LOGO ADAPTIVE PREDICTIVE CONTROL BERBASIS ANFIS-PI UNTUK PENGENDALIAN TEMPERATUR HEAT EXCHANGER TESIS RE2099. Ruslim
|
|
- Harjanti Santoso
- 6 tahun lalu
- Tontonan:
Transkripsi
1 LOGO PROGRAM MAGISTER BIDANG KEAHLIAN TEKNIK SISTEM PENGATURAN JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA TESIS RE099 ADAPTIVE PREDICTIVE CONTROL BERBASIS ANFIS-PI UNTUK PENGENDALIAN TEMPERATUR HEAT EXCHANGER Ruslm 0700 Dosen Pembmbng Ir. Rusdhanto Effende AK, M.T Ir. Al Faton, M.T
2 GARIS BESAR PENDAHULUAN KAJIAN PUSTAKA METODE PENELITIAN 4 PEMBAHASAN 5 KESIMPULAN
3 PENDAHULUAN Latar Belakang Heat Echanger merupakan suatu alat untuk proses pertukaran panas, yang berfungs untuk mentransfer panas antara dua fluda yang berbeda temperature dan dpsahkan oleh suatu sekat pemsah, dan memegang peranan sangat pentng pada ndustr pengolahan yang mempergunakan atau memproses energy. Proses transfer panas pada Heat Echanger perlu untuk dkendalkan agar dperoleh temperature fluda yang sesua dengan krtera yang dngnkan, sehngga pemanfaatan sumber energy yang terseda akan dapat lebh optmal. Adanya keterbatasan area kerja sensor dan actuator pada plant Heat Echanger, yang akan menyebabkan keterlambatan respon dar system kendal jka proses dkendalkan dengan menggunakan sstem kendal yang hanya berbass pada system kendal PID basa. Salah satu teknk yang dkembangkan untuk mengatas kelemahan system kendal berbass PID mult loop SISO adalah dengan menggunakan Model Predctve Control (MPC).
4 PENDAHULUAN Latar Belakang Model Predctve Control (MPC) merupakan jens system kendal yang ddesan berdasarkan model suatu proses yang dgunakan untuk menghtung nla predks keluaran proses. Basanya Model Base Predctve Control menggunakan model lner dengan algortma on-lne least square untuk menentukan parameter. Akan tetap Heat Echanger memlk proses yang sangat tdak lner, sehngga metode n akan sult jka ngn dterapkan secara langsung pada proses tersebut (Radu Balan, 007). Dengan demkan dperlukan beberapa modfkas atau pengembangan dalam mendesan model system kendal yang berbass Model Predctve Control tersebut. Salah satu model kontroler yang banyak dkembangkan adalah Intellgent Systems Control, yang memanfaatkan teknk komputas dalam mencar penyelesaan suatu permasalahan. Intellgent Systems Controller n juga dapat dgunakan untuk memecahkan persoalan-persoalan yang berkatan Model Predctve Control.
5 PENDAHULUAN Perumusan Masalah Dar latar belakang tersebut datas maka drumuskanlah suatu permasalahan dan metode yang akan dgunakan untuk memecahkan permasalahan tersebut: Adanya masalah tme delay dalam proses pengukuran snyal respon dar Heat Echanger membuat model dengan system control yang basa tdak lag dapat bekerja dengan hasl maksmal pada plant tersebut, karenanya perlu dgunakan kontroler yang berbass pada Model Predctve Control (MPC). Pada kenyataannya, ddalam duna ndustr Heat Echanger juga terkadang harus bekerja pada beban bervaras atau berubah yang akan menyebabkan terjadnya perubahan parameter-parameter dar plant tersebut, karena tu selan kemampuan predks, pada system juga perlu dtambahkan mekansme adaptas yang mampu melakukan proses pembelajaran terhadap perubahan parameter plant yang terjad sehngga keluaran dar plant dapat tetap terjaga sesua dengan setpont yang dberkan.
6 PENDAHULUAN Perumusan Masalah Berangkat dar permasalahan yang ada datas, maka pada peneltan n ddesan suatu system kendal yang mampu mempredks nla keluaran dar Heat Ehcanger, serta mampu beradaptas dengan bak jka terjad perubahan beban pada plant Heat Ehcanger tersebut. System kendal Adaptve Predctve Control drancang sedemkan rupa dengan menggunakan computer yang berbass pada System Intelgent Kontrol yatu Adaptve Neuro Fuzzy Inference System (ANFIS). Dan untuk menjaga agar nla keluaran system memlk error yang kecl maka kontroler yang ddesan dkombnaskan dengan kontroler Proportonal Integral (PI).
7 PENDAHULUAN Tujuan dan Manfaat Peneltan Tujuan dar peneltan n secara umum adalah sesua dengan judul peneltan yang telah dsebutkan, yatu: ) Mengembangkan algortma Adaptve Predctve Control berbass ANFIS yang dkombnaskan dengan kontroler PI sebaga pengendal temperature pada Heat Echanger. ) Mengetahu dan memperjelas jens kontroler yang palng cocok untuk dmplementaskan pada plant Heat Echanger.
