APLIKASI ALGORITMA GENETIKA DALAM OPTIMASI REKAYASA STRUKTUR

Ukuran: px
Mulai penontonan dengan halaman:

Download "APLIKASI ALGORITMA GENETIKA DALAM OPTIMASI REKAYASA STRUKTUR"

Transkripsi

1 APLIKASI ALGORITMA GENETIKA DALAM OPTIMASI REKAYASA STRUKTUR Har Alrasd Mahasswa Pasca Sarjaa Jrsa Tekk Spl Strktr Isttt Tekolog Seplh Nopember Emal: Pjo Aj Dose Tekk Spl Isttt Tekolog Seplh Nopember Emal: ABSTRAK Optmas strktral merpaka salah sat tataga dar para sr tekk spl tk meedaka strktr ag efse. Dmaa strktr tersebt sela mrah jga hars memeh krtera perecaaa ag ada. Pada mma peggaa optmas kofgras dalam optmas strktr hampr tdak mgk dlakka dega metode da desa ag ada. Sehgga haa optmas peampag saja ag serg dlakka dalam desa strktr. Peggaa Algortma Geetka dalam optmas strktr telah memberka sat wacaa bar bahwa optmas kofgras dapat dktsertaka dalam desa strktr. Fgs objektf dalam optmas kal adalah memmka berat strktr da defomas ag terjad. Batasa ag dpaka dalam makalah adalah gaa ag terjad dar tap eleme tdak boleh melebh kekata materal ag dpaka. Sebaga std kass Algortma Geetka aka daplkaska kepada da katlever ragka batag ag maa pada katlever pertama dlakka optmas peampag saja sedagka pada katlever keda dlakka optmas peampag da kofgras. Dar hasl std kass ddapat bahwa berat strktr da deformas hasl gabga optmas peampag da kofgras pada ragka batag katlver lebh kecl jka dbadgka dega ragka batag katlever ag doptmas peampaga saja. Sehgga gabga optmas peampag da kofgras dapat megrag berat strktr darpada jka kta haa melakka optmas peampag saja Kata kc: Optmas Peampag, Optmas Kofgras, Algortma Geetka, Ragka Batag Katlever 1. PENDAHULUAN Optmas strktral merpaka salah sat tataga bag para sr tekk spl dalam meedaka desa strktr ag efse. Dmaa strktr tersebt sela mrah hars memeh krtera perecaaa. Pada mma peggaa optmas kofgras hampr mstahl dlakka dalam desa dega metoda ag ada sehgga haa optmas peampag saja ag dgaka. Peggaa Algortma Geetka (AG) dalam optmas strktr telah memberka wacaa bar dmaa optmas kofgras dapat dktsertaka dalam desa strktr. AG merpaka metode optmas ag bekerja bedasarka evols geetka. Peggaa AG dalam optmas sagatlah mdah karea AG tdak membthka pegetaha khss dalam mecar sols ag optmal. Pada std kal AG aka dmplemetaska pada da ragka batag katlever dega jmlah eleme masg 15 bah. Pada katlever ragka batag pertama aka dlakka optmas peampag saja. Sedagka pada katlever keda aka dlakka secara bersamaa optmas peampag da optmas kofgras. Hasl std kass aka dapat dlhat perbadga berat strktr da deformas ag terjad pada keda ragka batag katlver tersebt. ISBN No B-1

2 Har Alrasd, Pjo Aj 2. Desa da Optmas Ragka Batag Ragka batag adalah sstem strktr gabga dar berberapa batag ag dhbgka tk metrasfer beba ke tmpa dalam betk gaa aksal (tark map teka ) mr. Pada std asms ag dpaka tk aalsa strktr ragka batag adalah selrh gaa lar dberka pada odal ata jot, hbga atar batag dalam betk sed, tap batag haa meerma tegaga aksal saja da besara tegaga kosta sepajag batag. Desa ragka batag dmla dar meetka jmlah odal, ag dlajtka dega meghbgka odal dega odal tk mejad eleme ragka batag. Lagkah selajta adalah meetka data propert dar eleme ag melpt las peampag da modls elaststas materal Selajta ragka batag daalsa dega meggaka program aalsa strktr. Las peampag aka dakka apabla kekata materal lebh kecl dar pada gaa ag terjad pada batag tersebt da aka dredks apabla kekata materal lebh besar dar pada gaa ag terjad pada batag tersebt. Lal hal dlakka ters meers hgga dcapa berat strktr ag rga serta kekata batag da defleks ag terjad sesa dega batas ag djka 2.1. Optmas Ragka Batag Umma optmas ragka batag dklasfkaska mejad 3 macam [6] dataraa optmas kra, kofgras, da kofgras. Pada optmas kra las peampag tap eleme ragka batag mejad varabel desa sedagka koordat odal beserta peghbg atar odal mejad varabel tetap. Sedagka tk optmas topolog da kofgras ag mejad varabel desa adalah koordat odal da hbga atar odal. Desa strktr ag palg effse dlakka apabla ketga optmas dlakka secara terpsa. Dalam melakka optmas desa, basaa ketga optmas dlakka secara terpsah. Lagkah pertama at melakka optmas topolog. Setelah betk optmal dar optmas topolog dtemka lagkah selajta adalah melakka optmas kofgras da peampag. Meezes [6] meataka bahwa metode optmas ag drecaaka secara terpsah tdak dapat meghaslka desa strktr ag efse sehgga dperlka sat metode ag dapat melakka ketga optmas secara bersamaa. Peggaa AG dalam optmas strktr dapat memgkka tk melakka ketga optmas secara bersamaa Algortma Geetka AG adalah prosedr pecara da optmas bedasarka teor seleks alam Charles Darw. Sejak pertama kal drts oleh Joh Hollad pada tah 1960-a, AG telah dpelajar, dtelt da daplkaska secara las pada berbaga bdag. AG baak dgaka pada masalah prakts ag berfoks pada pecara parameter parameter optmal. Hal membat baak orag megra bahwa AG haa bsa dgaka tk masalah optmas. Pada keataaa, AG jga memlk performace ag bags tk masalah masalah sela optmas. Ketga peggaa AG sagat jelas terlhat dar kemdaha mplesetas da kemampaa tk meemka sols ag bags (bsa dterma) secara cepat tk masalah masalah dmes tg. AG sagat berga da efse tk masalah dega karakterstk sebaga berkt a. Rag masalah sagat besar, kompleks da slt dpaham b. Krag ata bahka tdak ada pegetaha ag memada tk merepresetaska masalah ke dalam rag pecara ag lebh sempt c. Tdak tersedaa aalsa matematka ag memada d. Ketka metode metode kovesoal sdah tdak mamp meelesaka masalah ag dhadap e. Sols ag dharapka tdak hars palg optmal tetap ckp bags ata bsa dterma f. Terdapat batasa wakt, msala dalam real tme sstems ata sstem wakt ata AG telah baak daplkaska tk peelesaa masalah da permodela dalam bdag tekolog, bss, da etertatmet sepert ISBN No B-2

