lakukan penyerbukan global, dan jka random>=p lakukan penyerbukan lokal. c. Evaluas hasl reposs penyerbukan dengan sebelum penyerbukan dan dapatkan solus terbak untuk tap ndvdu atau flower seluruh populas, dan update x best. 5. x best yang ddapatkan dar teras maksmal FPA sebaga solus terbak untuk parameter SVR yang doptmas. 6. Lakukan perhtungan SVR untuk fungs regres dan nla ftness dengan koefsen parameter dar FPA..5 Normalsas Data Normalsas data merupakan metode preprocessng yang bertujuan untuk menyamakan data agar berada pada jarak tertentu (S.Gopal, dkk., 015). Pada peneltan n menggunakan metode Mn-Max Normalzaton. Rumus normalsas dtunjukkan pada persamaan 16. ( x xmn ) x' x x (16) max mn Keterangan: x = hasl normalsas x = data yang akan d normalsas x max = nla maksmum dar keseluruhan data yang dgunakan x mn = nla mnmum dar keseluruhan data yang dgunakan Sedangkan denormalsas dgunakan untuk mengembalkan data pada besar nla yang sebenarnya, dapat dmplementaskan dengan persamaan 17. x = (x (x max x mn )) + x mn (17).6 Nla Evaluas Nla evaluas yang dgunakan pada peneltan n adalah Mean Absolute Percentage Error (MAPE) dengan tujuan mengetahu besarnya akuras dar hasl peramalan yang, ddapatkan dar selsh antara nla ramalan dan nla aktual atau error rate (Mathaba, dkk., 014). Nla ftness ddapat dar perhtungan 1/(1+MAPE), semakn besar hasl perhtungan nla ftness menunjukkan solus yang dhaslkan juga semakn bak. Perhtungan MAPE dtunjukkan dengan persamaan 18: n 1 yˆ y MAPE 100 (18) n 1 y Keterangan: = nla hasl ramalan n ŷ y = nla actual = banyaknya data yang dgunakan 3. METODOLOGI Tahapan yang dlakukan pada peneltan n dtunjukkan pada Gambar 1 berupa Dagram Alr Metodolog Peneltan. Stud Lteratur Analsa Kebutuhan Sstem Pengumpulan Data Perancangan Sstem Implementas Sstem Pengujan dan Analss Sstem Penarkan Kesmpulan Gambar 1. Dagram Alr Metodolog Peneltan 3.1. Data Peneltan Data yang dgunakan pada peneltan n adalah dengan menggunakan data hstors penermaan zakat dar lembaga pengelola zakat wlayah Malang Lembaga Aml Zakat Infaq dan Shadaqah (LAZISMU) Malang pada tap Fakultas Ilmu Komputer, Unverstas Brawjaya
5 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 538 perode pengumpulan yatu tap bulan dar bulan Jul 011 hngga Oktober PERANCANGAN Pada bagan perancangan dberkan penjelasan tentang penyelesaan permasalahan predks penermaan zakat menggunakan Support Vector Regresson (SVR) dengan Flower Pollnaton Algrthm (FPA). Dagram alr untuk perancangan sstem predks dengan SVR-FPA dtunjukkan pada Gambar. Tahapan awal dar mplementas SVR-FPA untuk predks penermaan zakat dmula dengan nsalsas populas awal dan perhtungan nla ftness yang dtunjukkan pada Tabel 1. Tabel 1. Insalsas Populas dan Nla Ftness Insalsas λ Ɛ CLR C ftness X flower Flower Flower Flower Flower Flower Mula Insalsas data, ItrMax,λ, Ɛ, γ, C, dan σ Normalsas data FPA Pelathan SVR Iteras maksmum Ya Testng SVR Hasl predks penermaan zakat Tdak 5. IMPLEMENTASI Implementas antarmuka yang dgunakan pada sstem predks penermaan zakat menggunakan Support Vector Regresson (SVR) dengan Flower Pollnaton Algorthm (FPA) terdr atas halaman utama dan halaman nput, sepert pada Gambar 3 dan 4. Gambar 3. Halaman Utama Sstem Gambar 4. Halaman Input Data Sstem 6. PENGUJIAN Pengujan yang dlakukan terhadap sstem terdr atas 3 macam, yatu pengujan jumlah teras SVR dan FPA, pengujan batas mnmal dan maksmal parameter SVR, serta pengujan varas data lath dan data uj. Tujuannya adalah menemukan kombnas teras, parameter, dan data yang mampu memberkan hasl predks yang optmal. Pengujan dlakukan berulang sebanyak 10 kal terhadap masng-masng nla yang dujkan. 6.1 Pengujan Jumlah Iteras SVR dan FPA Pengujan pertama yang dlakukan adalah jumlah teras SVR dan FPA dengan tujuan menemukan banyak teras SVR dan FPA yang mampu memberkan hasl predks yang optmal. Hasl pengujan jumlah teras SVR dtunjukkan pada Gambar 5 dan Gambar 6, sedangkan hasl pengujan jumlah teras FPA dtunjukkan pada Gambar 7 dan Gambar 8. Selesa Gambar. Dagram Alr SVF-FPA Fakultas Ilmu Komputer, Unverstas Brawjaya
