Implementasi Metode Particle Swarm Optimization-Dempster Shafer untuk Diagnosa Indikasi Penyakit pada Budidaya Ikan Gurami
|
|
- Siska Atmadjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: X Vol. 2, No. 2, Februar 2018, hlm Implementas Metode Partcle Swarm Optmzaton-Dempster Shafer untuk Dagnosa Indkas Penyakt pada Buddaya Ikan Guram Fars Dnar Wahyu Gunawan 1, Edy Santoso 2, Lall Muflkhah 3 Program Stud Teknk Informatka, Fakultas Ilmu Komputer, Unverstas Brawjaya Emal: 1 farsdnar61@gmal.com, 2 3 lall@ub.ac.d Abstrak Pengetahuan pembuddaya akan jens penyakt yang dapat menyerang pada kan guram pada saat buddaya sangat kecl. Predks ndkas penyakt pada buddaya kan guram adalah suatu hal yang pentng terhadap keberhaslan buddaya. Dempster shafer adalah salah satu teknk dar kecerdasan buatan yang dgunakan untuk mempredks berdasarkan fakta-fakta yang salng berkatan. Dempster shafer metode yang serng dgunakan karena tergolong algortma yang mudah untuk dmplementaskan. Namun, knerja dempster shafer sangat tergentung pada pakar yang mempunya katan dengan permasalahan. Sehngga, jka terdapat fakta baru harus konsultas dahulu kepada pakar. Selan tu, Dempster shafer tdak menjamn hasl predks yang spesfk karena fakta yang salng berkatan serng kal bersfat umum. Salah satu pendekatan yang dapat dgunakan untuk mengatas masalah n adalah dengan menerapkan metode Partcle Swarm Optmzaton. Partcle Swarm Optmzaton mengeksploras ruang pencaran untuk menemukan nla denstas awal berdasarkan nla cost partkel. Nla cost drancang untuk memnnmalkan jarak nla random dengan nla bobot sehngga semakn kecl mendekat 0 nla cost semakn besar peluang partkel sebaga solus. Dmana metode Partcle Swarm Optmzaton dgunakan untuk membangktkan nla denstas dan Dempster Shafer sebaga pengambl kesmpulan ndkas penyakt. Pada peneltan n menggunakan hybrd Partcle Swarm Optmzaton- Dempster Shafer untuk dagnosa ndkas penyakt pada buddaya kan guram. Hasl yang ddapat dar hasl keluaran sstem dengan pakar mencapa hasl 86,5%. Kata Kunc : Dagnosa, Optmas, Partcle Swarm Optmzaton, Dempster Shafer, Penyakt Ikan Guram Abstract Knowledge of fsh breeders of the type of dsease that can attack on gouramy fsh at the tme of cultvaton s very small. Predcton ndcaton of dsease on gouram fsh s an mportant thng to the succes of cultvaton. Predcton of dsease obtaned from the facts that exst n the cultvaton process. Dempster shafer s one of the technques of artfcal ntellgence used to predct based on nterrelated facts. Dempster shafer method s often used because t s qute easy to mplement algorthm. However, the performance of dempster shafer s very dependent on the grlfrend who has a connecton wth the problem. So, f there s a new fact must frst consult to experts. In addton, Dempster shafer does not guarantee specfc predcton results because nterrelated facts are often general. One approach that can be used to overcome ths problem s to apply Partcle Swarm Optmzaton method. Partcle Swarm Optmzaton explores the search space to fnd ntal densty values based on partcle cost values.. Where the Partcle Swarm Optmzaton method s used to generate densty values, and Dempster Shafer as a concluson of dsease ndcaton. In ths study usng hybrd Partcle Swarm Optmzaton-Dempster Shafer for dagnoss of dsease ndcaton on gouramy fsh culture. The results obtaned from the output of the system wth experts acheve 86,5% results. Keyword : Dagnoss, Optmaton, Partcle Swarm Optmzaton, Dempster Shafer, Gouram Fsh Dsease 1. PENDAHULUAN Buddaya kan guram adalah proses awal yang dlakukan oleh pembuddaya yang d awal mula proses pembenhan sampa pembesaran kan hngga kan sap dpanen (Ruslana & Ryana, 2009). Dalam proses buddaya sendr mengalam beberapa kendala, salah satunya yang dmaksud adalah terjangktnya penyakt pada kan guram yang dbuddayakan. Mnmnya pengetahuan pembuddaya kan Fakultas Ilmu Komputer Unverstas Brawjaya 503