8 PENDAHULUAN Tujuan dan Manfaat Peneltan Dengan tercapanya tujuan tersebut datas maka manfaat yang bsa dperoleh dar peneltan n adalah: ) Temperatur Heat Echanger dapat dkendalkan sesua dengan setpont yang dngnkan sehngga pemanfaatan energ pada system akan lebh optmal. ) Adanya alternatve solus dengan metode yang berbeda untuk menyelesakan permasalahan proses pengendalan Heat Echanger. ) System kendal pada heat echanger dapat dlakukan secara onlne dengan memanfaatkan teknolog computer. BACK
9 KAJIAN PUSTAKA Heat Echanger(Feedback nstrument Ltd, 00) Plant heat ehcnager yang dgunakan dalam peneltan n adalah Temperature Process Rg Traner 8-600, plant n merupakan bagan dar Procon 8 Seres System yang dgunakan sebaga traner dalam proses pengendalan temperatur (Temperature Process Control) secara real. Komponen-komponen dan nstalas dar plant adalah sepert yang terlhat pada Gambar., yatu: Heat Echanger Pompa Water Reservor Heater Servo valve Coolng Radator Thermstor
10 KAJIAN PUSTAKA Gambar. Tamplan depan dar Temperature Porcess Rg Traner (Feedback nstrument Ltd, 00)
11 KAJIAN PUSTAKA Heat Echanger(Feedback nstrument Ltd, 00) Pada plant Temperature Process Rg Traner terdapat dua alran fluda dengan temperature yang berlanan, yatu: Fluda bertemperatur tngg, dalam plant n dsebut sebaga prmary flo. Fluda bertemperatur rendah, dalam plant n dsebut sebaga secondary flo. Dagram alr dar kedua jens alran fluda n dtunjukkan dalam Gambar..
12 KAJIAN PUSTAKA Gambar. Dagram alr fluda pada Prmary Flo dan Secondary Flo (Feedback nstrument Ltd, 00)
13 KAJIAN PUSTAKA System Kontrol Umpan Balk (Rsfendra, 007) Kontroler otomats yang membandngkan snyal keluaran sstem dengan snyal acuan dsebut dengan snyal umpan balk, yang kemudan dnamakan sstem kontrol umpan balk Upaya untuk membuat kesalahan sekecl mungkn tersebut dnamakan aks kontrol. Dagram blok sstem kontrol umpan balk adalah sebagamana yang terdapat dalam Gambar.. Gambar. Dagram Blok Sstem Kontrol Umpan Balk (Rsfendra, 007)
14 KAJIAN PUSTAKA System Kontrol Umpan Balk [0] Dmana: r = refference (setpont) y = respon plant G = proses yang akan dkendalkan K = kontroler u = snyal dar elemen kontrol d = gangguan e = error
15 KAJIAN PUSTAKA System Kontrol Predks (Marthn Sanchez, 996) Kontrol predks merupakan jens kontroler yang ddesan berdasarkan model suatu proses, yang dgunakan untuk menghtung sejumlah nla predks keluaran dar proses tersebut. Berdasarkan sejumlah nla predks tersebut, snyal kontrol yang akan dberkan ke proses dhtung dengan melakukan mnmalsas suatu fungs krtera sehngga selsh antara jumlah nla predks keluaran proses tersebut dengan set masukan referens yang bersesuaan adalah mnmal. Predks keluaran pada aktu k untuk saat aktu k+ berkutnya adalah: yˆ( k k) nˆ aˆ y( k ) mˆ bˆ u( k ) (.)
16 KAJIAN PUSTAKA System Kontrol Adaptve Predctve (Marthn Sanchez, 996) Sebuah model yang membuat predks dengan tepat akan mampu mengmbang proses keluaran jka a menerma masukan yang sama sepert pada proses. Ketka predks tdak memuaskan, terkat dengan parameter yang tdak bsa menyesuakan, maka a sebaknya mempunya sebuah mekansme adaptas yang mampu menyesuakan parameterparameter model dar kesalahan dengan membandngkan proses dengan keluaran model. Skema hubungan dar system n dperlhatkan pada Gambar.6.
17 KAJIAN PUSTAKA Gambar.6 Skema dasar untuk sebuah system adaptve (Martn Sanchez, 996)
18 KAJIAN PUSTAKA System Kontrol Adaptve Predctve (Marthn Sanchez, 996) Adaptve Predctve Control System (APCS) adalah sebagamana yang dtamplkan dalam blok dagram pada Gambar.7. Gambar.7 Adaptve Predctve Control System (Martn Sanchez, 996)
19 KAJIAN PUSTAKA System Kontrol Adaptve Predctve (Marthn Sanchez, 996) Dalam system adaptve model predctve memberkan suatu estmas dar keluaran proses pada aktu k menggunakan parameterparameter model yang juga destmas pada aktu k, yang mana dtanda oleh ˆ r ( k ), snyal kontrol keluaran dan proses sudah daplkaskan atau dukur pada aktu sebelumnya. Estmas keluaran model dtamplkan dalam bentuk persamaan : yˆ ( k k) ˆ ( k) r T ( k r d) (.)
