METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
|
|
- Hadian Hartanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 TESIS METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS Oleh : I Made Wdartha NRP Dosen Pembmbng : Dr. Agus Zanal Arfn, S.Kom, M.Kom Anny Yunart, S.Kom, M.Comp.Sc PROGRAM MAGISTER JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER 2011
2 Latar Belakang : Pendahuluan 2 Clusterng : pengelompokkan data kedalam beberapa klaster sehngga data dalam satu klaster memlk tngkat kemrpan yang maksmum dan data antar klaster memlk kemrpan yang mnmum (Theodords, 2006). K-Harmonc Means (KHM) : metode klastersas data yang berhasl mengurang senstftas hasl klaster pada nsalsas centrod K-Means (Zhang, 1999) Namun demkan mash terdapat kemungknan hasl metode KHM n merupakan solus lokal optmal (Yang, 2009). Perlu dlakukan perubahan algortma dalam KHM agar hasl klaster merupakan solus global optmal Meng-enhance KHM dengan memanfaatkan suatu algortma yg memlk solus global optmal ke dalam algortma KHM
3 Pendahuluan Artfcal Bee Colony (ABC) Karaboga (2005) suatu algortma yang mengadops perlaku mencar makan dar kolon lebah madu. 3 ABC : algortma dengan solus global yang memlk kualtas yang lebh bak atau setara dengan GA, PSO, Dfferental Evoluton (DE), dan Evoluton Strateges (ES) (Karaboga, 2009a) Dalam peneltan n akan dusulkan sebuah algortma baru yatu hbrdas antara ABC dan KHM. ABC-KHM n dharapkan mampu mengoptmalkan poss ttk pusat klaster yang mengarah pada solus global optmal.
4 Rumusan Masalah 4 Bagamana metode ABC-KHM menentukan poss ttk pusat awal dar sebaran data yang ada. Bagamana memperbaharu poss ttk pusat d setap teras dalam metode ABC-KHM. Bagamana menentukan hasl klaster dan mengukur performa dar metode ABC-KHM n.
5 Tujuan 5 Melakukan klastersas data dengan menggunakan metode hbrdas antara ABC dan KHM yang dharapkan mampu mengoptmalkan poss ttk pusat klaster yang mengarah pada suatu solus global optmal.
6 Kajan Pustaka Ada 2 Tpe Pengklasteran Data (Tan, 2006) : Parts : Klaster dbentuk dengan membag obyek/data kedalam non-overlappng subset (klaster). 6 Hrark : Klaster dbentuk melalu pembentukan klaster bersarang (nested cluster) yang dmplemen-taskan dalam bentuk tree (pohon).
7 Kajan Pustaka K-Harmonc Clusterng (KHM) : metode pengklasteran secara parts dengan bentuk center-based cluster. Objectve functon/fungs tujuan (Zhang,1999): 7 Total rata-rata harmonk dar jarak antara masng-masng ttk data ke seluruh centrod yang ada. Rata-rata Harmonk : HA({ a 1,..., K}) K 1 K 1 a
8 Kajan Pustaka : Algortma KHM 8 Mula Input dataset dan parameter Insalsas k centrod awal secara random ya tdak Selsh Selesa A A N K l p x c l K C X KHM ), ( k l p l p l l c x c x x m c ) ( ) ( K l p l K l p l c x c x x w N l N l l x w x m c x x w x m c c 1 1 ) ( ). ( ). ( ). (
9 Artfcal Bee Colony (ABC) ABC Dervs Karaboga (2005) 9 Dalam ABC, Bee Kolon dbag 3 : Employed bee (lebah pekerja) Onlooker bee (lebah penunggu sarang) Scouts (lebah penjelajah) Poss sumber makanan possble soluton Nla ftness jumlah nektar Jumlah employed bee = Jumlah lebah onlooker = jumlah cluster