6 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 539 Gambar 5. Grafk Rata-rata Ftness Pengujan Iteras SVR Gambar 6. Grafk Waktu Komputas Pengujan Iteras SVR Berdasarkan hasl pengujan banyak teras SVR, jumlah teras SVR yang memberkan hasl predks terbak adalah dengan nla ratarata ftness Dar hasl pengujan yang telah dlakukan semakn menngkat jumlah teras SVR yang dgunakan, maka rata-rata ftness yang dhaslkan juga mengalam penngkatan dtunjukkan pada Gambar 5. Hal n dkarenakan jumlah teras SVR mempengaruh tngkat press dar hasl nla SVR. Sementara tu, semakn menngkat jumlah teras SVR yang dgunakan juga akan menyebabkan terjadnya penngkatan waktu komputas yang dgunakan. Hasl pengujan jumlah teras SVR terhadap waktu komputas dtunjukkan pada Gambar 6. Gambar 7. Grafk Rata-rata Ftness Pengujan Iteras FPA Gambar 8. Grafk Waktu Komputas Pengujan Iteras FPA Berdasarkan hasl pengujan banyak teras FPA, jumlah teras terbak FPA yang memberkan hasl predks terbak adalah 50 dengan nla rata-rata ftness yatu Dar analsa hasl pengujan teras FPA terhadap ratarata ftness yang dtunjukkan pada Gambar 7 ddapatkan hasl yatu semakn besar teras FPA bukan berart semakn tngg hasl ftness yang dhaslkan karena sfat dar FPA yatu stochastc atau random, namun menyebabkan waktu komputasnya menngkat dtunjukkan pada Gambar Pengujan Batas Mnmum dan Maksmum Parameter SVR Pengujan batas mnmum dan maksmum parameter SVR bertujuan menemukan kombnas batas yang djadkan rentang nla untuk parameter SVR yang mampu memberkan hasl predks terbak. Hasl pengujan batas mnmum dan maksmum parameter Lambda dtunjukkan pada Gambar 9, parameter C pada Gambar 10, parameter CLR pada Gambar 11, dan untuk parameter Epslon pada Gambar 1 Berdasarkan hasl pengujan rentang parameter Lambda yang dtunjukkan pada Gambar 9, rentang Lambda yang terbak adalah dengan nla ftness yatu Lambda berkatan dengan augmented factor, semakn besar nla Lambda yang dgunakan maka akan memberkan hasl yang optmal. Namun, apabla nla Lambda yang dgunakan terlalu besar menyebabkan melambatnya waktu komputas dkarenakan kecepatan konvergens yang lambat dan tdak stablnya proses learnng (Vjayakumar & Wu., 1999). Fakultas Ilmu Komputer, Unverstas Brawjaya
7 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 540 learnng rate, semakn besar nla CLR, maka semakn cepat proses learnng yang dlakukan. Gambar 9. Pengujan Rentang Parameter Lambda Gambar 1. Pengujan Rentang Parameter Epslon Gambar 10. Pengujan Rentang Parameter C Berdasarkan pengujan batas mnmal dan maksmal parameter C yang dtunjukkan pada Gambar 10, rentang parameter C yang terbak adalah dengan nla ftness yang dhaslkan yatu Nla complexty (C) merupakan varabel yang menampung nla penalty akbat adanya pelanggaran tolerans yang berupa batas atas devas. Semakn besar nla C, maka semakn jauh dengan standar devas (Mahares., 013). Berdasarkan hasl pengujan batas mnmal dan maksmal parameter Epslon yang dtunjukkan pada Gambar 1, rentang parameter Epslon yang terbak adalah dengan nla ftness yang dhaslkan adalah Nla Epslon menunjukkan tngkat keteltan dar regres, semakn besar nla epslon maka semakn tngg tngkat keteltan regres sehngga mampu memberkan hasl yang lebh bak. 6.3 Pengujan Varas Data Lath dan Data Uj Pengujan berkutnya adalah pengujan varas data lath dan data uj untuk menemukan kombnas data yang memberkan hasl terbak. Uj coba varas data lath dan data uj dlakukan pada 3 bagan yang berbeda yatu uj coba varas data lath 18 bulan untuk melakukan predks 6 bulan dtunjukkan pada Gambar 13, uj coba varas data lath 36 bulan untuk melakukan predks 1 bulan pada Gambar 14, dan uj coba varas jumlah data lath untuk melakukan predks 6 bulan pada Gambar 15. Gambar 11. Pengujan Rentang Parameter CLR Berdasarkan hasl pengujan batas mnmal dan maksmal parameter CLR yang dtunjukkan pada Gambar 11, rentang parameter CLR yang terbak adalah dengan nla ftness yang dhaslkan adalah Konstanta Learnng Rate (CLR) sebandng dengan nla Gambar 13. Hasl Uj Coba Varas Data Lath 18 Data Uj 6 Berdasarkan hasl pengujan varas data lath dan data uj pada Gambar 13, varas data lath dan data uj yang memberkan hasl optmal adalah data bulan Februar Jul 015 yang Fakultas Ilmu Komputer, Unverstas Brawjaya