20 KAJIAN PUSTAKA System Kontrol Adaptve Predctve (Marthn Sanchez, 996) Dmana: T ( k d) [ y( k d), y( k d ),..., y( k d n ), r u( k d), u( k d ),..., u( k d m ), ( k d), ( k d ),..., ( k d p )] r r r ˆ ( ) [ ˆ ( ), ˆ ( ),..., ˆ ( ), ˆ, ˆ ( ),..., ˆ r k a k a k anr k b( k ) b k bmr ( k), cˆ ( ), ˆ ( ),..., ˆ k c k c pr ( k)]
21 KAJIAN PUSTAKA System Kontrol Adaptve Predctve (Marthn Sanchez, 996) Estmas error antara keluaran proses dan model: T e( k k) y( k) yˆ( k k) y( k) ( k) ( k d) (.4) Predks keluaran pada aktu k+d: ˆ T yˆ ( k d k) r ( k) r ( k) (.6) Trayektory kendal yang dngnkan dapat dtuls sebaga y d (k+d), prnsp dar kontrol predctve dapat dtuls kedalam bentuk persamaan: T (.7a) y d ( k d) ˆ ( k) ( k) r r r r Persamaan tersebut datas dapat juga dtuls dalam bentuk persamaan: y d ˆ T ( k d) ( k) ( k) ˆ ( k) u( k) ro ro (.7b)
22 KAJIAN PUSTAKA System Kontrol Adaptve Predctve (Marthn Sanchez, 996) Sehngga persamaan untuk menentukan besarnya snyal kontrol adalah: ˆ T yd ( k d) ro ( k) ro ( k) u( k) (.8) ˆ ( k ) Jelaslah baha mekansme adaptas harus selalu menjamn baha parameter ˆ ( k) tdak nol untuk setap aktu k. Sehngga akhrnya dapat ddefnskan suatu kontrol atau trackng error yang merupakan selsh dar keluaran proses dan keluaran kendal yang dgnkan, sebaga: ( k) y( k) y ( k) d (.9)
23 KAJIAN PUSTAKA Adaptve Neuro Fuzzy Inference System (Jang, 997, Sr Kusumade, 006) Neuro-fuzzy adalah gabungan dar dua sstem yatu sstem logka fuzzy dan jarngan syaraf truan, dmana sstem nferens fuzzy dlath menggunakan algortma pembelajaran yang dturunkan dar sstem jarngan syaraf truan. Dengan demkan, sstem neuro-fuzzy memlk semua kelebhan yang dmlk oleh sstem nferens fuzzy dan sstem jarngan syaraf truan. Dar kemampuannya untuk belajar maka sstem neuro-fuzzy serng dsebut sebaga ANFIS (Adaptve Neuro Fuzzy Inference Systems). Secara fungsonal arstektur ANFIS sama dengan fuzzy rule base model Sugeno dan juga sama dengan jarngan syaraf dengan fungs radal dengan sedkt batasan tertentu.
24 KAJIAN PUSTAKA Adaptve Neuro Fuzzy Inference System (Jang, 997, Sr Kusumade, 006) Salah satu bentuk struktur yang sudah sangat dkenal adalah sepert terlhat pada Gambar.6. Gambar.6 Arstektur jarnga ANFIS (Jang, J.S.R., Sun, C.T., Mzutan,E., 997)
25 KAJIAN PUSTAKA Adaptve Neuro Fuzzy Inference System(Jang, 997, Sr Kusumade, 006) Sepert terlhat pada Gambar.6, sstem ANFIS terdr dar 5 lapsan, yatu: ) Layer-: Membangktkan derajat keanggotaan. ) Layer-: Membangkt frng strength. ) Layer-: Bagan untuk menghaslkan keluaran yang menormalkan frng strength. 4) Layer-4: Menghtung keluaran kadah berdasarkan parameter consequent. 5) Layer-5: Menghtung snyal keluaran ANFIS dengan menjumlahkan semua snyal yang masuk.
26 KAJIAN PUSTAKA Adaptve Neuro Fuzzy Inference System(Jang, 997, Sr Kusumade, 006) Proses adaptas yang terjad dalam sstem ANFIS dkenal juga dengan pembelajaran, yatu parameter-parameter ANFIS (bak premse maupun consequent) Selama proses belajar akan dperbaharu menggunakan metode pembelajaran. Metode pembelajaran yang dgunakan dalam sstem ANFIS adalah algortma pembelajaran hybrd, yang terdr dar dua bagan yatu bagan arah maju dan bagan arah mundur. Pada bagan arah maju, proses adaptas dlakukan menggunakan metode LSE dan terjad pada parameter consequent, sedangkan pada bagan arah mundur, proses adaptas dlakukan menggunakan metode gradent-descent dan terjad pada parameter premse. BACK
27 METODE PENELITIAN Heat Echanger Sstem kendal pada plant Heat Ehanger memanfaatkan pengolahan arus lstrk, sedangkan proses akuss data dengan ADC dan DAC memerlukan pengolahan tegangan lstrk agar dapat dbaca komputer. Oleh sebab tu, dalam proses dentfkas atau proses pengendalan temperatur Heat Ehanger n dperlukan pengubah arus ke tegangan, demkan pula sebalknya. Blok dagram untuk dentfkas dan pengendalan temperatur Heat Ehanger secara onlne adalah sepert yang terlhat pada Gambar..
28 METODE PENELITIAN Heat Echanger Gambar. Blok dagram sstem dentfkas dan kendal Heat Ehanger.
29 METODE PENELITIAN Model Matemats Plant Heat Echanger (Angga Saputro, 008) Model plant dperlukan untuk proses smulas, menguj algortma kontroler, menentukan parameter aal dar kontroler dan permodelan system serta mempertajam analsa untuk kebutuhan desan kontroler. Persamaan fungs alh dar model plant Heat Ehanger pada Temperature Process Rg Traner adalah sebaga berkut: ) Beban nomnal 0,958 G 6,089s 8,009566s (.) ) Beban bertambah 0,595 G 4,s 4,574s (.)
30 METODE PENELITIAN Desan Kontroler Kontroler drancang sedemkan rupa hngga dperolehnya respon sstem yang sesua dengan krtera yang dngnkan. Adaptve Predctve Control berbass Adaptve Neuro-Fuzzy Inference System Proportonal Integral (ANFIS-PI) yang dkembangkan adalah sebagamana yang dpelhatkan pada blok dagram Gambar.. Secara gars besar system tersebut dbag menjad empat bagan utama yatu: ) Plant ) Model predks keluaran sstem ) Model nvers dar keluaran sstem 4) Model predks error 5) Kontroler
31 METODE PENELITIAN Desan Kontroler Gambar. Blok dagram Control Adaptve Predctve Berbass ANFIS
32 METODE PENELITIAN Arstektur ANFIS Arstektur ANFIS yang drancang untuk kebutuhan desan kontroler dan permodelan sstem adalah sebagmana terlhat pada Gambar.4 berkut. Gambar.4 Arstektur ANFIS dengan empat varabel masukan dan empat rule
33 METODE PENELITIAN Arstektur ANFIS Struktur dar model ANFIS yang dgunakan tersebut adalah berdasarkan pada: Model fuzzy Sugeno orde-satu sehngga bagan consequen dar aturan fuzzy f-then adalah persamaan lner. Operator T-norm yang membentuk fuzzy AND adalah keluaran aljabar. Type fungs kenggotaan (Member Fucnton-MF) dar nput adalah fungs generalzed bell yang merupakan persamaan yang tdak lner.
