IDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER
|
|
- Widya Johan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 IDENIFIKASI SISEM NONLINIE DENGAN MENGGUNAKAN ECUEN NEUAL NEOK DAN ALGOIMA DEAD-ZONE KALMAN FILE ully Soelaman, angga fa Faultas enolog Informas Insttut enolog Sepuluh Nopember Kampus Keputh, Suollo, Surabaya 6, Indonesa Emal : rully@s.ts.ac.d, ran@cs.ts.ac.d Abstra Identfas sstem nonlner telah terbut dapat dselesaan menggunaan jarngan saraf truan dengan berbaga algortma pembelajaran bobot. Algortma pembelajaran normal sepert bacpropagaton (BP), meml beberapa elemahan antara lan proses onvergens yang mash lambat, beban omputasonal yang menngat serng bertambahnya teras dan proses pembelajaran senstf terhadap nose. Oleh arena tu algortma pembelajaran extended Kalman flter (EKF) yang meml onvergens cepat dusulan walaupun perhtungannya lebh rumt dan mash senstf terhadap nose. Pada maalah n, algortma (EKF) dmplementasan pada state-space recurrent neural networ (NN) untu mengdentfas sstem nonlner. Algortma n dgunaan untu mengupdate bobot pada lapsan tersembuny dan lapsan eluaran dar jarngan saraf truan berdasaran dentfas error antara target dengan hasl estmas state. Algortma EKF dmodfas dengan algortma dead-zone untu memperba euatan Kalman flter. eor establan Lyapunov dgunaan untu membutan bahwa Algortma Kalman flter dengan dead-zone stabl. Untu membutan hasl dentfas yang ba dengan dead-zone Kalman flter (DKF) maa dgunaan algortma BP sebaga pembandng. Dar hasl uj coba dan evaluas, dapat dsmpulan bahwa hasl dentfas dengan DKF lebh aurat dan efsen serta lebh cepat onvergensnya dbandngan dengan algortma pembandng. Kata unc : sstem nonlner, dentfas sstem, recurrent neural networ, dead-zone Kalman flter.. Pendahuluan Serng perembangan zaman peran omputer seman mendomnas ehdupan. Saat n, suatu sstem sudah dapat melauan pembelajaran untu mengenal perlau lngungannya. Salah satunya dentfas sstem nonlner sepert permasalahan meana dan dnama dengan algortma pembelajaran tertentu. Identfas sstem mengatur suatu sstem agar eluaran dar sstem mampu mengut targetnya. Identfas sstem nonlner menjad sangat rumt arena omputer hanya dapat menyelesaan perhtungan yang lner. Metode yang tepat aan dapat memodelan sstem nonlner secara aurat mengngat solus esa dar permasalahan nonlner sangat sult. Identfas sstem nonlner dapat dselesaan dengan menggunan suatu metode yang dnamaan Jarngan Syaraf ruan (JS). Jarngan syaraf truan suatu ten pemrosesan nformas yang ternspras oleh sstem saraf bolog dengan melauan proses pembelajaran sepert pengenalan pola. en jarngan saraf truan sangat efetf untu mengdentfas sstem nonlner yang rumt. Menurut Smon Hayn (999), jarngan syaraf truan dapat dlasfasan menjad dua yatu feedforward dan recurrent. Dalam termnolog matemats, sstem nonlner sstem yang tda memenuh prnsp superposs. Sebuah sstem nonlner merupaan sstem yang tda bsa dpreds berdasaran perlau terdahulunya dan meml cuup besaran yang tda detahu. Sstem nonlner n merupaan onsep dar sstem dnam. Beberapa permasalahan tmbul saat dlauan preds pada bentu sstem yang belum pernah dlath sebelumnya. Permasalahan-permasalahan tersebut antara lan preds sstem untu watu yang lama urang aurat. Hal n dsebaban jarngan belajar mengenal bentu sstem lewat pasangan nput-output dar ecepatan perubahan sstem. Sehngga jarngan syaraf truan yang basa tda dapat menangap perlau sstem untu watu yang lama dengan ba.