10 Algortma Artfcal Bee Colony Ilustras Mula 10 A Input dataset dan parameter Insalsas k ttk pusat secara random Htung nla ftness Sklus = 1 Untuk setap employed bee : Tentukan poss ttk pusat baru Htung nla ftness Greedy selecton Htung probabltas lebah pekerja A Krm scout : Tentukan ttk pusat baru secara random Htung nla ftness Greedy selecton Selesa tdak Untuk setap onlooker bee : Plh seekor lebah pekerja (roulette wheel) Tentukan poss ttk pusat baru Tentukan nla ftness Greedy selecton ya Ada ttk pusat yang harus dtnggalkan tdak Sklus = Sklus + 1 Sklus > MCN ya Tentukan Solus Terbak
11 Ilustras Cost functon : f N K 1 l Nla ftness : ft K 1 1 x cl p 1 1 f Sarang Probabltas food source : p SN n1 ft ft Penentuan food source oleh scout : Kanddat tetangga untuk employed dan onlooker : n z v j j z z j j rand( 0,1 (z j mn ) (z j j z kj ) max z j mn ) Algortma
12 Metodolog Peneltan Langkah-Langkah Peneltan : 12 Pengumpulan Data Desan Model Sstem Pembuatan Perangkat Lunak Uj Coba Analsa Hasl
13 Metodolog Peneltan 13 Data : ftp://ftp.cs.uc.edu./pub/machne-learnng-databases/ Informas data : Dataset Ftur Kelas Jumlah Data Tranng Testng Irs Cancer CMC Glass Wne
14 Metodolog Peneltan Parameter masukkan : 14 Nama K P Lmt MCN SN Max1 Max2 Keterangan Jumlah klaster Parameter pada fungs tujuan Batas jumlah teras utk penentuan abandoned food source Jumlah teras maksmum pada ABC Jumlah solus pada ABC (k) Jumlah teras maksmum fase lebah pada ABC-KHM Jumlah teras maksmum fase KHM pada ABC-KHM MaxABCKHM Jumlah teras maksmum metode ABC-KHM
15 Proposed Method (ABC-KHM) Mula A Update ttk pusat dengan tahapan update pada KHM Input dataset dan Parameter Insalsas k ttk pusat secara random GenABCKHM = 1 Gen2 = Gen2 + 1 Selsh > && Gen2 Max2 ya Gen1 = 1 Gen2 = 1 GenABCKHM = GenABCKHM + 1 (Ttk pusat hasl KHM menjad tetangga acuan untuk lebah) tdak Poss ttk pusat KHM Update ttk pusat EB dan OB dengan tahapan update pada ABC Gen1 = Gen1 + 1 Gen1 Max1 ya ya GenABCKHM MaxABCKHM tdak Tetapkan keanggotaan tap data pada klaster tdak Poss ttk pusat terbak lebah A Ttk pusat ABCKHM dan anggotanya Selesa
16 Irs P=2 Hasl Uj Coba Perbandngan Ketga metode dengan p = 2 16 KHM ABC ABC-KHM Nla Std Nla Std Nla Std Fs. Tujuan 152,8758 0, ,2891 5, , F-Measure 0, ,8875 0,0122 0, Waktu 0,09 0, ,629 0,6130 3,42 0,1367 Cancer Fs. Tujuan ,5932 0, , , , F-Measure 0, ,9385 0,0110 0, Waktu 0,21 0, ,79 1,2809 6,45 0,1934 Cmc Fs. Tujuan 980,4407 2, , , ,3939 0,0017 F-Measure 0,3888 0,0147 0,3821 0,0162 0, Waktu 1,54 0, ,53 1, ,71 1,4003 Glass Fs. Tujuan 34,5193 0, ,1344 0, ,4618 0,0002 F-Measure 0,4199 0,0078 0,4224 0,0129 0,4297 0,0019 Waktu 0,40 0, ,90 8, ,56 1,7289 Wne Fs. Tujuan 68,6941 0, ,3054 2, , F-Measure 0,9231 0,0036 0,8607 0,0741 0, Waktu 0,13 0, ,11 1,0952 7,84 0,1904
17 Hasl Uj Coba Perbandngan Ketga metode dengan p = 3 17 P=3 KHM ABC ABC-KHM Nla Std Nla Std Nla Std Irs Fs. Tujuan 154,3991 0, , , , F-Measure 0, ,8749 0,0186 0, Waktu 0,08 0, ,066 0,7765 3,88 0,1371 Cancer Fs. Tujuan ,2686 0, , , , F-Measure 0, ,9142 0,0217 0, Waktu 0,21 0, ,97 2,4773 8,31 0,4414 Cmc Fs. Tujuan 947,3022 0, , ,48 947, F-Measure 0,3966 0,0010 0,3695 0,0394 0, Waktu 1,05 0, ,10 3, ,34 0,4133 Glass Fs. Tujuan 21,0367 0, ,6751 0, ,0627 0,1446 F-Measure 0,3726 0,0205 0,4134 0,0113 0,3895 0,0125 Waktu 0,37 0, ,55 1, ,36 0,5157 Wne Fs. Tujuan 46,0725 1, ,7028 4, , F-Measure 0,9361 0,0318 0,8742 0,1026 0, Waktu 0,11 0, ,46 0,6611 7,66 0,1359
