IMPLEMENTASI FUNGSI PEMBANGKIT NUMERIK DENGAN METODE PIECEWISE POLYNOMIAL

Ukuran: px
Mulai penontonan dengan halaman:

Download "IMPLEMENTASI FUNGSI PEMBANGKIT NUMERIK DENGAN METODE PIECEWISE POLYNOMIAL"

Transkripsi

1 IMPLEMENTASI FUNGSI PEMBANGKIT NUMERIK DENGAN METODE PIECEWISE POLYNOMIAL Munah Nur Sa adah, Yudh Purwananto, Rully Soelaman Teknk Informatka, Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember Emal: ABSTRAK Fungs numerk, sepert trgonometr, logartmk, dan akar kuadrat banyak dgunakan dalam computer graphcs, dgtal sgnal processng, communcaton systems, robotcs, dan lanlan. Khusus dalam aplkas grafs, sektar setengah dar total waktu pemrosesan dgunakan untuk menghtung fungs numerk. Dengan demkan untuk aplkas numerk ntensf atau realtme dan akselerator hardware serng dperlukan fungs pembangkt numerk. Beberapa algortma segmentas pecewse polynomal untuk fungs pembangkt numerk dbangun untuk menyelesakan permasalahan n. Namun, algortmaalgortma tersebut mash kurang efektf untuk menemukan umlah segmen optmal. Dengan menggunakan metode segmentas pecewse polynomal beserta pengecekan yang ada d dalamnya dbangunlah algortma baru untuk mendapatkan umlah segmen optmal. Hasl u coba pada Tugas Akhr n menunukkan bahwa metode segmentas pecewse polynomal untuk fungs pembangkt numerk lebh mudah dmplementaskan dan lebh efektf dalam hal mendapatkan umlah segmen optmal. Kata kunc : fungs numerk, fungs pembangkt numerk, algortma segmentas, segmentas pecewse polynomal. PENDAHULUAN Fungs numerk, sepert trgonometr, logartmk, akar kuadrat, dan kombnas dar beberapa fungs secara luas telah bayak dgunakan dalam computer graphcs, dgtal sgnal processng, communcaton systems, robotcs, dan lanlan. Khusus dalam aplkas grafs, sektar setengah dar total waktu pemrosesan dgunakan untuk menghtung fungs numerk. Dengan demkan untuk aplkas numerk ntensf atau realtme dan akselerator hardware serng dperlukan fungs pembangkt numerk. Functon generator adalah bagan dar peralatan elektronk atau perangkat lunak yang dgunakan untuk menghaslkan berbaga ens bentuk gelombang lstrk melalu berbaga frekuens. Salah satu kelebhan dar functon generator adalah kemampuannya untuk mengunc fase gelombang ke sumber snyal eksternal atau functon generator lan. Beberapa bentuk gelombang yang palng umum dhaslkan oleh functon generator adalah snus, perseg, segtga, dan bentuk gelombang gg gerga. Pecewse functon adalah fungs yang defnsnya tergantung pada varabel ndependennya. Polnomal sendr adalah ekspres terbatas yang dbangun dar beberapa varabel dan konstanta menggunakan hanya operas penumlahan, pengurangan, perkalan, dan pangkat nonnegatf blangan bulat. Jad, pecewse polynomal adalah fungs polnomal yang defnsnya tergantung pada varabel ndependen. Beberapa algortma segmentas fungs polnomal yang telah ada sebelum algortma n adalah algortma segmentas Douglas Peucker dan algortma segmentas Frenzen. Algortma segmentas fungs polnomal dbag menad dua ens, yatu segmentas nonunform dan segmentas unform. Pada Tugas Akhr n dgunakan metode segmentas pecewse polynomal yang tdak mengacu pada segmentas unform maupun nonunform karena metode n merupakan metode perbakan dar metodemetode segmentas yang telah dsebutkan sebelumnya yang kurang efektf. Metode segmentas pecewse polynomal adalah metode yang keseluruhan proses segmentasnya dlakukan dalam tga tahapan utama, yatu ESTIMATE, LOCATE, dan PINPOINT. Keuntungan menggunakan metode n adalah dalam hal kesalahan dalam perkraan polnomal d masngmasng segmen tdak lebh besar darpada kesalahan yang telah dtetapkan. Selan tu, dalam hal waktu komputas metode n beralan lebh cepat darpada algortma sebelumnya yang tela ada sekalgus mampu menghaslkan umlah segmen terkecl.. DASAR TEORI.. Fungs Pembangkt Numerk Fungs pembangkt numerk adalah sebuah rangkaan logka dar fungs artmatka, sepert = sn selama beberapa nterval tertentu. Gambaran fungs pembangkt numerk dapat dlhat pada Gambar.. Berdasarkan gambaran tersebut, fungs f(x) yang dberkan danggap sebaga satu set segmen atau potongan, dmana f memperkrakan masngmasng segmen dengan persamaan lnear (). + () Nla dar c dan c dsmpan dalam Coeffcents Memory sepert pada Gambar. d lokas yang alamatnya dtentukan oleh t Index Encoder. Dalam merancang rangkaan n, salah satu pembagan nterval menad segmen, dmana koefsen nla c dan c adalah sama d tap segmen dan mendekat fungs f(x) dalam beberapa kesalahan tertentu. Gambar. Arstektur fungs pembangkt numerk