2 Peneltan-peneltan lebh lanjut telah berhasl dlauan untu memperenalan algortmaalgortma baru dalam pengdentfasan sstem nonlnear. Namun, arena adanya permasalahan yang mash muncul yatu proses onvergens yang lambat dan senstf terhadap nose maa hasl dar pengdentfasan sstem nonlnear tda selalu memuasan. Dalam jurnal lmah yang dtuls oleh Jose de Jesu s ubo dan en Yu pada tahun 6 dusulan suatu metode yang dapat memecahan masalah dentfas nonlner yatu NN dengan algortma DKF. NN yang menggabungan feedbac meml emampuan penggambaran yang sangat uat. EKF juga meml onvergens yang lebh cepat arena nteras yang terjad sedt dan learnng rate buan onstanta postf. Algortma EKF n aan dmodfas dengan algortma dead-zone agar lebh stabl. Algortma DKF n aan dgunaan untu mengubah bobot pada lapsan tersembuny dan lapsan eluaran dar state-space recurrent neural networ berdasaran dentfas error antara eluaran jarngan dengan target. Hal n aan dlauan secara terus-menerus hngga eluaran dar jarngan sesua dengan target atau plant sstem.. Dasar eor. Sstem Nonlner Sstem nonlner merupaan bagan dar sstem dnam. Sstem nonlner suatu sstem yang dnyataan dalam persamaan nonlner dan tda memenuh prnsp superposs atau eluaran dar sstem tda sebandng dengan masuannya. Kasus-asus sstem nonlner merupaan asus dmana varabel-varabel yang aan dselesaan tda dapat dtuls dalam ombnas lner dar omponen-omponen yang ndependen. Sstem nonlner yang ddentfas dalam maalah n sstem nonlnear dnam dengan ontrol nput atau vetor masuan yang dnotasan pada persamaan (). ) f [ ), )] () dmana u m ( ) ontrol nput, nla dar u ( ) u, x n ( ) vetor state, dengan f tda detahu. Contoh sstem nonlner dengan ontrol nput yang dgunaan sebaga berut : x ( ) ax sgn( x) u ) a. x sgn( x ) u u u.cos( s) +.cos(4 s)+.6cos( s) alaupun beberapa hubungan fss serngal dnyataan dengan persamaan lnear, tetap dalam ebanyaan asus hubungan yang sebenarnya tda benar-benar lnear.. Identfas Sstem Nonlner Identfas sstem pendeatan yang bersfat percobaan untu memodelan suatu proses atau plant dar parameter yang tda detahu. Pada ontes n memodelan berart membangun representas matemats dar perlau dnams suatu sstem atau proses ba dalam watu atau freuens doman.identfas sstem juga denal dengan proses evaluas dar pembangunan model dsetap watu atau freuens doman. Evaluas dapat dlauan dengan pengujan e dalam pendeatan model yang dpaa dengan memasuan data masuan yang ada. Dar hasl analsa data masuan e dalam pemodelan maa aan ddapatan hasl eluaran model. Hasl eluaran model n emudan dbandngan dengan data eluaran sstem sehngga dapat devaluas dengan memperba parameter tertentu dalam model yang dgunaan. Identfas sstem melput beberapa proses tahapan antara lan perencanaan yang bersfat percobaan, pemlhan strutur model yang aan dpaa, estmas parameter, dan valdas model. Langah-langah dentfas sstem aan terus berulang sampa ddapatan hasl pembangunan model yang memuasan. Untu membangun dentfas model yang parameternya coco pada suatu plant dar sstem nonlner yang dnam terdapat jens prosedur yatu. Model State-Space. Indentfas sstem nonlner dapat dlauan dengan menggunaan model state-space yang dnyataan dalam persamaan. ) f [ ), )] y( ) h( )) dmana fungs f (.) dan h (.) merupaan fungs nonlner bernla vetor yang dasumsan tda detahu. u () vetor masuan yang beruuran mx dan x () vetor eluaran dar lapsan hdden pada watu e yang beruuran qx.. Model Input-Output. Model nput-output dgunaan untu dentfas sstem nonlner yang hanya dapat detahu nla eluarannya. Model n tda menggunaan state. Sstem menggunaan satu masuan dan satu eluaran. y ()