18 Hasl Uj Coba Perbandngan Ketga metode dengan p=4 18 P=4 KHM ABC ABC-KHM Nla Std Nla Std Nla Std Irs Fs. Tujuan 231, , , , ,1305 7,5782 F-Measure 0,8914 0,0043 0,8805 0,0166 0, Waktu 0,61 0, ,480 0,4403 4,73 0,2446 Cancer Fs. Tujuan ,850 0, , , ,839 0 F-Measure 0, ,8737 0,0500 0, Waktu 0,70 0, ,00 0,9016 8,56 0,7086 Cmc Fs. Tujuan 917,9539 0, , ,71 917, F-Measure 0, ,3898 0,0187 0, Waktu 1,01 0, ,98 2, ,74 0,4365 Glass Fs. Tujuan 12,2472 0, ,4770 0, ,5253 0,3626 F-Measure 0,3221 0,0241 0,3568 0,0071 0,3577 0,0240 Waktu 0,32 0, ,93 1, ,05 0,7974 Wne Fs. Tujuan 31,0154 0, ,4948 3, , F-Measure 0, ,8998 0,0264 0, Waktu 0,09 0, ,61 1,2602 7,94 0,2325
19 Grafk Perbandngan Fungs Tujuan IRIS 19
20 Grafk Perbandngan Fungs Tujuan Cancer 20 Cmc Glass Wne
21 Grafk Perbandngan F-measure IRIS 21
22 Cancer Hasl Uj Coba Grafk Perbandngan F-measure 22 Cmc Glass Wne
23 Hasl Uj Coba Perbandngan kesalahan klasfkas untuk p=2 Perc 23 Irs Cancer CMC Glass Wne I II III I II III I II III I II III I II III I = KHM ; II = ABC ; III = ABC-KHM
24 Hasl Uj Coba Perbandngan kesalahan klasfkas 24 Untuk p=3 Untuk p=4
25 Kesmpulan : Kesmpulan dan Saran 25 Metode ABC-KHM telah berhasl mengoptmalkan poss ttk pusat klaster yang mengarahkan hasl klaster menuju solus global. Dalam hal pengukuran hasl klaster secara eksternal (kelas label) dengan menggunakan F-Measure, metode ABC-KHM juga telah menunjukkan domnasnya dbandngkan dengan dua metode lannya. Dar ss waktu yang dbutuhkan untuk melakukan proses klastersas data, metode ABC-KHM berada dantara metode ABC dan metode KHM
26 Saran : Kesmpulan dan Saran Metode ABC-KHM memerlukan waktu yang relatf jauh lebh lama jka dbandngkan dengan metode KHM, sehngga perlu untuk dlakukan pengembangan terhadap metode ABC-KHM n untuk mendapatkan waktu proses yang lebh cepat. 26
27 Daftar Pustaka Zhang, B., Hsu, M., dan Dayal, U. (1999), K-Harmonc Means A Data Clusterng Algorthm, Techncal Report HPL , Hewlett-Packard Laboratores. Karaboga, D. dan Akay, B. (2009a), A Comparatve Study of Artfcal Bee Colony Algorthm, Appled Mathematcs and Computaton, Vol 214, hal Karaboga, D. dan Ozturk, C. (2009b), A Novel Clusterng Approach: Artfcal Bee Colony (ABC) Algorthm, Appled Soft Computng, Vol. 11, hal Yang, F., Sun, T., dan Zhang, C. (2009), An Effcent Hybrd Data Clusterng Method Based on K-Harmonc Means and Partcle Swarm Optmzaton, Expert Systems wth Applcatons, Vol. 36, hal Dall, A (2003), Adaptaton of the F-measure to cluster-based Lexcon qualty evaluaton, In EACL, Budapest. Tan, P.N., Stanbach, M., dan Kumar, V. (2006), Introducton to Data Mnng, 4 th edton, Pearson Addson Wesley, New York. 27
PENERAPAN 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 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 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 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 terperinciKLASTERISASI DATA IRIS MENGGUNAKAN METODE BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
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,
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih 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 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 PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)
APLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) Irfrans Kusmarna, Luh Kesuma Wardhan 2, Muhammad Safrzal 3,3 Jurusan Teknk Informatka, Fakultas Sans dan Teknolog,
Lebih terperinciPENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION
PENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION Yudh Purwananto Rully Soelaman dan Bambang Santoso. Fakultas Teknolog Informas Insttut Teknolog Sepuluh Nopember
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 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 terperinciOPTIMASI METODE DISCRIMINATIVELY REGULARIZED LEAST SQUARE CLASSIFICATION DENGAN ALGORITMA GENETIKA
Vol. 5, o. 3, Januar 2010 ISS 0216-0544 OPIMASI MEODE DISCRIMIAIVELY REGULARIZED LEAS SQUARE CLASSIFICAIO DEGA ALGORIMA GEEIKA * Arad Retno r Hayat Rrd, ** Agus Zanal Arfn, *** Anny Yunart * Program Stud
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 terperinciMetode Algoritma Genetika dan Darwinian Particle Swarm Optimization dengan Variable Acceleration Factor Untuk Fungsi Multimodal
Vol. 5, No. 3 Desember 2016 ISSN 2088-2130;e-ISSN 2502-4884 Metode Algortma Genetka dan Darwnan Partcle Swarm Optmzaton dengan Varable Acceleraton Factor Untuk Fungs Multmodal Arad Retno Tr Hayat Manajemen
Lebih terperinciKLASTERISASI DATA MICROARRAY MENGGUNAKAN METODE CLIQUE PARTITIONING
KLASTERISASI DATA MICROARRAY MENGGUNAKAN METODE CLIQUE PARTITIONING Lsa Maranah 1, Fhra Nhta, Adwjaya 3 1,,3 ProdS1 Ilmu Komputas, Fakultas Informatka, Unverstas Telkom 1 lsamaranah@gmal.com, fhranhta@telkomunversty.ac.d,
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 terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih 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 terperinciPENENTUAN LETAK DAN KAPASITAS BANK KAPASITOR SECARA OPTIMAL PADA JARING TRANSMISI MENGGUNAKAN BEE COLONY ALGORITHM
ENENTUAN LETAK DAN KAASITAS BANK KAASITOR SECARA OTIMAL ADA JARING TRANSMISI MENGGUNAKAN BEE COLONY ALGORITHM Danang Sulstyo Jurusan Teknk Elektro, Insttut Teknolog Sepuluh Nopember Abstrak-ertumbuhan
Lebih terperinciJULIO ADISANTOSO - ILKOM IPB 1
KOM341 Temu Kembal Informas KULIAH #9 Text Clusterng Clusterng Pengelompokan, penggerombolan Proses pengelompokan sekumpulan obyek ke dalam kelas-kelas obyek yang memlk sfat sama. Unsupervsed learnng JAS
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 terperinciILMU KOMPUTER. Daftar Isi : HEALTH INFORMATICS : AN INTRODUCTION... 1 I Made Agus Setiawan
Jurnal ILMU KOMPUTER Volume 6 Nomor 1 April 2013 Daftar Isi : HEALTH INFORMATICS : AN INTRODUCTION... 1 I Made Agus Setiawan PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY...
Lebih terperinciOPTIMASI KANDUNGAN GIZI SUSU KAMBING PERANAKAN ETAWA (PE) MENGGUNAKAN ELM-PSO DI UPT PEMBIBITAN TERNAK DAN HIJAUAN MAKANAN TERNAK SINGOSARI-MALANG
Jurnal Teknolog Informas dan Ilmu Komputer (JTIIK) p-issn: 2355-7699 Vol. 4, No. 1, Maret 2017, hlm. 31-36 e-issn: 2528-6579 OPTIMASI KANDUNGAN GIZI SUSU KAMBING PERANAKAN ETAWA (PE) MENGGUNAKAN ELM-PSO
Lebih terperinciAbstraksi. Abstraksi. Abstraksi. Property SP (single short shortest path) 4/29/2010. Berapa pa th yang mungkin dari garaph G tadi?