8 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 541 dgunakan untuk melakukan predks penermaan zakat pada bulan Agustus 015 Januar 016. Hal n dkarenakan data pada bulan tersebut cenderung stabl dbandng yang lannya. Gambar 14. Hasl Uj Coba Varas Data Lath 36 Bulan dan Data Uj 1 Bulan Berdasarkan grafk hasl uj coba varas data lath dan data uj pada Gambar 14, dapat dlhat bahwa kombnas data yang menghaslkan nla rata-rata ftness terbak adalah dengan data lath bulan Januar 01 Desember 014 untuk melakukan predks penermaan zakat pada bulan Januar 015 Desember 015, n dkarenakan pelathan data untuk beberapa pengujan yang sebelumnya dlakukan adalah dengan menggunakan kombnas data tersebut, sehngga pola data sudah dkenal dengan bak beserta nla untuk masng-masng parameter yang dgunakan pada pengujan saat n. Gambar 15. Hasl Uj Coba Varas Jumlah Data Lath Sedangkan berdasarkan grafk hasl uj coba varas data lath dan data uj pada Gambar 15 penggunaan data lath sebanyak 36 bulan memberkan hasl yang palng bak, dengan bulan Januar 01 Desember 014 sebaga data lath dan Januar 015 Desember 015 sebaga data uj. Dar Gambar 15 dapat dtark kesmpulan bahwa semakn banyak jumlah data lath yang dgunakan, tdak menjamn bahwa nla ftness yang dhaslkan juga akan mengalam penngkatan. 6.4 Analss Global Hasl Pengujan Berdasarkan analss dar keseluruhan pengujan yang telah dlakukan terhadap sstem, dapat dsmpulkan bahwa jumlah teras yang memberkan hasl terbak pada pengujan kal n untuk SVR adalah sejumlah dan untuk FPA adalah 50 dengan nla ftness yang dhaslkan adalah atau MAPE Batas mnmum dan maksmum untuk parameter lambda yang memberkan hasl ftness terbak pada rentang , untuk batas mnmum dan maksmum dar parameter C memberkan hasl terbak pada rentang , untuk parameter CLR memberkan hasl terbak pada rentang , untuk parameter Epslon memberkan hasl terbak pada rentang Sedangkan dar hasl pengujan varas data lath yang dlakukan pada pengujan kal n terhadap 18 bulan data lath dan 6 bulan data uj dhaslkan yang terbak adalah kombnas bulan Februar 014 Jul 015 sebaga data lath dan bulan Agustus 015 Januar 016 sebaga data uj, untuk pengujan terhadap 36 bulan data lath dan 1 bulan data uj kombnas terbak dhaslkan pada bulan Januar 01 Desember 014 sebaga data lath dan Januar 015 Desember 015 sebaga data uj. Jumlah data lath yang memberkan hasl terbak adalaha 36 bulan. Sesua dengan analss hasl dan pengujan yang telah dlakukan, untuk pengujan jumlah teras SVR dan FPA dberkan waktu komputas. Hal n dkarenakan jumlah teras SVR dan FPA yang dgunakan pada saat pengujan sangat berpengaruh terhadap kecepatan komputas untuk memberkan hasl predks zakat. Waktu komputas yang dgunakan untuk melakukan predks penermaan zakat dengan 50 teras FPA sudah cukup lama yatu 33 s. Mengngat waktu komputas yang dperlukan sudah cukup lama, maka pada pengujan tersebut hanya menggunakan teras SVR sebesar dengan tujuan untuk menghemat waktu komputas yang dgunakan. Detal hasl predks penermaan zakat dengan 50 teras FPA dapat dlhat pada Gambar 16. Grafk pada Gambar 17 menunjukkan hasl predks penermaan zakat dengan menggunakan teras SVR sebanyak Berdasarkan Gambar 17 hasl predks penermaan zakat dengan teras SVR menghaslkan ftness yang lebh bak dar hasl predks pada Gambar 16 yatu sebesar Fakultas Ilmu Komputer, Unverstas Brawjaya