2 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 504 untuk mengenal dan menanggulang penyakt kan, konsep kolam, seleks benh, kualtas ar dan lebh-lebh pengetahuan tentang peyakt kan guram(elfan, 2013). Peneltan tentang metode Dempster-shafer telah banyak dlakukan dengan objek yang berbeda-beda. Pada peneltan berjudul Skn Dseases Expert System usng Dempster-Shafer Theory, teor Dempster-shafer dgunakan untuk mendeteks penyakt kult. Pada peneltan tersebut menghaslkan hasl deteks penyakt pada kulat manusa lebh akurat dbandngkan dengan metode yang lannya(andno & hasan, 2013). Selanjutnya Pada peneltan berjudul Mult-stream speech recognton based on Dempster Shafer combnaton rule, Dempstershafer dgunakan untuk mendeteks pengenalan suara(fabo Valente, 2010). Pada peneltan tersebut menghaslkan pengenalan suara lebh akurat dbandngkan metode sejens lanya Metode Dempster-Shafer dplh karena algortma n sangat senstf terhadap nsalsas nla denstas. Nla denstas adalah ukuran untuk suatu tngkat kepercayaan terhadap suatu perstwa. Nla denstas ddapat dar seorang ahl (pakar) dbdangnya msalkan dokter penyakt jantung, ahl hukum dsb. Sehngga jka ada penambahan fakta baru harus konsultas ke ahl untuk mendapatkan nla denstas baru. Tentu hal n akan membutuhkan waktu yang tdak sedkt. Dalam lmu komputer ada metode yang mampu menutup kelemahan metode Dempster Shafer dengan membangktkan nla secara acak dengan nla evaluas sebaga acuannya yatu metode Partcle Swarm Optmzaton. Dengan nla Dempster Shafer yang dperoleh dar perhtungan Partcle Swarm Optmzaton mampu memberkan nla denstas yang sebelumnya tergantung kepada ahl dapat doptmas mendekat nla maksmum atau mungkn lebh bak sehngga ketergantungan terhadap para ahl dapat dmnmalkan. Kajan dar beberapa peneltan datas menunjukan bahwa algortma Partcle Swarm Optmzaton dapat mengoptmas nla denstas awal pada algortma Dempster Shafer. Selan tu penggabungan dua metode dapat menngkatkan knerja algortma untuk menemukan hasl optmum dalam penambahan fakta baru dan memnmalkan ketergantungan metode Dempster Shafer terhadap seorang ahl. Berdasarkan latar belakang yang telah djabarkan sebelumnya, penuls mengajukan peneltan dengan judul Implementas Metode Partcle Swarm Optmzaton-Dempster Shafer Untuk Dagnosa Indkas Penyakt Pada Buddaya Ikan Guram. Dalam peneltan n dharapkan dapat memberkan pengetahuan lebh bag pemula tentang buddaya kan guram dan mengetahu jens penyakt dar kan guram melalu gejala atau fakta dalam proses buddaya sendr. 1.Berdasarkan permasalahan datas ddapatkan rumusan masalah yatu bagamana mengmplementaskan Hybrd Partcle Swarm Optmzaton dan Dempster Shafer Untuk Dagnosa Indkas Penyakt Pada Buddaya Ikan Guram dan bagaamana tngkat akuras metode Partcle Swarm Optmzaton dan Dempster Shafer Untuk Dagnosa Indkas Penyakt Pada Buddaya Ikan Guram 2. LANDASAN PUSTAKA 2.1 Dempster Shafer Metode Dempster-Shafer adalah teor matematka untuk pembuktan berdasarkan suatu fungs kepercayaan dan pemkran yang masuk akal. Teor n dapat menggabungkan potongan nformas yang terpsah atau bukt dengan tngkat keyaknan untuk mengkalkulaskan kemungknan dar suatu perstwa-perstwa (Wahyun dan Prjodprojo, 2013). Belef (Bel) adalah ukuran kekuatan evdence (fakta) dalam mendukung suatu hmpunan bagan. Nla evdence basa dsebut nla denstas yang menunjukan seberapa besar kepercayaan terhadap suatu perstwa yang nlanya 0 sampa dengan 1. Belef jka bernla 0 (nol) maka mengndkaskan bahwa