Termnolog Sngle source shortest path djkstra wjanarto Djkstra s algorthm d paka untuk menemukan shortest path dar satu source ke seluruh vertek dalam graph. Algo n menggunakan 2 hmp node yatu S dan C.
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB II TINJAUAN PUSTAKA. George Boole dalam An Investigation of the Laws of Thought pada tahun
BAB II TINJAUAN PUSTAKA 2.1 Aljabar Boolean Barnett (2011) menyatakan bahwa Aljabar Boolean dpublkaskan oleh George Boole dalam An Investgaton of the Laws of Thought pada tahun 1954. Dalam karya n, Boole
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 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 terperinciKAJIAN DAN ALGORITMA PELABELAN PSEUDO EDGE-MAGIC. memiliki derajat maksimum dan tidak ada titik yang terisolasi. Jika n i adalah
BAB III KAJIAN DAN ALGORITMA PELABELAN PSEUDO EDGE-MAGIC III. Batas Bawah Magc Number pada Pelabelan Total Pseudo Edge-Magc Teorema 3.. Anggap G = (,E) adalah sebuah graf dengan n-ttk dan m-ss dan memlk
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 terperinciMODEL HEURISTIK PENENTUAN RUTE KENDARAAN DENGAN BATASAN WAKTU PENGIRIMAN
MODEL HEURISTIK PENENTUAN RUTE KENDARAAN DENGAN BATASAN WAKTU PENGIRIMAN Tjutju T. Dmyat Jurusan Teknk Industr Unverstas Pasundan E-mal : admyat@bdg.centrn.net.d ABSTRAK Penentuan rute kendaraan (Vehcle
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 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 terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciBAB 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 terperinciAnalisis Pengaruh Kernel Support Vector Machine (SVM) pada Klasifikasi Data Microarray untuk Deteksi Kanker
OPEN ACCESS ISSN 460-9056 socj.telkomunversty.ac.d/ndojc Ind. Journal on Computng Vol., Issue. 1, Maret 017. pp. 109-118 do:10.1108/ndojc.017.1.169 Analss Pengaruh Kernel Support Vector Machne (SVM) pada
Lebih 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 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciJurnal Teknologi Elektro, Universitas Mercu Buana ISSN:
KECERDASAN BUATAN BERBASIS PARTICLE SWARM OPTIMIZATION, ANT COLONY OPTIMIZATION DAN FIREFLY ALGORITHM UNTUK MEREDAM OSILASI GANGGUAN PADA SISTEM PEMBANGKIT LISTRIK Pressa P. Surya Unverstas Muhammadyah
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 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 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 terperinciHuman-Friendly Arm Robot Berbasis Interactive Particle Swarm Optimization (IPSO)
Human-Frendly Arm Robot Berbass Interactve Partcle Swarm Optmzaton (IPSO) Anhar Rsnumawan, Indra Adj Sulstjono ) Jurusan Teknk Elektronka, Polteknk Elektronka Neger Surabaya Kampus PENS-ITS Sukollo, Surabaya
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih 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 terperinciPERBANDINGAN METODE SAW DAN TOPSIS PADA KASUS UMKM
PERBANINGAN METOE SAW AN TOPSIS PAA KASUS UMKM Muh. Alyazd Mude al.mude@yahoo.com Teknk Informatka Unverstas Muslm Indonesa Abstrak alam pengamblan keputusan terhadap masalah berdasarkan sebuah analsa
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 terperinciImplementasi Metode Particle Swarm Optimization-Dempster Shafer untuk Diagnosa Indikasi Penyakit pada Budidaya Ikan Gurami
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 2, Februar 2018, hlm. 503-509 http://j-ptk.ub.ac.d Implementas Metode Partcle Swarm Optmzaton-Dempster Shafer untuk
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciPenentuan Letak dan Kapasitas Optimal Bank Kapasitor pada Jaring Transmisi 150 kv Sumatera Utara Menggunakan Artificial Bee Colony Algorithm
