KLASTERISASI DATA IRIS MENGGUNAKAN METODE BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
|
|
- Devi Tedja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Program Stud MMT-ITS, Surabaya 23 Ju 2011 LASTERISASI DATA IRIS MENGGUNAAN METODE BERBASIS ARTIFICIAL BEE COLONY DAN -HARMONIC MEANS I Made Wdartha, Agus Zana Arfn, Anny Yunart Jurusan Teknk Informatka, Fakutas Teknoog Informas, ITS ema : madewdartha@yahoo.com ABSTRA Pengeompokan data ke daam beberapa kaster dapat dakukan dengan berbaga metode, saah satunya menggunakan -Means Custerng (M). M memk keemahan yatu dar ss senstftas has kaster pada nsasas awa ttk pusat kaster dan adanya kemungknan has kaster merupakan oka optma. -Harmonc Means () merupakan metode kastersas data yang menyempurnakan M. Meskpun metode dapat mengurang masaah nsasas, namun daam mash terdapat kemungknan teradnya masaah oka optma. Saah satu cara untuk mengatas permasaahan oka optma n adaah dengan memanfaatkan suatu metode yang memk sous goba ke daam metode. Metode Artfca Bee Coony (ABC) merupakan suatu metode swarm yang berbass pada peraku mencar makan (foragng behavor) dar koon ebah madu yang teah terbukt memk sous goba. Daam penetan n dusukan sebuah metode baru untuk kastersas data yang berbass pada metode ABC dan (ABC-). nera metode ABC- n teah dbandngkan dengan metode ABC dan dengan menggunakan dataset rs. Dar has penetan ddapatkan has dmana metode ABC- n teah berhas mengoptmakan poss ttk pusat kaster yang mengarahkan has kaster menuu suatu sous goba. ata kunc: -Means Custerng, -Harmonc Custerng, Artfca Bee Coony, ABC-. PENDAHULUAN astersas data (custerng) adaah sebuah proses untuk mengeompokkan data kedaam beberapa kaster/keompok sehngga data daam satu kaster memk tngkat kemrpan yang maksmum dan data antar kaster memk kemrpan yang mnmum [7]. Saah satu metode yang dapat dgunakan daam meakukan kastersas data adaah -Means Custerng (M). Metode M n memk keemahan yatu has kaster sangat senstf dengan nsasas ttk pusat awa dan sangat mudah terebak pada oka optma [8]. Untuk mengatas masaah yang terad pada nsasas ttk pusat kaster, Zhang, Hsu, dan Daya [10] mengusukan sebuah metode baru yang dber nama -Harmonc Means () yang kemudan dmodfkas oeh Hammery dan Ekan [2]. Meskpun dapat mengurang masaah nsasas, namun daam mash terdapat kemungknan teradnya masaah oka optma [8]. Untuk mengatas permasaahan oka optma n maka dperukan suatu metode yang memk kemampuan untuk menghndar kemungknan adanya konvergens terhadap oka optma. C-26-1
2 Program Stud MMT-ITS, Surabaya 23 Ju 2011 Artfca Bee Coony (ABC) merupakan s uatu metode yang mengadops peraku mencar makan (foragng behavor) dar koon ebah madu. Pada metode n terdapat tga ens ebah yang dpaka yatu ebah pekera/empoyed bee, ebah penunggu/onooker bee, dan ebah pengnta/scout [4]. Metode ABC teah terbukt memk kemampuan untuk menangan permasaahan oka optma dan memk kuatas yang ebh bak atau setara ka dbandngkan dengan metode seens annya sepert Agortma Genetka, Partce Swarm Optmzaton, Dfferenta Evouton, dan Evouton Stateges [6]. Daam penetan n dusukan sebuah metode baru untuk kastersas data yang berbass pada metode ABC dan (ABC-). Peraku ebah pada metode ABC dgunakan untuk membantu untuk dapat keuar dar oka optma sehngga metode ABC- n dharapkan mampu mengoptmakan poss ttk pusat kaster yang mengarah pada sous goba optma. Metode yang dusukan n dterapkan pada dataset rs. -HARMONIC MEANS CLUSTERING merupakan suatu metode kastersas data dmana kaster-kaster dbentuk dengan peyempurnaan secara teratf berdasarkan etak ttk pusat dar masng-masng kaster. Pada, na fungs tuuan dhaskan dengan mencar tota rata-rata harmonk dar seuruh ttk data untuk arak antara masng-masng ttk data ke seuruh