3 Aplkas Algortma Geetka Dalam Optmas Rekaasa Strktr a. Optmas AG dgaka tk optmas merc da optmas kombatoral sepert Travelg Salesma Problem (TSP), Peracaga Itegrated Crct, optmas vdeo b. Pemograma Otomats AG telah dgaka tk melakka proses evols terhadap program compter tk meracag strktr komptasoal, sepert celllar atomata da sortg etworks c. Mache Learg AG telah berhasl daplkaska tk mempredks strktr prote. AG jga erhsal daplksaka dalam peracaga eral etwork (jarga saraf tra) tk melakka proses evols terhadap atra atra pada learg classfer sstems ata smbol prodcto sstem d. Iteraks atara Evols da Belajar AG telah dgaka tk mempelajar bagamaa proses belajar sat dvd bsa mempegarh proses evols sat spesses da sebalka 3.1. Logka Program Pada makalah AG aka daplkaska tk optmas ragka batag katlever dega 15 eleme, Sema optmas ragka batag dega AG meggaka program gabga atara Trss.p da NeGA.p. Lagkah lagkah da logka program dalam megoptmas ragka batag adalah sebaga berkt 1. Isalsas pt ragka batag 2. Membat pt hasl decode dar NeGA 3. Mejalaka aalsa strktr ragka batag 4. Aalsa Peampag da Kotrol Deformas 5. Evalas fgs Objektf Fgs objektf dar hasl aalsa peampag devalas oleh NeGA tk dseleks pada geeras selajta 6. Lakka lagkah 1 5 hgga geeras ag terakhr Sedagka betk dagram alr dar lagkah 1 6 dapat dlhat pada gambar dbawah Mla Isalsas pt AG berbasska poplas ag maa mempertmbagka baak kaddat sols dar pada mecar sols dar sebah ttk dalam sat rag. AG haa meggaka la dar fgs objektf, sela t AG meggaka atra probablstk sebaga peggat atra determas. 3. Aplkas Algortma Geetka Pada Optmas Ragka Batag AG telah mejad poplar dalam optmas strktr karea berberapa hal dataraa memgkka tk melakka tga metode optmas. (kra, kofgras da topolog). AG bekerja bedasarka poplas ag maa tdak haa meedaka sat sols optmal tetap sekmpla poplas sols ag optmal. Sela t bag para trss desger AG mempa varas sols sehgga memdahka mereka tk memlh bedasarka kostrks da arstektr ag ada. pegdekodea ssalsas pr tk aalsa ragka barag Aalsa Strktr Ragka Batag Aalsa Peampag da deformas Pejmlaha dar fgs Objektf Evalsa Fgs Objektf dega NeGA (AG) Geeras ke =jmlah geeras Selesa es Gambar 1. Dagram Alr Program Optmas o ISBN No B-3

4 Har Alrasd, Pjo Aj 3.2. Std Kass Pada peelta aka doptmas berat strktr da deformas odal dar ragka batag dega jmlah eleme 15 bah. Selrh eleme mempa berat jes 7850 kg/m3, Modls elaststas 2,038,901.9 kg/cm2 da profl ag dsedaka adalah profl sk ag ada d pasara. Beba sebesar 15 KN dberka ke arah vertkal pada odal 5. Nodal 1 da 6 merpaka tmpa dmaa tmpa pada odal 1 dmodelka sebaga rol (haa mempa reaks horsotal) da tmpa pada odal 6 dmodelka sebaga sed (mempa reaks horsotal da vertkal ). Jes pegelompoka eleme ada 3 macam at A1,A2,A3. Betk optmas ag dlakka ada 2 macam at optmas peampag da gabga optmas peampag serta optmas kofgras. Mt baja ag dpaka adalah f = 2400 kg/cm 2 da f = 3700 kg/cm 2. 6 A1 7 A1 8 A1 9 A3 A3 A3 A3 A2 A2 A2 A2 1 A1 2 A1 3 A1 4 A1 15 kn Gambar 2. Ragka Batag Kalever Pada kal ragka batag katlever aka doptmas dega megaka peratra SNI Sedagka perecaaa strktr tark mert SNI adalah sebaga berkt : Kotrol kekata Tark Kotrol kelagsga batag tark: L (1) λ = 240 max m Dmaa L = pajag tekk = jar - jar kelembama Kat leleh P φag f φ = 0.9 (2) Kat pts P φae f φ = 0.75 (3) Dmaa P adalah kat tark ltmate A g adalah las peampag th A e adalah las peampag efektf Kotrol batag teka Parameter kelagsga kolom (λ c ) 5 f λ λ c = ` (4) π E Dmaa f = tegaga leleh E = Modls Elasts L k = pajag tekk λ = kelagsga = jar - jar kelembama Kat teka recaa Ag f P = φ (5) ω Utk : Kolom pedek λc 0.25 ω = 1 Kolom meegah (elasts) 0.25 λc 1.2 ω = λ c Kolom pajag (elasts) λc 1.2 ω = Fgs Objektf Pada optmas ragka batag katlever ag dmmalka adalah berat strktr. Volme strktr ag doptmas hars memeh persarata kekata materal peampag da perpdaha. Dar tja d atas dapat dbat fgs beratg(x) sepert berkt: g( x) = ρa L (6) Dmaa A : Las peampag eleme ke L : Pajag eleme ke : Jmlah eleme ke ρ : Berat Jes Agar pada tap peampag dar eleme ragka dapat memeh sarat kekata materal peampag da perpdaha (dsplacemet) maka dperlka fgs palt h(x). Pada mma permodela fgs batas dapat dbat sepert berkt h x + ( ) = C1g1 C2g 2 (7) Setelah dlakka tral da erro ddapatka persamaa fgs objektf optmas ragka batag katlever dega peratra SNI dapat dlhat pada persamaa 8 f ( x ) = ρ A L + 100g g (8) 2 ISBN No B-4

