PREDIKSI CUACA MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION-NEURAL NETWORK (PSONN)
|
|
- Iwan Sudjarwadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 emar Naoal Matemata da Aplaa, Otober 07 urabaa, Uverta Arlagga PREDIKI CUACA MENGGUNAKAN ALGORITMA PARTICLE WARM OPTIMIZATION-NEURAL NETWORK (PONN Dta Rahmala, Teguh Herlambag Program tud Matemata, Uverta Ilam Darul Ulum Lamoga Jl. Arlagga 3 uodad Lamoga dtarahmala@gmal.com Program tud tem Iforma, Uverta Nahdlatul Ulama urabaa Jl. Jemurar 5-57 urabaa teguh@uua.ac.d Abtract Pred cuaca terutama dalam meetua teta matahar merupaa hal ag agat petg pada maalah pemafaata eerg. Iteta matahar dpegaruh oleh fator epert uhu udara da elembaba udara. Algortma Neural Networ megguaa Bacpropaga telah dlaua dalam pred cuaca. Cara era algortma meerupa tem araf maua. Dalam algortma, terdapat la bobot ag dupdate dega cara propaga mau da propaga mudur pada proe trag da tetg ehgga meghala la pred ag medeat la target. Dalam peelta, aa dguaa metode hbrd Partcle warm Optmzato-Neural Networ (PONN pada maalah pred cuaca. Dalam PONN aa dbetu popula dar matr bobot awal ag meghubuga put, hdde laer, da output. Kemuda aa dupdate berdaara la Mea quare Error (ME pada umlah tera ag dtetua. Hal mula meuua bahwa algortma PONN dapat meghala la pred cuaca ag medeat la target. Keword Pred Cuaca, Partcle warm Optmzato, Neural Networ, Bacpropaga I. PENDAHULUAN Pred cuaca merupaa hal ag agat petg bag beberapa atvta. Dalam pred cuaca, terdapat baa od ag dapat damat mala uhu udara, elembaba udara, teta matahar, da ebagaa. Pred cuaca terutama dalam meetua teta matahar merupaa hal ag agat petg pada maalah pemafaata eerg. Meurut data dar emetera EDM pada tahu , umlah oum baha baar ma (BBM d Idoea lebh bear darpada umlah produ BBM ag megabata pemertah melaua mpor BBM. ebaga upaa utu megedala umlah pemaaa BBM, aat telah dlaua pemafaata eerg matahar mead eerg ltr melalu el ura. Dalam peelta, aa dbaha tetag pred cuaca ag berupa pred teta matahar. Neural Networ (NN dpereala oleh Mc Culloch da Ptt pada tahu 943. Cara era eural etwor mrp dega tem araf maua. alah atu e NN ag dguaa utu maalah pred adalah Bacpropaga dmaa model Bacpropaga adalah terdapat hdde laer d atara put da output (ag, 009. Algortma Partcle warm Optmzato (PO dpereala oleh Keed da Eberhart pada tahu 995. Cara era PO meerupa eumpula burug atau a dalam meemua umber maaa dmaa etap dvdu debut partel da popula debut warm (olo. PO dala dega eumpula partel ebaga addat olu pada po aca. etap partel dbera po awal da ecepata awal. Keta uatu partel meemua arah umber maaa, partel laa aa megut meuu umber maaa. alah atu apla PO adalah utu meemua pedeata olu optmal pada maalah optma dega tda beredala maupu dega edala (Rahmala, 07. Pada beberapa peelta ebeluma, telah dlaua peelta tetag etma teta matahar dega put uhu udara, elembaba udara (Hdaatullah, 04, peelta tetag pred curah hua dega put uhu udara, elembaba udara (Lu, 04.Karea hal pred dtetua oleh pemlha matr bobot awal (ag, 009, maa pada peelta aa dguaa algortma Partcle warm Optmzato- Neural Networ (PONN pada peetua matr bobot awal.algortma PONN adalah algortma ag meggabuga algortma PO da algortma NN dalam meemua matr bobot awal ag optmum. Dalam PONN aa dbetu popula dar matr bobot awal ag meghubuga put, hdde laer, da output. Kemuda aa dupdate berdaara la Mea quare Error (ME pada umlah tera ag dtetua. 4
2 Hal mula meuua bahwa algortma PONN dapat meghala la pred cuaca ag medeat la target. emar Naoal Matemata da Aplaa, Otober 07 urabaa, Uverta Arlagga II. NEURAL NETWORK Neural Networ (NN dpereala oleh Mc Culloch da Ptt pada tahu 943. Cara era eural etwor mrp dega tem araf maua atu :. al drm d atara euro melalu peghubug.. Peghubug atar euro meml bobot ag aa memperuat atau memperlemah al. 3. Utu meetua eluara, etap euro megguaa fug atva ag deaa pada umlaha maua ag dterma. Dalam NN, fug atva dpaa utu meetua eluara uatu euro. Argume fug atva adalah omba ler atara maua dega bobot. et x w ( f ( et f ( x w ( Pada umuma, fat fug atva adalah : otu, terdfereal, da tda turu. Pada peelta, fug atva ag dpaa adalah gmod ber dega rage (0- (ag, 009. f ( et (3 et e f '( et f ( et( f ( et (4 Algortma Bacpropaga Bacpropaga adaah alah atu e NN ag erg dguaa dalam proe pred. Algortma Bacpropaga terdr dar beberapa ut put x, x,..., x, beberapa ut hdde laer z, z,..., z p, da beberapa ut output,,..., m. Dalam ut put da hdde laer terdapat ba ag berla. Bobot v meghubuga ut put x meuu ut hdde laer z. Bobot w meghubuga ut hdde laer z meuu ut output. Dalam algortma Bacpropaga, terdapat tga fae perhtuga atu : propaga mau, propaga mudur, da update matr bobot. Model Bacpropaga dapat dlhat pada Gambar. Gambar. Model Bacpropaga Pada propaga mau, perhtuga megguaa fug atva dlaua mula dar put, hdde laer, da output ecara beruruta. Pada propaga mudur, perhtuga fator ealaha dlaua mula dar output, hdde laer, da put ecara beruruta. etelah tu, dlaua perubaha la pada matr bobot (Fauett, 994. Algortma Bacpropaga megguaa atu hdde laer dapat dataa ebaga berut : bppgt ( V, W. Iala matr bobotv da W dega blaga aca ecl atara -0,5 ampa 0,5. e whle( e maxepoch& & ME m ME for( d : dataze. Tap ut put meerma al da meerua e ut hdde laer. Propaga Mau 3. Htug emua eluara d ut hdde laer z,,,.., p z z _ et v x v (5 o f ( z _ et (6 z _ et e 4. Htug emua eluara d ut output,,,..., m p _ et w z w (7 0 f ( _ et _ et e (8 Propaga Mudur 5. Htug fator ut output berdaara ealaha d etap ut output,,,..., m t f ' ( _ et (9 ( 4