34 METODE PENELITIAN Arstektur ANFIS Fungs node pada setap layer yang sama akan memlk fungs yang serupa, dengan penjelasan untuk masng-masng layer adalah sebaga berkut: a) Layer-, membangktkan derajat keanggotaan: O O O O l, l, l, l, A ( B 4 C 8 D ), ( ( ( ), ), 4 untuk,,,4 atau untuk 5, 6, 7,8 atau untuk 9,0,, atau ), untuk,4,5,6 (.) dmana,, dan 4 adalah masukan pada node dan A, B-4, C-8 dan D- adalah fuzzy set yang berhubungan dengan node n dalam bentuk fungs generalzed bell: A( ) c a b (.4)
35 METODE PENELITIAN Arstektur ANFIS b) Layer-, membangkt frng strength dar suatu rule yatu dengan mengalkan setap snyal masukan, sebaga berkut: O, ( ) ( ) ( ) D ( 4 ), A B C,..., 4 (.5) c) Layer-, bagan untuk menghaslkan keluaran yang menormalkan frng strength, sebaga berkut: O,, 4,...,4 (.6) d) Layer-4, menghtung keluaran kadah berdasarkan parameter consequent. Dar Gambar.4 dtentukan parameter-parameter consequent adalah p, q, r, s, t. Maka persamaan pada layer- 4 n adalah: (.7) O 4, f ( p q r s t ),
36 METODE PENELITIAN Arstektur ANFIS e) Layer-5, menghtung snyal keluaran ANFIS dengan menjumlahkan semua snyal yang masuk: O 5 f f, (.8)
37 METODE PENELITIAN Algortma Pembelajaran Hybrd Proses adaptas yang terjad dalam sstem ANFIS dkenal juga dengan pembelajaran hbrd, yang terdr dar dua bagan yatu bagan arah maju dan bagan arah mundur. a) Bagan arah maju Ketka nla parameter-parameter bagan premse telah dtentukan, maka total keluaran dapat dnyatakan sebaga kombnas lner dar parameter-parameter consequent. 4 4 f f f f f (.9)
38 METODE PENELITIAN Algortma Pembelajaran Hybrd (arah maju) dmana lner pada parameter-parameter consequent p, q, r, s, t, p, q, r, s, t, p, q, r, s, t, dan p4, q4, r4, s4, t4. Sehngga: ) ( ) ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( t s r q p t s r q p t s r q p t s r q p t s r q p t s r q p t s r q p t s r q p X f (.0)
39 METODE PENELITIAN Algortma Pembelajaran Hybrd (arah maju) Dengan menggunakan metode nvers dan dengan mengasumskan jumlah bars dar pasangan X dan f adalah k, maka dperoleh: k ( X T X ) X T f (.) Karena jumlah parameter ada sebanyak n, maka kta bsa menyelesakan matrk n n dengan metode nvers sebaga berkut: P n ( X T n X n ) (.) n P n X T n f (.4)
40 METODE PENELITIAN Algortma Pembelajaran Hybrd (arah maju) Dengan LSE rekursf, selanjutnya teras dmula dar data ke- (n+), dengan nla Pk+ dan Wk+ dapat dhtung sebaga berkut: P k P 0 P 0 X T ( k ) X ( k ) T A P A ( k ) 0 ( k ) (.5) T k 0 Pk A( k ) k ( k ) ( y A ) 0 (.6) Pada peneltan n nla P 0 dan 0 merupakan nla aal yang dtentukan secara random
41 METODE PENELITIAN Algortma Pembelajaran Hybrd b) Bagan arah mundur Pada bagan mundur, snyal error dpropagas mundur dan parameter-parameter premse dperbaharu dengan gradent descent. E aj ( t ) aj ( t) (.7) a c j dmana adalah laju pembelajaran untuk a j. Kadah beranta yang dgunakan untuk menghtung dervatve parsal dgunakan untuk memperbaharu parameter fungs keanggotaan. E E f f j (.8) a f f a j j ( t ) c j E ( t) c j j j
42 METODE PENELITIAN Algortma Pembelajaran Hybrd (arah mundur) Dervatve parsal dperoleh sebaga, E ( f sehngga, f ) sehngga, E ( f f e f ) (.9) f f f n f (.0)
43 METODE PENELITIAN Algortma Pembelajaran Hybrd (arah mundur) sehngga, sehngga, ) ( n s r q p f n f s r q p f ) ( m j Aj (.) j j (.)