3 eluaran sstem dan ) nla masuan untu watu e. Model n menggunaan sngle nput-sngle output yang salah satu modelnya NAX (nonlnear autoregressve wth exogenous nputs) model. yˆ ( ) ( y( )... y( q ), ),... q )). Identfas Sstem dengan State-Space ecurrent Neural Networ en JS sangat efetf dalam mengdentfas sstem nonlner yang omples eta model nformas yang lengap sudah tda bsa ddapatan. Jens model arstetur jarngan yang dgunaan dalam maalah n NN yang meml feedbac loop pada arstetur jarngannya. NN meml emampuan penggambaran yang sangat bagus dan dapat mengatas elemahan feedfoward. NN dapat memperraan ecepatan perubahan bentu sstem dengan ba pada sub jarngannya berdasaran nterpolas daerah doman dalam satu selang watu tertentu atau jumlah teras sehngga dapat mempreds bentu lntasan sstem untu watu yang lama. Selan tu dharapan NN n dapat memperraan jalannya sstem untu selang watu yang berbeda-beda. Model state-space recurrent neural networ yang dgunaan untu mengndentfas sstem nonlner pada persamaan () dengan n buah nput-output dan buah lapsan m hdden sebaga berut: xˆ( ) Axˆ( ) V V, dmana A [,, )] ) [, )] () n ˆ nternal state vetor, ) nxn matr tetap, ) m state vetor, ) vetor masuan. Nla u () dan x () detahu. mxn,,, bobot pada lapsan nxm hdden sedangan V, V,, bobot pada lapsan output. x ˆ( ) nla dar state vetor hasl perraan pada teras e. Fungs atfas yang dgunaan pada jarngan [... m, dan mxm m ]. Nla dan dhtung dengan menggunaan fungs sgmod. Fungs sgmod yang dgunaan fungs pada persamaan () dan (4). n ( g( x)) ( ) g e x.5 (). ( g( x)). ( g e x).5 (4) Gambar. Arstetur recurrent neural networ. Keluaran jarngan dapat dhtung dengan persamaan berut : y( ) ) A ) V [ V [. Metode )] ). )]. Pembelajaran dengan Algortma Bacpropagaton BP dgunaan dalam hal melath jarngan untu mendapatan esembangan antara emampuan jarngan untu mengenal pola yang dgunaan selama pelathan serta emampuan jarngan untu memberan respon yang benar terhadap pola masuan yang serupa. Namun BP mash meml elemahan antara lan proses onvergens yang mash lambat, beban omputasonal yang menngat serng bertambahnya teras dan proses pembelajaran senstf terhadap nose. Pembelajaran bobot dengan algortma BP dapat dhtung degan persamaan sebaga berut : V, V, [, )] e ( ) (5) ' [ )] V ) e ( ),,,, dmana, learnng rate dar jarngan.. Pembelajaran dengan Algortma Extended Kalman Flter en Kalman flter dgunaan untu melauan pembelajaran pada NN () dengan nla
4 dentfas error e () antara plant dengan hasl estmas JS yang dapat dbatas. e ( ) xˆ ( ) x ( ) Persamaan-persamaan yang dgunaan EKF untu pembelajaran NN antara lan : ˆ ˆ ( ) ( ) K yˆ ( ) B ˆ ( ), P K dmana P B,...,n P [ I K B ( B e ( ), ] P, P B ) P matr semdefnt. 