3 emar Naoal Matemata da Aplaa, Otober 07 urabaa, Uverta Arlagga 6. Htug perubaha bobot w z,,.., m 0,,,.., p (0 7. Htug fator ut hdde laer berdaara ealaha d etap ut laer terembu z,,,..., p _ et _ et m w f '( z _ et 8. Htug perubaha bobot v x,,..., p 0,,,..., ( ( Update Matr Bobot 9. Htug matr bobot ag baru w w w (3 v ed 0. Htug la ME ME dataze. e e ed Proe Pred v v (4 dataze m m d ( T d Y d (5 alah atu apla dar algortma Bacpropaga adalah utu proe pred. Pada peelta, data cuaca berupa uhu udara, elembaba udara, erta teta matahar aa dguaa. Tahapa dalam proe pred cuaca adalah ebaga berut (ag, 009 : Perapa Data :Dar data cuaca ag dperoleh, tetua put da output megguaa orela. Berdaara hal orela, teta matahar dpegaruh oleh uhu udara da elembaba udara, maa put atu : uhu udara (Celcu da elembaba udara (% erta output atu teta matahar (Watt/m. Pada peelta part data ag aa dguaa utu data trag ebear 80% dar eluruh data da data tetg ebear 0% dar eluruh data. Traforma Iput da Output e dalam Rage [0.-0.9] : Fug atva ag dguaa dalam proe pred adalah fug gmod ber ag meml la mmum 0 da mamum. Namu area fug gmod ber tda perah meetuh la 0 maupu, maa put da output haru dtraformaa e dalam rage [0.-0.9] ebelum proe trag dmula. Iala Matr Bobot: ebelum proe trag dmula, tetua matr bobot awal ag meghubuga put, hdde laer da output dega blaga aca ecl atara -0,5 ampa 0,5. Proe Trag: Proe trag megguaa data trag ag telah dtetua ebeluma. Atura pemberheta dalam proe trag dapat berupa mamum epoch atau la ME terecl telah dcapa. Matr Bobot Baru: Proe trag pada data trag meghala la matr bobot ag baru. Matr bobot lah ag aa dguaa pada proe trag data tetg. Proe Tetg: Proe trag megguaa data tetg ag telah dtetua ebeluma. Atura pemberheta adalah epoch utu meghtug la ME. Nla ME adalah la rata-rata dar uadrat elh la target dega la pred. Nla ME dapat dhtug dar Eq. 5. De-traforma Data:etelah la ME terecl tercapa, laua de-traforma pada data tetg utu megembala data e dalam betu aala ehgga dapat dterpretaa. III. PARTICLE WARM OPTIMIZATION-NEURAL NETWORK (PONN Pada peelta, aa dguaa metode PONN, ag meggabuga algortma PO da algortma NN dalam meemua matr bobot awal ag optmum dega la ME ag optmum. Dalam PONN, uatu partel dapat drepreetaa e dalam betu paaga matr bobot awal ag meghubuga put, hdde laer, da output. Kemuda dhmpu membetu umpula partel (warm. Proe optma dalaa dega la fte adalah la ME. Partcle warm Optmzato PO dpereala oleh Keed da Eberhart pada tahu 995. Cara era PO meerupa eumpula burug atau a dalam meemua umber maaa dmaa etap dvdu debut partel da popula debut warm (olo. PO dala dega eumpula partel ebaga addat olu pada po aca. etap partel dbera po awal da ecepata awal. Keta uatu partel meemua arah umber maaa, partel laa aa megut meuu umber maaa. 43
4 emar Naoal Matemata da Aplaa, Otober 07 urabaa, Uverta Arlagga U Dalam PO, la po partel X ( t dupdate berdaara la ecepata partel U ( t dega peramaa berut (Keed da Eberhart, 995: ( t U ( t cr ( Pbet X ( t cr ( Gbet X ( t (6 X ( t X ( t U ( t (7 Nla adalah bobot era dega la 0,9-,. Varabel Pbet adalah local bet partcle dar partel, atu po partel ag terba dar watu awal ampa watu earag. Varabel Gbet adalah global bet partcle ag dplh dar Pbet ag meml po terba. Nla r da r adalah blaga aca eragam atara 0-, edaga c c (Keed da Eberhart, 995. Algortma PONN Algortma PONN meggabuga algortma PO da algortma NN dalam meemua matr bobot awal ag optmum (Raumar, 05. Dalam PONN, uatu partel dapat drepreetaa e dalam betu paaga matr bobot awal ag meghubuga put, hdde laer, da output ebaga berut : = (, =, (8 Dmaa v adalah bobot ag meghubuga put x meuu hdde laer z edaga w adalah bobot ag meghubuga hdde laer z meuu output. Nla badalah bobot ba. Lagah-lagah algortma PONN adalah ebaga berut :. Iala eumlah Npo partel X berupa paaga matr bobot V da W dega blaga aca atara -0,5 ampa 0,5. X (0 ( V (0, W (0,,,..., N (9. Iala ecepata partelu U (0,,,..., N (0 3. Tetua local bet partcle Pbet Pbet X (0,,,..., N ( 4. Htug ftte fucto megguaa algortma Bacpropagato f ( Pbet bppgt( V (0, W,,...,N (0 ( 5. Tetua global bet partcle Gbet Gbet argm( f ( Pbet,,,..., N (3 Pbet 6. Update po da ecepata partel for t 0 : max_ t for : N Htug ecepata partel berdaara peramaa Eq. 6. Update po partel berdaara peramaa Eq. 7. Htug fte fucto po partel megguaa algortma Bacpropagato f ( X ( t bppgt( V ( t, W ( t,,...,n (4 Tetua local bet partcle Pbet Pbet arg m( f ( X (0, f ( X (,..., f ( X ( t X,,...,N (5 ed Tetua global bet partcle Gbet Gbet argm( f ( Pbet,,,..., N (6 ed Pbet Kemuda aa dperoleh matr bobot awal ag optmum dmaa fte fucto ag dguaa adalah la Mea quare Error (ME (Raumar, 05. ME N m ( T P,,,..., N (7 N m Dega N adalah umlah pola trag, adalah la target pada pola d eluara adalah la pred pada pola d eluara IV. HAIL IMULAI, T P. Hal mula adalah berupa la pred ag dbadga dega la target megguaa PONN. 44
