PENGGUNAAN ARTIFICIAL NEURAL NETWORK UNTUK PREDIKSI TEGANGAN PADA BALOK KASTELA HEKSAGONAL BENTANG 1 METER (001S)

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENGGUNAAN ARTIFICIAL NEURAL NETWORK UNTUK PREDIKSI TEGANGAN PADA BALOK KASTELA HEKSAGONAL BENTANG 1 METER (001S)"

Transkripsi

1 PENGGUNAAN ARTIFICIAL NEURAL NETWORK UNTUK PREDIKSI TEGANGAN PADA BALOK KASTELA HEKSAGONAL BENTANG METER (00S) Ahmad Muhtarom Jurusa Tekik Sipil, Uiversitas Sriwijaya, Jl. Raya Palembag-Prabumulih KM.3 Ideralaya Oga Ilir ABSTRAK Peelitia ii bertujua utuk memprediksi tegaga-tegaga maksimum yag terjadi pada balok kastela bukaa heksagoal betag meter (BKBH-M) megguaka Artificial Neural Network. Metode kerja dari Artificial Neural Network dalam peelitia ii adalah meghasilka suatu persamaa matematis yag diguaka sebagai prediksi. Fugsi matematis didapatka dari hasil geeralisasi data output target tegaga tarik, tegaga teka da tegaga geser maksimum dari BKBH-M hasil pegujia da studi parameter megguaka metode eleme higga. Dari hasil peelitia didapatka rasio perbadiga output prediksi dega output target adalah tegaga tarik 0.99 ( : ), tegaga teka 0,99 ( : ), da tegaga geser.06 (33.73 : 33.30). Hasil peelitia meujukka bahwa Artificial Neural Network dapat diguaka utuk memprediksi tegaga pada balok kastela bukaa heksagoal betag meter. Kata kuci: Artificial eural etwork, tegaga, balok kastela. PENDAHULUAN Dasar dari pemiliha material baja dalam bidag kostruksi adalah utuk medapatka suatu struktur yag kuat, riga, lagsig da cepat dalam pelaksaaa. Betuk peampag baja yag palig bayak diguaka adalah profil I WF, dimaa profil tersebut merupaka betuk peampag yag palig kuat, efisie da stabil. Salah satu tekologi yag memodifikasi baja profil I WF dalam suatu struktur adalah balok baja kastela. Sistem pembuata balok kastela adalah pemotoga pada bagia bada balok baja profil I dega pola zigzag, kemudia kedua potoga tersebut diagkat da disatuka dega pegelasa. Modifikasi ii membuat tiggi balok lebih tiggi dari tiggi awal. Salah satu cotoh sistem pembuata balok kastela dapat dilihat pada Gambar di bawah ii : Gambar. Pola potoga da peggabuga balok kastela (Boyer, 964) Kelebiha yag dimiliki balok kastela dibadigka dega balok baja I WF biasa adalah kapasitas mome letur yag lebih besar karea peambaha tiggi balok tapa meambah berat sediri, ilai artistik yag lebih idah da lubag-lubag dalam balok kastela tersebut bisa dimafaatka utuk istalasi mekaikal-elektrikal. Selai memiliki kelebiha balok kastela juga memiliki kelemaha yaitu terhadap gaya geser da tekuk (bucklig) akibat modifikasi tersebut. Utuk mereduksi kelemaha tersebut harus dilakuka pemiliha dimesi lubag heksagoal yag optimal sesuai dega kodisi racaga yag kita igika. Kriteria kodisi yag palig serig diguaka dalam suatu aalisis struktur balok baja adalah deformasi da tegaga yag terjadi. Uiversitas Sebelas Maret (UNS) - Surakarta, 4-6 Oktober 03 S -

2 Utuk medapatka prediksi kodisi tersebut diperluka suatu metode pedekata yag bisa megakomodasi batasa-batasa kodisi tersebut. Salah satu pedekata secara logika yag bayak diguaka dalam bidag tekik adalah pedekata Artificial Neural Network. Pedekata ii dibuat megadopsi dari sistem saraf biologi pada otak mausia yag dijadika sebagai pembadig dasar sistem. Sistem kerjaya adalah dega cara iterasi coba-badig, dimaa cara tersebut adalah dasar model simulasi utuk medapatka fugsi matematis yag diguaka dalam prediksi kodisi yag kita igika. Dega kemampua memprediksi tersebut maka peulis megguaka Artificial Neural Network sebagai metode utuk melakuka prediksi tegaga yag terjadi pada berbagai variasi dimesi lubag balok kastela dega bukaa heksagoal utuk betag meter. Meurut Schalkoff (996) persamaa umum Artificial Neural Network adalah : Dega Y = Output, Y f W. X ) () ( W = Bobot (kostata), X = Iput parameter, f = Fugsi trasfer (Sigmoid). Gambar. Sistematika Artificial Neural Network (Aderso da McNeill, 99). METODOLOGI PENELITIAN Lagkah-lagkah dalam peelitia ii adalah :. Membuat program aplikasi megguaka pedekata Artificial Neural Network dega model Backpropagatio megguaka program Borlad Delphi 7.. Megguaka data sekuder iput berupa variasi dimesi lubag balok kastela bukaa heksagoal betag meter (BKBH-M) yag ada di pasara da data sekuder berupa output target tegaga tarik maksimum, tegaga teka maksimum da tegaga geser maksimum yag terjadi hasil aalisis metode eleme higga (Muhtarom, 0). Data sekuder parameter iput da output target (Muhtarom, 0) dapat dilihat pada Gambar 3 da Tabel di bawah ii : Gambar 3. Parameter iput dimesi lubag bkbh-m (muhtarom, 0) Dari parameter iput di atas maka diguaka persamaa Artificial Neural Network : S - Uiversitas Sebelas Maret (UNS) - Surakarta, 4-6 Oktober 03