9 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 54 sedangkan untuk nla ftness dengan 50 teras FPA hanya Hal n dkarenakan pada pengujan 50 teras FPA hanya menggunakan teras SVR sebesar 10000, sehngga haslnya kurang optmal. Dar hasl analss tersebut sebaknya teras SVR yang dgunakan adalah untuk mendapatkan hasl yang lebh optmal, namun dengan konsekuens yatu waktu komputas yang lama untuk mendapatkan hasl predks penermaan zakat. Detal hasl penermaan zakat dengan menggunakan teras SVR dapat dlhat pada Gambar 17. Gambar 16. Hasl Predks Pengujan Iteras 50 FPA Gambar 17. Hasl Predks Pengujan SVR 7. KESIMPULAN DAN SARAN Flower Pollnaton Algorthm (FPA) dapat dmplementaskan pada kasus predks penermaan zakat menggunakan Support Vector Regresson (SVR) untuk menemukan koefsen terbak dar parameter SVR yang doptmas. Pada peneltan n terdapat empat parameter dar SVR yang doptmas dengan FPA yatu nla lambda (λ), nla komplekstas (Ϲ), nla konstanta learnng rate (CLR), dan nla epslon (ε). Dengan batas rentang untuk masng-masng parameter berbeda yatu [ , 0.001] untuk lambda, [0.001, 1000] untuk C, [0.0001, 0.01] untuk CLR, dan [ , ] untuk epslon. Sedangkan error yang dhaslkan pada peneltan n sudah cukup kecl dan bak untuk menghaslkan predks penermaan zakat, dtunjukkan dengan nla dalam ftness atau dalam MAPE yang berart rata-rata selsh antara data aktual dengan hasl predks adalah Rp , dengan menggunakan teras SVR 10000, dan teras FPA 50. Peneltan selanjutnya yang bsa dlakukan adalah mplementas SVR dan FPA dengan menambahkan jumlah teras SVR dengan menggunakan pemrosesan paralel yang dgunakan untuk melakukan uj coba parameter dan data agar mampu menghaslkan predks dengan nla error yang cukup kecl dan waktu komputas yang dperlukan juga semakn cepat. Selan tu pada peneltan berkutnya bsa melakukan optmas parameter SVR yang belum doptmas pada peneltan saat n. Adapun parameter yang belum dlakukan optmas nlanya pada peneltan n adalah nla sgma (σ). Dengan tujuan mendapatkan nla yang optmal untuk setap parameter SVR, sehngga dapat memberkan hasl predks yang lebh bak. DAFTAR PUSTAKA Abdelazz, A., Al, E. & Elazm, S. A., 016. Optmal Szng and Locatons of Capactors n Radals Dstrbuton System Va Flower Pollnaton Optmzaton Algorthm and Power Loss Index. Engneerng Scence and Technology an Internatonal Journal, Volume 19, pp Abdel-Baset, M. & Hezam, I. M., 015. An Improved Flower Pollnaton Algorthm for Ratos Optmzaton Problems. Appled Mathematcs & Informaton Scences Letters an Internatonal Journal, Volume 3, pp Abdel-Raouf, O., Abdel-Baset, M. & Elhenawy, 014. A New Hybrd Flower Pollnaton Algorthm for Solvng Constraned Global Optmzaton Problems. Internatonal Journal of Fakultas Ilmu Komputer, Unverstas Brawjaya
10 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 543 Appled Operatonal Research, 4(), pp Agrest, A., Categorcal Data Analyss. nd penyunt. Genesvlle, Florda: Wley Interscence. Alfredo, Jondr & RIsmala, R., t.thn. Predks Harga Saham menggunakan Support Vector Regresson dan Frefly Algorthm. Departemen Informatka, Unverstas Telkom. Anandh, V. & Chezan, D. R. M., 013. Support Vector Regresson n Forecastng. Internatonal Journal of Advanced Research n Computer and Communcaton Engneerng, (10), pp Anon., 013. Dstrbus Normal. [Onlne] Avalable at: 7/rumus-dstrbus-normal-dstrbusgauss.html [Dakses 9 November 016]. B, L., Tsmhon, O. & Lu, Y., 011. Usng the Support Vector Regresson Approach to Model Human Performance. IEEE Transactons on System, Man, and Cybernetcs- Part A : System and Human, 41(3), pp Chroma, H. et al., 016. A New Approach for Forecastng OPEC Potrelum Consumpton based on Neural Network Tran by usng FLower Pollnaton Algorthm. Appled Soft Computng, Volume 48, pp Clavera, O., Monte, E. & Torra, S., 015. Regonal Forecastng wth Support Vector Regresson: The Case of Span. Research Insttute of Appled Economcs, Volume 7. Hoang, N.