5 emar Naoal Matemata da Aplaa, Otober 07 urabaa, Uverta Arlagga Pola Hubuga pada Varabel Data ag dguaa adalah data cuaca pada bula Jauar-Jul 0 ag dambl pada daerah Jaarta.Iforma tetag cuaca terbag dalam : uhu udara (Celcu, elembaba udara (%, da teta matahar (Watt/m. Gambar. meuua uhu udara, elembaba udara, da teta matahar elama bula Jauar-Jul 0 ag terdr dar 00 har. Gambar. Data uhu udara, elembaba udara, da teta matahar elama Jauar-Jul 0. Dar parameter uhu udara, elembaba udara, da teta matahar, aa daal hubuga atara uhu udara, elembaba udara terhadap teta matahar. Pola hubuga atara uhu udara x da teta matahar dapat dlhat pada Gambar 3(r edaga pola hubuga elembaba udara x da teta matahar dapat dlhat pada Gambar 3 (aa. Gambar 4 meuua pola gabuga hubuga uhu udara x da elembaba udara matahar. x terhadap teta x xx ( x x ( ( x x ( Dar hal perhtuga, dperoleh orela potf ebear r 0, 676 ag arta ema x tgg uhu udara, teta matahar megat. Utu megetahu hubuga atara elembaba udara da teta matahar, dapat dhtug la orela atara elembaba udara dega teta matahar. Dega : r x x xx ( x x xx x ( ( x x ( (9 Dar hal perhtuga, dperoleh orela egatf ebear r 0, 565 ag arta ema x tgg elembaba udara, teta matahar meuru. Gambar 3. Pola hubuga atara uhu udara da teta matahar (r. Pola hubuga atara elembaba udara da teta matahar (aa Utu megetahu hubuga atara uhu udara da teta matahar, dapat dhtug la orela atara uhu udara dega teta matahar. x rx (8 Dega : xx Gambar 4. Pola hubuga gabuga atara uhu udara da elembaba udara terhadap teta matahar. Dar hal orela, dapat dbetu put ag dguaa pada proe pred adalah uhu udara (Celcu da elembaba udara (% edaga output ag dguaa adalah teta matahar (Watt/m. 45
6 emar Naoal Matemata da Aplaa, Otober 07 urabaa, Uverta Arlagga Part pada Data Pada proe pred megguaa Bacpropaga, data cuaca dpart mead data trag ebear 80% da data tetg ebear 0%. Dar data cuaca ebear 00 data, ag aa dguaa ebaga data trag adalah data ag bua elpata 5, edaga data tetg adalah data elpata 5 (5,0,5,...,00 ehgga umlah data tetg berumlah 40. Betu part datapada output teta matahar dapat dlhat Gambar 5. meghubuga hdde laer pertama da hdde laer edua, matr bobot awal ag meghubuga hdde laer edua da output. Parameter ag dguaa pada PONN dapat dlhat pada Tabel da Tabel : TABEL. PARAMETER PONN Dme partel ub partel 3 4 ub partel 5 3 ub partel 3 4 Jumlah partel dalam warm 0 Mamum tera 30 TABEL. PARAMETER NN DALAM PO Gambar 5. Part pada data dega wara bru adalah data trag da wara merah adalah data tetg. Ata : ebelum traforma. Bawah : etelah traforma Model Jarga Bacpropaga Model Bacpropaga ag dguaa dalam peelta terdr dar dua put (uhu udara x da elembaba udara x da ba. Kemuda terdapat dua hdde laer erta atu output atu teta matahar. Hdde laer pertama terdapat empat ut da atu ba. Hdde laer edua terdapat tga put da atu ba. Karea megguaa dua hdde laer, maa repreeta partel pada Eq. 8 dmodfa mead tga matr bobot awal. Matr bobot awal pertama (ub partel meghubuga ut put dega hdde laer pertama, matr bobot awal edua (ub partel meghubuga hdde laer pertama dega hdde laer edua, matr bobot awal etga (ub partel 3 meghubuga hdde laer edua dega ut output. Parameter PONN Algortma PONN meggabuga algortma PO da algortma NN dalam meemua matr bobot awal ag optmum. Algortma NN ag dguaa adalah Bacpropagato ag dguaa utu meghtug la ME ebaga la fte. Repreeta partel pada PONN adalah paaga tga matr bobot awal, atu matr bobot awal ag meghubuga put da hdde laer pertama, matr bobot awal ag Proe Trag Lau pemahama 0, Jumlah data (80% Mamum epoch 000 Proe Tetg Lau pemahama 0, Jumlah data (0% Mamum epoch Perhtuga fte fucto pada PONN megguaa algortma Bacpropagato ag melbata data trag da data tetg. Keta uatu partel ag terdr dar tga matr bobot memau algortma Bacpropagato, terad proe trag pada data trag da proe tetg pada data tetg ehgga meghala la ME ebaga la fte. Gambar 6. Proe optma pada Partcle warm Optmzato-Neural Networ (PONN Hal mula pada PONN dapat dlhat pada Gambar 6. Pada tera pertama, algortma PONN meuua la ME ag relatf bear. Pada proe optma, po partel 46
7 emar Naoal Matemata da Aplaa, Otober 07 urabaa, Uverta Arlagga dupdate berdaara ecepata partel ehgga la ME meuru ampa tera mamum. Hal Pred mula dmula dega mealaa mula PONN. Pada ahr tera PONN, dperoleh global bet partcle ebaga bobot awal ag optmal. Bobot awal optmal terebut dtrag ulag da dtetg ulag utu memperba hal pred dega memperpaag umlah epoch megguaa algortma Bacpropaga dega parameter epert Tabel 3. TABEL 3. PARAMETER NN PADA PROE PENGULANGAN Proe Trag Lau pemahama 0, Jumlah data (80% Mamum epoch 000 Proe Tetg Lau pemahama 0, Jumlah data (0% x Mamum epoch (exteded 000 Hal mula terdr dar hal mula pada data trag da hal mula pada data tetg.data trag dambl dar data ag bua elpata 5. Kemuda dlaua proe trag ampa 000 epoch. Hal mula pada data trag dapat dlhat pada Gambar 7 dmaa dapat dlhat perbadga atara la target (bru da la pred (merah. Data tetg dambl dar data elpata 5.Kemuda dlaua proe trag ampa 000 epoch (exteded utu memperba hal pred dar PONN. Gambar 9. meuua perbadga la target (bru dega la pred (merah. Gambar 8 meuua overge la ME pada proe trag. Dapat dlhat a la ME meuru erg dega bertambaha epoch. Gambar meuua la ME pada data tetg ag meuua adaa perbaa dar 0,0088 mead 0, Gambar 8. Nla Mea quare Error (ME pada data trag. Ata : ebelum detraforma. Bawah : etelah detraforma Gambar 9. mula pada data tetg. Ata : ebelum detraforma. Bawah : etelah detraforma Gambar 0. Nla elh atara target da hal. Ata : ebelum detraforma. Bawah : etelah detraforma Gambar 7. mula pada data trag. Ata : ebelum detraforma. Bawah : etelah detraforma 47