4mx4m, ' ', V, x, u, dag ( u) V, ( ),..., n ( )] V,,,, V,,, B ) [ 4mx ( ), (), (6) state vetor yang merupaan bobot tap sub sstem. onstanta postf yang ecl. onstanta postf.. Pembelajaran dengan Algortma Dead-Zone Kalman Flter Algortma n merupaan modfas dar algortma EKF. Proses dentfas sstem nonlner dengan menggunaan algortma pembelajaran n dapat menghaslan pendeatan yang lebh stabl dengan ecepatan onvergens yang lebh cepat. eor establan Lyapunov dgunaan untu membutan bahwa algortma Kalman flter dengan dead-zone stabl untu dentfas sstem. Algotma EKF (6) aan dmodfas menjad DKF sebaga berut ˆ ( ) ˆ ( ) P B s, yˆ ( ) dmana B ˆ ( ), (7) B P B salar, e ( ), e ( ) dan P B B P s, e ( ) atau P B B P onstanta postf yang ecl. onstanta postf. parameter dead-zone dan sebaga batas tertngg dar nla tda past,,., yang Secara eseluruhan penerapan algortma DKF dalam NN dapat ddesan dengan langahlangah sebaga berut : Insalsas nla untu bobot () dan P. Membangun model dar NN () untu mengdentfas suatu sstem nonlner yang tda detahu (). Matr A matr stabl. uls JS e dalam bentu lner y( ) B ( ) dengan [ ( ),..., ( )] V,,, n, V,,, B ) ' ', V, x, u, dag ( u) V, Pembelajaran bobot dengan memperbaharu nla bobot lama dengan menggunaan persamaan (7). Nla P dperbaharu sesua algortma Kalman flter yatu P K P B [ I K B ( B 4 Uj Coba dan Analss ] P, P B ) Uj coba dlauan pada sebuah PC dengan prosesor Intel Pentum 4.6GHz, memor 5 MB AM. Sstem operas yang dgunaan ndows XP Professonal Verson SP. Bahasa omputas yang dgunaan untu mplementas metode Matlab Uj coba dlauan dengan beberapa sstem nonlner dan senaro yang melbatan jumlah neuron pada lapsan tersembuny dan teras yang dgunaan. Uj coba dlauan dengan 5 Senaro antara lan : Senaro : lapsan tersembuny neuron dengan teras Senaro : lapsan tersembuny neuron dengan 6 teras Senaro : lapsan tersembuny neuron dengan teras Senaro 4 : lapsan tersembuny neuron dengan 6 teras. ˆ
5 MSE Senaro 5 : lapsan tersembuny neuron dengan teras Hasl estmas yang palng mendeat plant ddapatan pada senaro yang jumlah neuron lapsan tersembunynya dan jumlah teras jarngan sebesar 6 al. Sstem nonlner sebaga berut : x ( ) ) x( ) x ( ) ) x ( ) x ( ) x ( ) x ( ) x ( ) x ( ) x ( ) ).sn(s ).sn(4s).6sn( s) Beberapa nla parameter yang dgunaan untu uj coba sstem nonlner yatu nla nxn A dag(.), A merupaan matr dagonal stabl dan nla awal bobot mxn,,,, nxm V,, V, dnsals antara [,]. Nla parameter untu algortma EKF yang dgunaan antara lan nla matr semdefnt nxn P dag ( ) pada saat nsalsas atau teras e, nla dag (.) dan nla.. Parameter pada algortma DKF yang dgunaan sama pada algortma EKF hanya dtambah dengan nla parameter dead-zone. nxn. Sedangan untu algortma BP hanya memerluan parameter learnng rate.. Hasl dentfas sstem nonlner dengan menggunaan neuron pada lapsan tersembuny dan 6 al teras dtamplan pada gambar sedangan graf perbandngan MSE dentfas sstem nonlner dar semua algortma dtamplan pada gambar. (a) (b) (c) Gambar. Kurva hasl dentfas sstem nonlner (a) Identfas dengan DKF ; (b) EKF ; (c) BP,4,5,,5,,5,,5 Perbandngan Sstem Nonlner pada Semua Senaro 4 5 Senaro DKF EKF BP Gambar 4. Dagram perbandngan nla MSE dentfas sstem nonlner untu semua senaro Gambar 4 merupaan dagram perbandngan MSE hasl uj coba seluruh senaro sstem nonlner. Dar dagram datas dapat detahu bahwa nla MSE yang palng ecl terdapat pada senaro 4. Gambar. Kurva perbandngan nla MSE dentfas sstem nonlner untu semua algortma Sstem nonlner sebaga berut : x ( ) ax sgn( x ) u x ( ) a. x sgn( x ) u dengan ontrol nput yatu u u.cos( s) +.cos(4 s)+.6cos( s), a.5, a.,.,.5..