tdak ada evdence, dan jka bernla 1 maka menunjukkan adanya kepastan. Menurut (Latfa Oukhellou, 2010), persamaan 2.1 merupakan fungs Belef. Bel ( X ) m( Y X (1) sedangkan Plausblty (Pls) adalah suatu tngkat ketdakpercayaan dar evdence dnotaskan pada persamaan 2.2 Pls( X ) 1 Bel( X ') 1 d mana: Bel(X) Pls(X) m(x) m(y) Y X ' m( X ') = Belef (X) = Plausblty (X) = mass functon dar (X) = mass functon dar (Y) (2) Plausblty juga bernla 0 sampa 1, jka kta yakn akan X maka dapat dkatakan Belef (X ) = 1 sehngga dar rumus d atas nla Pls (X) Fakultas Ilmu Komputer, Unverstas Brawjaya
3 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 505 = 0 (Latfa Oukhellou, 2010). Plausblty akan mengurang tngkat kepercayaan dar evdence. Pada teor Dempster-Shafer juga dkenal adanya frame of dscernment yang dnotaskan dengan. FOD n merupakan semesta pembcaraan dar sekumpulan hpotess sehngga serng dsebut dengan envronment (Latfa Oukhellou, 2010), dmana: { 1, 2,... n} (3) d mana: FOD atau envronment elemen/unsur bagan dalam envronment n Envronment mengandung elemen-elemen yang menggambarkan kemungknan sebaga jawaban dan hanya ada satu yang akan sesua dengan jawaban yang dbutuhkan namun tdak menutup kemungknan semuanya atau ada 2 elemen sebaga jawaban. Msalkan : A = Ikan sehat B = Terserang Bercak merah C = Terserang Srp Puth D = Terserang Mata Belo E = Terserang Cacng nsang {A,B,C,D,E} dengan Kemungknan n dalam teor Dempster- Shafer dsebut dengan power set dan dnotaskan dengan P ( ), setap elemen dalam power set n memlk nla nterval antara 0 sampa 1 (Sahaan, 2015). sehngga dapat persamaan 2.4. m( X ) 1 XP( ) XP( ) m( X ) 1 dengan P( ) = power set m(x) = mass functon dar (X). sebaga contoh: P(ar keruh) = 0,7 P(non-ar keruh) = 1 07 = 0,3 (4) Pada contoh d atas Belef dar ar keruh adalah 0,7 sedangkan dsbelef ar keruh adalah 0,3. dalam teor Dempster-Shafer, dsbelef dalam envronment basanya dnotaskan m( ). Sedangkan mass functon (m) dalam teor Dempster-Shafer adalah tngkat kepercayaan dar suatu evdence, serng dsebut dengan evdence measure sehngga dnotaskan dengan (m). Sebaga contoh pada aplkas sstem pakar dalam satu penyakt terdapat sejumlah evdence yang akan dgunakan pada faktor ketdakpastan dalam pengamblan keputusan untuk dagnosa suatu penyakt. Untuk mengatas sejumlah evdence tersebut pada teor Dempster-Shafer menggunakan aturan yang lebh dkenal dengan Dempster s Rule of Combnaton dengan persamaan 5 (Latfa Oukhellou, 2010) m 1 m2( d mana: X Y Z m1 m2( = mass functon dar evdence = mass functon dar evdence (X) = mass functon dar evdence (Y) = operator drect sum X ) m2( (5) secara umum formulas untuk Dempster s Rule of Combnaton X Y Z m1 m2( (6) 1 k dmana: k = Jumlah evdental conflct. Menurut (Latfa Oukhellou, 2010) besarnya jumlah evdental conflct (k) drumuskan pada persamaan 7: k Y) X Y (7) sehngga bla persamaan (2.6) dsubsttuskan ke persamaan (2.7) akan menjad X m1 m2( 1 d mana: Y Z X Y (8) m1 m2( = mass functon dar evdence m 1( X ) = mass functon dar evdence (X) m 2( = mass functon dar evdence (Y) K = jumlah evdental conflct 2.2 Partcle Swarm Optmzaton Langkah pertama adalah pembangktan partkel, dmana pada tahap n dbangktkan nla random sesua dengan permasalahan masng-masng. Nla random n yang nantnya akan menjad kanddat solus dar algortma n serng pembaruan teras. Langkah kedua adalah poss x k, dan kecepatan v k dar kumpulan partkel dbangktkan secara random (rand) menggunakan batas atas (x max) dan batas bawah (x mn) sepert yang dtunjukkan pada persamaan 9 dan 10. x 0 = x mn + rand(x max x mn ) (9) Fakultas Ilmu Komputer, Unverstas Brawjaya