JURNAL TEKNIK ITS ol. 5, No. 2, (2016 ISSN: 2337-3539 (2301-9271 rnt A750 enentuan Letak dan Kapastas Optmal Bank Kapastor pada Jarng Transms 150 k Sumatera Utara Menggunakan Artfcal Bee Colony Algorthm
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 terperinciOptimasi Penjadwalan Perkuliahan Dengan Menggunakan Hybrid Discrete Particle Swarm Optimization (Studi Kasus: PTIIK Universitas Brawijaya)
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 4, Aprl 2017, hlm. 249-256 http://j-ptk.ub.ac.d Optmas Penjadwalan Perkulahan Dengan Menggunakan Hybrd Dscrete Partcle
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 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 terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciPertemuan ke-4 Analisa Terapan: Metode Numerik. 4 Oktober 2012
Pertemuan ke-4 Analsa Terapan: Metode Numerk 4 Oktober Persamaan Non Non--Lner: Metode NewtonNewton-Raphson Dr.Eng. Agus S. Muntohar Metode Newton Newton--Raphson f( f( f( + [, f(] + = α + + f( f ( Gambar
Lebih terperinciCatatan Kuliah 13 Memahami dan Menganalisa Optimasi dengan Kendala Ketidaksamaan
Catatan Kulah 3 Memaham dan Menganalsa Optmas dengan Kendala Ketdaksamaan. Interpretas Konds Kuhn Tucker Asumskan masalah yang dhadap adalah masalah produks. Secara umum, persoalan maksmsas keuntungan
Lebih terperinciBAB I PENDAHULUAN. Anemia adalah keadaan saat jumlah sel darah merah atau jumlah
BAB I PENDAHULUAN 1.1 Latar Belakang Anema adalah keadaan saat jumlah sel darah merah atau jumlah hemoglobn (HB) atau proten pembawa oksgen dalam sel darah merah berada d bawah normal,anema dalam kehamlan
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu
Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan
Lebih terperinciRoy Madi Mahasiswa Teknik Informatika, FT UMRAH
OPTIMASI WAKTU KEBERANGKATAN FERRY TANJUNGPINANG BATAM DENGAN METODE PARTICLE SWARM OPTIMIZATION (Stud Kasus : Pelabuhan Sr Bntan Pura, Kota Tanjungpnang) Roy Mad Mahasswa Teknk Informatka, FT UMRAH (roymad0@gmal.com)
Lebih terperinciEvanita Fakultas Teknik, Program Studi Teknik Informatika Universitas Muria Kudus
Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 PREDIKSI VOLUME LALU LINTAS ANGKUTAN LEBARAN PADA WILAYAH JAWA TENGAH DENGAN METODE K-MEANS CLUSTERING UNTUK ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Evanta Fakultas
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBab 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 terperinciSWARM INTELLIGENCE (Teori & Case Study)
Judul SWARM INTELLIGENCE (Teor & Case Study) PSO, ACO, ABC, ACO-SVR, etc Oleh: Imam Cholssodn Ef Ryandan PENGANTAR Buku n member pemahaman konsep lanjut dan detal penyelesaan untuk pengembangan Swarm Intellgence
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih 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 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 terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciPrediksi Penerimaan Zakat menggunakan Metode Support Vector Regression (SVR) dengan Flower Pollination Algorithm (FPA)
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 548-964X Vol. 1, No. 7, Jun 017, hlm. 534-544 http://j-ptk.ub.ac.d Predks Penermaan Zakat menggunakan Metode Support Vector Regresson (SVR)
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 terperinciOPTIMASI PEMBAGIAN BEBAN PLTU SURALAYA MENGGUNAKAN METODE ANT COLONY OPTIMIZATION
OPTIMASI PEMBAGIAN BEBAN PLTU SURALAYA MENGGUNAKAN METODE ANT COLONY OPTIMIZATION Suhendar 1, Ika Want Tusyan 2, Almuddn 3 1,2,3 Jurusan Teknk Elektro, Fakutas Teknk Unverstas Sultan Ageng Trtayasa Jl.