ttk pusat kaster yang ada [9]. Adapun angkah-angkah Metode adaah sebaga berkut [8] : 1. Insasas poss ttk pusat kaster awa secara random 2. Htung na fungs tuuan dengan persamaan 1, dmana p adaah nput parameter. Na p basanya 2. ( X, C) x c N 3. Untuk setap data x, htung na keanggotaan m(c x) untuk setap ttk pusat kaster c berdasarkan persamaan : ` m( c x ) k x c 1 x c p2 p p2 4. Untuk setap data x, htung na bobot w(x) berdasarkan persamaan x c 1 w( x ) x c 1 5. Untuk setap ttk pusat c, uang kemba perhtungan untuk poss ttk pusat kaster dar semua data berdasarkan na keanggotaan dan bobot yang dmk tap data. N 1 p2 p m( c x ). w( x ). x 1 c N m( c x ). w( x ) 6. Uang angkah 2 sampa 5 sampa mendapatkan na fungs tuuan yang tdak terdapat perubahan yang sgnfkan. 2 (1) (2) (3) (4) C-26-2
3 Program Stud MMT-ITS, Surabaya 23 Ju Tetapkan keanggotaan data x pada suatu kaster dengan ttk pusat kaster c sesua dengan na keanggotaan x terhadap c. ARTIFICIAL BEE COLONY Metode Artfca Bee Coony (ABC) meru pakan sebuah metode yang dperkenakan oeh araboga pada tahun oon ebah truan terdr dar tga keompok yatu ebah pekera ( empoyed bee), ebah penunggu ( onooker) dan ebah scout (peneaah). Metode ABC n dapat dgambarkan sepert pada Gambar 1. Langkah pertama pada metode ABC n adaah pengrman ebah pekera (yang berstatus scout) pada daerah pencaran untuk menghaskan popuas awa yang ddstrbuskan secara random. Seteah nsasas, penentuan popuas dar poss sous berkutnya meau skus yang beruang, C = 1, 2,..., MCN. Seteah semua ebah pekera menyeesakan proses pencaran, dakukan penghtungan na ftness dar sous yang dhaskan (na nektar) dan ebah pekera membag nformas nektar dan nformas tentang poss mereka dengan ebah penunggu d dancng area. Na ftness dapat dcar dengan menggunakan persamaan 5. 1 ft (5) 1 f Varabe f merupakan na cost functon dar sous. Lebah penunggu mengevauas nformas yang damb dar semua ebah pekera dan memh sumber makanan dengan probabtas yang sesua umah nektarnya. Sepert kasus ebah pekera, ebah penunggu uga menghaskan modfkas pada poss sumber makanan (sous) daam memornya dan memerksa umah nektar dar kanddat sumber makanan (sous) yang baru. Jka na nektar ebh tngg dar sebeumnya, ebah akan mengngat poss yang baru tersebut dan meupakan poss yang ama. Lebah penunggu memh sumber makanan berdasarkan pada na probabtas p dengan menggunakan metode rouette whee seecton [5]. Na p n dhtung meau persamaan 6. ft p SN (6) ft Daam menghaskan kanddat poss makanan baru, ABC menggunakan persamaan 7. v x 1 ( x xk Na k {1, 2,..., SN} dengan {1, 2,.., D} adaah ndeks yang dph secara random. Meskpun k dtentukan secara random, namun k ) (7) Gambar 1. Metode ABC C-26-3
4 Program Stud MMT-ITS, Surabaya 23 Ju 2011 harus berbeda dar. adaah sebuah bangan random antara [-1,1], yang mengontro produks poss sumber makanan tetangga d sektar x Sumber makanan yang dtnggakan oeh ebah pekera, dgantkan dengan sumber makanan baru oeh ebah scout. Daam metode ABC, ka sebuah poss sumber makanan tdak dapat dtngkatkan ebh anut meau seumah skus (cyce) yang teah dtetapkan, yang dsebut dengan mt, maka sumber makanan tersebut dasumskan untuk dtnggakan. Msa sumber makanan yang dtnggakan adaah x dan {1, 2,..., D}, maka ebah scout akan mencar sumber makanan baru untuk dgant dengan x. Operas n dakukan dengan menggunakan persarnaan 8. x x mn rand[0,1]( x Seteah masng-masng kanddat poss sumber makanan v dproduks dan devauas oeh ebah artfca, na ftnessnya dbandngkan dengan x. Jka sumber makanan baru mempunya nektar yang sama atau ebh bak darpada sumber yang ama, maka sumber yang ama tersebut akan dgantkan dengan yang baru daam memor, ka tdak maka yang ama dpertahankan. METODE USULAN Metode ABC- Metode yang dusukan daam meakukan proses kastersas data daam penetan n adaah Metode ABC-. Metode n dhaskan meau hbrdas antara metode ABC dan metode. Daam metode ABC-, has kaster dperoeh dengan memanfaatkan hubungan tmba bak antara kedua metode yatu ABC dan. Poss ttk pusat yang dhaskan pada fase ebah akan doptmakan dengan fase update yang terdapat pada metode. Has ttk pusat yang dperoeh dar fase, akan dmanfaatkan oeh fase ebah sebaga tetangga acuan dar ebah pekera untuk meakukan ekporas daam ruang pencaran. max x mn ) (8) Gambar 2. Metode ABC- C-26-4