2 Sebuah rangkaan basanya merealsaskan segmentas nonunform karena secara umum, tap segmen memlk lebar yang berbeda. Oleh karena tu dplh lebar segmen selebar mungkn yang menyebabkan aprosmas kesalahan tdak lebh besar dar aproksmas kesalahan yang telah ddefnskan. Sebalknya, terdapat pula segmentas unform. Pada kasus n, semua segmen memlk lebar segmen yang sama. Jka lebar segmen adalah maka segment ndex encoder dapat dhapus dan order yang lebh tngg bt dgunakan untuk mendapatkan alamat pada segment ndex encoder, dmana n adalah umlah bt untuk mengodekan x. Pada kasus n, rangkaan menad lebh kecl dan lebh cepat... Metode tas Pecewse Polynomal Metode segmentas pecewse polynomal terdr dar beberapa tahap, yatu mencar ttttk awal yang sesua dengan batasan doman fungs f(x), tahapan untuk mencar lebar segmen optmal, tahap ESTIMATE, tahap LOCATE, dan tahap PINPOINT... Mencar TtkTtk Sesua Batasan Doman Tahap pertama dalam mplementas fungs pembangkt numerk dengan metode segmentas pecewse polynomal adalah mencar ttkttk awal yang sesua dengan batasan doman fungs f(x). Terdapat beberapa ens batasan dalam doman fungs, sepert yang ada pada Tabel.. Tabel. Jens batasan dalam doman fungs f(x) Batasan Doman Fungs f(x),, " < $, < $, " < < Berdasarkan Tabel. terdapat empat ens batasan doman fungs f(x). Secara umum dapat delaskan sepert n. Jka terdapat kurung sku buka ( [ ) atau kurung sku tutup ( ] ) pada batasan doman fungs f(x) maka artnya kurang dar atau sama dengan untuk kurung sku buka ( [ ) dan lebh dar atau sama dengan untuk kurung sku buka ( ] ). Jka terdapat kurung buka ( ( ) atau kurung tutup ( ) ) pada batasan doman fungs f(x) maka artnya kurang dar untuk kurung buka ( ( ) dan lebh dar untuk kurung tutup ( ) )... Tahapan Mencar Lebar Bagan pentng dar algortma segmentas pecewse polynomal adalah asal mula dar pekraan lebar segmen. Perkraan yang akurat merupakan hal pentng karena kemudan pencaran harus dlakukan untuk mendapatkan lebar segmen yang tepat. yang dcar dalam norder pendekatan polnomal adalah dalam rentang [e, s]. Aproksmas kesalahan maksmum dar aproksmas Chebyshev dtunukkan pada persamaan (). % = &'()*+, *+,./! max )454'6./ 6 () Persamaan () dselesakan hngga mendapatkan lebar segmen 7 8. Sehngga ddapatkan persamaan () yang merupakan persamaan untuk mendapatkan lebar segmen. *+, 7 8 = 4 :./!; &<=>?@A@B 6C *+, 56 () Untuk dua kasus perkraan polnomal lnear dan perkran kuadratk, ddapatkan persamaan (4) dan (5). 7 8.'EF = 4: = 4 <=>?@A@B C GG 5 : 7 8 JKELFEMN = 4: O ; ; <=>?@A@B C GGG 5 ; (4) 6C GG BH? 5 6 = 4: O ; 6C GGG BH? 5 6 (5) dmana 7 8.'EF dan 7 8 JKELFEMN adalah lebar segmen untuk perkraan lner dan perkraan kuadratk. Berdasarkan persamaan d atas bagan max )454' 6./ 6 dan max )454' 6 6 dgant dengan yang lebh sngkat 6 '() 6 dan 6 6 secara berturutturut dapat '() mengenal ka turunan yang tepat adalah kontnu pada nterval tertutup, maka maxma d atas, masngmasng akan dcapa d beberapa ttk x* dalam nterval tersebut. Namun, pada Tugas Akhr n hanya fokus pada perkraan lnear. Sehngga persamaan yang dgunakan untuk mencar lebar segmen adalah persamaan (4)... Tahap ESTIMATE Setelah mendapatkan lebar segmen pada proses sebelumnya, maka masuk ke tahap ESTIMATE yang mampu mendapatkan perkraan ttk akhr segmen sementara 7 ')M dengan persamaan (5). 7 ')M = 'EF (5) Begtu pula dengan perkraan kesalahan untuk ttk 7 ')M yang dnotaskan % ')M dapat dketahu dengan mengurang ttk x yang telah dmasukkan pada fungs f(x) yang dnotaskan sebaga y dengan ttk 7 ')M yang telah dmasukkan pada fungs f(x) yang dnotaskan sebaga P 'B?Q sepert pada persamaan (6), (7), dan (8). = P (6) 7 ')M = P ')M (7) % ')M = P P ')M (8) Setelah dketahu lebar segmen, perkraan ttk akhr segmen 7 ')M, dan perkraan kesalahan untuk ttk 7 ')M yang dnotaskan % ')M kemudan dlakukan pengecekan ka 7 ')M > maka dtetapkan sebaga 7 ')M. Jka 7 ')M = dan % ')M % maka 7 ')M dtetapkan sebaga ttk akhr segmen 7 dan proses berhent. Proses n dakhr dengan dtetapkannya H dan L sebaga 7 ')M.