3 Y Y f W. X ) () t ( Dega Y = Output target yag dipasag ( max yag terjadi), t Y = Output aktual, W = Bobot (kostata), X = Iput parameter : X = Tiggi lubag (ds), X = Tiggi stem (dt), X = Lebar web post 3 (c), X 4 = Lebar lubag (a), X = Tiggi balok awal (h), 5 X = Lebar balok kastela (b), 6 X = Tebal fles (tf), 7 X = Tebal web (tw), 8 9 Sigmoid) X = Beba (P), X = Betag balok (L), f = Fugsi trasfer yag diguaka (Fugsi 0 Tabel. Data sekuder berupa iput da output target yag diguaka (Muhtarom, 0) No. INPUT OUTPUT TARGET Variasi X X X3 X4 X5 X6 X7 X8 X9 X0 tarik max teka max geser max (mm) (mm) (mm) (mm) (mm) (mm) (mm) (mm) (kn) (m) (MPa) (MPa) (MPa) 54,00 35,50 38,50 44,66 50,00 75,00 7,00 5,00 400,04 38,00 43,00 340,00 05,00 60,00 6,5 30,45 50,00 75,00 7,00 5,00 400,05 478,00 459,00 45, ,00 60,00 3,50 36,75 50,00 75,00 7,00 5, ,99 379,00 403,00 39, ,00 60,00 4,00 4,00 50,00 75,00 7,00 5,00 400,05 478,00 486,00 37, ,00 37,50 37,50 43,50 50,00 75,00 7,00 5,00 400,0 54,00 59,00 334, ,00 37,50 45,00 5,50 50,00 75,00 7,00 5,00 400,0 577,00 583,00 338, ,00 37,50 60,00 60,00 50,00 75,00 7,00 5,00 400,0 356,00 358,00 9, ,00 5,00 48,75 56,55 50,00 75,00 7,00 5,00 400,0 704,00 74,00 436, ,00 5,00 58,50 68,50 50,00 75,00 7,00 5,00 400,07 446,00 449,00 90, ,00 5,00 78,00 78,00 50,00 75,00 7,00 5,00 400,0 567,00 550,00 96,00 3. Melakuka proses komputasi program aplikasi Artificial Neural Network dega memasag output target berupa tegaga tarik maksimum, tegaga teka maksimum da tegaga geser maksimum sebagai pembadig hasil sistem. Sistem jariga Artificial Neural Network yag diguaka dalam peelitia ii dapat dilihat pada Gambar 4 di bawah ii : Gambar 4. Sistem jariga Artificial Neural Network yag diguaka dalam peelitia ii 4. Medapatka fugsi matematis dari hasil komputasi program aplikasi. Uiversitas Sebelas Maret (UNS) - Surakarta, 4-6 Oktober 03 S - 3

4 Hasil yag didapatka dari hasil komputasi simulasi Artificial Neural Network adalah fugsi matematis dari geeralisasi tegaga maksimum yag terjadi. Fugsi matematis tersebut adalah : dimaa: Z X. W Z 7 7 f ( X. W [7,] f ( X X. W [7,] [,] 8. W [,] [8,] 8 [8,] Y f Z. W Z. W ) (3) [,] 9 [,] 9 [9,] ( [,] [,] W[0, ] [9,] 3 X 3 [3,] 0 X. W [3,] Dega V da W = Kostata yag didapat dari simulasi 0 [0,]. W 4 [0,] [4,] W 4 [0,] ) [4,] W [0,] ) 5 5 [5,] [5,] 6 6 [6,] 5. Megguaka fugsi matematis tersebut utuk memprediksi tegaga tarik maksimum, tegaga teka maksimum da tegaga geser maksimum yag aka terjadi pada balok kastela bukaa heksagoal betag meter (BKBH-M). [6,] (4) (5) 3. HASIL DAN PEMBAHASAN Persamaa matematis yag didapatka dari hasil komputasi program Artificial Neural Network dimasukka data iput yag sama dega simulasi awal utuk medapatka hasil prediksi tegaga-tegaga maksimum yag terjadi pada balok kastela bukaa heksagoal betag meter (BKBH-M). Hasil prediksi tegaga-tegaga maksimum tersebut dapat dilihat pada Tabel. di bawah ii : Tabel. Hasil prediksi tegaga-tegaga maksimum megguaka program Artificial Neural Network No. INPUT OUTPUT ANN Variasi X X X3 X4 X5 X6 X7 X8 X9 X0 tarik max teka max geser max (mm) (mm) (mm) (mm) (mm) (mm) (mm) (mm) (kn) (m) (MPa) (MPa) (MPa) 54,00 35,50 38,50 44,66 50,00 75,00 7,00 5,00 400,04 504,94 58,7 40,8 05,00 60,00 6,5 30,45 50,00 75,00 7,00 5,00 400,05 448,9 463,44 440,4 3 05,00 60,00 3,50 36,75 50,00 75,00 7,00 5, ,99 439,09 444,98 383, ,00 60,00 4,00 4,00 50,00 75,00 7,00 5,00 400,05 48,36 40,3 39, ,00 37,50 37,50 43,50 50,00 75,00 7,00 5,00 400,0 499, 53, 405, ,00 37,50 45,00 5,50 50,00 75,00 7,00 5,00 400,0 476,38 493,98 35, ,00 37,50 60,00 60,00 50,00 75,00 7,00 5,00 400,0 453, 458,8 40,0 8 95,00 5,00 48,75 56,55 50,00 75,00 7,00 5,00 400,0 58,5 59,69 370,3 9 95,00 5,00 58,50 68,50 50,00 75,00 7,00 5,00 400,07 534,6 545,8 68, ,00 5,00 78,00 78,00 50,00 75,00 7,00 5,00 400,0 489,8 494,37 7,0 Prediksi Tarik Hasil prediksi tegaga tarik maksimum yag terjadi pada BKBH-M megguaka metode Artificial Neural Network (ANN) dibadigka dega output target hasil aalisis Metode Eleme Higga (MEH) dapat dilihat pada Tabel 3. da Gambar 5. Prediksi Teka Hasil prediksi tegaga teka maksimum yag terjadi pada BKBH-M megguaka metode Artificial Neural Network (ANN) dibadigka dega output target hasil aalisis Metode Eleme Higga (MEH) dapat dilihat pada Tabel 4. da Gambar 6. Tabel 3. Perbadiga ilai tegaga tarik megguaka MEH da ANN S - 4 Uiversitas Sebelas Maret (UNS) - Surakarta, 4-6 Oktober 03

5 No. Yt (MEH) Y (ANN) Variasi tarik (MPa) tarik (MPa) 38,00 504,94 478,00 448, ,00 439, ,00 48, ,00 499, 6 577,00 476, ,00 453, 8 704,00 58, ,00 534, ,00 489,8 4890, ,5 Rata-rata 489,00 485,4509 Gambar 5. Grafik perbadiga ilai tegaga tarik megguaka MEH da ANN Tabel 4. Perbadiga ilai tegaga teka megguaka MEH da ANN No. Yt (MEH) Y (ANN) Variasi teka (MPa) teka (MPa) 43,00 58,7 459,00 463, ,00 444, ,00 40,3 5 59,00 53, 6 583,00 493, ,00 458,8 8 74,00 59, ,00 545, ,00 494, , ,97 Rata-rata 496,40 496,3967 Uiversitas Sebelas Maret (UNS) - Surakarta, 4-6 Oktober 03 S - 5