5 Aplkas Algortma Geetka Dalam Optmas Rekaasa Strktr Dmaa g1= Pejmlaha dar fgs palt dar tap eleme tark da teka Teso + Compresso Teso slederess + tesoeld + tesolt mate Jka λ < max 240 maka slederess =0 λmax > 240 maka slederess = 1 Jka P φa F maka tesoeld = 0 Jka g g P > φa F maka tesoeld = 1 e P φa F maka tesoltmate = 0 P > φa F maka tesoltmate = 1 e Pada optmas peampag ddapat berat strkr adalah kg da deformas maksmm adalah 0.59 cm hal dapat dlhat pada tabel 1 TABEL 1 PEMILIHAN PROFIL,BERAT STRUKTUR DAN DEFORMASI MAKSIMUM AKIBAT OPTIMASI PENAMPANG Grp Sectoal Area (cm 2 ) Weght Deformato Max A1 A2 A3 Kg cm L 55x55x6 L 40x40x4 L 40x40x5 (6.31) (3.08) (3.79) Compresso compresso stress + slederess + sec to Jka b 250 < maka secto = 0 t f b 250 > maka secto = 1 t f Jka λ < max 200 maka slederess = 0 λ > max 200 maka slederess = 1 A Jka g f P φ maka compressostress = 0 ω Ag f P > φ maka compressostress = 1 ω g2= Pejmlaha fgs kotrol perpdaha tap odal pada tap eleme deflecto Jka Δ j > Δ maka deflecto = 0 Δ j < Δ maka deflecto = 1 4. Aalsa Hasl Setelah ddapatka fgs objektf tk optmas ragka batag katlever maka lagkah selajta adalah melakka optmas dega berberapa parameter AG sepert berkt jmlah poplas 30, jmlah geeras3 00 probabltas pdah slag 0.8, probabltas mtas Parameter d atas dgaka tk keda optmas ragka batag katlever Gambar 3. Kekovergea optmas peampag dega AG Sedagka tk gabga optmas peampag da optmas kofgras ddapat betk strktr sepert pada gambar Nodal x z Gambar 4. Betk Strktr setelah doptmas dega gabga optmas kofgras da peampag Sehgga berat strktr da deformas ag dhaslka sebesar kg da 0.37 cm 4 5 ISBN No B-5

6 Har Alrasd, Pjo Aj TABEL 2 PEMILIHAN PROFIL,BERAT STRUKTUR DAN DEFORMASI MAKSIMUM AKIBAT GABUNGAN OPTIMASI PENAMPANG DAN KONFIGURASI Grp Sectoal Area (cm 2 ) Weght Deformato Max A1 A2 A3 Kg cm L 50x50x6 L 40x40x5 L 45x45x5 (6.31) (3.79) (4.30) Gambar 5. Kekovergea gabga optmas peampag da kofgras dega AG 5. Kesmpla Dar aalsa hasl ddapat bahwa gabga optmas peampag da kofgras lebh meghaslka berat strktr ag lebh kecl darpada jka haa dlakka optmas peampag saja. Dega adaa AG gabga optmas peampag da kofgras dapat dlakka secara bersama sama, hal dapat memdahka para egger tk medapatka desa ag optmal dega berbaga alteratf 6. Kesmpla 1. Bada Stadardsas Nasoal (2002), Tata Cara Perecaaa Strktr Baja tk Baga Gedg, SNI Ge,Cheg(1997),Geetc Algorthms Ad Eggerg Desa, Joh Wle & SONS.INC 3. Goldberg (1989), Geetc Algorthms Search,Optmato ad Mache Learg, Addso Wesle Pblshg Compa Ic 4. Har Alrasd, Pjo Aj,Tavo (2008) Optmas Strktr Ragka Batag Dega Algortma Geetka Semar Nasoal Tekk Spl IV, Isttt Tekolog Srabaa 5. Har Alrasd, Pjo Aj,Tavo (2008) Optmas Strktr Ragka Batag Tga Dmes Dega Algortma Geetka Master Thess, Isttt Tekolog Srabaa 6. Meezes (2007), Mltobjectve Optmzato of Trsses Usg Geetc Algorthm 7. Paht (2006), Ivestgato Of Geetc Algorthm Desg Represetato For Mlt-Obectve Trss Optmato, Master Thess,Texas A&M Uverst 8. Pezeshk,Camp (1998),State Of The Art O The Use Of Geetc Algorthms I Desg Steel Of Strctre, ASCE 124(5) Ma ISBN No B-6