44 METODE PENELITIAN Algortma Pembelajaran Hybrd (arah mundur) Gradent kemudan dperoleh sebaga berkut: Sebelum melakukan proses pembelajaran, kta harus mendefnskan nla aal dar parameter-parameter premse a, b, dan c j j j n j a f s r q p e a E ) ( (.) j j j n j c f s r q p e c E ) (
45 METODE PENELITIAN Model Predks dan Invers dengan ANFIS Model standar yang dgunakan untuk merepresentaskan system yang ddesan adalah model nonlnear autoregressve-movng average (NARMA) Sehngga ddapat model keluaran predks adalah: yˆ ( k) F[ y( k d), y( k d ),..., y( k d n ), u( k d), u( k d ),..., u( k d n )] (.5) Dan model keluaran nvers adalah: uˆ ( k d) H[ y( k d), y( k d ),..., y( k d n ), (.6) u( k d ),..., u( k d n )]
46 METODE PENELITIAN Kontroler Neuro Fuzzy Besarnya nla dar snyal dtentukan oleh parameter-parameter kontroler Neuro Fuzzy, nla masukan yang berasal dar output model ym, snyal keluaran sstem y(k) serta snyal kontrol u(k). Parameter-parameter kontroler dambl secara onlne dar bagan nvers model plant yang melakukan proses pembelajaran. Besarnya snyal kontroler yang dhaslkan oleh kontroler Neuro Fuzzy adalah: ( k) G[ y ( k d), y( k), y( k ),..., y( k u( k ),..., u( k n )] n ), u m (.7)
47 METODE PENELITIAN Kontroler Proporsonal-Integral (PI) Kelemahan dar model ANFIS pada pada kasus pengendalan Heat Echanger n adalah lambatnya adaptas parameter model nvers terhadap perubahan set pont dan beban yang terjad, yang membuat kontroler bekerja tdak mampu untuk menghaslkan keluaran sesua yang sesua dengan setng pont. Karenanya penambahan kontroler PI pada sstem dharapkan dapat menutup kelemahan tersebut. Sehngga persamaan untuk snyal kontroler u(k) adalah sebaga berkut: u( k) u ( k) u ( k) NF PI (.8)
48 METODE PENELITIAN Model Predks Error Error Model Predks adalah suatu bagan yang berfungs untuk menjaga agar keluaran sstem mampu untuk tetap mengkut setng pont yang dberkan. Model n dturunkan dar model persamaan sstem adaptf, dan dapat djelaskan berdasarkan lustras dar model system sebagamana yang terlhat pada Gambar.5. Gambar.5 Kontrol adaptve dengan model reference
49 METODE PENELITIAN Model Predks Error Dar penurunan persamaan yang djabarkan berdasarkan Gambar. maka akan ddapatkan persamaan error dar model predks sebaga berkut: eˆ( k * ) y r ( k * ) y * * e( k) e( k r ( k) y ) ) Dmana *, *, *, *dan * adalah parameter-parameter dar persamaan error model predks. Pada peneltan n dtentukan sebuah model yang djadkan sebaga referens untuk menentukan nla parameter-parameter error model sebaga berkut: G m (.8) s s Dar fungs alh tersebut, parameter-parameter error model yang ddapatkan dar hasl perhtungan perdasarkan persamaan (.0) sampa dengan persamaan (.7) adalah *=, *=-, *=0,758 dan *= 0,5 * r ( k (.7)
50 METODE PENELITIAN Pengujan Kontroler Berdasarkan rancangan struktur kontroler yang telah dbuat datas, maka langkah selanjutnya adalah mengmplementaskan rancangan kontroler, yang mana pada peneltan n dsmulaskan dengan menggunakan program Matlab. Pengujan yang dlakukan melput:. Pengujan model matemats plant pada system open loop.. Pengujan model plant berbass ANFIS.. Pengujan model nvers plant berbass ANFIS. 4. Pengujan kotroler predks berbass ANFIS 5. Pengujan kotroler adaptf predks berbass PI 6. Pengujan kotrol adaptf predks berbass ANFIS-PI BACK
51 4 PEMBAHASAN Respon Open-Loop Sstem Heat Echanger Dengan masukan step pada masng-masng model plant maka dhaslkan respon dar plant sebagmana terlhat pada Gambar 4.. Respon Plant (oc) Beban Bertambah Beban Nomnal Waktu (detk) Gambar 4. Respon Open-Loop model system Heat Echanger dengan setpont step,5.
52 4 PEMBAHASAN Respon Open-Loop Sstem Heat Echanger Berdasarkan gambar respon open-loop dar masng-masng model pant dapat dlhat baha terdapat perbedaan yang jelas antara respon pada model plant dengan beban rendah dan model plant dengan beban bertambah. Hal nlah yang kemudan menjad dasar baha untuk menjaga agar respon dar sstem Heat Echanger tersebut tetap stabl pada nla yang dngnkan akbat adanya perubahan beban, maka pada sstem plant perlu untuk dtambahkan sstem kendal (kontroler).
53 4 PEMBAHASAN Respon Model Plant Predks Berbass ANFIS Respon dar permodelan plant Heat Echanger dengan metode ANFIS adalah sebagamana dperlhatkan dalam Gambar 4.. Respon Plant dan Model ANFIS (oc) Reference dperkecl 60oC Respon Plant Output Model Plant 0 Beban bertambah 0 Beban bertambah Beban bertambah Beban kembal ke aal Beban kembal ke aal 0 Beban kembal ke aal 0 0 Reference dperbesar 90oC Waktu (detk) Gambar 4. Grafk respon model plant berbass ANFIS.
54 4 PEMBAHASAN Respon Model Plant Predks Berbass ANFIS Dar gambar terlhat baha respon permodelan plant sudah mampu mengkut respon plant dengan bak dengan nla error yang kecl pada varas setpont dan beban yang dberkan pada system tersebut. Parameter yang ddapat dar proses learnng untuk mencapa respon pada permodelan tersebut datas kemudan dgunakan secara onlne untuk menentukan nla predks keluaran dar system. Respon dar dar predks nla keluaran plant dengan Neuro Fuzzy dperlhatkan pada Gambar 4.7. Dar gambar terlhat baha predks berbass Neuro Fuzzy juga mash mampu bekerja dengan bak pada varas setpon dan beban yang dberkan pada sstem.