-D., Bu, D. T. & Kuo-We, L., 016. Groutablty Estmaton of Groutng Processes wth Cements Grouts usng Dfferental FLower Pollnaton Optmzed Support Vector Regresson. Appled Soft Computng, Volume 45, pp Lukask, S. & Kowalsk, P. A., t.thn. Study of Flower Pollnaton for Contnuous Optmzaton. System Research Insttute, Polsh Academy of Scence. Madura, J., 011. Internatonal Fnance Management. Pardede, C., t.thn. Kalkulus 4. Dalam: S. T. MESIN, penyunt. Kalkulus. s.l.:unverstas Gunadarma. Patro, S. & Sahu, K., t.thn. Normalzaton: A Preprocessong Stage. Inda: Department of SCE&IT, VSSUT, Burla. Pebranta, 013. Pengaruh Zakat yang dkelola Bazda terhadap Pengentasan Kemsknan d Kota Padang. Skrps S1 Ilmu Ekonom, Fakultas Ekonom. Preasad, R., Veera, R. & T., G. M., 016. Applcaton of Flower Pollnaton Algorthm for Optmal Placement and Szng of Dstrbuted Generaton n Dstrbuton System. Journal of Electrcal System and Informaton Technology, pp Rajkumar, N. & Jaganathan, P., 013. A New RBF Kernel Based Learnng Method Appled to Multclass Dermatology Dseases Classfcaton. Proceedng of 013 IEEE COnference of Informaton and Communcaton Technologes (ICT 013). Ren, Y. & Ba, G., 010. Determnaton of Optmal SVM Parameters by Usng GA/PSO. Journal of Computers, 5(8). RI, U.-u., Pengelolaan Zakat. [Onlne] Avalable at: www/bpkp.go.d /u/fledownload//1/1997.bpkp [Dakses 9 Agustus 016]. Sedgewck, R. & Wayne, K., 014. Introducton Programmng n Java An Interdscplne Approach: Scentfc Computaton. s.l.:unverstas Prceton. Sh, K. et al., 015. Support Vector Regresson Based Indoor Locaton n IEEE Envronments. Hndaw Publshng Corporaton Mobla Informaton System, Volume 015, pp Sradj, M., 014. Jalan Panjang Legslas Syarat Zakat d Indonesa: Stud terhadap Undang-Undang Nomor 3 tahun 011 tentang Pengelolaan Zakat. Jurnal Bmnas Islam, 7(3), pp Vjayakumar, S. & Wu, S., Sequental Support Vector Classfer and Regresson. Internatonal Conferences Fakultas Ilmu Komputer, Unverstas Brawjaya
11 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 544 on Soft Computng, pp Wu, C.-H., Ho, J.-M. & Lee, D., 004. Travel- Tme Predcton Wth Support Vector Regresson. IEEE Transactons on Intellgent Transportaton System, 5(4), pp Fakultas Ilmu Komputer, Unverstas Brawjaya
Peramalan Jumlah Pemakaian Air di PT. Pembangkitan Jawa Bali Unit Pembangkit Gresik Menggunakan Support Vector Regression
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 548-964X Vol., No. 10, Oktober 018, hlm. 3788-3795 http://j-ptk.ub.ac.d Peramalan Jumlah Pemakaan Ar d PT. Pembangktan Jawa Bal Unt Pembangkt
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 terperinciPENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
Lebih 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 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 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 terperinciPrediksi Jumlah Follower Official Account Line Menggunakan Regresi dan Algoritma Genetika
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 217, hlm. 1312-132 http://j-ptk.ub.ac.d Predks Jumlah Follower Offcal Account Lne Menggunakan Regres dan
Lebih 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 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 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 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 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB 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 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 terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
Lebih terperinciBAB 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 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 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 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 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 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 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 terperinciMETODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