6 MSE Insalsas nla parameter sama dengan sstem nonlner. (a),,5,,5,,5 Perbandngan Sstem Nonlner pada Semua Senaro 4 5 Senaro DKF EKF BP (b) (c) Gambar 5. Kurva hasl dentfas sstem nonlner (a) Identfas dengan DKF ; (b) EKF ; (c) BP Gambar 5 urva hasl uj coba dentfas sstem nonlner dengan menggunaan neuron pada lapsan tersembuny dan 6 al teras sedangan graf perbandngan MSE dentfas sstem nonlner dar semua algortma dtamplan pada gambar 6. Gambar 7. Dagram perbandngan nla MSE dentfas sstem nonlner untu semua senaro Gambar 7 merupaan dagram perbandngan MSE hasl uj coba seluruh senaro sstem nonlner. Dar dagram datas dapat detahu bahwa nla MSE dar algortma DKF palng ecl dbandngan dengan algortma EKF dan BP untu seluruh senaro. Sstem nonlner sebaga berut : x ( ) mx ( ) nx ( ) x ( ). ) x ( ) mx x ( ) mx ( ) ox ( ) x ( ) ox ( ) x ( ).5 ) ( ). ) u =.sn( /) +.5sn(/4) dengan m.5, n., o. 5. Nla nsalsas parameter dsamaan dengan nsalsas pada sstem nonlner. Graf perbandngan MSE dentfas sstem nonlner dar semua algortma dtamplan pada gambar 8. Gambar 6. Kurva perbandngan nla MSE dentfas sstem nonlner untu semua algortma Gambar 8. Kurva perbandngan nla MSE dentfas sstem nonlner untu semua algortma Hasl dentfas sstem nonlner dengan menggunaan neuron pada lapsan tersembuny dan 6 al teras dtamplan pada gambar 9.
7 MSE (a) (b) (c) Gambar 9. Kurva hasl dentfas sstem nonlner (a) Identfas dengan DKF ; (b) EKF ; (c) BP,5,,5,,5 Perbandngan Sstem Nonlner pada Semua Senaro 4 5 Senaro DKF EKF Gambar. Dagram perbandngan nla MSE dentfas sstem nonlner untu semua senaro Dar gambar datas dapat detahu bahwa nla MSE dar algortma DKF palng ecl dbandngan dengan algortma EKF dan BP untu seluruh senaro. 5. Kesmpulan Setelah dlauan uj coba dan analss terhadap perangat luna yang dbuat, maa dapat dambl esmpulan sebaga berut: BP. Aplas NN dengan algortma pembelajaran DKF dapat melauan dentfas terhadap sstem nonlner. Algortma n dapat djadan alternatf untu menyelesaan persoalan sstem nonlner. Sstem nonlner yang dgunaan persoalan nonlner yang mempunya ontrol nput.. Hasl dentfas sstem nonlner dengan menggunaan algortma Kalman flter lebh aurat dbandngan dengan algortma BP. Hal n dapat dsmpulan berdasaran hasl analsa dar asus yang dujcobaan.. Algortma DKF meml emampuan dentfas yang cepat. Hal n dapat dlhat dar state awal yang dplh merupaan nla sembarang namun pengenalan selanjutnya bsa dlauan dengan mengdentfas plant dengan cepat. 4. Algortma DKF mampu beerja dengan ba dalam melauan pencocoan urva dentfas (proses tranng jarngan), terlhat dar hasl mnmum MSE sebesar.8 pada asus pertama,.546 pada asus yang edua serta.7 pada asus yang etga. 5. Hasl dentfas sstem nonlner yang palng mendeat dcapa pada saat jarngan menggunaan buah neuron pada lapsan tersembuny dan 6 al teras 6. Algortma DKF meml emampuan onvergens yang cepat arena seman lama hasl dentfas seman mendeat plant. 6. Daftar Pustaa [] Hayn, Smon (999). Neural Networ A Comprehensve Foundaton Second Edton. New Jersey: Prentce-Hall, Inc. [] ubo, Jose de Jesu s, Yu, dan en. (7). Nonlner system dentfcaton wth recurrent neural networ and dead-zone Kalman flter algorthm. ScenceDrect, Neurocomputng 7, [] ubo, Jose de Jesu s, Yu, en dan L, Xaoou. (5). ecurrent Neural Networs ranng wth Stable s-senstve Kalman Flter Algorthm. IEEE. [4] ubo, Jose de Jesu s, dan Yu, en.(7). ecurrent neural networs tranng wth optmal bounded ellpsod algorthm, Proc.of the 7 Amercan Control Conference Marrot Marqus Hotel at mes Square New Yor Cty,USA. [5] Yu, en.(5). State-Space ecurrent Fuzzy Neural Networs for Nonlner
8 System Identfcaton. Neural Processng letter :9-44 [6] Yu dan Xaoou L.(). Dscrte-tme Nonlnear System Identfcaton Usng ecurrent Neural Networs. IEEE Internatonal Conference on Decson and Control Mau, Hawa USA, December.
APLIKASI JARINGAN SARAF TIRUAN REKUREN PADA IDENTIFIKASI SISTEM NONLINIER DENGAN ALGORITMA OPTIMAL BOUNDED ELLIPSOID
APLIKASI JARINGAN SARAF IRUAN REKUREN PADA IDENIFIKASI SISEM NONLINIER DENGAN ALGORIMA OPIMAL BOUNDED ELLIPSOID Rully Soelaman, Mohammad Azs Efend Faultas enolog Informas, Insttut enolog Sepuluh Nopember