5 Program Stud MMT-ITS, Surabaya 23 Ju 2011 Daam mpementas metode ABC- terdapat beberapa varabe yang dgunakan untuk membatas setap fase yang ada. Parameter Max1 dgunakan untuk membatas umah teras pada tahapan pencaran ttk pusat oeh para ebah. Has ttk pusat dar tahapan n akan menad ttk pusat awa pada tahapan seanutnya yatu tahapan. Tahapan teras pada n dbatas oeh dua ha yatu threshod sesh poss ttk pusat antar teras ( ) dan Max2. Fase ebah dan n akan dakukan terus sampa teras meampau batas teras maksmum yatu MaxABC. Data Dataset yang dgunakan daam penetan n adaah dataset Irs yang damb dar UCI Machne Learnng Repostory (ftp://ftp.cs.uc.edu./pub/machne-earnngdatabases/). Dataset rs n terdr dar empat ftur, dan tga keas. Jumah tota data rs n sebanyak 150 data. Daam penetan n, 80% data akan dgunakan sebaga data tranng dan ssanya dgunakan sebaga data testng. Data tranng n dgunakan untuk mehat performa dar ketga metode daam meakukan kastersas data. Penaan performa n dhat dar tga sudut pandang yatu na fungs tuuan (X,C), F- Measure, dan runnng tme. Data testng hanya dgunakan untuk mehat koreas secara eksterna (keas abe) yatu bagamana has kasfkas data testng dengan memanfaatkan has ttk pusat kaster dengan menggunakan data tranng. HASIL Daam meakukan u coba pada penetan n, na parameter yang dgunakan untuk metode ABC mengacu pada na parameter yang dgunakan oeh Zhang. Parameter tersebut antara an Lmt berna 10 dan umah MCN yang berna 2000 [10]. Untuk metode ABC- penentuan, Lmt, Max1, Max2 dan MaxABC dtentukan dengan meakukan u coba na-na parameter n. Dar has u coba yang teah dakukan, ddapatkan bahwa has terbak dperoeh dengan menggunakan Max1=20, Lmt=3, Max2=10, dan MaxABC=20. Untuk mengetahu performa masng-masng metode maka pada penetan n dgunakan tga toak ukur yatu na fungs tuuan (X,C), F-measure, dan runnng tme. U coba pada penetan n dakukan meau beberapa sekenaro untuk mengu performa dar metode-metode yang ada. Sekenaro n dbuat dengan menggunakan fungs tuuan yang berbeda-beda. Perbedaan fungs tuuan n teretak pada parameter p. Pada penetan n, terdapat dua buah sekenaro na p yatu p = 2, dan p = 4. Dar ss penaan eksterna (keas abe) pada penetan n dgunakan penaan F-measure. Na F-measure ddapat dar persamaan 10 [1]. F(,) = 2 ( b 1).( p(, ). r(, )) 2 b. p(, ) r(, ) (9) p(,) = n/n dan r(,) = n/n dmana n adaah umah data dar keas yang dharapkan sebaga has query, n adaah umah data dar kaster yang dhaskan oeh query, dan n adaah umah eemen dar keas yang masuk d kaster. untuk mendapatkan pembobotan yang sembang antara precson dan reca maka na b = 1 dgunakan daam menghtung na F-measure [3]. Untuk mendapatkan kesmpuan akhr has kastersas menggunakan metodemetode yang ada, maka u coba kastersas dakukan sebanyak 10 ka untuk tap-tap sekenaro yang dbuat. esmpuan knera dar metode akan ddapatkan meau na rata-rata (mean) dan standar devas dar 10 percobaan tersebut. C-26-5