55 4 PEMBAHASAN Kontroler Predks Dengan Model Invers Berbass ANFIS Model nvers pada sstm n berfungs untuk melakukan pembelajaran sampa dengan dcapanya nla error nvers yang terkecl. Poss bagan model nvers n sangat menentukan dalam proses pengendalan karena parameter yang dhaslkan akan dgunakan secara onlne oleh bagan kontroler Neuro Fuzzy. Namun dar grafk hasl smulas terlhat baha snyal model nvers tdak dapat mengkut dengan bak perubahan yang terjad pada set pont dan beban system Gambar 4.4. Hal n membuktkan baha dengan menggunakan metode n pada system kontroler, snyal nvers mash perlu untuk dsempurnakan sebelum dberkan ke plant agar system dapat bekerja dengan bak pada konds yang berbeda. Karena tu pada peneltan n untuk memperbak snyal kontroler nantnya snyal kontroler Neuro Fuzzy djumlahkan dengan snyal kontroler PI.
56 4 PEMBAHASAN Kontroler Predks Dengan Model Invers Berbass ANFIS Beban bertambah Snyal Kontroler Output Model Invers Respon Model Invers (oc) Reference dperkecl 60oC Reference dperbesar 90oC Waktu (detk) Gambar 4.4 Grafk snyal respon model nvers berbass ANFIS
57 4 PEMBAHASAN Kontroler Predks Dengan Model Invers Berbass ANFIS Snyal Respon (oc) Setpont 75oC Beban normal Beban bertambah Setpont 60oC Beban bertambah Beban normal Setpont Respon Plant Setpont 90oC Beban bertambah Waktu (detk) Gambar 4.5 Grafk respon plant dengan kontrol predks dan model nvers berbass ANFIS
58 4 PEMBAHASAN Kontroler Adaptf Predktf PI dan Model Plant Berbass ANFIS PI dapat dgunakan untuk menyempurnakan snyal kontrol Neuro Fuzzy untuk menghaslkan keluaran sstem yang tetap dapat mengkut setng pont yang dberkan. Dsn dperlhatkan pengaruh kontroler PI terhadap sstem kontrol predks apabla berdr sendr, yang responnya dapat dlhat pada Gambar 4.6. Terlhat baa kontroler PI mash lebh bak dalam menghadap perubahan yang terjad pada sstem apabla dbandngkan dengan kontroler ANFIS, akan tetap overshoot yang terjad mash tngg.
59 4 PEMBAHASAN Kontroler Adaptf Predktf PI dan Model Plant Berbass ANFIS Respon Plant dan Respon Step (oc) Beban bertambah Beban normal Beban bertambah Setpont 75oC Setpont 60oC Beban normal Setpont 90oC Setpont Respon Plant Waktu (detk) Gambar 4.6 Respon dar ssten dengan kontroler PI predks dan model plant berbass ANFIS
60 4 PEMBAHASAN Kontroler Adaptf Predktf Berbass ANFIS-PI Desan kontroler adaptf predktf berbass ANFIS-PI bertujuan untuk menghaslkan keluaran sstem yang mampu tetap mengkut setng pont yang dberkan, alaupun pada terjad perubahan beban pada plant. Dar Gambar 4.7 dapat dlhat baha kontroler n dapat bekerja dengan hasl yang lebh bak. Error snyal plant terhadap reference yang terjad adalah sebagamana yang terlhat pada Gambar 4.8. Terlhat baha terjad perubahan nla error yang sgnfkan ketka terjad perubahan pada sstem, namun setelah respon mendekat nla steady state nla error sudah sangat kecl.
61 4 PEMBAHASAN Kontroler Adaptf Predktf Berbass ANFIS-PI Snyal Respon (oc) Setpont 75oC Beban Bertambah Beban Bertambah Beban Normal Beban Normal Setpont 60oC Setpont Respon Plant Output Predks Setpont 90oC Beban Bertambah Beban Normal Waktu (detk) Gambar 4.7 Respon plant dengan kontroler Adaptf Predktf Berbass ANFIS-PI
62 4 PEMBAHASAN Kontroler Adaptf Predktf Berbass ANFIS-PI Gambar 4.8 Error snyal plant terhadap snyal reference dengan beban berubah BACK
63 5 KESIMPULAN DAN SARAN Kesmpulan Secara umum dapat dkatakan baha system control yang ddesan untuk pengendalan Heat Echanger telah mampu bekerja dengan bak. Dar uraan-uraan yang djabarkan dalam bab sebelumnya maka dapat dtark beberapa kesmpulan sebaga berkut:. Pemodelan plant dengan menggunakan metode ANFIS dapat bekerja dengan bak pada plant yang tdak lner. Hal n terlhat dar hasl pengujan dmana model tersebut tetap mampu bergerak mengkut bentuk dar respon plant dengan error yang relatve kecl, bak pada beban plant yang berubah maupun pada setpont yang berbeda.. Penggunakan model nvers dalam desan kontroler kurang bak untuk konds beban plant dan reference yang berubah. Karenanya untuk memperbak kerja dar model jens tersebut perlu dtambahkan kontroler PI pada system. Kontroler PI akan membantu kontroler Neuro Fuzzy untuk memperbak snyal kontroler yang akan dberkan ke plant.
64 5 KESIMPULAN DAN SARAN Kesmpulan. Desan kontroler Adaptf Predktf berbass ANFIS-PI untuk pengendalan temperature Heat Echanger telah bekerja sesua dengan crtera yang dngnkan, yatu respon plant dengan system kontroler tersebut tetap dapat mengkut setpont dengan error yang relatve kecl, alaupun pada konds dmana terjad perubahan beban maupun perubahan setpont pada system.
65 5 KESIMPULAN DAN SARAN Saran Dar hasl pengujan dan uraan pembahasan terlhat baha kekurangan system hanya terletak pada model nvers dengan metode ANFIS yang tdak maksmal dalam kerjanya akbat kurang mampu beradaptas terhadap penurunan snyal yang masuk ke model. Karena tu perlu dkembangkan model nvers dengan metode atau struktur yang berbeda sehngga kontroler untuk kebutuhan plant Heat Echanger dapat ddesan tanpa menggunakan kontroler PI.