MODIFIKASI PENAKSIR UNTUK RASIO PADA SAMPLING BERPERINGKAT. ABSTRACT 1. PENDAHULUAN

MODIFIKASI PENAKSIR UNTUK RASIO PADA SAMPLING BERPERINGKAT. ABSTRACT 1. PENDAHULUAN MODIFIKAI PAKIR UTUK RAIO PADA AMPLIG BRPRIGKAT Deva rw, Arsma Ada, Rstam fed Devaerw@ahoo.com Mahasswa Program Matematka Dose Jrsa Matematka Fakltas Matematka da Ilm Pegetaha Alam Kamps Bawda Pekabar,893,Idoesa

Lebih terperinci

Analitik Data Tingkat Lanjut (Clustering)

Analitik Data Tingkat Lanjut (Clustering) 6 September 06 Aatk Data Tgkat Lat Csterg Imam Chossod mam.chossod@gma.com Pokok Bahasa. Kosep Csterg. K-meas vs Kere K-Meas 3. Std Kass 4. Tgas Kosep Csterg Cster data dartka keompok. Dega demka, pada

Lebih terperinci

FAKULTAS DESAIN dan TEKNIK PERENCANAAN

FAKULTAS DESAIN dan TEKNIK PERENCANAAN Wiryato Dewobroto ------------------------------------- Jrsa Tekik Sipil - Uiversitas elita Harapa, Karawaci FAKULTAS DESAIN da TEKNIK ERENCANAAN UJIAN TENGAH SEMESTER ( U T S ) GENA TAHUN AKADEMIK 010

Lebih terperinci

BAB IV PERENCANAAN ELEMEN STRUKTUR

BAB IV PERENCANAAN ELEMEN STRUKTUR BAB IV PERENCANAAN ELEMEN STRUKTUR 4.1. Umm Dalam bab ii aka didesai beberaa eleme strktr ag mewakili eleme ag se-tie. Desai eleme-eleme ii didasarka keada gaa-gaa dalam maksimm ag terjadi ada lik da eleme

Lebih terperinci

Pertemuan VII IV. Titik Berat dan Momen Inersia

Pertemuan VII IV. Titik Berat dan Momen Inersia Baa jar Mekaka Baa Mulat, ST., MT Pertemua V V. Ttk Berat da Mome ersa. Ttk Berat Peampag Mome pertama suatu luasa eleme teradap suatu sumbu d dalam bdag luasa dberka dega produk luasa eleme da jarak tegak

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

KULIAH KE 7. METODA KELOMPOK (COHORT SURVIVAL METHOD) Lanjutan. Melihat pengaruh komponen kematian terhadap perubahan penduduk.

KULIAH KE 7. METODA KELOMPOK (COHORT SURVIVAL METHOD) Lanjutan. Melihat pengaruh komponen kematian terhadap perubahan penduduk. ROGRA TUDI ERENANAAN WILAYAH DAN KOTA FAKULTA TEKNIK UNIVERITA EA UNGGUL ETODE ANALII ERENANAAN TL K DR. Ir. Ke arta K, T. b. Kompoe Kemata KULIAH KE ETODA KELOOK (OHORT URVIVAL ETHOD) Lajta elhat pegarh

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM Ed-Math; ol Tah EKITENI BAI ORTHONORMAL PADA RUANG HAIL KALI DALAM Mhammad Kh Abstras at rag etor ag dlegap oleh sat operas ag memeh beberapa asoma tertet damaa Rag Hasl Kal Dalam (RHKD) Pada RHKD deal

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF KELOMPOK A I GUSTI BAGUS HADI WIDHINUGRAHA (0860500) NI PUTU SINTYA DEWI (0860507) LUH GEDE PUTRI SUARDANI (0860508) I PUTU INDRA MAHENDRA PRIYADI (0860500)

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

UKURAN GEJALA PUSAT (UGP)

UKURAN GEJALA PUSAT (UGP) UKURAN GEJALA PUSAT (UGP) Pegerta: Rata-rata (average) alah suatu la yag mewakl suatu kelompok data. Nla dsebut juga ukura gejala pusat karea pada umumya mempuya kecederuga terletak d tegah-tegah da memusat

Lebih terperinci

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Semar Nasoal Tekolog 007 (SNT 007) ISSN : 978 9777 IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Krsawat STMIK AMIKOM Yogyakarta e-mal : krsa@amkom.ac.d

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal) LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau

Lebih terperinci

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

Penelitian Operasional II Teori Permainan TEORI PERMAINAN Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game

Lebih terperinci

PEMODELAN REGRESI PROBIT ORDINAL TERHADAP INDEKS PEMBANGUNAN MANUSIA PROPINSI JAWA TENGAH TAHUN 2007

PEMODELAN REGRESI PROBIT ORDINAL TERHADAP INDEKS PEMBANGUNAN MANUSIA PROPINSI JAWA TENGAH TAHUN 2007 Semar Nasoal Statstka IX Isttt ekolog Seplh Nopember, 7 November 009 PEMODEAN REGRESI PROBI ORDINA ERHADAP INDEKS PEMBANGUNAN MANUSIA PROPINSI JAWA ENGAH AHUN 007 Def Yst Fadah da Prhad Mahasswa Jrsa Statstka

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode II. TINJAUAN PUSTAKA Dalam proses peelta utuk megaalss aproksmas fugs dega metode mmum orm pada ruag hlbert C[ab] (Stud kasus: fugs rasoal) peuls megguaka defs teorema da kosep dasar sebaga berkut:.. Aproksmas