6 Program Stud MMT-ITS, Surabaya 23 Ju 2011 Dar u coba yang teah dakukan, ddapatkan has bahwa poss pusat kaster yang dhaskan oeh ABC- memk na fungs tuuan yang pang mnmum. Has pusat kaster yang dhaskan uga dapat dkatakan reatf stab, ha dhat dar na standar devas yang kec. Secara penaan eksterna, metode ABC- n uga teah menunukkan domnasnya dar kedua metode annya. Untuk waktu yang dbutuhkan daam meakukan proses kastersas, metode ABC- berada dantara kedua metode pembandng. Metode ABC- membutuhkan waktu yang ebh ama ka dbandngkan dengan metode, tetap ABC- membutuhkan waktu yang auh ebh sngkat darpada metode ABC. Sepert yang dbahas pada bagan sebeumnya bahwa data testng hanya dgunakan untuk mehat secara eksterna bagamana has kasfkas data testng dar tap metode. Teknk pengkasfkasan data testng adaah dengan membandngkan arak antara data tersebut dengan pusat-pusat kaster yang ada. Data testng yang memk arak terdekat dengan suatu ttk pusat maka data tersebut akan dkasfkaskan kedaam keas terdekat dengannya. Has u coba untuk performa setap metode terhadap tga toak ukur dapat dhat pada Tabe 1. Has kesaahan kasfkas dar ketga metode dapat dhat pada Tabe 2. Dar has kasfkas meau 10 ka u coba ddapatkan bahwa kasfkas dengan metode dan ABC- reatf stab ka dbandngkan dengan metode ABC. Dataset Pengukuran Tabe 1. Rata-rata dan Standar Devas dar 10 a U Coba Fungs Tuuan F-measure Waktu ABC ABC- ABC ABC- p=2 Mean ABC ABC- Std. Dev p=4 Mean Std. Dev ESIMPULAN Tabe 2. Jumah esaahan asfkas d setap u coba Perc. p=2 p=4 ABC ABC- ABC ABC Daam penetan n dusukan sebuah metode baru untuk kastersas data yang berbass pada metode ABC dan yatu ABC-. Metode ABC- n teah berhas mengoptmakan poss ttk pusat kaster dengan mengarahkan has kaster menuu sous goba optma. Ha n dbuktkan dengan has penetan yang menunukkan na fungs tuuan obectve functon dar metode ABC- merupakan yang terkec dar dua metode pembandng yatu dan ABC. Dar ss penaan C-26-6
7 Program Stud MMT-ITS, Surabaya 23 Ju 2011 has kaster secara eksterna menggunakan F-measure, metode ABC- memk has yang domnan dar kedua metode pembandng. Dar ss waktu yang dbutuhkan untuk meakukan proses kastersas data, metode ABC- berada dantara kedua metode pembandng. Metode ABC- membutuhkan waktu yang reatf auh ebh ama ka dbandngkan dengan metode, sehngga ha n dapat dadkan suatu keemahan dar ABC-. Optmas waktu yang dbutuhkan ABC- n akan menad fokus penetan seanutnya. REFERENSI Da, A 2003, Adaptaton of the F-Measure to custer-based Lexcon quaty evauaton, In EACL, Budapest. Hammery, G., dan Ekan, C. 2002, Aternatves to The -Means Agorthm that Fnd Better Custerngs, Proceedngs of the 11th nternatona conference on nformaton and knowedge management, ha Hand, J., nowes, J., dan Dorgo, M. 2003, "On the performance of ant-based custerng. Desgn and Appcaton of Hybrd Integent Systems, Vo. 104, ha araboga, D. 2005, An Idea Based on Honey Bee Swarm for Numerca Optmzaton, Technca Report-TR06, Ercyes Unversty, Engneerng Facuty, Computer Engneerng Department. araboga, D. dan Basturk, B. 2008, On The Performance of Artfca Bee Coony ABC Agorthm, Apped Soft Computng, Vo. 8, ha araboga, D. dan Akay, B. 2009, A Comparatve Study of Artfca Bee Coony Agorthm, Apped Mathematcs and Computaton, Vo 214, ha Tan, P.N., Stanbach, M., dan umar, V. 2006, Introducton to Data Mnng, 4th edton, Pearson Addson Wesey, New York. Yang, F., Sun, T., dan Zhang, C. 2009, An Effcent Hybrd Data Custerng Method Based on -Harmonc Means and Partce Swarm Optmzaton, Expert Systems wth Appcatons, Vo. 36, ha Zhang, B., Hsu, M., dan Daya, U. 1999, -Harmonc Means A Data Custerng Agorthm, Technca Report HPL , Hewett-Packard Laboratores. Zhang C., Ouyang, D., dan Nng, J. 2009, An Artfca Bee coony Approach for Custerng, Expert Systems wth Appcatons, Vo. 37, ha C-26-7
METODE 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 terperinciSTUDI KOMPARASI METODE KLASTERISASI DATA K-MEANS DAN K-HARMONIC MEANS