3 ..4 Tahap LOCATE Tahap LOCATE adalah tahap setelah ESTIMATE. Jka pada tahap ESTIMATE belum menemukan ttk akhr segmen 7 maka pada tahap n ttk akhr segmen 7 dcar lag dengan membandngkan perkraan kesalahan ε dengan perkraan kesalahan ttk 7 ')M, perkraan kesalahan ttk H, dan perkraan kesalahan ttk L. Tahap n dawal dengan membandngkan perkraan kesalahan untuk ttk 7 ')M yang dnotaskan % ')M dengan perkraan kesalahan ε. Jka % ')M < % maka ttk H dnakkan dengan angka tertentu yang dnotaskan sebaga sebaga batas atas ttk 7 ')M. S = S + T (9) Setelah menakkan ttk H dlakukan pengecekan kembal ka % U % < % V maka dapat melanutkan ke proses selanutnya, yatu PINPOINT. Jka tdak memenuh syarat % U % < % V maka dlakukan pengecekan kembal ka 7 V % dan S = maka 7 ')M dtetapkan sebaga ttk akhr segmen 7 dan proses berhent. Namun, ka % ')M % maka menurunkan ttk L dengan angka tertentu yang dnotaskan sebaga batas bawah 7 ')M. X = X + Y ()..5 Tahap PINPOINT Jka sampa pada tahap LOCATE belum dtemukan ttk akhr segmen 7 maka akan dproses kembal pada tahap PINPOINT hngga menemukan ttk akhr segmen 7. Pada tahap PINPOINT dbentuk satu ttk baru dar persamaan Z = V/U () & yang merupakan ttk tengah antara ttk H dan ttk L, yatu ttk A. Kemudan ttk A dtetapkan sebaga perkraan ttk akhr segmen yang baru menggantkan 7 ')M. Lalu dhtung perkraan kesalahan antara ttk x dengan ttk A sebaga perkraan ttk akhr segmen yang baru. Perkraan kesalahan tersebut dnotaskan % [ dapat dketahu dengan mengurang ttk x yang telah dmasukkan pada fungs f(x) yang dnotaskan sebaga y dengan ttk A yang telah dmasukkan pada fungs f(x) yang dnotaskan sebaga P [. Jka % [ > % maka ttk H dgantkan oleh ttk A. Namun, ka % [ % maka ttk L dgantkan oleh ttk A. Ttk H atau L yang dgantkan oleh ttk A dangap sebaga ttk Hpp atau Lpp. Langkah selanutnya adalah menghtung perkraan kesalahan Hpp yang dnotaskan % V\\ dan perkraan kesalahan Lpp yang dnotaskan % U\\. Langkahlangkah untuk mencar % V\\ dan % U\\ sama sepert mencar % [. Kemudan ka % U\\ % < % V\\ maka ttk Lpp dtetapkan sebaga ttk akhr segmen 7.. IMPLEMENTASI Secara umum, sstem perangkat lunak n mengmplementaskan fungs pembangkt numerk dengan metode pecewse polynomal. Dagram alr perancangan sstem secara umum dapat dlhat pada Gambar.. Gambar. Dagram alr sstem secara umum Langkahlangkah untuk mengmplementaskan fungs pembangkt numerk dengan metode segmentas pecewse polynomal datas adalah sebaga berkut:. Tahap pertama dalam mplementas fungs pembangkt numerk dengan metode segmentas pecewse polynomal adalah mencar ttkttk awal yang sesua dengan batasan doman fungs f(x) [x low, x hgh ].. Selanutnya mendapatkan asal mula dar pekraan lebar segmen. Perkraan yang akurat merupakan hal pentng karena kemudan pencaran harus dlakukan untuk mendapatkan lebar segmen yang tepat.. Setelah mendapatkan lebar segmen pada proses sebelumnya, maka masuk ke tahap ESTIMATE yang mampu mendapatkan perkraan ttk akhr segmen sementara 7 ')M dan perkraan kesalahan untuk ttk 7 ')M yang dnotaskan % ')M. 4. Jka pada tahap ESTIMATE belum menemukan ttk akhr segmen 7 maka masuk tahaplocate. Tahap n dawal dengan membandngkan perkraan kesalahan untuk ttk 7 ')M yang dnotaskan % ')M dengan perkraan kesalahan ε. Jka % ')M < % maka ttk H dnakkan dengan angka tertentu yang dnotaskan sebaga sebaga batas atas ttk 7 ')M. Namun, ka % ')M % maka menurunkan ttk L dengan angka tertentu yang dnotaskan sebaga batas bawah 7 ')M. 5. Jka sampa pada tahap LOCATE belum dtemukan ttk akhr segmen 7 maka akan dproses kembal pada tahap PINPOINT hngga menemukan ttk akhr segmen 7. Pada tahap PINPOINT dbentuk satu ttk baru yang merupakan ttk tengah antara ttk H dan