4 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 506 v 0 = x mn + rand(x max x mn ) (10) Langkah selanjutnya adalah Update velocty (kecepatan) untuk semua partkel pada waktu k+1 menggunakan nla cost poss partkel saat n pada saat waktu ke k. Dalam peneltan n, nla cost dgunakan untuk memnmalkan jarak solus dengan bobot. Bobot merupakan nla palng optmum yang d dapat dar hasl wawancara terhadap pakar. Jarak yang palng optmum adalah jumlah partkel yang mendekat 0(nol) namun tdak menutup kemungknan hasl yang ddapat bernla 0(nol) serng dengan Update kecepatan dan poss. Solus yang d maksud adalah nla partkel atau kanddat solus yang d bangktkan secara acak 0(nol) sampa 1. Persamaan 11 mencar nla cost sebaga berkut: NlaCost= n ( j=1 Nla bobot x Nla Tap Partkel) Nla Bobot (11) Dar nla cost dapat dtentukan partkel yang memlk nla global terbak (global best) pada swarm saat n, dan juga poss terbak dar tap partkel pada semua waktu yang sekarang dan sebelumnya. Perumusan Update velocty juga menggunakan beberapa parameter random. Perumusan Update velocty dapat dlhat pada persamaan 12 sebaga berkut (Valle, 2008). v k+1 = ω v k + c 1 rand p best x k + c 2 rand g best x k (12) D mana : v k = kecepatan patkel pada teras k ω = nerta (fungs pemberat) c 1 = self confdence c 2 = swarm confdence rand = nla acak antara 0 dan 1 x k = poss partkel pada teras k p best = poss terbak dar partkel = nla p best terbak dar swarm. g best Pada setap teras, nla fungs pemberat (nerta) d-update melalu persamaan 13 (Omzegba & Adebayo, 2009). ω = ω max ω max ω mn ter max x ter (13) d mana : ω max = nla pemberat (nerta) awal. ω mn = nla pemberat (nerta) akhr. ter max = jumlah teras maksmum. ter = jumlah teras terakhr. Langkah terakhr adalah Update poss tap partkel. Dengan adanya perubahan kecepatan, maka poss partkel juga akan berubah pada tap teras yang dapat dcar melalu persamaan 3.4 (Omzegba & Adebayo, 2009) x k+1 = x k + v k+1 (14) d mana : x k+1 = poss partkel saat n x k = poss partkel sebelumnya = kecepatan partkel saat n. v k+1 Tga langkah yang telah dpaparkan tersebut akan dulang sampa krtera kekonvergenan terpenuh. Krtera kekonvergenan sangat pentng dalam menghndar penambahan nla evaluas setelah solus optmum ddapatkan. Namun krtera kekonvergenan tdak selalu mutlak dperlukan. Penetapan jumlah teras maksmal juga dapat dgunakan sebaga stoppng condton dar sebuah algortma (Omzegba & Adebayo, 2009). Dalam peneltan n stoppng condton yang dgunakan adalah jumlah teras maksmal sehngga algortma tdak akan berhent sebelum jumlah teras selesa. 2.3 Hybrd Partcle Swarm Optmzaton Dempster Shafer Algortme Partcle swarm optmzaton sendr dgunakan untuk membangktkan nla denstas yang akan dgunakan oleh Dempster Shafer. Berkut tahadapan algortme Partcle Swarm Optmzaton dan Dempster Shafer. Langkah Partcle swarm optmzaton- Dempster Shafer dtunjukkan pada Gambar 1. Dmana pada langkah awal pada metode Partcle swarm optmzaton dawal dengan proses nsalsas partkel dmana nla partkel dbangktkan secara acak, selanjutnya dlakukan perhtungan nla cost, nterval, personal best, global best hngga teras terakhr. Setelah ddapatkan nla global best pada teras terakhr selanjutnya dlakukan perhtungan menggunakan metode Dempster Shafer dengan menghtung nla belefe dan nla pluasablty yang selanjutnya akan ddapatkan kesmpulan sstem berupa ndkas penyakt. Fakultas Ilmu Komputer, Unverstas Brawjaya