STUDI OMPARASI METODE LASTERISASI DATA -MEANS DAN -HARMONIC MEANS I Made Wdartha Jurusan Imu omputer, Fautas Matemata dan Imu Pengetahuan Aam, Unverstas Udayana ema : madewdartha@cs.unud.ac.d Abstra Saah
Lebih terperinciPENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY
PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY I Made Wdartha Program Stud Teknk Informatka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana emal : madewdartha@cs.unud.ac.d
Lebih terperinciBAB III PENGAMBILAN KEPUTUSAN DISPLACED IDEAL. Inti dari pengambilan keputusan adalah memilih alternatif, tentunya harus
40 BAB III PENGAMBILAN KEPUTUSAN DISPLACED IDEAL 3.1. Pengamban Keputusan Int dar pengamban keputusan adaah memh aternatf, tentunya harus aternatf yang terbak (the best aternatve). Tujuan dar anass keputusan
Lebih terperinci2 i. . Kebolehjadian total n set nilai adalah: y terhadap y dicapai jika faktor
Pencocokan Data. Pencocokan Data ke Gars Lurus Msakan kta mempunya n ttk data ekspermenta (, y ) dan dketahu bahwa hubungan teorts antara dan y adaah hubungan near (persamaan gars urus) dengan persamaan:
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 terperinciKLASIFIKASI CITRA DENGAN SUPPORT VECTOR MACHINE PADA SISTEM TEMU KEMBALI CITRA
Semnar Nasona Sstem dan Informatka 007; Ba, 6 November 007 SNSI07-036 KLASIFIKASI CITRA DENGAN SUPPORT VECTOR MACHINE PADA SISTEM TEMU KEMBALI CITRA Yen Herden, Agus Buono, Vta Yua Noornawat Departemen
Lebih terperinciPenerapan Kendali Logika Fuzzy+Proportional Integral pada Modul Process Control Simulator PCS 327 MK2
Penerapan Kenda Logka Fuzzy+Proportona Integra pada Modu Process Contro Smuator PCS 327 MK2 Wrastawa Rdwan Jurusan Teknk Eektro Unverstas Neger Gorontao ema : r1space@yahoo.com Abstrak. Respon output yang
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 terperinciOPTIMASI MASALAH PENUGASAN. Siti Maslihah
JPM IIN ntasar Vol. 01 No. 2 Januar Jun 2014, h. 95-106 OPTIMSI MSLH PNUGSN St Maslhah bstrak Pemrograman lner merupakan salah satu lmu matematka terapan yang bertuuan untuk mencar nla optmum dar suatu
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 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 terperinciT 17 Penerapan Model Fuzzy Dengan Metode Table Look-Up Scheme Untuk Memprediksi Indeks Harga Saham Gabungan (Ihsg)
PROSIDING ISBN : 978 979 6353 6 3 T 7 Penerapan Mode Fuzz Dengan Metode Tabe Look-Up Scheme Untuk Mempredks Indeks Harga Saham Gabungan Ihsg Oeh : Prhatn Tr Rahaunngsh Prod Matematka, FMIPA Unverstas Neger
Lebih terperinciPERBANDINGAN PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN SUPPORT VECTOR MACHINE DAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK
Perbandngan Peramaan Beban I N. Setawan, Wdyad Setawan PERBANDINGAN PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN SUPPORT VECTOR MACHINE DAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK I Nyoman Setawan,
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN :
JURNA MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN : 1410-8518 MASAAH RUTE TERPENDEK PADA JARINGAN JAAN MENGGUNAKAN AMPU AU-INTAS Stud Kasus: Rute Peralanan Ngesrep Smpang ma Eko Bud
Lebih terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciPRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel
PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciNilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4
Statsta, Vo. 7 No. 2, 65 71 Nopember 27 Na Krts Permutas Esa untu Anova Satu Arah Krusa-Was pada Kasus Banyanya Sampe, = 4 Inne Maran, Yayat Karyana, dan Aceng Komarudn Mutaqn Jurusan Statsta FMIPA Unsba
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 terperinciEndi Permata 1),I Ketut Eddy Purnama 2), Mauridhi Hery Purnomo 3)