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
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 terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciImplementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0
Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciJARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU
JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU Ea Saputra LF096585 Jurusan Ten Eletro Faultas Ten Unverstas Dponegoro Abstra Jarngan saraf truan merupaan suatu metode yang salah satunya
Lebih terperinciMETODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa
Lebih terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING
Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata
Lebih terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciRestorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization
Restoras Ctra Dengan Menggunaan Metode Iteratf Lanczos Hybrd Regularzaton Yudh Purwananto, Rully Soelaman, Alfa Masjta Rahmat Jurusan Ten Informata, Faultas Tenolog Informas Insttut Tenolog Sepuluh Nopember
Lebih terperinciBab III Model Estimasi Outstanding Claims Liability
Bab III Model Estmas Outstandng Clams Lablty. Model ELRF Suatu model yang dgunaan untu menasr outstandng clams lablty, tda cuup hanya melbatan data pada run-off trangle saa. Sebab, pembayaran lam d masa
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 terperinciIMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN
E-Jurnal Matemata Vol. 5 (4), November 2016, pp. 126-132 ISSN: 2303-1751 IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN I Made Dw Udayana Putra 1, G. K. Gandhad
Lebih terperinciAnalisis Variasi Parameter Backpropagation Artificial Neural Network dan Principal Component Analysis Terhadap Sistem Pengenalan Wajah
ELECTRANS, Jurnal Ten Eletro, Komputer dan Informata http://eournal.up.edu/ndex.php/electrans Analss aras Parameter Bacpropagaton Artfcal Neural Networ dan Prncpal Component Analyss Terhadap Sstem Pengenalan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinciU JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK
Jurusan Ten Spl dan Lngungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SENIN, 4 JANUARI 23 OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara tda boleh menggunaan omputer untu mengerjaan soal- soal ujan
Lebih terperinciOleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si
Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
Lebih terperinciKOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda
KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,
Lebih terperinciIMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN
SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas,
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 terperinciKLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN
KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN Abstra Nama: Moh. Bagus Had S (Nrp 1205 100 037) Dosen Pembmbng:
Lebih terperinciStudi Perhitungan CCT Menggunakan Metode EEAC (Extended Equal Area Criterion) Dan Trajektori Kritis/ Critical Trajectory Untuk Kestabilan Transien
JURAL TEKIK POITS Vol., o., (0) -6 Stud Perhtungan CCT enggunaan etode EEAC (Extended Equal Area Crteron) Dan Trajetor Krts/ Crtcal Trajectory Untu Kestablan Transen Hardansyah Pratama, Ardyono Pryad,
Lebih terperinciPerbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield
Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya
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 terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB 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 terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: madha@stkom.edu 2) S1
Lebih terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres
Lebih terperinciPROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM
Konferens Nasonal Sstem dan Informata 2009; Bal, November 14, 2009 PROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM Tjoorda Agung Bud W., 1, Mela
Lebih terperinciPENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI
PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI Yunarstanto 1 Irwan Iftad 1 Iwan Ngabd Raharjo 2 Abstract: Producton flow n PT. Tga Seranga Pustaa Mandr
Lebih terperinciPenggunaan Model Regresi Tobit Pada Data Tersensor
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 016 S 15 Penggunaan Model Regres obt Pada Data ersensor Def Yust Fadah 1, Resa Septan Pontoh 1, Departemen Statsta FMIPA Unverstas Padjadjaran def.yust@unpad.ac.d
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 terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA Pada Bab n aan dpaparan beberapa teor tentang analss dsrmnan dar berbaga sumber sepert: buu, jurnal dan prosdng. Analss dsrmnan adalah salah satu metode dependens dar analss multvarat.
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)
BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)
Lebih terperinciTEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA
IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan
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 terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciPENYELESAIAN SISTEM PERSAMAAN TAK LINIER
PENYELESIN SISTEM PESMN TK LINIE Mater Kulah: Pengantar; Iteras Satu Tt; Iteras Newton # PENGNT # erut n adalah contoh seumpulan buah persamaan ta lner smulta dengan buah varabel ang ta detahu:... ( 57...
Lebih terperinciBAB IV HASIL ANALISIS
BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan
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 terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciLucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman
Lucas Theorem Untu Mengatur Penympanan Memor yang Lebh Aman Hendra Hadhl Chor (135 8 41) Program Stud Ten Informata ITB Jalan Ganesha 1, Bandung e-mal: hendra_h2c_mathematcan@yahoo.com; f1841@students.f.tb.ac.d
Lebih terperinciEstimasi Posisi Magnetic Levitation Ball Menggunakan Metode Akar Kuadrat Ensemble Kalman Filter (AK-EnKF)
R.E.M. (Reayasa Energ Manufatur Jurnal Vol. No. 1 017 ISSN 7-674 (prnt, ISSN 8-373 (onlne Journal Homepage: http://ojs.umsda.ac.d/ndex.php/rem DOI: https://do.org/10.1070/r.e.m.v1.768 Estmas Poss Magnetc
Lebih terperinciKAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR
Berala Fsa ISSN : 1410-966 Vol.8, No.1, Januar 005, hal 7-10 KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR Agus Setyawan Laboratorum Geofsa, Jurusan
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih 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 terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciInversi Tak-Linier Magnetotelurik Dua-Dimensi Menggunakan Algoritma Monte Carlo Rantai Markov
Invers Ta-Lner Magnetotelur Dua-Dmens Menggunaan Algortma Monte Carlo Ranta Marov ugroho D. Hananto dan Ded S. Wdarto Pusat Peneltan Geotenolog Lembaga Ilmu Pengetahuan Indonesa Komple LIPI Jl. Sangurang
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciBAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
Lebih terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciPRA-PEMROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING
PRA-PEMROSESAN DATA LUARAN GCM CSIRO-M3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING Vvn Mandasar (306 00 069), Dr Ir Setawan, M S (960030 9870 00) Mahasswa Jurusan
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciImplementasi Algoritma Radix Sort dalam Berbagai Kasus Bilangan Dibandingkan Algoritma Pengurutan yang lain
Abstra Implementas Algortma Radx Sort dalam Berbaga Kasus Blangan Dbandngan Algortma Pengurutan yang lan Dean Fathony Alfatwa, Ere Rahman Syah P 2, Fahrs Mumtaza Ahsan 3 Departemen Ten Informata, Insttut
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih 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 terperinciPENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK.
PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. Fanny Ayu Octavana dan Dra. Luca Ardnant, MT. Jurusan Statsta, Faultas Matemata dan Ilmu
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih terperinciANALISA UNJUK KERJA SISTEM V-BLAST PADA KANAL FREQUENCY SELECTIVE FADING DALAM RUANGAN DENGAN MENGGUNAKAN MODULASI J-ary QAM
Analsa Unju Kerja Sstem I Gst. Ag. Km. Dafar Djun H. ANALISA UNJUK KEJA SISEM V-BLAS PADA KANAL FEQUENCY SELECIVE FADING DALAM UANGAN DENGAN MENGGUNAKAN MODULASI J-ary QAM I Gust Agung Komang Dafar Djun
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciAKAR KUADRAT ENSEMBLE KALMAN FILTER (AK-EnKF) PADA ESTIMASI POSISI ROBOT MOBIL
-6 98:. eguh d. AAR UADRA ESEMBLE ALMA FILER (A-EnF PADA ESIMASI POSISI ROBO MOBIL. eguh, Subchan,*,. endro, A. Erna, S.P. Dd 2, dan M. omarudn 3 Insttut enolog Seuluh oember 2 Polten Eletrna eger Surabaya
Lebih terperinciPENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD
Semnar Nasonal Sstem dan Informatka 2007; Bal, 6 November 2007 PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD Nur Hasanah ) Istkhomah 2) Taufq Hdayat 3) Sr Kusumadew 4) Jurusan
Lebih terperinciDesainKontrolFuzzy BerbasisPerformansiH dengan Batasan Input-Output untuk Sistem Pendulum-Kereta
ugasakhr E 91399 DesanKontrolFuzzy BerbassPerformansH dengan Batasan Input-Output untuk Sstem Pendulum-Kereta to Febraranto (8116) Dosen Pembmbng: Prof. Dr. Ir. Achmad Jazde, M.Eng. Jurusan eknk Elektro
Lebih terperinciAnalisis Persebaran Seismisitas Wilayah Sumatera Selatan Menggunakan Metode Double Difference
B-54 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Prnt) Analss Persebaran Sesmstas Wlayah Sumatera Selatan Menggunaan Metode Double Dfference Dew Fajryyatul Mauldah, Bagus Jaya Santosa
Lebih terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciStudi Kasus di PT.Petrokimia Gresik
J.Oto.Ktrl.Inst (J. Auto.trl.Inst) Vol (), 9 ISSN: 85-57 Perancangan Sstem Kontrol egar H untu Optmsas Pembaaran oler Abstra Stud Kasus d P.Petroma Gres A.. Setad, Y.Y. Nazaruddn, E. Joelanto, dan S. Nugroho
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 terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciPengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis
Konferens Nasonal Sstem & Informata 05 STMIK STIKOM Bal, 9-0 Otober 05 Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Two-Dmensonal Lnear Dscrmnant Analyss Ftr Damayant Prod Manajemen Informata,
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 terperinciPemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a
Pemodelan Anomal Magnet Berbentu Prsma Menggunaan Algortma Geneta Antonus a, Yudha Arman a *, Joo Sampurno a a Jurusan Fsa, FMIPA Unverstas Tanjungpura, Jalan Pro. Dr. Hadar Nawaw, Pontana, Indonesa *Emal
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih terperinci