6 Gambar 6. Grafik perbadiga ilai tegaga teka megguaka MEH da ANN Prediksi Geser Hasil prediksi tegaga geser maksimum yag terjadi pada BKBH-M megguaka metode Artificial Neural Network (ANN) dibadigka dega output target hasil aalisis Metode Eleme Higga (MEH) dapat dilihat pada Tabel 5. da Gambar 7. Tabel 5. Perbadiga ilai tegaga geser megguaka MEH da ANN No. Yt (MEH) Y (ANN) Variasi geser (MPa) geser (MPa) 340,00 40,8 45,00 440,4 3 39,00 383, ,00 39, ,00 405, ,00 35,33 7 9,00 40, ,00 370,3 9 90,00 68, ,00 7,0 333,00 337,30 Rata-rata 33,30 33,73 Gambar 7. Grafik perbadiga ilai tegaga geser megguaka MEH da ANN S - 6 Uiversitas Sebelas Maret (UNS) - Surakarta, 4-6 Oktober 03

7 Rasio Perbadiga Dari hasil perbadiga tegaga-tegaga maksimum pada BKBH-M dari output target hasil aalisis metode eleme higga (MEH) dega hasil prediksi megguaka Artificial Neural Network (ANN) didapatka rasio perbadiga yag dapat dilihat pada Tabel 6. di bawah ii : Tabel 6. Rasio Perbadiga ilai tegaga-tegagahasil output MEH da ANN No. Jeis Batasa Rata-rata Rata-rata Output MEH Output ANN Rasio () () (3) (4) (5) = (4)/(3) tarik 489,00 485,45 0,9974 teka 496,40 496,40 0, geser 33,30 33,73,060 Rata-rata,085 Dari rasio perbadiga tegaga-tegaga output target hasil aalisis metode eleme higga (MEH) dega hasil prediksi megguaka Artificial Neural Network (ANN) di atas dapat dilihat bahwa fugsi matematis yag dihasilka dari program aplikasi megguaka Artificial Neural Network (ANN) bisa diguaka utuk memprediksi tegaga-tegaga maksimum yag terjadi pada BKBH-M. 4. KESIMPULAN Dari hasil pembahasa maka dapat ditarik kesimpula sebagai berikut :. Dari hasil perbadiga tegaga-tegaga hasil prediksi megguaka Artificial Neural Network (ANN) dega output target hasil aalisis metode eleme higga (MEH) didapat hasilya adalah medekati, dimaa rasio perbadiga output prediksi dega output target adalah tegaga tarik 0.99 ( : ), tegaga teka 0,99 ( : ), da tegaga geser.06 (33.73 : 33.30). Sehigga metode Artificial Neural Network dapat diguaka utuk memprediksi tegaga pada balok kastela bukaa heksagoal betag meter. Bedasarka studi parameter dimesi lubag heksagoal didapatka hasil bahwa semaki tiggi lubag da lebar lubag atau web post maka semaki besar tegaga tarik da teka yag terjadi. 3. Bedasarka studi parameter dimesi lubag heksagoal didapatka hasil bahwa semaki kecil rasio lubag yag dibuat maka semaki kecil tegaga geser yag terjadi di bagia web balok. DAFTAR PUSTAKA Amayreh, L. ad Saka, M.P. (005). Failure Load of Castellated Beams Usig Artificial Neural Networks. Asia Joural of Civil Egieerig (Buildig & Housig), Vol.6, No. -, pp Aderso, D. ad McNeill, G. (99). Artificial Neural Network Techology. Kama Scieces Corporatio, New York. Blodgett. O.W. (98). Desig of Welded Structures. The-James F. Licol Arc Weldig Foudatio, Vol. 4, Clevelad, Ohio. Boyer J.P. (964), Castellated Beams-New Developmets, AISC Natioal Egieerig Coferece, Omaha. Jamil, M., Zai, M. ad Basri, H.B. (009), Neural Network Simulator Model For Optimizatio i High Performace Cocrete Mix Desig. Europea Joural of Sciecetific Research, Vol. 34, No., pp Muhtarom, A. (0). Optimasi Dimesi Lubag Heksagoal Balok Kastela Betag Pedek Dega Metode Artificial Neural Network. Tesis. Program Studi S Tekik Sipil Uiversitas Gadjah Mada, Yogyakarta. Salmo, C.G. (996). Struktur Baja Desai da Perilaku. Gramedia, Jakarta. Schalkoff, J.R. (996). Artificial Neural Network. McGraw-Hill Iteratioal Editios, Computer Sciece Series, Clemso Uiversity. Setiawa, A. (008). Perecaaa Struktur Baja Dega metode LRFD. Erlagga, Jakarta. Siag, J.J. (005). Jariga Saraf Tirua da Pemrogramaya Megguaka Matlab. Adi, Yogyakarta. Suharjato (005). Optimasi Betuk da Ukura Lubag Cellular Balok Baja Profil I dega Bukaa pada Bada Sederhaa di Daerah Stabilitas Elastis dega Beba Gravitasi. Disertasi. Program studi S3 Tekik Sipil Uiversitas Dipoegoro, Semarag. Suhedro, B. (000). Metode Eleme Higga da Aplikasiya. Uiversitas Gadjah Mada, Yogyakarta. Uiversitas Sebelas Maret (UNS) - Surakarta, 4-6 Oktober 03 S - 7

BAB IV PEMBAHASAN DAN ANALISIS

BAB IV PEMBAHASAN DAN ANALISIS BAB IV PEMBAHASAN DAN ANALISIS 4.1. Pembahasa Atropometri merupaka salah satu metode yag dapat diguaka utuk meetuka ukura dimesi tubuh pada setiap mausia. Data atropometri yag didapat aka diguaka utuk

Lebih terperinci

BAB V PERENCANAAN PELAT LANTAI

BAB V PERENCANAAN PELAT LANTAI GROUP BAB V PRNCANAAN PLAT LANTA 5. Perecaaa Pelat Latai Perecaaa pelat latai seluruhya megguaka beto bertulag dega mutu beto f c = 0 MPa da baja utuk tulaga megguaka mutu baja fy = 40 MPa. Asumsi perhituga

Lebih terperinci

TINJAUAN PUSTAKA Pengertian

TINJAUAN PUSTAKA Pengertian TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok

Lebih terperinci

BAB VI KESIMPULAN DAN SARAN

BAB VI KESIMPULAN DAN SARAN 96 BAB I KESIPUAN AN SARAN I1 Kesimpula Berdasarka hasil pegujia, aalisis, da studi kasus utuk megetahui kekuata da desai pelat komposit beto-dek metal diperoleh kesimpula sebagai berikut: 1 Jika meurut

Lebih terperinci

POSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan

POSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da

Lebih terperinci

BAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.

BAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya. BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN. Sebagai hasil penelitian dalam pembuatan modul Rancang Bangun

BAB IV HASIL DAN PEMBAHASAN. Sebagai hasil penelitian dalam pembuatan modul Rancang Bangun 47 BAB IV HASIL DAN PEMBAHASAN Sebagai hasil peelitia dalam pembuata modul Racag Bagu Terapi Ifra Merah Berbasis ATMega8 dilakuka 30 kali pegukura da perbadiga yaitu pegukura timer/pewaktu da di badigka

Lebih terperinci

JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-31

JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-31 JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 202) ISSN: 230-928X D-3 Optimasi Multirespo Metode Taguchi dega Pedekata Quality Loss Fuctio (Study Kasus Proses Pembakara CO da Temperatur Gas Buag Pada Boiler

Lebih terperinci

Pengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)

Pengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD) Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu

Lebih terperinci

PENGEMBANGAN MODEL ANALISIS SENSITIVITAS PETA KENDALI TRIPLE SAMPLING MENGGUNAKAN UTILITY FUNCTION METHOD

PENGEMBANGAN MODEL ANALISIS SENSITIVITAS PETA KENDALI TRIPLE SAMPLING MENGGUNAKAN UTILITY FUNCTION METHOD Semiar Nasioal Iformatika 5 (semasif 5) ISSN: 979-8 UPN Vetera Yogyakarta, 4 November 5 PENGEMBANGAN MODE ANAISIS SENSITIVITAS PETA KENDAI TRIPE SAMPING MENGGUNAKAN UTIITY FUNCTION METHOD Juwairiah ),

Lebih terperinci

ANALISIS STABILITAS TRANSIENT SISTEM TENAGA LISTRIK PADA PT. KEBON AGUNG MALANG

ANALISIS STABILITAS TRANSIENT SISTEM TENAGA LISTRIK PADA PT. KEBON AGUNG MALANG ANALISIS STABILITAS TRANSIENT SISTEM TENAGA LISTRIK PADA PT. KEBON AGUNG MALANG Agam Rido Priawa¹, Ir. Mahfudz Shidiq, M.T. ², Hadi Suyoo, S.T., M.T., Ph.D.³ ¹Mahasiswa Jurusa Tekik Elektro, ² ³Dose Jurusa

Lebih terperinci

PENGARUH JENIS TUMPUAN TERHADAP FREKUENSI PRIBADI PADA GETARAN BALOK LENTUR

PENGARUH JENIS TUMPUAN TERHADAP FREKUENSI PRIBADI PADA GETARAN BALOK LENTUR PENGARUH JENIS TUMPUAN TERHADAP FREKUENSI PRIBADI PADA GETARAN BALOK LENTUR Naharuddi 1 1 Staf Pegajar Jurusa Tekik Mesi, Utad Abstrak. Tujua peelitia ii adalah utuk meetuka ilai frekuesi pribadi getara

Lebih terperinci

STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN

STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii

Lebih terperinci

PENYELESAIAN PERSAMAAN GELOMBANG DENGAN METODE D ALEMBERT

PENYELESAIAN PERSAMAAN GELOMBANG DENGAN METODE D ALEMBERT Buleti Ilmiah Math. Stat. da Terapaya (Bimaster) Volume 02, No. 1(2013), hal 1-6. PENYELESAIAN PERSAMAAN GELOMBANG DENGAN METODE D ALEMBERT Demag, Helmi, Evi Noviai INTISARI Permasalaha di bidag tekik

Lebih terperinci

Bab 7 Penyelesaian Persamaan Differensial

Bab 7 Penyelesaian Persamaan Differensial Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Variabel-variabel yang digunakan pada penelitian ini adalah:

BAB III METODOLOGI PENELITIAN. Variabel-variabel yang digunakan pada penelitian ini adalah: BAB III METODOLOGI PENELITIAN 3. Variabel da Defiisi Operasioal Variabel-variabel yag diguaka pada peelitia ii adalah: a. Teaga kerja, yaitu kotribusi terhadap aktivitas produksi yag diberika oleh para

Lebih terperinci

Kata kunci: Critical speed, whirling, rotasi, poros.

Kata kunci: Critical speed, whirling, rotasi, poros. Proceedig Semiar Nasioal Tahua Tekik Mesi XIV (SNTTM XIV) Bajarmasi, 7-8 Oktober 015 Aalisa Efek Whirlig pada Poros karea Pegaruh Letak Beba da Massa terhadap Putara Kritis Moch. Solichi 1,a *, Harus Laksaa

Lebih terperinci

Perbandingan Beberapa Metode Pendugaan Parameter AR(1)

Perbandingan Beberapa Metode Pendugaan Parameter AR(1) Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad

Lebih terperinci

PENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN

PENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1. Lokasi da Waktu Pegambila Data Pegambila data poho Pius (Pius merkusii) dilakuka di Huta Pedidika Guug Walat, Kabupate Sukabumi, Jawa Barat pada bula September 2011.

Lebih terperinci

BAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy

BAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy BAB III PEMBAHASAN Pada BAB III ii aka dibahas megeai betuk program liear fuzzy dega koefisie tekis kedala berbetuk bilaga fuzzy da pembahasa peyelesaia masalah optimasi studi kasus pada UD FIRDAUS Magelag

Lebih terperinci

PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES

PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES Jural Matematika UNAND Vol. 3 No. 4 Hal. 52 59 ISSN : 233 29 c Jurusa Matematika FMIPA UNAND PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN

Lebih terperinci

III. METODE PENELITIAN. Pembangunan Daerah (BAPPEDA) Provinsi NTB, BPS pusat, dan instansi lain

III. METODE PENELITIAN. Pembangunan Daerah (BAPPEDA) Provinsi NTB, BPS pusat, dan instansi lain III. METODE PENELITIAN 3.1 Jeis da Sumber Data Data yag diguaka pada peelitia ii merupaka data sekuder yag diperoleh dari Bada Pusat Statistik (BPS) Provisi NTB, Bada Perecaaa Pembagua Daerah (BAPPEDA)

Lebih terperinci

BAB III METOE PENELITIAN. penelitian ini, hanya menggunakan kelas eksperimen tanpa adanya kelas

BAB III METOE PENELITIAN. penelitian ini, hanya menggunakan kelas eksperimen tanpa adanya kelas BAB III METOE PENELITIAN A. Jeis Peelitia Jeis peelitia ii adalah peelitia eksperime. Karea pada peelitia ii, haya megguaka kelas eksperime tapa adaya kelas cotrol. Peelitia ii megguaka pedekata kuatitatif.