8 emar Naoal Matemata da Aplaa, Otober 07 urabaa, Uverta Arlagga Rada Matahar Peram pada Permuaa Horzotal dega Extreme Learg Mache, Jural Te POMIT, IN Vol. No., 04 p.-6. Keed, J., da Eberhart, R.C., 995, Partcle warm Optmzato, Proc IEEE It. Cof. Neural Networ, p Lu, J., Xue,., Zhag, X., Zhag,., da Lu, W., 04, Neural Fuzz Iferece tem-baed Weather Predcto Model ad It Precptato Predcto Expermet, Atmophere, IN Vol. 5, November 04 p Gambar. Nla Mea quare Error (ME pada data tetg. Ata : ebelum detraforma. Bawah : etelah detraforma V. KEIMPULAN NN megguaa Bacpropaga dapat dguaa pada maalah pred. Algortma PONN adalah algortma ag meggabuga algortma PO da algortma NN dalam meemua matr bobot awal ag optmum. Dalam PONN aa dbetu popula dar matr bobot awal ag meghubuga put, hdde laer, da output. Kemuda aa dupdate berdaara la Mea quare Error (ME pada umlah tera ag dtetua.hal mula meuua bahwa algortma PONN dapat meghala la pred cuaca ag medeat la target. DAFTAR PUTAKA Fauett, L., 994, Fudametal of Neural Networ, Pretce-Hall Hdaatullah, N.U., da Ya umar, 04, Etma Matareh, L.A., heta, A., Ba-Ahmad,.,Alhaer, J., da Al-oql, I., 04, Developmet of Temperature-baed Weather Forecatg Model Ug Neural Networ ad Fuzz Logc, Iteratoal Joural of Multmeda ad Obqutou Egeerg, IN Vol. 9 No., 04 p Rahmala, D., 07, Partcle warm Optmzato- Geetc Algorthm (POGA o Lear Traportato Problem, AIP Coferece Proceedg, IBN Vol. 867, Augut 07 p. ( Raumar, R., Albert, A.J, da Chadraala, D., 05, Weather Forecatg ug Fuzz Neural Networ (FNN ad Herarch Partcle warm Optmzato Algorthm (HPO, Ida Joural of cece ad Techolog, IN Vol. 8, No., Jue 05 p.-8. Rao,.., 009, Egeerg Optmzato : Theor ad Practce, Joh Wle ad o, New Jere. ag, J.J., 009, Jarga araf Trua da Pemrogramaa Megguaa Matlab, Peerbt ANDI, Yogaarta. 48
BAB 2 LANDASAN TEORI
BAB LANDASAN TEORI Utu mempermudah dalam meyeleaa pembahaa pada bab, maa aa dbera beberapa def da beberapa teor daar yag meduug... Teor Teor Peduug... Rua Gar Def. Rua Gar Ja ada d R atau 3 R, maa ebuah
Lebih terperinciRangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data
Raguma. Statt meyataa umpula data yag dapat berupa aga yag damaa data uattat maupu o aga yag damaa data ualtat yag duu dalam betu tabel da atau dagram/gra, yag meggambara da mempermudah pemahama aa aga
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN. Latar elaag Salah atu baga petg yag tda dapat dpaha dalam eolah tgg da uverta adalah maalah peadwala mata ulah dega edala watu yag dga (prefere doe, mahawa, da bayaya ruaga yag terbata.
Lebih terperinciSTATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran
KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua
Lebih terperinciPENYELESAIAN PENGOPTIMUMAN PORTOFOLIO FUZZY MENGGUNAKAN PENDEKATAN FUNGSI LAGRANGE. Sugiyarto
Prodg ear Naoal Peelta Peddka Peerapa MIPA akulta MIPA Uverta Neger Yogyakarta 6 Me 009 M-8 PENYELEAIAN PENGOPTIMUMAN PORTOOLIO UY MENGGUNAKAN PENDEKATAN UNGI LAGRANGE ugyarto MIPA Matematka Uverta Ahmad
Lebih terperinciPERBANDINGAN METODE ESTIMASI-, ESTIMASI-, DAN ESTIMASI- PADA MODEL REGRESI ROBUST UNTUK MEMPREDIKSI PRODUKSI KEDELAI DI INDONESIA
PERBANDINGAN METODE ESTIMASI-, ESTIMASI-, DAN ESTIMASI- PADA MODEL REGRESI ROBUST UNTUK MEMPREDIKSI PRODUKSI KEDELAI DI INDONESIA Jural Daua epada Faulta Matemata da Ilmu Pegetahua Alam Uverta Neger Yogyaarta
Lebih terperincidan µ : rata-rata hitung populasi x : rata-rata hitung sampel
Uura Statt. Pedahulua Uura Statt:. Uura Pemuata Bagamaa, d maa data berpuat? Rata-Rata Htug Arthmetc Mea Meda Modu Kuartl, Del, Peretl. Uura Peyebara Bagamaa peyebara data? Ragam, Vara Smpaga Bau Uura
Lebih terperinciKoefisien Korelasi Spearman
Koefe Koela Speama La hala dega oefe oela poduct-momet Peao, oela Speama dapat dguaa utu data beala mmal odal utu edua vaabel ag heda dpea oelaa. Lagah petama ag dlaua utu meghtug oefe oela Speama adalah
Lebih terperinciPENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA
PEAKI ATAI AIO-CUM-DUAL UTUK ATA-ATA POPULAI PADA AMPLIG GADA Holla Maalu Bustam Haposa rat Mahasswa Program Matemata Dose Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas au Kampus Bawda
Lebih terperinciBAB 2 DASAR TEORI ALIRAN DAYA. Sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen
BAB DAAR TEOR ALRAN DAA. Umum,,3,4 stem teaga lstr Electrc ower stem terdr dar tga ompoe utama, atu sstem pembagta teaga lstr, sstem trasms teaga lstr, da sstem dstrbus teaga lstr. Kompoe dasar ag membetu
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (uregstered verso) http://www.smpopdf.com Statst Bss : BAB V. UKURA PEYEBARA DATA.1 Peyebara Uura peyebara data adalah uura statst yag meggambara bagamaa berpecarya data
Lebih terperinciadalah nilai-nilai yang mungkin diambil oleh parameter jika H
Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu
Lebih terperinciHIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1
HIMPUNAN RENTANGAN DAN BEBA LINIER HIMPUNAN RENTANGAN Defs (Kombas Ler) Msala V suatu ruag etor atas feld F. w etor d V, da, 1, juga etoretor d V. Vetor w dataa sebaga ombas ler dar etor-etor, 1, ja w
Lebih terperinciANALYSIS SENSITIVITAS PADA PROGRAM INTEGER CAMPURAN
Aaly Setvta pada Program Iteger Campura Fagzduhu Bu ulolo ANAYSIS SENSIIVIAS PADA PROGRAM INEGER CAMPRAN Fagzduhu Bu ulolo Departmet Mathemat, verta Sumatera tara, Meda 2055 Idoea Abtra: Metode Smple merupaa
Lebih terperinciANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.