4 ttk L, yatu ttk A. Jka % [ > % maka ttk H dgantkan oleh ttk A. Namun, ka % [ % maka ttk L dgantkan oleh ttk A. Ttk H atau L yang dgantkan oleh ttk A dangap sebaga ttk Hpp atau Lpp. Langkah selanutnya adalah menghtung perkraan kesalahan Hpp yang dnotaskan % V\\ dan perkraan kesalahan Lpp yang dnotaskan % U\\. Jka % U\\ % < % V\\ maka ttk Lpp dtetapkan sebaga ttk akhr segmen UJI COBA DAN EVALUASI 4.. Skenaro Pada skenaro pertama, fungs f(x) yang dgunakan adalah 5. Doman, untuk fungs n adalah [, ). Sedangkan nla aproksmas kesalahan ε yang dgunakan adalah (] dan umlah ttk N adalah ^..8 ^standart pont Plot of x n standart pont 4.. Skenaro Pada skenaro kedua, fungs f(x) yang dgunakan adalah. Doman 5, untuk fungs n adalah [, ). Sedangkan nla aproksmas kesalahan ε dan umlah ttk N yang dgunakan tetap, yatu (] dan ^. y = /x Gambar 4.4 Kurva fungs _` = untuk ttk x b` y = /x x = Doman[, ).9.7 Plot of /x n standart pont Plot of /x n yeld pont /standart pont /yeld pont Gambar 4. Kurva fungs _` = a`untuk ttk x Gambar 4. Kurva fungs _` = a`untuk ttk hasl segmentas e Gambar 4. Kurva fungs _` = a`untuk untuk ttkttk x dan ttkttk hasl segmentas e y = x y = x y = x x = Doman[, ) ^yeld pont x = Doman[, ) ^ttk standart ^ttk hasl Tabel 4. Percobaan nla dan pada skenaro Plot of x n yeld pont Plot of x between standart pont and yeld pont x = Doman[, ) Gambar 4.5 Kurva fungs _` = untuk ttk hasl b` segmentas e y = /x Gambar 4.6 Kurva fungs _` = untuk untuk ttkttk x dan ttkttk hasl segmentas b` e x = Doman[, ) x = Doman[, ) Tabel 4. Percobaan nla dan pada skenaro I Skenaro Plot of /x between standart pont and yeld pont /ttk standart /ttk hasl Pada skenaro ketga, fungs f(x) yang dgunakan adalah. Doman, untuk fungs n adalah [, ). Sedangkan nla aproksmas kesalahan ε dan umlah ttk N yang dgunakan tetap, yatu (] dan ^. y = sqrt(x) sqrt(standart pont) Plot of sqrt(x) n standart pont x = Doman[, ) Gambar 4.7 Kurva fungs _` = ` untuk ttk x