Semnar Nasona Teknoog Informas dan Mutmeda 2013 STMIK AMIKOM Yogyakarta, 19 Januar 2013 KLASIFIKASI JENIS DAN FASE PARASIT MALARIA PLASMODIUM FALCIPARUM DAN PLASMODIUM VIVAX DALAM SEL DARAH MERAH MENGGUNAKAN
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 terperinciPENERAPAN ADAPTIF FUZZY PADA PENGATURAN KECEPATAN MOTOR INDUKSI TIGA FASA
Ratna Ika Putr, Penerapan Adaptf Fuzzy Pada Pengaturan Kecepatan Motor Induks Tga Fasa PENERAPAN ADAPTIF FUZZY PADA PENGATURAN KECEPATAN MOTOR INDUKSI TIGA FASA Ratna Ika Putr Poteknk Neger Maang, J. Veteran
Lebih terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
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 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 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 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 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 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 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 terperinciHidrograf Satuan Observasi Daerah Aliran Sungai Ciliwung Hulu- Katulampa Sebagai Benchmarking Manajemen Banjir Jakarta
Hdrograf Satuan Observas Daerah Aran Sunga Cwung Huu- Katuampa Sebaga Benchmarkng Manajemen Banjr Jakarta Aran Bud Safarna Dosen Jurusan Teknk Sp Unverstas Jendera Achmad Yan Jaan Terusan Jendera Sudrman
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 terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciBab 2 AKAR-AKAR PERSAMAAN
Analsa Numerk Bahan Matrkulas Bab AKAR-AKAR PERSAMAAN Pada kulah n akan dpelajar beberapa metode untuk mencar akar-akar dar suatu persamaan yang kontnu. Untuk persamaan polnomal derajat, persamaannya dapat
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciSIMULASI OPTIMASI ALIRAN DAYA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAYA OPERASI
ISSN: 1693-6930 167 SIMULASI OPTIMASI ALIRAN DAA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAA OPERASI Subyanto Teknk Elektro Fakultas Teknk Unverstas Neger Semarang Gedung E6 Lt. Kampus Sekaran
Lebih terperinciPERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
Lebih terperinciPERENCANAAN INVENTORI MODEL PROBABILISTIK Q KASUS LOST SALES DI SUPERMARKET H BANDUNG
PERENCANAAN INVENTRI MDE PRBABIISTIK KASUS ST SAES DI SUPERMARKET H BANDUNG Agus Purnomo Jurusan Teknk Industr Fakutas Teknk Unverstas Pasundan Bandung 40153 Has penetan yang dpubkaskan pada Prosdng Semnar
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciAnalisis Performansi Perusahaan Syariah di Bursa Efek Indonesia (BEI) Menggunakan Metode Discriminant Analysis dan Support Vector Machine (SVM)
Anass Performans Perusahaan Syarah d Bursa Efek Indonesa (BEI) Menggunakan Metode Dscrmnant Anayss dan Support Vector Machne (SVM) ) Nur Syafrda ) Dr. Muhammad Mashur, MT ) ) Mahasswa Statstka Dosen Pembmbng
Lebih terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
Lebih terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciKLASIFIKASI DIATOM MENGGUNAKAN SIGNATURE DAN SUPPORT VECTOR MACHINE
Semnar Nasona Informatka 2012 (semnasif 2012) ISSN: 1979-2328 UPN Veteran Yogyakarta, 30 Jun 2012 KLASIFIKASI DIATOM MENGGUNAKAN SIGNATURE DAN SUPPORT VECTOR MACHINE Nofandr Setyasmara 1,2), Stevanus Hardrstanto
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 terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 23-32, April 2001, ISSN :
JRNAL MATEMATIKA DAN KOMPTER Vol 4 No 1, 3-3, Aprl 1, ISSN : 141-51 KAJIAN DISKRETISASI DENGAN METODE GALERKIN SEMI DISKRET TERHADAP EFISIENSI SOLSI MODEL RAMBATAN PANAS TANPA SK KONVEKSI Suhartono dan
Lebih terperinci( L ). Matriks varians kovarians dari
LIVIA PUSPA T 677 9.3 METODE KOMPONEN UTAMA Informas yang dbuuhkan daam eknk komponen uama suau daa ddapa dar marks varans kovarans, aau marks koreasnya. Meode komponen uama n, beruuan unuk menaksr parameer