66 DAFTAR PUSTAKA ) Angga Saputro, (008), Implementas Kontroler Neural Netork Untuk Pengaturan Temperatur Pada Feedback Temperature Process Rgg, Tugas Akhr Bdang Keahlan Teknk Sstem Pengaturan Jurusan Teknk Elektro ITS, Surabaya. ) Feedback nstrument Ltd, (00), PROCON Temperature Process Rg Traner Instructon Manual, Feedback Instrument Ltd., UK. ) Jang J.-S.R., Sun C.-T., Mzutan E., (997), Neuro-Fuzzy And Soft Computng: A Computatonal Approach To Learnng And Machne Intellgence, Prentce-Hall, Inc. 4) Johnson, Curts D., (00), Process Control Instrumentaton Technology-7th ed, Prentce-Hall, Ne Jersey. 5) Juan M. Marthn Sanchez, Jose Rodellar, (996), Adaptve Predctve Control: From the Concepts to Plant Optmzaton, Prentce Hall, London.
67 DAFTAR PUSTAKA 6) Mahd Jall-Kharajoo, Babak N. Araab (004), Neural Netork Based Predctve Control of a Heat Echanger Nonlnear Process, Journal of Electrcal & Electronc Engneerng, Instambul Unversty, Vol. 4, No., hal ) M.A. Denaı, F. Pals, A. Zeghbb, (007), Modelng And Control Of Non-Lnear Systems Usng Soft Computng Technques, Appled Soft Computng, Vol. 7, hal ) Landu, Ioan Dore, (990), System Identfcaton and Control Desgn Usng P.I.M + Softare, Prentce Hall Inc. 9) Ogata, Katsuhto, (997), Modern Control Engneerng, Prentce- Hall, Ne Jersey. 0) Rsfendra (007), Dsan Dan Implementas Kontroler Kaskade Robust Pada Sstem Pressure Control Traner Feedback 8-74, Tess Program Magster Bdang Keahlan Teknk Sstem Pengaturan Jurusan Teknk Elektro ITS, Surabaya. ) Radu Bălan, Vstran Măteş, Vctor Hodor, Olmpu Hancu, and Sergu Stan, (007), Applcatons of a Model Based Predctve Controlto Heat-Echangers, Proceedng of The 5th Medterranan Conference On Control And Automaton, Athens-Greece, T7-00.
68 DAFTAR PUSTAKA ) Sr Kusumade, Sr Hartat (006), Neuro-Fuzzy: Integras Sstem Fuzzy dan Jarngan Syaraf, Graha Ilmu, Yogyakarta.
69 LOGO
MODEL KONTROL PREDIKSI BERBASIS ANFIS PADA HEAT EXCHANGER
MODEL KONTROL PREDIKSI BERBASIS ANFIS PADA HEAT EXCHANGER Ruslim Jurusan Teknik Elektro, Fakultas Teknik, Universitas Borneo Tarakan ruslim_s@yahoo.co.id ABSTRAKS Model dinamik dari sistem Heat Exchanger
Lebih terperinciPengaturan Proses Tekanan pada Sistem Pengaturan Berjaringan Menggunakan Kontroler Fuzzy Neural Network
TUGAS AKHIR TE - 091399 Pengaturan Proses Tekanan pada Sstem Pengaturan Berjarngan Menggunakan Kontroler Fuzzy Neural Network Rende Ramadhan NRP 2208100131 Dosen Pembmbng : Ir. Al Faton, M.T. Imam Arfn,
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciANALISIS 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 terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciBAB 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 terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciPerbaikan Unjuk Kerja Sistem Orde Satu PERBAIKAN UNJUK KERJA SISTEM ORDE SATU DENGAN ALAT KENDALI INTEGRAL MENGGUNAKAN JARINGAN SIMULATOR MATLAB
Perbakan Unjuk Kerja Sstem Orde Satu PERBAIKAN UNJUK KERJA SISTEM ORDE SATU DENGAN ALAT KENDALI INTEGRAL MENGGUNAKAN JARINGAN SIMULATOR MATLAB Endryansyah Penddkan Teknk Elektro, Jurusan Teknk Elektro,
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB 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 terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBAB 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 terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciBAB 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 terperinciPERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT BOILER BERBASIS ADAPTIVE NETWORK FUZZY INFERENCE SYSTEM (ANFIS)
Yulat: PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT... 145 PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT BOILER BERBASIS ADAPTIVE NETWORK FUZZY INFERENCE SYSTEM (ANFIS)
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciDesainKontrolFuzzy BerbasisPerformansiH dengan Batasan Input-Output untuk Sistem Pendulum-Kereta
ugasakhr E 91399 DesanKontrolFuzzy BerbassPerformansH dengan Batasan Input-Output untuk Sstem Pendulum-Kereta to Febraranto (8116) Dosen Pembmbng: Prof. Dr. Ir. Achmad Jazde, M.Eng. Jurusan eknk Elektro
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciBAB 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciBAB 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 terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciSEARAH (DC) Rangkaian Arus Searah (DC) 7
ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB 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 terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih terperinciRANGKAIAN 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 terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciHybrid intelligent system adalah kombinasi lebih dari dua teknologi cerdas.