5 . sqrt(yeld pont) Plot of sqrt(x) n yeld pont Plot of /sqrt(x) n yeld pont /sqrt(yeld pont) y = sqrt(x). y = /sqrt(x) 5.75 Gambar 4.8 Kurva fungs _` = ` untuk ttk hasl segmentas e y = sqrt(x) x = Doman[, ) sqrt(standart pont) yeld pont x = Doman[, ) Gambar 4.9 Kurva fungs _` = ` untuk untuk ttkttk x dan ttkttk hasl segmentas e Tabel 4. Percobaan nla dan pada skenaro Skenaro 4 Plot of sqrt(x) between standart pont and yeld pont Keteran gan 5 Pada skenaro keempat, fungs f(x) yang dgunakan adalah. Doman, untuk fungs n adalah [, 5 ). Sedangkan nla aproksmas kesalahan ε dan umlah ttk N yang dgunakan tetap, yatu (] dan ^ Plot of sqrt(x) n standart pont /sqrt(standart pont) Gambar 4.Kurva fungs _` = b untuk ttk hasl ` segmentas e y = /sqrt(x) Gambar 4. Kurva fungs _` = b untuk untuk ttkttk x dan ttkttk hasl segmentas ` e x = Doman[, ) x = Doman[, ) Tabel 4.4 Percobaan nla dan pada skenaro 4 I Skenaro 5 Pada skenaro kelma, fungs f(x) yang dgunakan adalah log &. Doman, untuk fungs n adalah [, ). Sedangkan nla aproksmas kesalahan ε dan umlah ttk N yang dgunakan tetap, yatu (] dan ^. y = log(x).4. Plot of /sqrt(x) between standart pont and yeld pont /sqrt(standart pont) /sqrt(yeld pont) x = Doman[, ) Gambar 4. Kurva fungs _` = gh a ` untuk ttk x log(standart pont) log(yeld pont) Plot of log(x) n standart pont Plot of log(x) n yeld pont y = /sqrt(x) 5.75 y = log(x) x = Doman[, ) Gambar 4. Kurva fungs _` = b untuk ttk x ` x = Doman[, ) Gambar 4.4 Kurva fungs _` = kl a `untuk ttk hasl segmentas e

6 log(standart pont) log(yeld pont) Plot of log(x) between standart pont and yeld pont.7 log(standart pont) log(yeld pont) Plot of log(x) between standart pont and yeld pont.5 y = log(x).4 y = log(x) Gambar 4.5 Kurva fungs _` = kl a ` untuk untuk ttkttk x dan ttkttk hasl segmentas e x = Doman[, ) Tabel 4.5 Percobaan nla dan pada skenaro Skenaro Keteran gan 76 6 Pada skenaro keenam, fungs f(x) yang dgunakan adalah m. Doman, untuk fungs n adalah [, ). Sedangkan nla aproksmas kesalahan ε dan umlah ttk N yang dgunakan tetap, yatu (] dan ^..7.5 log(standart pont) Plot of log(x) n standart pont x = Doman[, ) Gambar 4.8 Kurva fungs _` = n` untuk untuk ttkttk x dan ttkttk hasl segmentas e Tabel 4.6 Percobaan nla dan pada skenaro Skenaro Ketera ngan Optma l Optma l Optma l Pada skenaro ketuuh, fungs f(x) yang dgunakan adalah sn7 5. Doman, untuk fungs n adalah [, ). Sedangkan nla aproksmas kesalahan ε dan umlah ttk N yang dgunakan tetap, yatu (] dan ^..5 Plot of sn(exp(x)) n standart pont sn(exp(standart pont)) y = log(x).4. y = sn(exp(x)) x = Doman[, ) Gambar 4.6 Kurva fungs _` = n` untuk ttk x x log(yeld pont) Plot of log(x) n yeld pont x = Doman[, ) Gambar 4.9 Kurva fungs _` = opnq` untuk ttk x.5 Plot of sn(exp(x)) n yeld pont sn(exp(standart pont)) y = log(x).4. y = sn(exp(x)) x = Doman[, ) Gambar 4.7 Kurva fungs _` = n` untuk ttk hasl segmentas e x = Doman[, ) Gambar 4. Kurva fungs _` = opnq` untuk ttk hasl segmentas e