Lebih terperinci

BAB II TINJAUAN PUSTAKA. Knapsack Problem merupakan permasalahan optimasi kombinatorik dengan

BAB II TINJAUAN PUSTAKA. Knapsack Problem merupakan permasalahan optimasi kombinatorik dengan BAB II TINJAUAN PUSTAKA 2.1. Kapsack Problem Kapsack Problem merupaka permasalaha optmas kombatork dega memaksmalka proft dar tem ddalam kapsack (karug) tapa melebh kapastasya. Kapsack problem dapat dlustraska

Lebih terperinci

I. PENDAHULUAN II LANDASAN TEORI

I. PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN Latar Belakag Secara mm prodk asras memerlka peghtga prem Prsp peghtga prem saat semak berkembag dega berbaga pedekata Pedekata palg sederhaa adalah prsp la harapa yat prem bersh sama dega

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,

Lebih terperinci

FAKULTAS TEKNIK JURUSAN SIPIL UNIVERSITAS BRAWIJAYA MALANG

FAKULTAS TEKNIK JURUSAN SIPIL UNIVERSITAS BRAWIJAYA MALANG FAKULTAS TEKNIK JURUSAN SIPIL UNIVERSITAS BRAWIJAYA MALANG 1. Perecaaa Batag Tark 1. Tegaga Recaa 2. Kosep LRFD 3. Cotoh 1 4. Cotoh 2 5. Luas Peampag Efektf 6. Faktor Reduks U 7. Cotoh 3 8. Pegaruh Lubag

Lebih terperinci

BAB 1 STATISTIKA RINGKASAN MATERI

BAB 1 STATISTIKA RINGKASAN MATERI BAB STATISTIKA A RINGKASAN MATERI. Pegerta Data adalah kumpula keteraga-keteraga atau catata-catata megea suatu kejada, dapat berupa blaga, smbol, sat atau kategor. Masg-masg keteraga dar data dsebut datum.

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci

2.2.3 Ukuran Dispersi

2.2.3 Ukuran Dispersi 3 Ukura Dspers Yag aka dbahas ds adalah smpaga baku da varas karea dua ukura dspers yag palg serg dguaka Hubuga atara smpaga baku dega varas adalah Varas = Kuadrat dar Smpaga baku otas yag umum dguaka

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

BAB III UKURAN PEMUSATAN DATA BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah

Lebih terperinci

BAB II KAJIAN PUSTAKA. dalam sebuah dalam ruangan, versi modern dari pasar tradisional.

BAB II KAJIAN PUSTAKA. dalam sebuah dalam ruangan, versi modern dari pasar tradisional. BAB II KAJIAN PUSTAKA 2.1 Pegertia Shoppig Arcade Baga Shoppig Arcade adalah sebah psat perbelajaa dimaa sat ata lebih baga membetk sebah komplek toko dega iterkoeksi trotoar memgkika pegjg tk dega mdah

Lebih terperinci

ANALISA KINERJA SMP N 2 BATUWARNO DENGAN MENGGUNAKAN METODE DEA (DATA ENVELOPMENT ANALISYS)

ANALISA KINERJA SMP N 2 BATUWARNO DENGAN MENGGUNAKAN METODE DEA (DATA ENVELOPMENT ANALISYS) Smposm Nasoal RAPI VIII 29 ISSN : 1412-9612 ANALISA KINERJA SMP N 2 BATUWARNO DENGAN MENGGUNAKAN METODE DEA (DATA ENVELOPMENT ANALISYS) Mch. Dad 1, Hafdh Mawr 2 1, 2 Jrsa Tekk Idstr, Fakltas Tekk, Uverstas

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi. Mea utuk Data Tuggal Des. Jka suatu sampel berukura dega aggota x1, x, x3,, x, maka mea sampel ddesska : 1... N 1 Mea utuk Data Kelompok Des Mea dar data yag dkelompoka adalah : x x 1 1 1 dega : x = ttk

Lebih terperinci

BAB 1 PENDAHULUAN. digunakan sebagai rujukan yang mempunyai fungsi utama menyediakan dan. menyelenggarakan upaya kesehatan yang bersifat penyembuhan,

BAB 1 PENDAHULUAN. digunakan sebagai rujukan yang mempunyai fungsi utama menyediakan dan. menyelenggarakan upaya kesehatan yang bersifat penyembuhan, BAB 1 PENDAHULUAN A. Latar Belakag Rmah sakt merpaka salah sat t kesehata masayarakat yag dgaka sebaga rjka yag mempya fgs tama meyedaka da meyeleggaraka paya kesehata yag bersfat peyembha, perawata, pemlha,

Lebih terperinci

Bab 1 PENDAHULUAN Latar Belakang

Bab 1 PENDAHULUAN Latar Belakang Bab PENDAHULUAN.. Latar Belakag Bayak peelitia yag bertja mecari dasar-dasar tk megadaka prediksi sat variabel dari iormasi-iormasi yag diperoleh dari variablel tersebt. Misalya apakah keadaa caca dapat

Lebih terperinci

BAB III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

Lebih terperinci

BAB IV METODE BINOMIAL UNTUK PENENTUAN HARGA OPSI ASIA

BAB IV METODE BINOMIAL UNTUK PENENTUAN HARGA OPSI ASIA BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA 35 BAB IV METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA Pada bab ii aka dibahas sat pedekata merik tk peeta harga opsi Asia, khssya opsi Asia dega rata-rata

Lebih terperinci

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah

Lebih terperinci

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi.