Teny Handhayan Pendahuluan Hybrd ntellgent system adalah kombnas lebh dar dua teknolog cerdas. Contohnya kombnas Neural Network dengan Fuzzy membentuk Neuro-fuzzy system Perbandngan Expert Systems, Fuzzy
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBab 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 terperinciIII. 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 terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciPengendalian Kecepatan Motor Induksi Melalui Inverter Altivar 18 Berdasarkan Kendali Fuzi Berbasis PLC
Sgt Budh Santoso dan Ars Rakhmad, Pengendalan Kecepatan Motor Induks Melalu Inverter Altvar 18 Pengendalan Kecepatan Motor Induks Melalu Inverter Altvar 18 Berdasarkan Kendal Fuz Berbass PLC Sgt Budh Santoso,
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciANALISIS 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 terperinciAnalisis Kecepatan Dan Percepatan Mekanisme Empat Batang (Four Bar Lingkage) Fungsi Sudut Crank
ISSN 907-0500 Analss Kecepatan Dan Percepatan Mekansme Empat Batang (Four Bar ngkage Fungs Sudut Crank Nazaruddn Fak. Teknk Unverstas Rau nazaruddn.unr@yahoo.com Abstrak Pada umumnya analss knematka dan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang akan digunakan dalam penelitian ini adalah
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan yang akan dgunakan dalam peneltan n adalah peneltan pengembangan (Research and Development). Peneltan Research and Development (R&D) n merupakan
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciIII. METODOLOGI PENELITIAN
44 III. METODOLOGI PENELITIAN A. Metode Peneltan Menurut Arkunto (00:3) peneltan ekspermen adalah suatu peneltan yang selalu dlakukan dengan maksud untuk melhat akbat dar suatu perlakuan. Metode yang penuls
Lebih terperinciII. TEORI DASAR. Definisi 1. Transformasi Laplace didefinisikan sebagai
II. TEORI DASAR.1 Transormas Laplace Ogata (1984) mengemukakan bahwa transormas Laplace adalah suatu metode operasonal ang dapat dgunakan untuk menelesakan persamaan derensal lnear. Dengan menggunakan
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciIII PEMODELAN MATEMATIS SISTEM FISIK
34 III PEMODELN MTEMTIS SISTEM FISIK Deskrps : Bab n memberkan gambaran tentang pemodelan matemats, fungs alh, dagram blok, grafk alran snyal yang berguna dalam pemodelan sstem kendal. Objektf : Memaham
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
Lebih terperinciSISTEM 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 terperinciPengukuran Laju Temperatur Pemanas Listrik Berbasis Lm-35 Dan Sistem Akuisisi Data Adc-0804
Pengukuran Laju Temperatur Pemanas Lstrk Berbass Lm-35 Dan Sstem Akuss Data Adc-0804 Ummu Kalsum Unverstas Sulawes Barat e-mal: Ummu.kalsum@unsulbar.ac.d Abstrak Peneltan n merupakan pengukuran laju temperatur
Lebih terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB 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 terperinciBAB 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 terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinci2.1 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 terperinciPengaturan Proses Tekanan pada Sistem Pengaturan Berjaringan Menggunakan Kontroler Fuzzy Neural Network
Pengaturan Proses Tekanan pada Sstem Pengaturan Berjarngan Menggunakan Kontroler Fuzzy Neural Network Rende Ramadhan, 0800 Bdang Stud Sstem Pengaturan, Jurusan Teknk Elektro FTI - ITS Emal : rende.ramadhan@gmal.com
Lebih terperinciPENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI
PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI Reky Stenly Wndah Dosen Jurusan Teknk Spl Fakultas Teknk Unverstas Sam Ratulang Manado ABSTRAK Pada bangunan tngg,
Lebih terperinciDesain Kontroler PID-Genetic Algorithm untuk Sistem Pengaturan Level Air Steam Drum pada Pembangkit Listrik Tenaga Uap (PLTU)
JURNAL TEKNIK ITS Vol. 6, No. 1, (2017) ISSN: 2337-3539 (2301-9271 Prnt) A-153 Desan Kontroler PID-Genetc Algorthm untuk Sstem Pengaturan Level Ar Steam Drum pada Pembangkt Lstrk Tenaga Uap (PLTU) Mohamad
Lebih terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciBAB III METODOLOGI PENELITIAN. bulan November 2011 dan direncanakan selesai pada bulan Mei 2012.
BAB III METODOLOGI PENELITIAN 1.1. Tempat dan waktu Peneltan Peneltan dlakukan pada Perusahaan Daerah Ar Mnum Kabupaten Gorontalo yang beralamat d jalan Gunung Bolyohuto No. 390 Kelurahan Bolhuangga Kecamatan
Lebih terperinciPEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL
PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL Tan Wahyu Utam, Indah Manfaat Nur Unverstas Muhammadyah Semarang, emal : tan.utam88@gmal.com
Lebih terperinciBAB 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 terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciDalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang
LARGE SCALE SYSEM Course by Dr. Ars rwyatno, S, M Dept. of Electrcal Engneerng Dponegoro Unversty BAB V OPIMASI SISEM Dalam sstem pengendalan berhrark level, maka optmas dapat dlakukan pada level pertama
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciBAB III METODE PENELITIAN. problems. Cresswell (2012: 533) beranggapan bahwa dengan
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan kombnas atau mxed methods. Cresswell (2012: 533) A mxed methods research desgn s a procedure for collectng, analyzng and mxng
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciBAB 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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciPENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciLAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES
LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES Hubungan n akan dawal dar gaya yang beraks pada massa fluda. Gaya-gaya n dapat dbag ke dalam gaya bod, gaya permukaan, dan gaya nersa. a. Gaya Bod Gaya bod
Lebih terperinciPERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES
Semnar Nasonal Aplkas Teknolog Informas 007 (SNATI 007) ISSN: 1907-50 Yogyakarta, 16 Jun 007 PERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES Arna Farza, Afrda Helen, Annsa Rasyd Polteknk Elektronka
Lebih terperinciBAB 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 terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBAB V TEOREMA RANGKAIAN
9 angkaan strk TEOEM NGKIN Pada bab n akan dbahas penyelesaan persoalan yang muncul pada angkaan strk dengan menggunakan suatu teorema tertentu. Dengan pengertan bahwa suatu persoalan angkaan strk bukan
Lebih terperinci