ANALISIS REGRESI Berdasara betu eleara data, model regres dapat dlasfasa mead dua macam yatu lear da o-lear. Ja pola data lear maa dguaa pemodela lear. Begtu uga sebalya apabla pola data tda lear maa dguaa
Lebih terperinciImplementasi Algoritma Particle Swarm untuk Menyelesaikan Sistem Persamaan Nonlinear
JURNL TKNIK ITS Vol. Sept ISSN: -97 - Implemetas lgortma Partcle Swarm utu Meyelesaa Sstem Persamaa Nolear rdaa Rosta Yudh Purwaato da Rully Soelama Jurusa Te Iformata Faultas Teolog Iformas Isttut Teolog
Lebih terperinciBAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam
BAB II LANDASAN TEORI Pada bab II, aa djelasa tetag teor yag dpaa dalam semvarogram asotrop. Sela tu juga aa dbahas megea teor peduug dalam melaua peasra aduga cadaga baust d daerah Mempawah Kalmata, dataraya
Lebih terperinci5/12/2014. Tempat Kedudukan Akar(Root Locus Analysis) ROOT LOCUS ANALYSIS
5//04 Matakulah: T EDALI Tahu : 04 Pertemuaa 45 Tempat eduduka Akar(Root Lou Aaly) Learg Outome Pada akhr pertemua, dharapka mahawa aka mampu : meerapka aal da aplka Tempat keduduka Akar dalam dea tem
Lebih terperincititik tengah kelas ke i k = banyaknya kelas
STATISTIKA Bab 0 UKURAN PEMUSATAN DAN PENYEBARAN. Mea X. a. Data Tuggal... 3 b. Data Kelompo ( dstrbus frewes) f. f. f.... f. 3 3 f f f... f = f. f 3 Ket : tt tegah elas e = bayaya elas f frewes elas e
Lebih terperinciMENINGKATKAN KEMAMPUAN PENGENALAN POLA SINYAL DENGAN OPTIMALKAN RULES PADA FUZZY NEURAL NETWORK
Semar Nasoal Iformata 2013 (semasif 2013) ISSN: 1979-2328 UPN Vetera Yogyaarta, 18 Me 2013 MENINGKATKAN KEMAMPUAN PENGENALAN POLA SINYAL DENGAN OPTIMALKAN RULES PADA FUZZY NEURAL NETWORK Muhtar Haaf Program
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDAAN TEORI Dalam bab aa djelasa teor-teor yag berhubuga dega peelta yag dapat djada sebaga ladasa teor atau teor peduug dalam peelta Ladasa teor aa mempermudah pembahasa hasl peelta pada bab 3 Adapu
Lebih terperinciAnalisa Probabilistik Algoritma Routing pada Jaringan Hypercube
Aalsa Probablst Algortma Routg pada Jarga ypercube Zuherma Rustam Jurusa Matemata Uverstas Idoesa Depo 644. E-mal : rustam@maara.cso.u.ac.d Abstra Algortma routg pada suatu arga teroes suatu measme utu
Lebih terperinciSIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS. Saniagus Munendra 1) Hery Susanto 2)
SIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS Saagu Muedra 1) Hery Suato 2) Abtra: Sfat-fat yag berlau pada radal uatu deal teryata tda emuaya berlau pada oep radal uatu ubmodul Raaee
Lebih terperinciKAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT
Aryato, Kaja Sfat Keompaa pada Ruag Baah KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH Aryato* ABSTRACT The propertes of ompatess Baah spaes ths paper s a geeralzato of a ompat uderstadg the system o the real
Lebih terperinciBAB I PANDAHULUAN. 1.1 Latar Belakang
BB I PNDHULUN Latar Belaag Data merupaa seumlah formas yag dapat membera gambara/eteraga tetag suatu eadaa Iformas yag dperoleh membera eteraga, gambara, atau fata megea suatu persoala dalam betu ategor,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga saat adalah aalss terhadap data megea sebuah araterst atau atrbut da megea sebuah varabel dsrt atau otu. Tetap, sebagamaa dsadar, baya
Lebih terperinciBAB IV HASIL ANALISIS
BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan
Lebih terperinciPERLUASAN MODEL CUTTING STOCK DUA DIMENSI
PERLUAAN MODEL CUTTING TOCK DUA DIMENI Khuul Novagh Jurua Pedda Matemata Faulta Pedda Matemata da Ilmu Pegetahua Alam Uverta Pedda Idoea emal: huul@ahoo.com Abtra Terdapat m je baha bau berbetu pereg pajag
Lebih terperinciPENGUJIAN HIPOTESIS PROSEDUR UMUM PROSEDUR UMUM PROSEDUR UMUM. Langkah 1 : tentukan hipotesis 0 (H 0 ) dan anti hipotesis (H 1 )
PENGUJIAN HIPOTESIS PROSEDUR UMUM Lagkah : tetuka hpote 0 (H 0 ) da at hpote (H ) malya: H 0 : µ 00 H : µ 00 atau H : µ > 00 atau H : µ < 00 PROSEDUR UMUM Lagkah : tetuka je dtrbu yag cocok: bla > 30 da
Lebih terperinciBAB III TEOREMA GLEASON DAN t-desain
BAB III TEOREMA GLEASON DAN t-desain Dalam ubbab 3., kta aka mempelaar alah atu fat petg dar kode wa-dual geap. Sfat terebut dberka oleh Teorema 3.(Teorema Gleao), Teorema ecara megeaka telah meetuka betuk
Lebih terperinciBAB III REVIEW SIFAT- SIFAT STATISTIK PENDUGAAN TIPE KERNEL BAGI FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN PERIODE GANDA
9 BAB III REVIEW SIFAT- SIFAT STATISTI PENDUGAAN TIPE ERNE BAGI FUNGSI INTENSITAS PROSES POISSON PERIODI DENGAN PERIODE GANDA 3. Perumua Peduga Malka adala proe Poo ag damat pada terval [0] dega fug teta
Lebih terperinciPENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN MEDIAN DAN KOEFISIEN KURTOSIS
PENAKIR RAIO YANG EFIIEN UNTUK RATA-RATA POPULAI PADA AMPLING ACAK EDERHANA MENGGUNAKAN MEDIAN DAN KOEFIIEN KURTOI abarah * Haro H rat Mahawa Program Matematka Doe Jurua Matematka Fakulta Matematka da
Lebih terperinciBAB III METODE PENELITIAN
30 BAB III METODE PENELITIAN A. Tujua Peelta Tujua ag g dcapa dalam peelta adalah utu megetahu apaah hasl belajar perserta dd elas IX MP Nusa Bagsa Mragge Dema pada mater poo volume bagu ruag ss legug