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi. TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Ftr Yulat, SP. Ms. UKURAN DATA Ukura data Ukura Pemusata data Ukura letak data Ukura peyebara data Mea Meda Jagkaua Meda Kuartl Jagkaua atar

Lebih terperinci

PENYELESAIAN PERSAMAAN PELL DENGAN MENGGUNAKAN ALGORITMA PQa DAN METODE MATRIKS SKRIPSI. Oleh: AHFALINISA I NIM:

PENYELESAIAN PERSAMAAN PELL DENGAN MENGGUNAKAN ALGORITMA PQa DAN METODE MATRIKS SKRIPSI. Oleh: AHFALINISA I NIM: PENYELESAIAN PERSAMAAN PELL ENGAN MENGGUNAKAN ALGORITMA PQa AN METOE MATRIKS SKRIPSI Oleh: AHFALINISA I NIM: 56 JURUSAN MATEMATIKA FAKULTAS SAINS AN TEKNOLOGI UNIVERSITAS ISLAM NEGERI (UIN) MALANG MALANG

Lebih terperinci

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS LGORITM MENENTUKN HIMPUNN TERBESR DRI SUTU MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar Program Stud Matematka FMIP UNDIP JlProfSoedarto SH Semarag 575 bstract Ths research dscussed about how to obtaed

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk

Lebih terperinci

NORM VEKTOR DAN NORM MATRIKS

NORM VEKTOR DAN NORM MATRIKS NORM VEKTOR DN NORM MTRIK umaag Muhtar Gozal UNIVERIT PENDIDIKN INDONEI. Pedahulua Jka kta membcaraka topk ruag vektor maka cotoh sederhaa yag dapat kta ambl adalah ruag Eucld R. D ruag kta medefska pajag

Lebih terperinci

Notasi Sigma. Fadjar Shadiq, M.App.Sc &

Notasi Sigma. Fadjar Shadiq, M.App.Sc & Notas Sgma Fadjar Shadq, M.App.Sc (fadjar_pg@yahoo.com & www.fadjarpg.wordpress.com Notas sgma memag jarag djumpa dalam kehdupa sehar-har, tetap otas tersebut aka bayak djumpa pada baga matematka yag la,

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

Lebih terperinci

SOLUSI TUGAS I HIMPUNAN

SOLUSI TUGAS I HIMPUNAN Program Stud S1 Tekk Iformatka Fakultas Iformatka, Telkom Uversty SOLUSI TUGAS I HIMPUNAN Matematka Dskrt (MUG2A3) Halama 1 dar 6 Soal 1 Tetukalah eleme-eleme dar hmpua berkut! 2 x x adalah blaga real

Lebih terperinci

UJIAN TUGAS AKHIR LOGO. Kamis, 28 Januari Oleh : Heny Nurhidayanti. Dosen Pembimbing : INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

UJIAN TUGAS AKHIR LOGO. Kamis, 28 Januari Oleh : Heny Nurhidayanti. Dosen Pembimbing : INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA LOGO UJIAN TUGAS AKHIR Kams, 28 Jauar 200 Oleh : Hey Nurhdayat 206 00 059 Dose Pembmbg : Drs. Sulstyo, MT JURUSAN MATEMATIKA FMIPA INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA Pedahulua Order dar customer

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA. Peahulua Dalam bab aka membahas megea teor-teor tetag statstka oparametrk, korelas parsal tau Keall a korelas parsal meurut Ebuh GU a Oeka ICA.. Statstka Noparametrk Istlah oparametrk

Lebih terperinci

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema II. LANDAAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teoremateorema ag medukug utuk pembahasa pada bab IV. Pegerta (defs) da teorema tersebut dtulska sebaga berkut.. Teorema Proeks Teorema

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

BAB 1 ERROR PERHITUNGAN NUMERIK

BAB 1 ERROR PERHITUNGAN NUMERIK BAB ERROR PERHITUNGAN NUMERIK A. Tujua a. Memaham galat da hampra b. Mampu meghtug galat da hampra c. Mampu membuat program utuk meelesaka perhtuga galat da hampra dega Matlab B. Peragkat da Mater a. Software

Lebih terperinci

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

RHEINHARDT MAUPA NRP 3106 100 023. Dosen Pembimbing : Tavio, ST, MT, Ph.D Bambang Piscesa, ST, MT

RHEINHARDT MAUPA NRP 3106 100 023. Dosen Pembimbing : Tavio, ST, MT, Ph.D Bambang Piscesa, ST, MT MAKALAH TUGAS AKHIR STUDI KOMPARATIF DESAIN STRUKTUR GEDUNG TAHAN GEMPA DENGAN FLAT PLATE SYSTEM BERDASARKAN TATA CARA PEMBEBANAN GEMPA SNI 03-76-00 DAN ASCE 7-05 RHEINHARDT MAUPA NRP 306 00 03 Dose Pembmbg

Lebih terperinci

ANALISIS PERENCANAAN TENAGA KERJA DI PERUSAHAAN REDRYING TEMBAKAU DENGAN PENDEKATAN LINEAR PROGRAMMING

ANALISIS PERENCANAAN TENAGA KERJA DI PERUSAHAAN REDRYING TEMBAKAU DENGAN PENDEKATAN LINEAR PROGRAMMING ANALISIS PERENCANAAN TENAGA KERJA DI PERUSAHAAN REDRYING TEMBAKAU DENGAN PENDEKATAN LINEAR PROGRAMMING S A R T I N JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNVERSITAS PEMBANGUNAN NASIONAL VETERAN

Lebih terperinci

Optimalisasi Pengaturan Tegangan dengan Algoritma Genetika

Optimalisasi Pengaturan Tegangan dengan Algoritma Genetika ural Tekka ISSN : 2085-0859 Fakultas Tekk Uverstas Islam Lamoga Volume 1 No.2 Tahu 2009 Optmalsas Pegatura Tegaga dega Algortma Geetka Zaal Abd 1 1) Dose dpk pada Fakultas Tekk Prod Elektro Uverstas Islam