TESIS METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS Oleh : I Made Wdartha NRP. 5109201009 Dosen Pembmbng : Dr. Agus Zanal Arfn, S.Kom, M.Kom Anny Yunart, S.Kom, M.Comp.Sc
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
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 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 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 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 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 IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
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 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
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 terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciBAB 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 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 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 terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
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 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 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 III METODE PENELITIAN. menggunakan strategi pembelajaran mind mapping dalam pendekatan
35 BAB III METODE PENELITIAN A. Jens dan Desan Peneltan Jens peneltan n adalah kuas ekspermen. Pada peneltan n terdapat dua kelompok subjek peneltan yatu kelompok ekspermen yang dberkan suatu perlakuan
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 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.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. 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 V Aliran Daya Optimal
Bab V Alran Daya Optmal Permasalahan alran daya optmal (Optmal Power Flow/OPF) telah menjad bahan pembcaraan sejak dperkenalkan pertama kal oleh Carpenter pada tahun 196. Karena mater pembahasan tentang
Lebih 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 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 IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
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 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 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 terperinciPrediksi Kelainan Refraksi Berdasarkan Panjang Sumbu Bola Mata Pada Pasien Myopia Axial Melalui Regresi Bootstrap
Predks Kelanan Refraks Berdasarkan Panjang Sumbu Bola Mata Pada Pasen Myopa Axal Melalu Regres Bootstrap Oleh: Karyam dan Qorlna Statstka UII ABSTRAKSI Peneltan n dlakukan d Rumah Sakt Mata Dr. YAP Yogyakarta
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBAB 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 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 terperinciBAB III METODE PENELITIAN. hasil penelitian. Walaupun penelitian ini merupakan penelitian kuasi eksperimen,
BAB III METODE PENELITIAN A. Metode dan Desan Peneltan Metode peneltan n adalah quas ekspermen karena terdapat unsur manpulas, yatu mengubah keadaan basa secara sstemats ke keadaan tertentu serta tetap
Lebih terperinciBAB III METODOLOGI PENELITIAN. dalam situs BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal dari dua
BAB III METODOLOGI PENELITIAN 3.1. Ruang Lngkup Peneltan Reksadana yang dgunakan dalam peneltan n adalah reksadana yang terdaftar dalam stus BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal
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 terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
Lebih 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 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 IV HASIL PENELITIAN