Lebih terperinciBAB 4 SISTEM DINAMIK ORDE-TINGGI
Stem Damk Ore-Tgg 47 BAB 4 SISTEM DINAMI ORDE-TINI Stem amk ore-tgg gabuga ua atau lebh tem amk ore-atu. Cotoh:. Level cotrol paa tagk-tagk, bak yag tem o- terka oteractg ytem maupu yag terterak teractg
Lebih terperinciBAB 3 Interpolasi. 1. Beda Hingga
BAB Iterpolas. Hgga. Iterpolas Lear da Kuadrat. Iterpolas -Maju da -Mudur Newto 4. Polo Iterpolas Terbag Newto 5. Polo Iterpolas Lagrage . Hgga Msala dbera suatu tabel la-la uers j j dar suatu ugs pada
Lebih terperinciMateri Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat
Mater Bahasa Pemrograma Blaga Bulat (Iteger Programmg) Kulah - Pegatar pemrograma blaga bulat Beberapa cotoh model pemrograma blaga bulat Metode pemecaha blaga bulat Metode cuttg-plae Metode brach-ad-boud
Lebih terperinciSTATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:
STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data, blaga ataupu
Lebih terperinciII. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan
II. LANDASAN TEORI.1. Data Kategor Wallpole (1995, medefsa data ategor sebaga data yag dlasfasa meurut rtera tertetu. Data ategor dsebut uga data ometr atau data yag bua merupaa hasl peguura. Data ategor
Lebih terperinciEKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM
Ed-Math; ol Tah EKITENI BAI ORTHONORMAL PADA RUANG HAIL KALI DALAM Mhammad Kh Abstras at rag etor ag dlegap oleh sat operas ag memeh beberapa asoma tertet damaa Rag Hasl Kal Dalam (RHKD) Pada RHKD deal
Lebih terperinciBukti Teorema Sisa China dengan Menggunakan Ideal Maksimal
Vol 5, No, 9-98, Jauar 9 But Teorema Ssa Cha dega egguaa deal asmal Abstra Sstem perogruea yag dapat dcar peyelesaaya secara teor blaga dasar teryata dapat dbuta melalu teor-teor strutur aljabar hususya
Lebih terperinciBAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:
BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,
Lebih terperinciPemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion
Jural Iformata Mulawarma Vol 4 No. 3 September 009 37 Pemlha Model Regres erba Megguaa Metode Aae s Iformato Crtero da Schwarz Iformato Crtero M. Fathurahma Program Stud Ilmu Komputer, FMIPA Uverstas Mulawarma
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu terjad dega sedrya amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu
Lebih terperinciPENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN
PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.. Watu da Temat Peelta Peelta srs dlaua d Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas Lamug ada tahu aadem 2009/200. 3.2. Metode Peelta Secara umum, elasaaa
Lebih terperinciUNIVERSITAS INDONESIA
UNIVERSITAS INDONESIA STUDI KARAKTERISTIK NEURAL NETWORK ENSEMBLE BERBASIS FUNGSI EROR CROSS ENTROPY DAN KUADRATIS SKRIPSI ALIFIA FITHRITAMA 0706163590 FAKULTAS TEKNIK PROGRAM STUDI TEKNIK ELEKTRO DEPOK
Lebih terperinciANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)
ANALSS DSRNAN (asus : Lebh dar elompo) Hazmra Yozza Jur. atemata FPA Uad LOGO POP POP POP 4 : POP Uura sampel : Sampel telah detahu dar elompo maa berasal Terhadap masg-masg obe damat/duur p peubah POP
Lebih terperinciOPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK
Jural Ilmah Mrote Vol., No. 4 OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK Joha Vara Alfa ), Rully Soelama ), Chaste Fatchah ) ), ), ) Te Iformata, Faultas
Lebih terperinciMEAN SQUARE ERROR TERKECIL DARI KOMBINASI PENAKSIR RASIO-PRODUK UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA
MEA QUARE ERROR TERKEIL DARI KOMBIAI PEAKIR RAIO-PRODUK UTUK RATA-RATA POPULAI PADA AMPLIG AAK BERTRATA R Kurat *, gt ugarto, Ruam Efed Maasswa Program Matemata Dose Jurusa Matemata Faultas Matemata da
Lebih terperinciANALISIS MULTIVARIAT. Pengantar Analisis Multivariat Lanjutan. Irlandia Ginanjar M.Si
ANALISIS MULTIVARIAT Pegatar Aal Multvarat Lauta Irlada Gaar M.S Jurua Stattka FMIPA Uad Nota utuk varabel varabel berkala l terval atau rao k bl k Vektor varabel acak: Nla haraa vektor Nla haraa vektor
Lebih terperinciH dinotasikan dengan B H
Delta-P: Jural Matemata da Pedda Matemata ISSN 089-855X Vol., No., Aprl 03 OPERATOR KOMPAK Mustafa A. H. Ruhama Program Stud Pedda Matemata, Uverstas Kharu ABSTRAK Detahu H da H dua ruag Hlbert, B H )
Lebih terperinciBAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:
BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,
Lebih terperinciBARISAN DAN DERET. U n = suku ke-n Contoh: Barisan bilangan asli, bilangan genap, bilangan ganjil, dan lain-lain.
BARIAN DAN DERET A. Barisa Barisa adalah uruta bilaga yag memilii atura tertetu. etiap bilaga pada barisa disebut suu barisa yag dipisaha dega lambag, (oma). Betu umum barisa:,, 3, 4,, dega: = suu pertama
Lebih terperinciPENDAHULUAN. Pembagian Statistik
PEDAHULUA PERAA STATISTIKA Dadar atau tda peraa tatta telah baya dguaa dalam ehdupa ehar-har. Dua peelta atau ret, dmaapu dlaua, bua aja telah medapata maaat yag ba dar tatta tetap erg haru megguaaya.