Lebih terperinciMEMINIMALKAN RUGI-RUGI PADA SISTEM DISTRIBUSI TEGANGAN MENENGAH DENGAN PEMASANGAN KAPASITOR
MEMINIMALKAN RUGI-RUGI PADA SISTEM DISTRIBUSI TEGANGAN MENENGAH DENGAN PEMASANGAN KAPASITOR Adranus Dr Program Stud Teknk Elektro Jurusan Teknk Elektro Fakultas Teknk Unverstas Tanjungpura adranus_dr@yahoo.co.d
Lebih terperinciAds Filtering Mengunakan Jaringan Syaraf Tiruan Perceptron, Naïve Bayes Classifier, dan Regresi Logistik
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Prnt) D-83 Ads Flterng Mengunakan Jarngan Syaraf Truan Perceptron, Naïve Bayes Classfer, dan Regres Logstk Achmad Fachrudn Rachmawan
Lebih terperinciPERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT
BIAStatstcs (05) Vol. 9, No., hal. -7 PERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT Faula Arna Jurusan Teknk Industr, Unverstas Sultan Ageng Trtayasa Banten Emal : faulaarna@yahoo.com
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciSEGMENTASI BERBASIS REGION PADA CITRA BERWARNA UNTUK KEPERLUAN TEMU KEMBALI CITRA PADA EVENT OLAH RAGA LAPANGAN HIJAU
EGMENTAI BERBAI REGION PADA CITRA BERWARNA UNTUK KEPERLUAN TEMU KEMBALI CITRA PADA EVENT OLAH RAGA LAPANGAN HIJAU Arf Basof,.Kom, Moch. Harad, T, M.c, Ph.D. Program Magster Bdang Keahlan Jarngan Cerdas
Lebih terperinciSEGMENTASI CITRA MEDIS DENGAN ALGORITMA DETEKSI TEPI KONTUR BERBASIS PELACAKAN TARGET SECARA DINAMIS
SEGMENTASI CITRA MEDIS DENGAN ALGORITMA DETEKSI TEPI KONTUR BERBASIS PELACAKAN TARGET SECARA DINAMIS Puruhto Bagus Prakosa, Agus Zanal Arfn, Anny Yunart 3 Teknk Informatka, Fakultas Teknolog Informas,
Lebih terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciDETEKSI OUTLIER BERBASIS KLASTER PADA SET DATA DENGAN ATRIBUT CAMPURAN NUMERIK DAN KATEGORIKAL ABSTRAK
DETEKSI OUTLIER BERBASIS KLASTER PADA SET DATA DENGAN ATRIBUT AMPURAN NUMERIK DAN KATEGORIKAL Dw Maryono, Arf Dunady Program Magster Teknk Informatka, Fakultas Teknolog Informas Insttut Teknolog Sepuluh
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 terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
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 METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih 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 terperinciOPTIMAL GENERATOR SCHEDULING BASED ON PARTICLE SWARM OPTIMIZATION
Semnar Nasonal Informatka 009 (semnasif 009) ISSN: 1979-38 UPN Veteran Yogyakarta, 3 Me 009 OPTIMAL GENERATOR SCHEDULING BASED ON PARTICLE SWARM OPTIMIZATION Mackel Tuegeh 1, Ad Soeprjanto, Maurdh Hery
Lebih terperinciDIMENSI PARTISI GRAF GIR
Jurnal Matematka UNAND Vol. 1 No. 2 Hal. 21 27 ISSN : 2303 2910 c Jurusan Matematka FMIPA UNAND DIMENSI PARTISI GRAF GIR REFINA RIZA Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam,
Lebih terperinciStudi Optimal Power Flow Sistem Kelistrikan 500 kv Jawa Bali dengan Metode Algoritma Genetika
Meda Elektrka, Vol. 6 No. 1, Jun 2013 ISSN 1979-7451 Stud Optmal Power Flow Sstem Kelstrkan 500 kv Jawa Bal dengan Metode Algortma Genetka Yassr 1, Sarjya 2, T. Haryono 3 1,2,3 Jurusan Teknk Elektro dan
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 terperinciPENGURUTAN DATA. A. Tujuan
PENGURUTAN DATA A. Tuuan Pembahasan dalam bab n adalah mengena pengurutan data pada sekumpulan data. Terdapat beberapa metode untuk melakukan pengurutan data yang secara detl akan dbahas ddalam bab n.
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 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 terperinci