Lebih terperinci

Studi Plasma Immersion Ion Implantation (PIII) dengan menggunakan Target Tak Planar

Studi Plasma Immersion Ion Implantation (PIII) dengan menggunakan Target Tak Planar JURNAL FISIKA DAN APLIKASINYA VOLUME 6, NOMOR JUNI,1 Studi Plasma Immersio Io Implatatio PIII dega megguaka Target Tak Plaar Yoyok Cahyoo Jurusa Fisika, FMIPA-Istitut Tekologi Sepuluh Nopember ITS Kampus

Lebih terperinci

II. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang

II. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori

Lebih terperinci

Aplikasi Pengenalan Pola pada Citra Bola Sebagai Dasar Pengendalian Gerakan Robot

Aplikasi Pengenalan Pola pada Citra Bola Sebagai Dasar Pengendalian Gerakan Robot Jural Emitor Vol.16 No. 02 ISSN 1411-8890 Aplikasi Pegeala Pola pada Citra Bola Sebagai Dasar Pegedalia Geraka Robot Ratasari Nur Rohmah Jurusa Tekik Elektro Uiversitas Muhammadiyah Surakarta (UMS) Surakarta,

Lebih terperinci

III PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah

III PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka

Lebih terperinci

PENGARUH PEMAKAIAN LIMBAH STYROFOAM TERHADAP KUAT TEKAN DAN BERAT BATAKO

PENGARUH PEMAKAIAN LIMBAH STYROFOAM TERHADAP KUAT TEKAN DAN BERAT BATAKO Widya Tekika Vol.1 No.1; Maret 01 ISSN 1411 0660 : 1-7 PENGARUH PEMAKAIAN LIMBAH STYROFOAM TERHADAP KUAT TEKAN DAN BERAT BATAKO Abdul Halim 1) ABSTRAK Material tembok yag serig diguaka adalah batu bata,

Lebih terperinci

Metode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial

Metode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial Statistika, Vol. 7 No. 1, 1 6 Mei 007 Metode Bootstrap Persetil Pada Sesor Tipe II Berdistribusi Ekspoesial Jurusa Statistika FMIPA Uiversitas Islam Idoesia Yogyakarta Abstrak Metode bootstrap adalah suatu

Lebih terperinci

Bab III Metoda Taguchi

Bab III Metoda Taguchi Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 Objek Peelitia Peelitia dilakuka di bagia spiig khususya bagia widig Pabrik Cambrics Primissima (disigkat PT.Primissima) di Jala Raya Magelag Km.15 Slema, Yogyakarta. Peelitia

Lebih terperinci

BAB IV METODOLOGI PENELITIAN

BAB IV METODOLOGI PENELITIAN BAB IV ETODOLOGI PENELITIAN IV Lagkah-Lagkah Aalisis Struktur yag aka ijaika moel alam peelitia ii aalah struktur bagua latai a latai, yag iasumsika terbuat ari baja Struktur terlebih ahulu imoel ega megguaka

Lebih terperinci

BAB IV PEMECAHAN MASALAH

BAB IV PEMECAHAN MASALAH BAB IV PEMECAHAN MASALAH 4.1 Metodologi Pemecaha Masalah Dalam ragka peigkata keakurata rekomedasi yag aka diberika kepada ivestor, maka dicoba diguaka Movig Average Mometum Oscillator (MAMO). MAMO ii

Lebih terperinci

III. METODELOGI PENELITIAN

III. METODELOGI PENELITIAN III. METODELOGI PENELITIAN A. Metode Peelitia Metode peelitia merupaka suatu cara tertetu yag diguaka utuk meeliti suatu permasalaha sehigga medapatka hasil atau tujua yag diigika, meurut Arikuto (998:73)

Lebih terperinci

Bab 3 Metode Interpolasi

Bab 3 Metode Interpolasi Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui

Lebih terperinci

APLIKASI MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK PERAMALAN PASANG SURUT DI AIR LAUT (study kasus Pelabuhan Tanjung Buton Siak)

APLIKASI MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK PERAMALAN PASANG SURUT DI AIR LAUT (study kasus Pelabuhan Tanjung Buton Siak) APLIKASI MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK PERAMALAN PASANG SURUT DI AIR LAUT (study kasus Pelabuha Tajug Buto Siak) Fitria Sari Mahasiswa Jurusa Tekik Sipil S1 Fakultas Tekik Uiversitas

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakag Maajeme risiko merupaka salah satu eleme petig dalam mejalaka bisis perusahaa karea semaki berkembagya duia perusahaa serta meigkatya kompleksitas aktivitas perusahaa

Lebih terperinci

Sidang Tugas Akhir Teknik Manufaktur

Sidang Tugas Akhir Teknik Manufaktur Sidag Tugas Akhir Tekik Maufaktur Aplikasi pegguaa Metode Butterorth Lopass Filter dega Edge Detectio Ca-Roberts utuk megetahui Karakteristik stress-strai Material berbasis Image Processig Oleh : HANIF

Lebih terperinci

Makalah Seminar Tugas Akhir

Makalah Seminar Tugas Akhir Makalah Semiar Tugas Akhir Peraaga Pegukur Volume Besi Megguaka Metode Iterpolasi Berbasis Mikrokotroler ATMega8535 Awaludi Aziz [], Trias Adromeda,ST,MT [], Darjat,ST,MT [] Jurusa Tekik Elektro Fakultas

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada

Lebih terperinci

BAB I PENDAHULUAN Latar Belakang Permasalahan

BAB I PENDAHULUAN Latar Belakang Permasalahan BAB I PENDAHULUAN 1.1. Latar Belakag Permasalaha Matematika merupaka Quee ad servat of sciece (ratu da pelaya ilmu pegetahua). Matematika dikataka sebagai ratu karea pada perkembagaya tidak tergatug pada

Lebih terperinci

BAB IV ANALISIS DATA PENELITIAN. Data yang digunakan untuk mengevaluasi Gardu Induk Bandar Sribhawono

BAB IV ANALISIS DATA PENELITIAN. Data yang digunakan untuk mengevaluasi Gardu Induk Bandar Sribhawono 38 BAB IV ANALISIS DATA PENELITIAN.1 Data Peelitia Data yag diguaka utuk megevaluasi Gardu Iduk Badar Sribhawoo 8 tahu medatag adalah data pemakaia eergi listrik tahu 2013 sampai 2016 pada trasformator