Lebih terperinciESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP
ESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP Hasb Yas Staf Pegaar Program Stud Statsta FMIPA UNDIP Abstract If X s a predctor varable ad Y s
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah seluruh siswa kelas X SMA Negeri 1
8 III. MEODOLOGI PEELIIA A. Popula da Sampel Popula dalam peelta adalah eluruh wa kela X SMA eger Bagurejo Lampug egah tahu pelajara 009/00 ebayak 75 orag yag terdtrbu dalam lma kela dmaa tgkat kemampua
Lebih terperinci9. SOAL-SOAL STATISTIKA
9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra
Lebih terperinci9. SOAL-SOAL STATISTIKA
9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra
Lebih terperinciKajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d
Jural Grade Vol4 No Jul 008 : 37-38 Kaja Hubuga Koefse Korelas Pearso (r), Spearma-rho (ρ), Kedall-Tau (τ), Gamma (G), da Somers ( d yx ) Sgt Nugroho, Syahrul Abar, da Res Vusvtasar Jurusa Matemata, Faultas
Lebih terperinci8.4 GENERATING FUNCTIONS
8.4 GEERATIG FUCTIOS Fugs pembagt Fugs pembagt dguaa utu merepresetasa barsa secara efse dega megodea usur barsa sebaga oefse deret pagat dalam varabel. Fugs pembagt dapat dguaa utu: memecaha berbaga masalah
Lebih terperinciBAB III METODE MULTISTAGE CLUSTER SAMPLING. dilakukan melalui dua tahap pengambilan sampel atau lebih (Cochran, 1977:314).
BAB III METODE MULTISTAGE CLUSTER SAMPLIG A. Pedahulua Metode ulttage cluter aplg adalah proe pegabla apel ag dlakuka elalu dua tahap pegabla apel atau lebh (Cochra, 977:34). Pearka apel dega etode ebeara
Lebih terperinciIII. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah
3 III. METODE ENELITIAN 3.1 Watu da Tempat eelta da peracaga tugas ahr dlaua d Laboratorum Terpadu Te Eletro Uverstas Lampug da dusu Margosar, desa esawara Idah abupate esawara pada bula Agustus 1 sampa
Lebih terperinciKAJIAN MODEL REGRESI ASYMTOTIC
Podg Sema Naoal Peelta, Pedda da Peeaa MIPA aulta MIPA, Uveta Nege Yogaata, 6 Me 009 KAJIAN MODEL REGRESI ASYMOIC Yul Ada, Da Cahawat, da Nov Yat Juua Matemata MIPA UNSRI Abta Model Rege ole meml ebaa
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu tejad dega sedrya, amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga searag adalah aalss terhadap data megea sebuah araterst atau atrbut (ja data tu ualtatg) da megea sebuah araterst (ja data tu uattatf).
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab bers defs-defs da sfat-sfat yag petg yag berhubuga dega modul. Hal-hal tersebut dperlua dalam pembahasa megea modul jetf pada Bab III. 2.1. Modul Mata ulah Aljabar Ler membahas
Lebih terperinciESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP
Estmas Regres No Parametr (Hasb Yas) ESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP Hasb Yas Staf Pegaar Program Stud Statsta FMIPA UNDIP Abstract
Lebih terperinciProsiding Seminar Nasional Matematika dan Pembelajarannya. Jurusan Matematika, FMIPA UM. 13 Agustus 2016
Prosdg Semar Nasoal Matemata da Pembelajaraya. Jurusa Matemata, FMIPA UM. Agustus 06 METODE NUMERIK STEPEST DESCENT DENGAN ARAH PENCARIAN RERATA ARITMATIKA Rumoo Bud Utomo Uverstas Muhammadyah Tagerag
Lebih terperinciJEMBATAN PADA GRAF FUZZY INTUITIONISTIC
JEMTN PD GRF FUZZY INTUITIONISTIC St lfatur Rohmaah, au Surarso, da ambag Irawato 3 Uverstas Islam Darul Ulum Lamoga, a0304@gmalcom Uverstas Dpoegoro Semarag 3 Uverstas Dpoegoro Semarag bstract tutostc
Lebih terperinciTaksiran Distribusi Aggregate Loss Asuransi Mobil Menggunakan Fast Fourier Transform (FFT) dalam Menentukan Premi Murni
Tasra Dstrbus Aggregate Loss Asuras Mobl Megguaa Fast Fourer Trasorm FFT dalam Meetua Prem Mur Tohap Maurug *, Mas Maaohas, Program tud Matemata, Faultas Matemata da Ilmu Pegetahua Alam, Uverstas am Ratulag
Lebih terperinciPelabelan Total Super Sisi Ajaib Pada Graf Caterpillar Teratur
Jural Matemata Itegrat ISSN 4-4 Vol. 9 No. Otober 0 pp. -9 Pelabela Total Super Ss Ajab Pada Gra Caterpllar Teratur Trya St Rahmah Nursham Muta Nur Estr Program Stud Matemata Jurusa MIPA Faultas Sas da
Lebih terperinciPenelitian Operasional II Teori Permainan TEORI PERMAINAN
Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game
Lebih terperinciEstimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model
Jural ILMU DASAR Vol. 9 No. Jul 008 : 5-7 5 Estmator Robust S Pada Model Seemgl Urelated Regresso he S Robust Estmator Seemgl urelated Regresso Model Sulato Jurusa Matemata FMIPA Uverstas Arlagga ABSRAC
Lebih terperinciBAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai
BB III FUZZY C-MENS 3. Fuzzy Klasterg Fuzzy lasterg erupaa salah satu etode aalss laster dega epertbaga tgat eaggotaa yag eaup hpua fuzzy sebaga dasar pebobota bag pegelopoa (Bezde,98). Metode erupaa pegebaga
Lebih terperinciEVALUASI OPERASI SISTEM TENAGA LISTRIK 5OO kv JAWA BALI MENGGUNAKAN PARTICLE SWARM OPTIMIZATION
EVALUASI OPERASI SISTEM TENAGA LISTRIK 5OO V JAWA BALI MENGGUNAKAN PARTICLE SWARM OPTIMIZATION Roy Chadrabuaa, Ad Soeprjato, Teguh Yuwoo Jurusa Te Eletro-FTI, Isttut Teolog Sepuluh Nopember Kampus ITS,
Lebih terperinciPemilihan Model Regresi Terbaik Menggunakan Akaike s Information Criterion (The Best Regression ModelSelection UsingAkaike s Information Criterion)
Jural EKSPONENSIALVolume Nomor September 00 ISSN 085-789 Pemlha Model Regres Terba Megguaa Aae s Iformato Crtero (The Best Regresso ModelSelecto UsgAae s Iformato Crtero) M. Fathurahma Staf Pegaar Program
Lebih terperinciANALISIS JUMLAH TENAGA KERJA TERHADAP JUMLAH PASIEN RSUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGRESI GULUD
Jural as, Teolog da Idustr, Vol., No., Desember 04, pp. 48-57 IN 693-390 prt/in 407-0939 ole ANALII JUMLAH TENAGA KERJA TERHADAP JUMLAH PAIEN RUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGREI GULUD
Lebih terperinciHUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN
HUBUNGAN ARKS AB DAN BA ADA SRUKUR ORDAN NLOEN Sodag uraasar aaha (sodag@ub-ut.ac.d) UB-U eda Elva Herawaty FA ateata Uverstas Suatera Utara ABSRAC ths aer, we gve aother roof about the relatosh betwee
Lebih terperinciBAB 2 TINJAUAN PUSTKA. Jaringan transmisi dan jaringan distribusi pada sistem tenaga listrik berfungsi
BAB TINJAUAN USTKA.. Sstem Dstrbus Jarga trasms da arga dstrbus pada sstem teaga lstr berfugs sebaga saraa utu meyalura eerg lstr yag dhasla dar pusat pembagt e pusat-pusat beba. Sstem arga dstrbus dapat
Lebih terperinciLEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M
JP : Volue 4 Noor Ju 0 hal. 4-5 LEA HENSTOCK PADA NTEGRAL uslch Jurusa ateata FPA UNS uslch_us@yahoo.co ABSTRACT. Based o the cshae e partto ad cshae tegral t ca be arraged the e partto ad tegral cocepts.