Lebih terperinci

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut

Lebih terperinci

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah

Lebih terperinci

Regresi & Korelasi Linier Sederhana

Regresi & Korelasi Linier Sederhana Regres & Korelas Ler Sederhaa. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar la peubah

Lebih terperinci

Dasar Ekonomi Teknik: Matematika Uang. Ekonomi Teknik TIP FTP UB

Dasar Ekonomi Teknik: Matematika Uang. Ekonomi Teknik TIP FTP UB Dasar Ekoom Tekk: Matematka Uag Ekoom Tekk TIP TP UB Bahasa lra Kas (Cash low Tme Value of Moey Buga Ekvales Cash low Tata alra uag masuk da keluar per perode waktu pada suatu perusahaa lra kas aka terjad

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

MEKANISME KERUNTUHAN LINGKARAN (Circular Failure Mechanisms)

MEKANISME KERUNTUHAN LINGKARAN (Circular Failure Mechanisms) MEKANISME KERUNTUHAN LINGKARAN (Crcular alure Mechasms) Stabltas Lereg Moda kerutuha lereg umumya adalah rotatoal slp sepajag bdag rutuh yag medekat lgkara Kerutuha dagkal Kerutuha dalam Saat rutuh Stabltas

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

Lebih terperinci

KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI

KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI Defl Ardh 1, Frdaus, Haposa Srat defl_math@ahoo.com

Lebih terperinci

Penyelesaian Sistem Persamaan Linier Kompleks Dengan Invers Matriks Menggunakan Metode Faddev (Contoh Kasus: SPL Kompleks dan Hermit)

Penyelesaian Sistem Persamaan Linier Kompleks Dengan Invers Matriks Menggunakan Metode Faddev (Contoh Kasus: SPL Kompleks dan Hermit) Jural Sas Matematka da Statstka, Vol., No. I, Jauar ISSN - Peyelesaa Sstem Persamaa Ler Kompleks Dega Ivers Matrks Megguaka Metode Faddev Cotoh Kasus: SPL Kompleks da Hermt F. rya da Tka Rzka, Jurusa Matematka,

Lebih terperinci

PENDEKATAN ESTIMATOR KERNEL UNTUK ESTIMASI DENSITAS MULUS

PENDEKATAN ESTIMATOR KERNEL UNTUK ESTIMASI DENSITAS MULUS J. Pjar MIPA Vol. V No. September : 8-85 ISSN 97-7 PENDEATAN ESTIMATOR ERNEL UNTU ESTIMASI DENSITAS MULUS Lala Hayat Program Std Peddka Matematka PMIPA FIP Uverstas Mataram Jl. Majapat No. 6 Mataram 835

Lebih terperinci

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama. BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

APLIKASI SPK UNTUK REKOMENDASI SISTEM E-LEARNING MENGGUNAKAN ADAPTIVE INTERVAL TRIANGULAR FUZZY NUMBER

APLIKASI SPK UNTUK REKOMENDASI SISTEM E-LEARNING MENGGUNAKAN ADAPTIVE INTERVAL TRIANGULAR FUZZY NUMBER PLIKSI SPK UNTUK REKOMENDSI SISTEM E-LERNING MENGGUNKN DPTIVE INTERVL TRINGULR FUZZY NUMBER Ye Kstyahgsh 1) Fatmawat ) Herry Sprajto ) 1) Sstem Iformas Fakltas Tekk Uverstas Trojoyo Madra Idoesa 1) SMIP

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

BAB II KEGIATAN PEMBELAJARAN

BAB II KEGIATAN PEMBELAJARAN Page o BAB II KEGIATAN PEMBELAJARAN A. TURUNAN FUNGSI ALJABAR. Deiisi Tra Fgsi Deiisi Fgsi : ata mempai tra ag diotasika d d ata di deiisika : d d d d d d lim h 0 h h lim 0 ata Cotoh Soal :. Tetka tra

Lebih terperinci

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV Pearka Cotoh Acak Berlas (Stratfed Radom Samlg Pertemua IV Defs Cotoh acak berlas ddaatka dega cara membag oulas mejad beberaa kelomok ag tdak salg tumag tdh, da kemuda megambl secara acak dar seta kelomokkelomok

Lebih terperinci

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat. KALKULUS LANJUT Pertemua ke-4 Rey Ra Marlaa, S.S.,M.Stat. Plot Mater Notas Jumlah & Sgma Itegral Tetu Jumlah Rema Pedahulua Luas Notas Jumlah & Sgma Purcell, et all. (page 226,2003): Sebuah fugs yag daerah

Lebih terperinci

PERBANDINGAN KEEFEKTIFAN METODE REGRESI ROBUST ESTIMASI-M DAN ESTIMASI- MM KARENA PENGARUH OUTLIER DALAM ANALISIS REGRESI LINEAR

PERBANDINGAN KEEFEKTIFAN METODE REGRESI ROBUST ESTIMASI-M DAN ESTIMASI- MM KARENA PENGARUH OUTLIER DALAM ANALISIS REGRESI LINEAR PERBANDINGAN KEEFEKTIFAN METODE REGRESI ROBUST ESTIMASI-M DAN ESTIMASI- MM KARENA PENGARUH OUTLIER DALAM ANALISIS REGRESI LINEAR (CONTOH KASUS DATA PRODUKSI PADI DI JAWA TENGAH TAHUN 007) skrps dsajka

Lebih terperinci

PRINSIP INKLUSI- EKSKLUSI INCLUSION- EXCLUSION PRINCIPLE

PRINSIP INKLUSI- EKSKLUSI INCLUSION- EXCLUSION PRINCIPLE RISI IKLUSI- EKSKLUSI ICLUSIO- EXCLUSIO RICILE rsp Iklus-Eksklus Ada berapa aggota dalam gabuga dua hmpua hgga? A A = A A - A A Cotoh Ada berapa blaga bulat postf lebh kecl atau sama dega 00 yag habs dbag