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur 0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia

Lebih terperinci

= Keterkaitan langsung ke belakang sektor j = Unsur matriks koefisien teknik

= Keterkaitan langsung ke belakang sektor j = Unsur matriks koefisien teknik Aalisis Sektor Kuci Dimaa : KLBj aij = Keterkaita lagsug ke belakag sektor j = Usur matriks koefisie tekik (b). Keterkaita Ke Depa (Forward Ligkage) Forward ligkage meujukka peraa suatu sektor tertetu

Lebih terperinci

Penyelesaian Persamaan Non Linier

Penyelesaian Persamaan Non Linier Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode

Lebih terperinci

PENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK. Sutikno

PENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK. Sutikno sutiko PENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK Sutiko Program Studi Tekik Iformatika Fakultas Sais da Matematika UNDIP tik@udip.ac.id

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 36 BAB III METODE PENELITIAN A. Racaga Peelitia 1. Pedekata Peelitia Peelitia ii megguaka pedekata kuatitatif karea data yag diguaka dalam peelitia ii berupa data agka sebagai alat meetuka suatu keteraga.

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula

Lebih terperinci

Beberapa metode pengembangan sistem : a. Metode pengembangan Evolusioner

Beberapa metode pengembangan sistem : a. Metode pengembangan Evolusioner PENDEKATAN PENGEMBANGAN SISTEM Beberapa metode pegembaga sistem : a. Metode pegembaga Evolusioer b. Metode pegembaga Re-usable c. Metode Prototypig d. Metode Pegembaga berorietasi objek a. METODE PENGEMBANGAN

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi

Lebih terperinci

BAB III METODOLOGI 3.1 Tempat dan Waktu Penelitian 3.2 Bahan dan Alat 3.3 Metode Pengumpulan Data Pembuatan plot contoh

BAB III METODOLOGI 3.1 Tempat dan Waktu Penelitian 3.2 Bahan dan Alat 3.3 Metode Pengumpulan Data Pembuatan plot contoh BAB III METODOLOGI 3.1 Tempat da Waktu Peelitia Pegambila data peelitia dilakuka di areal revegetasi laha pasca tambag Blok Q 3 East elevasi 60 Site Lati PT Berau Coal Kalimata Timur. Kegiata ii dilakuka

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di halaman Pusat Kegiatan Olah Raga (PKOR) Way Halim Bandar Lampung pada bulan Agustus 2011.

III. METODE PENELITIAN. Penelitian ini dilaksanakan di halaman Pusat Kegiatan Olah Raga (PKOR) Way Halim Bandar Lampung pada bulan Agustus 2011. III. METODE PENELITIAN A. Tempat da Waktu Peelitia Peelitia ii dilaksaaka di halama Pusat Kegiata Olah Raga (PKOR) Way Halim Badar Lampug pada bula Agustus 2011. B. Objek da Alat Peelitia Objek peelitia

Lebih terperinci

EVALUASI KINERJA BANGUNAN DENGAN KETIDAKBERATURAN SUDUT DALAM YANG DIRENCANAKAN SECARA DIRECT DISPLACEMENT BASED DESIGN

EVALUASI KINERJA BANGUNAN DENGAN KETIDAKBERATURAN SUDUT DALAM YANG DIRENCANAKAN SECARA DIRECT DISPLACEMENT BASED DESIGN EVALUASI KINERJA BANGUNAN DENGAN KETIDAKBERATURAN SUDUT DALAM YANG DIRENCANAKAN SECARA DIRECT DISPLACEMENT BASED DESIGN Michael, Ady,Ima Muljati da Bejami Lumatara ABSTRAK : Sesuai dega SNI 7-, Force Based

Lebih terperinci

3 PERANCANGAN PELAT LENTUR Pelat letur merupaka salah satu eleme petig dari struktur bagua gedug. Pada umumya bagua gedug tersusu dari pelat latai, balok aak, balok iduk, kolom,da podasi. Idealisasi pelat

Lebih terperinci

Mata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4

Mata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4 Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika

Lebih terperinci

PRESENTASI TUGAS AKHIR KI091391

PRESENTASI TUGAS AKHIR KI091391 PRESENTASI TUGAS AKHIR KI0939 APLIKASI PERBAIKAN KONTRAS PADA CITRA RADIOGRAFI GIGI MENGGUNAKAN KOMBINASI METODE HISTOGRAM EQUALIZATION DAN FAST GRAY LEVEL GROUPING (Kata kuci: Fast gray level groupig,

Lebih terperinci

BAB II TEORI MOTOR LANGKAH

BAB II TEORI MOTOR LANGKAH BAB II TEORI MOTOR LANGKAH II. Dasar-Dasar Motor Lagkah Motor lagkah adalah peralata elektromagetik yag megubah pulsa digital mejadi perputara mekais. Rotor pada motor lagkah berputar dega perubaha yag

Lebih terperinci

Analisis dan Visualisasi Representasi Deret Fourier Gelombang Sinyal Periodik Menggunakan MATLAB

Analisis dan Visualisasi Representasi Deret Fourier Gelombang Sinyal Periodik Menggunakan MATLAB ELECRICIAN Jural Rekayasa da ekologi Elektro Aalisis da Visualisasi Represetasi Deret Fourier Gelombag Siyal Periodik Megguaka MALAB Ahmad Saudi Samosir Jurusa ekik Elektro Uiversitas Lampug, Badar Lampug

Lebih terperinci

BAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:

BAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu: 4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara

BAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula

Lebih terperinci

Aji Wiratama, Yuni Yulida, Thresye Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat Jl. Jend. A. Yani km 36 Banjarbaru

Aji Wiratama, Yuni Yulida, Thresye Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat Jl. Jend. A. Yani km 36 Banjarbaru Jural Matematika Muri da Terapa εpsilo Vol.8 No.2 (24) Hal. 39-45 APLIKASI METODE DEKOMPOSISI ADOMIAN UNTUK MENENTUKAN FORMULA TRANSFORMASI LAPLACE Aji Wiratama, Yui Yulida, Thresye Program Studi Matematika

Lebih terperinci

ANALISIS INTENSITAS HUJAN DI STASIUN KALIBAWANG KABUPATEN KULONPROGO

ANALISIS INTENSITAS HUJAN DI STASIUN KALIBAWANG KABUPATEN KULONPROGO ANALISIS INTENSITAS HUJAN DI STASIUN KALIBAWANG KABUPATEN KULONPROGO Titiek Widyasari 1 1 Program Studi Tekik Sipil, Uiversitas Jaabadra Yogyakarta, Jl. Tetara Rakyat Mataram 55 57 Yogyakarta Email: myso_jayastu@yahoo.co.id