Lebih terperinciMETODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k
Prma: Jural Program Stud Pedda da Peelta Matemata Vol. 6, No., Jauar 07, hal. 7-59 P-ISSN: 0-989 METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l UNTUK BEBERAPA NILAI
Lebih terperinciPemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression
JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prt) D-361 Pemodela Aga Buta Huruf d Provs Sumatera Barat Tahu 014 dega Geographcally Weghted Regresso Rath Mahara da Wwe Setya Wahju Jurusa
Lebih terperinciIr. Tito Adi Dewanto
Ir. Tto A Dewato Dega megetahu la rata-rata saja,ormas yag apat aag-aag bsa salah terpretas. Msalya, ar ua elompo ata etahu rata-rataya sama, alau haya ar ormas ta suah meyataa bahwa ua elompo sama, mug
Lebih terperinciIII. METODE PENELITIAN. Populasi penelitian ini yaitu seluruh siswa kelas X SMA Negeri 2 Bandar
7 III. METDE PENELITIAN A. Populai Peelitia Populai peelitia ii yaitu eluruh iwa kela MA Negeri Badar Lampug dega ampel kela, pada emeter geap Tahu Pelajara 0/0. B. ampel Peelitia Tekik pegambila ampel
Lebih terperinciANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS
ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud
Lebih terperinciBAB II KAJIAN TEORI. tertentu (Martono, 1999). Sistem bilangan real dinotasikan dengan R. Untuk
5 BAB II KAJIAN TEOI A. Sstem Blaga eal Sstem blaga real adalah hmpua blaga real ag dserta dega operas pejumlaha da perala sehgga memeuh asoma tertetu (Martoo, 999). Sstem blaga real dotasa dega. Utu lebh
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:
ISSN: 339-541 JURNAL GAUSSIAN, Volume 4, Nomor, ahu 015, Halama 05-14 Ole d: http://eoural-s1.udp.ac.d/dex.php/gaussa ANALISIS FAKOR FAKOR YANG MEMPENGARUHI JUMLAH KEJAHAAN PENCURIAN KENDARAAN BERMOOR
Lebih terperinciUKURAN GEJALA PUSAT DAN UKURAN LETAK
UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu
Lebih terperinciPenyelesaian Masalah Transportasi Dengan Metoda Primal-Dual Wawan Laksito YS 4)
ISSN : 69 7 Peyeleaa Maalah Traporta Dega Metoda Pral-Dual Wawa Lakto YS 4) Abtrak Maalah Traporta erupaka peraalaha pedtrbua uatu produk hooge dar beberapa uber ke beberapa tuua dega cara yag palg optal.
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEOR. Aal Regre Salah atu tuua aal data adalah utuk memperkraka/memperhtugka beara efek kuattatf dar perubaha uatu keada terhadap keada laa. Setap kebaka (polc), bak dar pemertah maupu wata,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDAAN TEOR. Aal Regre alah atu tuua aal data adalah utuk memperkraka/memperhtugka beara efek kuattatf dar perubaha uatu keada terhadap keada laa. etap kebaka polc, bak dar pemertah maupu wata, elalu
Lebih terperinciBAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.
BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.
Lebih terperinciUKURAN SIMPANGAN UKURAN SIMPANGAN DAN UKURAN VARIASI. Rentang Antar Kuartil. Rentang= 3/26/2012
/6/0 UKURAN SIMPANGAN UKURAN SIMPANGAN DAN UKURAN VARIASI KANIA EVITA DEWI S.PD., M.SI. Ukura mpaga merupaka tattk yag meggambarka peympaga data-data terhadap rata-rataya Semak bear ukura mpaga emak meyebar
Lebih terperinciUKURAN DASAR DATA STATISTIK
UKURAN DASAR DATA STATISTIK UKURAN PUSAT Apa yag dapat ta smpula secara gamblag da cepat dar data yag dsodora berut : Tabel 1 Sampel Data Karyawa peserta Jamsoste Nama Sex Status Kerja Gaj/Bl Umur NATUL
Lebih terperinciPemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline
JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 337-35 (-98X Prt) D-5 Pemodela Fator-Fator yag Mempegaruh Aga Morbdtas d Jawa Tmur Megguaa Regres Noparametr Sple Krsa Wuladar, I Nyoma Budatara, da Madu
Lebih terperinciBAB 2 DASAR TEORI. Suatu sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen
BAB DASA TEOI. Umum,,3,4 Suatu sstem teaga lstr Electrc ower System terdr dar tga ompoe utama, yatu sstem pembagta teaga lstr, sstem trasms teaga lstr, da sstem dstrbus teaga lstr. Kompoe dasar yag membetu
Lebih terperinciPendekatan Matematika Model Ekonomi Makro
Vol. 2 No.1 1-7 Juli 2005 Pedeata Matematia Model Eoomi Maro Jer uuma Abtra Model matematia diberia utu mejelaa eomea dalam duia eoomi maro eperti modal/apital teaa erja peetahua iovai dalam riet da peembaaa.
Lebih terperinciSTUDI PEMODELAN PERAMBATAN GELOMBANG SURJA PETIR PADA SALURAN TRANSMISI 150 KV MENGGUNAKAN METODE MULTI- CONDUCTOR TRANSMISSION LINE
STUDI PEMODELAN PERAMBATAN GELOMBANG SURJA PETIR PADA SALURAN TRANSMISI 50 K MENGGUNAKAN METODE MULTI- CONDUCTOR TRANSMISSION LINE Kade Ad Dw Purwaa 2205 00 038 dose pembmbg :. Ir. Syarffudd M M.Eg. 2.
Lebih terperinciPenarikan Contoh Acak Sederhana (Simple Random Sampling)
Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu
Lebih terperinci