Lebih terperinci

Pembobotan dan Optimasi Untuk Pemilihan Distributor PT Maan Ghodaqo Shiddiq Lestari

Pembobotan dan Optimasi Untuk Pemilihan Distributor PT Maan Ghodaqo Shiddiq Lestari JURNAL TEKNIK POMITS Vol., No., (202) -5 Pembobota da Optmas Utuk Pemlha Dstrbutor PT Maa Ghodaqo Shddq Lestar Teas N. Qurawat, Suhud Wahyud, Subcha Jurusa Matematka, Fakultas Matematka da Ilmu Pegetahua

Lebih terperinci

APLIKASI KOMBINASI ALGORITMA GENETIK DAN DATA ENVELOPMENT ANALYSIS PADA PENJADWALAN FLOWSHOP MULTIKRITERIA

APLIKASI KOMBINASI ALGORITMA GENETIK DAN DATA ENVELOPMENT ANALYSIS PADA PENJADWALAN FLOWSHOP MULTIKRITERIA JURNAL TEKNIK INDUSTRI VOL. 0, NO., JUNI 2008: 86-96 APLIKASI KOMBINASI ALGORITMA GENETIK DAN DATA ENVELOPMENT ANALYSIS PADA PENJADWALAN FLOWSHOP MULTIKRITERIA Herr Chrsta Palt, Hars Leardo 2, I Gede Agus

Lebih terperinci

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin 4/6/015 Oleh : Fauza Am Se, 06 Aprl 015 GDL 11 (07.30-10.50) Pedahulua Aalsa regres dguaka utuk mempelajar da megukur hubuga statstk ag terjad atara dua atau lebh varbel. Dalam regres sederhaa dkaj dua

Lebih terperinci

BAB 2 2 DASAR TEORI. 2.1 Teori Dinamika Struktur

BAB 2 2 DASAR TEORI. 2.1 Teori Dinamika Struktur 6 BAB 2 2 DASAR TEORI 2.1 Teor Damka Struktur 2.1.1 Aalsa Rwayat Waktu No Lear Aalsa Rwayat waktu dguaka utuk megaalsa respos damk struktur yag meerma beba yag berubah-ubah terhadap waktu. Persamaa damk

Lebih terperinci

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

Ir. Wiryanto Dewobroto, MT Jurusan Teknik Sipil, Universitas Pelita Harapan

Ir. Wiryanto Dewobroto, MT Jurusan Teknik Sipil, Universitas Pelita Harapan Ir. Wiryato Dewobroto, MT Jrsa Tekik Sipil, Uiversitas elita Harapa http://wiryato.wordpress.com Title : Sambga Geser elat Tggal dega Bat M mt 3 Halama 1 dari 6 Sb-title : Tebal pelat t = mm Taggal : 7

Lebih terperinci

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1 Itegras Metode Itegral Rema Metode Itegral Trapezoda Metode Itegral Smpso Itegras Permasalaa Itegras Pertuga tegral adala pertuga dasar yag dguaka dalam kalkulus, dalam bayak keperlua. Itegral secara det

Lebih terperinci

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi 3 II. TINJAUAN PUSTAKA. Aalss Regres Aalss regres merupaka salah satu metode statstka ag dguaka utuk mempelajar da megukur huuga statstk ag terjad atara dua atau leh varael. Dalam regres sederhaa dkaj

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

BAB V TURUNAN FUNGSI. Standar Kompetensi Menggunakan konsep limit fungsi dan turunan fungsi dalam pemecahan masalah

BAB V TURUNAN FUNGSI. Standar Kompetensi Menggunakan konsep limit fungsi dan turunan fungsi dalam pemecahan masalah BAB V TURUNAN FUNGSI Stadar Kompetesi Meggaka kosep it gsi da tra gsi dalam pemecaa masala Kompetesi Dasar Meggaka siat da atra tra dalam peritga tra gsi aljabar Meggaka tra tk meetka karakteristik sat

Lebih terperinci

REGRESI & KORELASI LINIER SEDERHANA

REGRESI & KORELASI LINIER SEDERHANA . Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

PENAKSIR DUAL RATIO-CUM-PRODUCT UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA

PENAKSIR DUAL RATIO-CUM-PRODUCT UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA ENAKSI DUAL ATIO-UM-ODUT UNTUK ATA-ATA OULASI ADA SAMLING AAK SEDEHANA hrsta ajata, Frdaus, Haposa Srat Mahasswa rogram Stud S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu egetahua Alam Uverstas

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN A. Jes Peelta Dalam pelta peelt megguaka racaga eksperme. Eksperme adalah observas dbawah kods buata (artfcal codto), dmaa kods tersebut dbuat da d atur oleh s peelt. Dega

Lebih terperinci

Vol: 5, No. 1, Maret 2016 ISSN: SOLUSI ALIRAN DAYA UNTUK SISTEM DISTRIBUSI TAK SEIMBANG DENGAN MENGGUNAKAN METODE TRUST-REGION

Vol: 5, No. 1, Maret 2016 ISSN: SOLUSI ALIRAN DAYA UNTUK SISTEM DISTRIBUSI TAK SEIMBANG DENGAN MENGGUNAKAN METODE TRUST-REGION Vol: 5, No. 1, Maret 016 ISSN: 30-949 SOLUSI ALIRAN DAYA UNTUK SISTEM DISTRIBUSI TAK SEIMBANG DENGAN MENGGUNAKAN METODE TRUST-REGION Rudy Gato da Kho He Khwee Jurusa Tekk Elektro, Fakultas Tekk, Uverstas

Lebih terperinci