Lebih terperinci

BAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian

BAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,

Lebih terperinci

Abstrak. Kata Kunci: motor DC kompon, posisi sikat. 1. Pendahuluan. 2. Motor DC Penguatan Kompon

Abstrak. Kata Kunci: motor DC kompon, posisi sikat. 1. Pendahuluan. 2. Motor DC Penguatan Kompon ANALSS PERBANDNGAN PENGARUH POSS SKAT TERHADAP EFSENS DAN TORS MOTOR DC PENGUATAN KOMPON PANJANG DENGAN MOTOR DC PENGUATAN KOMPON PENDEK (Aplikasi pada Laboratorium Koversi Eergi Listrik FTUSU) Rizky Hardiasyah,

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini dilakukan pada PT Gapura Angkasa khususnya sistem

BAB III METODOLOGI PENELITIAN. Penelitian ini dilakukan pada PT Gapura Angkasa khususnya sistem BAB III METODOLOGI PENELITIAN A. Waktu da Tempat Peelitia Peelitia ii dilakuka pada PT Gapura Agkasa khususya sistem peagaa bagasi di Termial 2 Gate D da E Badara Iterasioal Soekaro-Hatta, Cegkareg, Jakarta

Lebih terperinci

SISTEM SELEKSI KEMATANGAN BUAH TOMAT WAKTU-NYATA BERBASIS NILAI RGB

SISTEM SELEKSI KEMATANGAN BUAH TOMAT WAKTU-NYATA BERBASIS NILAI RGB ISSN: 1693-6930 211 SISTEM SELEKSI KEMATANGAN BUAH TOMAT WAKTU-NYATA BERBASIS NILAI RGB M. Riza Ferdiasyah, Kartika Firdausy, Tole Sutiko Program Studi Tekik Elektro, Uiversitas Ahmad Dahla Kampus III

Lebih terperinci

BAB III METODE PENELITIAN. objek penelitian yang penulis lakukan adalah Beban Operasional susu dan Profit

BAB III METODE PENELITIAN. objek penelitian yang penulis lakukan adalah Beban Operasional susu dan Profit BAB III METODE PENELITIAN 3.1 Objek Peelitia Objek peelitia merupaka sasara utuk medapatka suatu data. Jadi, objek peelitia yag peulis lakuka adalah Beba Operasioal susu da Profit Margi (margi laba usaha).

Lebih terperinci

II. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel.

II. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel. II. LANDASAN TEORI Defiisi 2.1 Distribusi Samplig Distribusi samplig adalah distribusi probibilitas dari suatu statistik. Distribusi tergatug dari ukura populasi, ukura sampel da metode memilih sampel.

Lebih terperinci

3. Rangkaian Logika Kombinasional dan Sequensial 3.1. Rangkaian Logika Kombinasional Enkoder

3. Rangkaian Logika Kombinasional dan Sequensial 3.1. Rangkaian Logika Kombinasional Enkoder 3. Ragkaia Logika Kombiasioal da Sequesial Ragkaia Logika secara garis besar dibagi mejadi dua, yaitu ragkaia logika Kombiasioal da ragkaia logika Sequesial. Ragkaia logika Kombiasioal adalah ragkaia yag

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN 31 Flowchart Metodologi Peelitia BAB III METODOLOGI PENELITIAN Gambar 31 Flowchart Metodologi Peelitia 18 311 Tahap Idetifikasi da Peelitia Awal Tahap ii merupaka tahap awal utuk melakuka peelitia yag

Lebih terperinci

III. MATERI DAN METODE PENELITIAN. Penelitian telah dilakukan pada bulan November - Desember 2013 di

III. MATERI DAN METODE PENELITIAN. Penelitian telah dilakukan pada bulan November - Desember 2013 di III. MATERI DAN METODE PENELITIAN 3.. Waktu da Tempat Peelitia telah dilakuka pada bula November - Desember 203 di peteraka Kambig yag ada di Kota Pekabaru Provisi Riau. 3.2. Alat da Baha Materi yag diguaka

Lebih terperinci

Perbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling

Perbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,

Lebih terperinci

BAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan

BAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu

Lebih terperinci

simulasi selama 4,5 jam. Selama simulasi dijalankan, animasi akan muncul pada dijalankan, ProModel akan menyajikan hasil laporan statistik mengenai

simulasi selama 4,5 jam. Selama simulasi dijalankan, animasi akan muncul pada dijalankan, ProModel akan menyajikan hasil laporan statistik mengenai 37 Gambar 4-3. Layout Model Awal Sistem Pelayaa Kedai Jamoer F. Aalisis Model Awal Model awal yag telah disusu kemudia disimulasika dega waktu simulasi selama 4,5 jam. Selama simulasi dijalaka, aimasi

Lebih terperinci

3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian

3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian 19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.

Lebih terperinci

PENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA

PENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA KOEFISIE VARIASI DA KOEFISIE KURTOSIS PADA SAMPLIG GADA Heru Agriato *, Arisma Ada, Firdaus Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas

Lebih terperinci

APLIKASI REGRESI RIDGE LEAST ABSOLUTE DEVIATION PADA KASUS PELANGGARAN ASUMSI KENORMALAN DAN MULTIKOLINIERITAS

APLIKASI REGRESI RIDGE LEAST ABSOLUTE DEVIATION PADA KASUS PELANGGARAN ASUMSI KENORMALAN DAN MULTIKOLINIERITAS APLIKASI REGRESI RIDGE LEAST ABSOLUTE DEVIATION PADA KASUS PELANGGARAN ASUMSI KENORMALAN DAN MULTIKOLINIERITAS Idah Ayustia, Aa Islamiyati, Raupog Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK

Lebih terperinci

Studi Kasus Optimasi Proses Sizing Benang di P.T. XYZ

Studi Kasus Optimasi Proses Sizing Benang di P.T. XYZ Studi Kasus Optimasi Proses Sizig Beag di P.T. XYZ Didik Wahjudi Dose Jurusa Tekik Mesi-Fakultas Tekologi Idustri, Uiversitas Kriste Petra Ceter for Quality Improvemet Jl. Siwalakerto -, Surabaya 609 dwahjudi@peter.petra.ac.id

Lebih terperinci

BAB VII RANDOM VARIATE DISTRIBUSI DISKRET

BAB VII RANDOM VARIATE DISTRIBUSI DISKRET BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka

Lebih terperinci

Laboratorium Ilmu dan Rekayasa Komputasi Departemen Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung

Laboratorium Ilmu dan Rekayasa Komputasi Departemen Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung Eksplorasi Algoritma Mass, Profit,, Profit / Mass, atau Profit / utuk Persoala Iteger Kapsack yag Bedaya Berupa Zat Kimia dega Jeisya Terdefiisi Abstrak Riyai Mardikaigrum 1, Nurshati 2, Vaia Karimah 3

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu

Lebih terperinci

METODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa

METODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa 19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh

Lebih terperinci

BAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28

BAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28 5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.