7 Plot of sn(exp(x)) between standart pont and yeld pont lsn(exp(standart pont)) tan(p*standart pont) Plot of tan(p*x) between standart pont and yeld pont.5 sn(exp(yeld pont)) tan(p*yeld pont) y = sn(exp(x)) y = tan(p*x).4.5. Gambar 4. Kurva fungs _` = opnq` untuk untuk ttkttk x dan ttkttk hasl segmentas e x = Doman[, ) Tabel 4.7 Percobaan nla dan pada skenaro Skenaro Keterang an Pada skenaro kedelapan, fungs f(x) yang dgunakan adalah tan. Doman, untuk fungs n adalah [, ). Sedangkan nla aproksmas kesalahan ε dan umlah ttk N yang dgunakan tetap, yatu (] dan ^. y = tan(p*x).4. tan(p*standart pont) Plot of tan(p*x) n standart pont x = Doman[,.5) Gambar 4. Kurva fungs _` = stnu` untuk ttk x y = tan(p*x) tan(p*yeld pont) Plot of tan(p*x) n yeld pont x = Doman[,.5) Gambar 4. Kurva fungs _` = stnu` untuk ttk hasl segmentas e x = Doman[,.5) Gambar 4.4 Kurva fungs _` = stnu` untuk untuk ttkttk x dan ttkttk hasl segmentas e Tabel 4.8 Percobaan nla dan pada skenaro KESIMPULAN Pada bab n delaskan mengena kesmpulan akhr yang ddapat setelah melakukan serangkaan u coba pada bab sebelumnya:. Metode segmentas pecewse polynomal mampu menghaslkan umlah segmen optmal dengan aproksmas kesalahan yang ddapat adalah kurang dar atau sama dengan aproksmas kesalahan ε.. Pemlhan nla dan sangat berpengaruh terhadap umlah segmen yang dhaslkan. Nla dan yang dhaslkan berbeda untuk setap fungs f(x). Berdasarkan hasl u coba, nla dan terdapat pada rentang.66 hngga.76. Sehngga pemlhan nla dan yang tepat akan menghaslkan fungs pembangkt numerk dengan umlah segmen yang opmal. REFERENSI [] C.L.Frenzen, TsutomuSasao, JonT.Butler,, On the number of segments needed n a pecewse lnear approxmaton, Elsever Computatonal and Appled Mathematcs ScenceDrect. [] T. Sasao, J. T. Butler, M. D. Redel, 4, Applcaton of LUT Cascades to Numercal Functon Generators. [] N.Macara, 7, Hghspeed numerc functon generator usng pecewse quadratc approxmatons, Naval Postgraduate School, Master s Thess. [4] Shnobu Nagayama, Tsutomu Sasao, Jon T. Butler,, Numerc Functon Generators Usng Pecewse Arthmetc Expressons. [5] Burden Rchard, Fares Douglas,, Numercal Analyss. [6] Jaan Kusalaas, 5, Numercal Method n Engneerng wth MATLAB.

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c

BAB 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 terperinci

Bab III Analisis Rantai Markov

Bab 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 terperinci

BAB II LANDASAN TEORI

BAB 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 terperinci

P 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

P 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 terperinci

3 METODE HEURISTIK UNTUK VRPTW

3 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 terperinci

Bab 2 AKAR-AKAR PERSAMAAN

Bab 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 terperinci

EFISIENSI 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 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 terperinci

PRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel

PRAKTIKUM 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 terperinci

Pertemuan ke-4 Analisa Terapan: Metode Numerik. 4 Oktober 2012

Pertemuan 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 terperinci

PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM

PERTEMUAN 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 terperinci

MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM

MEREDUKSI 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 terperinci

BAB X RUANG HASIL KALI DALAM

BAB X RUANG HASIL KALI DALAM BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan

Lebih terperinci

Pendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan

Pendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk

Lebih terperinci

Pendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik

Pendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,

Lebih terperinci

BAB IV PEMBAHASAN MODEL

BAB 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 terperinci

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

IV. 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 terperinci

PEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Studi Kasus : Metode Secant)

PEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Studi Kasus : Metode Secant) PEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Stud Kasus : Metode Secant) Melda panjatan STMIK Bud Darma, Jln.SM.Raja No.338 Sp.Lmun, Medan Sumatera Utara Jurusan Teknk Informatka e-mal : meldapjt.78@gmal.com

Lebih terperinci

I PENDAHULUAN II LANDASAN TEORI

I PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan

Lebih terperinci

BAB II TEORI ALIRAN DAYA

BAB 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 terperinci

BAB 4 PERHITUNGAN NUMERIK

BAB 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 terperinci

PENYELESAIAN MASALAH PANAS BALIK (BACKWARD HEAT PROBLEM)

PENYELESAIAN MASALAH PANAS BALIK (BACKWARD HEAT PROBLEM) PENYELESAIAN MASALAH PANAS BALIK (BACKWARD HEAT PROBLEM) Rcha Agustnngsh, Drs. Lukman Hanaf, M.Sc. Jurusan Matematka, Fakultas MIPA, Insttut Teknolog Sepuluh Nopember (ITS) Jl. Aref Rahman Hakm, Surabaya

Lebih terperinci

BAB VB PERSEPTRON & CONTOH

BAB 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 terperinci

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER

BAB 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 terperinci

BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE

BAB 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 terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.

Lebih terperinci

Kata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.