6 BAB IV HAIL PENELITIAN A. Deskrps Data Hasl Peneltan Untuk mengetahu keefektfan penerapan model pembelajaran cooperatve learnng tpe TAD (tudent Teams-Achevement Dvsons) terhadap hasl belajar matematka
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 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 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 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 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 terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciPEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Studi Kasus : Metode Secant)
PEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Stud Kasus : Metode Secant) Melda panjatan STMIK Bud Darma, Jln.SM.Raja No.338 Sp.Lmun, Medan Sumatera Utara Jurusan Teknk Informatka e-mal : meldapjt.78@gmal.com
Lebih terperinciBAB III METODE PENELITIAN. 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 terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
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 III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk
Lebih terperinciMahasiswa Program Studi Informatika / Ilmu Komputer Universitas Brawijaya
Implementas Evoluton Strateges untuk Penyelesaan Vehcle Routng Problem Wth Tme Wndows pada Dstrbus Mnuman Soda XYZ Isyar Andka Harun 1, Wayan F. Mahmudy 2, Novanto Yudstra 3 1 Mahasswa Program Stud Informatka
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 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 terperinciMODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut
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 terperinciPERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM
PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM 1) Membuat dstrbus frekuens. 2) Mengetahu apa yang dmaksud dengan Medan, Modus dan Mean. 3) Mengetahu cara mencar Nla rata-rata (Mean). TEORI PENUNJANG
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 terperinciWEIBULL TWO PARAMETER
WEIBULL TWO PARAMETER Dalam teor probabltas dan statstk, dstrbus webull merupakan dstrbus probabltas yang berkelanjutan atau kontnyu. Dgambarkan secara detal oleh Walodd Webull pada tahun 1951 meskpun
Lebih terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih 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 terperinciPertemuan ke-4 Analisa Terapan: Metode Numerik. 4 Oktober 2012
Pertemuan ke-4 Analsa Terapan: Metode Numerk 4 Oktober Persamaan Non Non--Lner: Metode NewtonNewton-Raphson Dr.Eng. Agus S. Muntohar Metode Newton Newton--Raphson f( f( f( + [, f(] + = α + + f( f ( Gambar
Lebih terperinciAnalisis Pengaruh Kernel Support Vector Machine (SVM) pada Klasifikasi Data Microarray untuk Deteksi Kanker
OPEN ACCESS ISSN 460-9056 socj.telkomunversty.ac.d/ndojc Ind. Journal on Computng Vol., Issue. 1, Maret 017. pp. 109-118 do:10.1108/ndojc.017.1.169 Analss Pengaruh Kernel Support Vector Machne (SVM) pada
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 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 terperinciANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE M. Fachrurroz, M.T. 1, Nov Yuslan, M.T. 2 1,2 Jurusan Teknk Informatka Fakultas Ilmu Komputer, Unverstas Srwjaya 1 obetsobets@gmal.com,
Lebih terperinciOPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO)
OPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO) Efrta Arfah Z Jurusan Teknk Elektro, FTI-ITATS Surabaya Jl. Aref Rahman Hakm 100 Tlp
Lebih terperinciPengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Prnt) 1 Pengenalan Karakter Tulsan Tangan Angka dan Operator Matematka Berdasarkan Zernke Moments Menggunakan Support Vector Machne
Lebih terperinciBAB III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
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 terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
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 terperinci