Lebih terperinci

METODE PENELITIAN. Subyek dalam penelitian ini adalah siswa kelas XI IPA 1 SMA Wijaya Bandar

METODE PENELITIAN. Subyek dalam penelitian ini adalah siswa kelas XI IPA 1 SMA Wijaya Bandar III. METODE PENELITIAN A. Settig Peelitia Subyek dalam peelitia ii adalah siswa kelas XI IPA 1 SMA Wijaya Badar Lampug, semester gajil Tahu Pelajara 2009-2010, yag berjumlah 19 orag terdiri dari 10 siswa

Lebih terperinci

I. PENDAHULUAN II. LANDASAN TEORI

I. PENDAHULUAN II. LANDASAN TEORI I PENDAHULUAN 1 Latar belakag Model pertumbuha Solow-Swa (the Solow-Swa growth model) atau disebut juga model eoklasik (the eo-classical model) pertama kali dikembagka pada tahu 195 oleh Robert Solow da

Lebih terperinci

Pengaturan Level Ketinggian Air Menggunakan Kontrol PID

Pengaturan Level Ketinggian Air Menggunakan Kontrol PID Pegatura Level Ketiggia Air Megguaka Kotrol PID [Thiag et al.] Pegatura Level Ketiggia Air Megguaka Kotrol PID Thiag, Yohaes TDS, Adre Mulya Fakultas Tekologi Idustri, Jurusa Tekik Elektro, Uiversitas

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam

Lebih terperinci

STATISTIKA NON PARAMETRIK

STATISTIKA NON PARAMETRIK . PENDAHULUAN STATISTIKA NON PARAMETRIK Kelebiha Uji No Parametrik: - Perhituga sederhaa da cepat - Data dapat berupa data kualitatif (Nomial atau Ordial) - Distribusi data tidak harus Normal Kelemaha

Lebih terperinci

Perbandingan Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, dan Estimasi Method Of Moment

Perbandingan Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, dan Estimasi Method Of Moment PRISMA 1 (2018) https://joural.ues.ac.id/sju/idex.php/prisma/ Perbadiga Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, da Estimasi Method Of Momet Muhammad Bohari Rahma, Edy Widodo

Lebih terperinci

FAKTORISASI MATRIKS NON-NEGATIF MENGGUNAKAN ALGORITMA CHOLESKY BERBANTUAN SCILAB

FAKTORISASI MATRIKS NON-NEGATIF MENGGUNAKAN ALGORITMA CHOLESKY BERBANTUAN SCILAB Prosidig Semiar Nasioal Matematika da Pidika Matematika (SESIOMADIKA) 017 ISBN: 978-60-60550-1-9 Matematika Terapa, hal. 1-5 FAKTORISASI MATRIKS NON-NEGATIF MENGGUNAKAN ALGORITMA CHOLESKY BERBANTUAN SCILAB

Lebih terperinci

IV. METODE PENELITIAN. Penelitian ini dilakukan di Kawasan Pantai Anyer, Kabupaten Serang

IV. METODE PENELITIAN. Penelitian ini dilakukan di Kawasan Pantai Anyer, Kabupaten Serang IV. METODE PENELITIAN 4.1 Lokasi da Waktu Peelitia Peelitia ii dilakuka di Kawasa Patai Ayer, Kabupate Serag Provisi Bate. Lokasi ii dipilih secara segaja atau purposive karea Patai Ayer merupaka salah

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat

BAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuha Sistem Sebelum melakuka deteksi da trackig obyek dibutuhka peragkat luak yag dapat meujag peelitia. Peragkat keras da luak yag diguaka dapat dilihat pada Tabel

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 22 BAB III METODE PENELITIAN 3.1. Metode Peelitia Pada bab ii aka dijelaska megeai sub bab dari metodologi peelitia yag aka diguaka, data yag diperluka, metode pegumpula data, alat da aalisis data, keragka

Lebih terperinci

BAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena

BAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena 7 BAB III METODE PENELITIAN A. Jeis Peelitia Peelitia ii merupaka jeis peelitia deskriptif-kuatitatif, karea melalui peelitia ii dapat dideskripsika fakta-fakta yag berupa kemampua siswa kelas VIII SMP

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan.

III. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan. 9 III. METODOLOGI PENELITIAN A. Populasi Da Sampel Peelitia ii dilaksaaka di MTs Muhammadiyah Natar Lampug Selata. Populasiya adalah seluruh siswa kelas VIII semester geap MTs Muhammadiyah Natar Tahu Pelajara

Lebih terperinci

BAB 1 PENDAHULUAN. Bagi Negara yang mempunyai wilayah terdiri dari pulau-pulau yang dikelilingi lautan,

BAB 1 PENDAHULUAN. Bagi Negara yang mempunyai wilayah terdiri dari pulau-pulau yang dikelilingi lautan, BAB 1 PENDAHULUAN 1.1 Latar Belakag Bagi Negara yag mempuyai wilayah terdiri dari pulau-pulau yag dikeliligi lauta, laut merupaka saraa trasportasi yag dimia, sehigga laut memiliki peraa yag petig bagi

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Permasalaha peugasa atau assigmet problem adalah suatu persoala dimaa harus melakuka peugasa terhadap sekumpula orag yag kepada sekumpula job yag ada, sehigga tepat satu

Lebih terperinci

1 n MODUL 5. Peubah Acak Diskret Khusus

1 n MODUL 5. Peubah Acak Diskret Khusus ODUL 5 Peubah Acak Diskret Khusus Terdapat beberapa peubah acak diskret khusus yag serig mucul dalam aplikasi. Peubah Acak Seragam ( Uiform) Bila X suatu peubah acak diskret dimaa setiap eleme dari X mempuyai

Lebih terperinci

BAB III LANDASAN TEORI

BAB III LANDASAN TEORI BAB III LANDASAN TEORI III.1 Peambaga Teks (Text Miig) Text Miig memiliki defiisi meambag data yag berupa teks dimaa sumber data biasaya didapatka dari dokume, da tujuaya adalah mecari kata-kata yag dapat

Lebih terperinci