Kata 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 terperinci

IV. PERANCANGAN DAN IMPLEMENTASI SISTEM

IV. 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 terperinci

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN

Didownload 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 terperinci

ANALISIS BENTUK HUBUNGAN

ANALISIS BENTUK HUBUNGAN ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 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 terperinci

Tinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal

Tinjauan 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 terperinci

BAB V TEOREMA RANGKAIAN

BAB 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 terperinci

PENERAPAN 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 (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 terperinci

ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN

ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha

Lebih terperinci

Pembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1

Pembayaran 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 terperinci

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi

ε 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 terperinci

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

BAB 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 terperinci

Bab III Analisis dan Rancangan Sistem Kompresi Kalimat

Bab III Analisis dan Rancangan Sistem Kompresi Kalimat Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton

Lebih terperinci

REGRESI DAN KORELASI. Penduga Kuadrat Terkecil. Penduga b0 dan b1 yang memenuhi kriterium kuadrat terkecil dapat ditemukan dalam dua cara berikut :

REGRESI DAN KORELASI. Penduga Kuadrat Terkecil. Penduga b0 dan b1 yang memenuhi kriterium kuadrat terkecil dapat ditemukan dalam dua cara berikut : BAHAN AJAR EKONOMETRIKA AGUS TRI BASUKI UNIVERSITAS MUHAMMADIYAH YOGYAKARTA REGRESI DAN KORELASI Tujuan metode kuadrat terkecl adalah menemukan nla dugaan b0 dan b yang menghaslkan jumlah kesalahan kuadrat

Lebih terperinci

APLIKASI 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) (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 terperinci

BAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika

BAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA

III. 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 terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN :

JURNAL 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 terperinci

UKURAN GEJALA PUSAT &

UKURAN GEJALA PUSAT & UKURAN GEJALA PUSAT & UKURAN LETAK UKURAN GEJALA PUSAT & LETAK Untuk mendapatkan gambaran yang jelas mengena suatu populas atau sampel Ukuran yang merupakan wakl kumpulan data mengena populas atau sampel

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB 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 terperinci

BAB III SKEMA NUMERIK

BAB III SKEMA NUMERIK BAB III SKEMA NUMERIK Pada bab n, akan dbahas penusunan skema numerk dengan menggunakan metoda beda hngga Forward-Tme dan Centre-Space. Pertama kta elaskan operator beda hngga dan memberkan beberapa sfatna,

Lebih terperinci

PENGURUTAN DATA. A. Tujuan

PENGURUTAN 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 terperinci

METODE NUMERIK. INTERPOLASI Interpolasi Beda Terbagi Newton Interpolasi Lagrange Interpolasi Spline.

METODE NUMERIK. INTERPOLASI Interpolasi Beda Terbagi Newton Interpolasi Lagrange Interpolasi Spline. METODE NUMERIK INTERPOLASI Interpolas Beda Terbag Newton Interpolas Lagrange Interpolas Splne http://maulana.lecture.ub.ac.d Interpolas n-derajat polnom Tujuan Interpolas berguna untuk menaksr hargaharga

Lebih terperinci

BAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat

BAB 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 terperinci

PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)

PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,

Lebih terperinci

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga

Lebih terperinci

BAB IV PENGUJIAN DAN ANALISA

BAB 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 terperinci

ANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK

ANALISIS 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 terperinci

BAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian

BAB 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 terperinci

BAB I PENDAHULUAN I-1

BAB 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 terperinci

IMPLEMENTASI INTERPOLASI LAGRANGE UNTUK PREDIKSI NILAI DATA BERPASANGAN DENGAN MENGGUNAKAN MATLAB

IMPLEMENTASI INTERPOLASI LAGRANGE UNTUK PREDIKSI NILAI DATA BERPASANGAN DENGAN MENGGUNAKAN MATLAB Semnar Nasonal Teknolog 007 (SNT 007) ISSN : 1978 9777 Yogakarta, 4 November 007 IMPEMENTASI INTERPOASI AGRANGE UNTUK PREDIKSI NIAI DATA BERPASANGAN DENGAN MENGGUNAKAN MATAB Krsnawat STMIK AMIKOM Yogakarta

Lebih terperinci

Contoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi.

Contoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi. BAB V TEOEMA-TEOEMA AGKAIA 5. Teorema Superposs Teorema superposs bagus dgunakan untuk menyelesakan permasalahan-permasalahan rangkaan yang mempunya lebh dar satu sumber tegangan atau sumber arus. Konsepnya

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 23-32, April 2001, ISSN :

JURNAL 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

SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB

SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda

Lebih terperinci

BAB IV APLIKASI. Pada bagian ini akan dibahas bagaimana contoh mengestimasi. parameter model yang diasumsikan memiliki karateristik spasial lag

BAB IV APLIKASI. Pada bagian ini akan dibahas bagaimana contoh mengestimasi. parameter model yang diasumsikan memiliki karateristik spasial lag BAB IV APLIKASI Pada bagan n akan dbahas bagamana contoh mengestmas parameter model yang dasumskan memlk karaterstk spasal lag sekalgus spasal error. Estmas dlakukan dengan menggunakan software Evews 3

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan

Lebih terperinci

BAB 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. 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 terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi

BAB 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 terperinci

ANALISIS DATA KATEGORIK (STK351)

ANALISIS DATA KATEGORIK (STK351) Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat

Lebih terperinci

PRESENTASI TUGAS AKHIR KI091391

PRESENTASI 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 terperinci

Teori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang

Teori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan

Lebih terperinci

ANALISIS REGRESI. Catatan Freddy

ANALISIS 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 terperinci

Bab IV Pemodelan dan Perhitungan Sumberdaya Batubara

Bab IV Pemodelan dan Perhitungan Sumberdaya Batubara Bab IV Pemodelan dan Perhtungan Sumberdaa Batubara IV1 Pemodelan Endapan Batubara Pemodelan endapan batubara merupakan tahapan kegatan dalam evaluas sumberdaa batubara ang bertuuan menggambarkan atau menatakan

Lebih terperinci

PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT

PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos Pabelan

Lebih terperinci

Catatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan

Catatan 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

2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil

2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil .1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)

Lebih terperinci

BAB 4 HASIL DAN PEMBAHASAN. smoothing, dan siklis untuk barang jadi Mie Atom Metode Regresi Linier. Nama barang jadi: Mie Atom.

BAB 4 HASIL DAN PEMBAHASAN. smoothing, dan siklis untuk barang jadi Mie Atom Metode Regresi Linier. Nama barang jadi: Mie Atom. BAB 4 HASIL DAN PEMBAHASAN 4.1 Penghtungan 4.1.1 Penghtungan Peramalan 4.1.1.1 Peramalan Me Atom Contoh perhtungan peramalan permntaan dengan metode regres lner, regres kuadrats, double movng average,

Lebih terperinci

BAB V ANALISA PEMECAHAN MASALAH

BAB 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 terperinci

DISTRIBUSI FREKUENSI

DISTRIBUSI FREKUENSI BAB DISTRIBUSI FREKUENSI Kompetens Mampu membuat penyajan data dalam dstrbus frekuens Indkator 1. Menjelaskan dstrbus frekuens. Membuat dstrbus frekuens 3. Menjelaskan macam-macam dstrbus frekuens 4. Membuat

Lebih terperinci

PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER

PENERAPAN 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 terperinci

BAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.

BAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen. BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen

Lebih terperinci

REGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear

REGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana

Lebih terperinci

BAB 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 : 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 terperinci

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa

III. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan

Lebih terperinci

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB 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 terperinci

PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING

PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas

Lebih terperinci

Gambar 3.1 Diagram alir penelitian

Gambar 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 terperinci

BAB II TINJAUAN PUSTAKA. Analisis regresi adalah suatu metode statistika yang umum digunakan untuk

BAB II TINJAUAN PUSTAKA. Analisis regresi adalah suatu metode statistika yang umum digunakan untuk BAB II TINJAUAN PUSTAKA 2. Analss Regres Analss regres adalah suatu metode statstka yang umum dgunakan untuk melhat pengaruh antara varabel ndependen dengan varabel dependen. Hal n dapat dlakukan melalu

Lebih terperinci

BAB 4 METODOLOGI PENELITIAN DAN ANALISIS

BAB 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 terperinci

RANGKAIAN SERI. 1. Pendahuluan

RANGKAIAN SERI. 1. Pendahuluan . Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor

Lebih terperinci

2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).

2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996). 2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan

Lebih terperinci

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

BAB 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 terperinci

BAB II TINJAUAN PUSTAKA. George Boole dalam An Investigation of the Laws of Thought pada tahun

BAB 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 terperinci

INFERENSI FUNGSI KETAHANAN DENGAN METODE KAPLAN-MEIER

INFERENSI FUNGSI KETAHANAN DENGAN METODE KAPLAN-MEIER Tatk Wdharh dan Naschah ska Andran (Inferens Fungs Ketahanan dengan Metode Kaplan-Meer INFERENI FUNGI KETAHANAN DENGAN METODE KAPLAN-MEIER Tatk Wdharh dan Naschah ska Andran Jurusan Matematka FMIPA UNDIP

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang

Lebih terperinci

UKURAN LOKASI, VARIASI & BENTUK KURVA

UKURAN LOKASI, VARIASI & BENTUK KURVA UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and

III. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di

III. 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 terperinci

BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode

BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada

Lebih terperinci

BAB II DASAR TEORI. 2.1 Definisi Game Theory

BAB II DASAR TEORI. 2.1 Definisi Game Theory BAB II DASAR TEORI Perkembangan zaman telah membuat hubungan manusa semakn kompleks. Interaks antar kelompok-kelompok yang mempunya kepentngan berbeda kemudan melahrkan konflk untuk mempertahankan kepentngan

Lebih terperinci

BAB II TINJAUAN PUSTAKA DAN DASAR TEORI

BAB II TINJAUAN PUSTAKA DAN DASAR TEORI BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan

Lebih terperinci