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciPENINGKATAN AKTIVITAS DAN HASIL BELAJAR IPA MELALUI METODE INQUIRY PADA SISWA KELAS IVA SD NEGERI GEDONGKIWO SKRIPSI
PENINGKATAN AKTIVITAS DAN HASIL BELAJAR IPA MELALUI METODE INQUIRY PADA SISWA KELAS IVA SD NEGERI GEDONGKIWO SKRIPSI Dajukan Kepada Fakutas Imu Penddkan Unverstas Neger Yogyakarta Untuk Memenuh Sebagan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciBAB 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 3. Penyusunan Algoritma
Bab 3. Penusunan Algortma on anuwjaa/ 500030 Algortma merupakan penulsan permasalahan ang sedang dsorot dalam bahasa matematk. Algortma dbutuhkan karena komputer hana dapat membaca suatu masalah secara
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 terperinciOptimasi Numerik Materi Kuliah: Pengantar; Optimasi Satu Variabel; Optimasi Banyak Variabel
PUSTAKA Optmas Numerk Mater Kuah: Pengantar; Optmas Satu Varabe; Optmas Banyak Varabe by: st dyar khosoh dy/anass Numerk JURUSAN TEKNIK KIMIA FTI - UPN VETERAN YOGYAKARTA James B. Rggs, 988, An Introducton
Lebih terperinciDalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang
LARGE SCALE SYSEM Course by Dr. Ars rwyatno, S, M Dept. of Electrcal Engneerng Dponegoro Unversty BAB V OPIMASI SISEM Dalam sstem pengendalan berhrark level, maka optmas dapat dlakukan pada level pertama
Lebih 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 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 terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciBAB 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 terperinciPENGARUH PERUBAHAN KONFIGURASI SALURAN JARINGAN SUTET 500 KV TERHADAP MEDAN MAGNET
PENGARU PERUBAAN KONFGURAS SALURAN JARNGAN SUTET 500 KV TERAAP MEAN MAGNET ed Nugroho Jurusan Teknk Eektro Fakutas Teknoog ndustr Unverstas sam Sutan Agung Semarang J. Raya Kagawe km. 4 Semarang - ndonesa
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 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 terperinciPENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN
PENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN Handry Wardoyo 1 Jeanny Pragantha Vny Chrstant M. 3 1 3 Teknk Informatka Unverstas Tarumanagara
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 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 terperinciImplementasi Sistem Klasifikasi Fuzzy Berbasis Optimasi Koloni Semut untuk Diagnosa Penyakit Diabetes
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Prnt) A-99 Implementas Sstem Klasfkas Fuzzy Berbass Optmas Kolon Semut untuk Dagnosa Penyakt Dabetes Junan Traanto, Yudh Purwananto,
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 terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih 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 II PENDEKATAN PROBABILITAS DAN MODEL TRAFIK
Dktat Rekayasa Trafk BB II PDKT PROBBILITS D MODL TRFIK 2. Pendahuluan Trafk merupakan perstwa-perstwa kebetulan yang pada dasarnya tdak dketahu kapan datangnya dan berapa lama akan berlangsung. Maka untuk
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.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 terperinciBILANGAN RAMSEY SISI DARI r ( P, )
Charul Imron dan dy Tr Baskoro, Blangan Ramsey Ss BILANGAN RAMSY SISI DARI r ( P, ) (Ramsey Number from the Sde r ( P, ) ) Charul Imron dan dy Tr Baskoro Jurusan Matemátca, FMIPA ITS Surabaya mron-ts@matematka.ts.ac.d
Lebih terperinciPENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI
PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI Reky Stenly Wndah Dosen Jurusan Teknk Spl Fakultas Teknk Unverstas Sam Ratulang Manado ABSTRAK Pada bangunan tngg,
Lebih terperinciBAB V TEOREMA RANGKAIAN
9 angkaan strk TEOEM NGKIN Pada bab n akan dbahas penyelesaan persoalan yang muncul pada angkaan strk dengan menggunakan suatu teorema tertentu. Dengan pengertan bahwa suatu persoalan angkaan strk bukan
Lebih terperinciPENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER
Penerapan Program Lner Kabur dalam Analss.. Elfranto PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER Elfranto Dosen Unverstas Muhammadyah Sumatera Utara Abstrak: Salah satu kaan
Lebih terperinciKlasifikasi Jenis dan Fase Parasit Malaria Plasmodium Falciparum dan Plasmodium Vivax Dalam Sel Darah Merah Menggunakan Support Vector Machine
SETRUM Voume, No., Desember 0 ISSN : 30-465 Kasfkas Jens dan Fase Parast Maara Pasmodum Facparum dan Pasmodum Vvax Daam Se Darah Merah Menggunakan Support Vector Machne End Permata, I Ketut Eddy Purnama,
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 terperinciSifat-sifat Operasi Perkalian Modular pada Graf Fuzzy
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 07 Sfat-sfat Operas Perkalan Modular pada raf Fuzzy T - 3 Tryan, ahyo Baskoro, Nken Larasat 3, Ar Wardayan 4,, 3, 4 Unerstas Jenderal Soedrman transr@yahoo.com.au
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih 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 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 terperinciKritikan Terhadap Varians Sebagai Alat Ukur
Krtkan Terhadap Varans Sebaga Alat Ukur Varans mengukur penympangan pengembalan aktva d sektar nla yang dharapkan, maka varans mempertmbangkan juga pengembalan d atas atau d bawah nla pengembalan yang
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih 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 terperinciPENJADWALAN PRODUKSI di PT MEUBEL JEPARA PROBOLINGGO
Prosdng Semnar Nasonal Manajemen Teknolog III Program Stud MMTITS, Surabaya 4 Pebruar 2006 PENJADWALAN PRODUKSI d PT MEUBEL JEPARA PROBOLINGGO Mohammad Khusnu Mlad, Bobby Oedy P. Soepangkat, Nurhad Sswanto
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 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 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 terperinciGambar 3.1 Diagram alir penelitian
BAB 3 METODE PENELITIAN 3.1 Dagram Alr Peneltan Materal Amorph Magnetk (Fe 73 Al 5 Ga 2 P 8 C 5 B 4 S 3 ) Ekspermen DfraksNeutron (I vs 2theta) Smulas Insalsas atom secara random Fungs struktur, F(Q) Perhtungan
Lebih terperinciBAB VI MODEL-MODEL DETERMINISTIK
BAB VI MODEL-MODEL DETERMINISTIK 6. Masalah Penyaluran Daya Lstrk Andakan seorang perencana sstem kelstrkan merencakan penyaluran daya lstrk dar beberapa pembangkt yang ternterkoneks dan terhubung dengan
Lebih terperinciPENENTUAN DENSITAS PERMUKAAN
PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
65 BAB IMPLEMENTASI DAN EVALUASI. Penyaan Data Hasl Peneltan Data-ata hasl peneltan yang gunakan alam pengolahan ata aalah sebaga berkut: a. ata waktu kera karyawan b. ata umlah permntaan konsumen c. ata
Lebih terperinciIII. METODOLOGI. percobaan sedang( σ = 5), keragaman interaksi kecil ( σ = 1) dan keragaman
III. METODOLOGI 3.. Data Data yang akan dgunakan daa penetan n ada dua ens data pertaa adaah data yang dbangktkan daa progra suas yang drancang sedekan rupa sehngga eungknkan untuk ehat knera dar penduga
Lebih terperinciBAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
Lebih terperinciAnalisa dan Penerapan Metode Particle Swarm Optimization Pada Optimasi Penjadwalan Kuliah
Jurnal Teknk Informatka, Vol 1 September 2012 Analsa dan Penerapan Metode Partcle Swarm Optmzaton Pada Optmas Penjadwalan Kulah Rasha Ashla Rachman 1), Dadang Syarf 2), Rka Perdana Sar 3) 1) Program Stud
Lebih terperinci