5 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 507 perhtungan setelah pemlhan fakta. 3.2 Implementas Tambah Fakta Implementas tambah fakta dapat dlhat pada Gambar 3. Gambar 3. Tambah Fakta Ikan Guram Gambar 1. Dagram alr Sklus Algortme Partcle Swarm Optmzaton dan Dempster-Shafer. 3. IMPLEMENTASI Implementas bers tamplan user nterface yang terdapat pada menu dalam sstem dagnosa ndkas penyakt pada buddaya kan guram. 3.1 Implementas Plh Fakta Proses pemlhan fakta dapat dlhat pada Gambar 2. Pada Menu Tambah Fakta admn dapat menambahkan fakta dan parameter sesua dengan data yang ddapatkan. Admn dapat melakukan pengsan nla denstas yang ddapatkan dar pakar atau expert yang selanjutnya akan dlakukan perhtungan oleh metode Partcle Swarm Optmzaton dan Dempster Shafer. 3.3 Implementas Hasl Indkas Proses mplementas hasl ndkas dapat dlhat pada Gambar 4. Gambar 4. Hasl Indkas Gambar 2. Plh Fakta Ikan Guram Pada menu plh fakta user dapat mengnputkan atau memlh fakta berdasarkan gejala dan konds kan selama proses buddaya. Pada menu plh fakta terdapat 6 parameter dan 40 fakta. Yang selanjutnya dlakukan proses Pada menu hasl ndkas merupakan hasl kesmpulan sstem berupa ndkas penyakt yang terdapat pada kan guram berdasarkan pemlhan fakta yang telah d nputkan. Pada menu Hasl Indkas juga bers perhtungan dempster shafer berdasarkan fakta yang telah d nputkan sehngga membentuk rule. Fakultas Ilmu Komputer, Unverstas Brawjaya
6 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer PENGUJIAN 4.1 Pengujan Interval Kecepatan Pengujan nterval kecepatan partkel bertujuan untuk mengetahu nterval kecepatan partkel yang sesua sehngga dapat menghaslkan solus penyelesaan yang optmum. Interval kecepatan devaluas berdasarkan nla cost terbak dalam swarm. PSO merupakan algortma stokasts sehngga akan menghaslkan hasl berbeda setap kal program djalankan (Mahmudy 2015), karenanya untuk memperoleh rata-rata nla keseluruhan, dlakukan percobaan sebanyak 10 kal untuk setap nterval kecepatan partkel. Pada percobaan n evaluas pertama (evaluas 1) adalah nla cost yang dnyatakan bak dalam satu partkel mendekat 0 (nol) dan nla partkel melebh 1 (satu). Jka semakn mendekat 0 (nol) dan tdak melebh 1 maka besar nterval kecepatan akan dnyatakan bak. Presentas pada pengujan n lebh banyak pada nla partkel yang tdak melebh 1. Besar nterval kecepatan adalah 50% sampa dengan 0.05% dar nterval poss partkel. 4.2 Pengujan Bobot Inersa bobot nersa bertujuan untuk mengetahu kombnas bobot nersa maksmal (W_max) dan bobot nersa mnmal (W_mn) yang tepat guna memperoleh nla cost yang optmal. Nla bobot nersa maksmal yang dgunakan adalah 0.9, 0.8, dan 0.4 sedangkan nla bobot nersa mnmal yang dgunakan adalah 0.2, 0.3, 0.4. kombnas bobot nersa maksmal dan mnmal devaluas berdasarkan rata rata nla cost terbak. Untuk memperoleh rata-rata nla secara keseluruhan, dlakukan percobaan sebanyak 10 kal untuk tap kombnas bobot nersa. 4.3 Pengujan Ukuran Swarm Pengujan swarm dlakukan untuk mengetahu jumlah populas yang dbutuhkan untuk memperoleh nla cost terbak. Jumlah partkel dalam swarm yang dgunakan adalah kelpatan 5. Ukuran swarm optmum devaluas berdasarkan nla rata-rata cost terbak. Partcle Swarm Optmzaton merupakan algortma stokasts sehngga akan menghaslkan hasl berbeda setap kal program djalankan (Mahmudy, 2015) karenanya dalam percobaan dlakukan sebanyak 10 kal untuk setap ukuran swarm. 4.4 Pengujan Jumlah Iteras Pengujan jumlah teras dlakukan untuk mengetahu jumlah teras yang tepat untuk memperoleh nla cost terbak yatu mendekat nla 0 (nol). Jumlah teras yang dgunakan adalah kelpatan 10. PSO merupakan algortma skokats sehngga akan menghaslkan hasl yang berbeda setap kal program djalankan (Mahmudy, 2015), karenanya untuk memperoleh rata-rata nla keseluruhan, dlakukan percobaan sebanyak 10 kal setap jumlah teras. 4.5 Pengujan Koefsen Akseleras Pengujan koefsen akseleras dlakukan untuk mengetahu kombnas koefsen akseleras 1 dan koefsen akseleras 2 terbak guna memperoleh nla cost terbak yang mendekat 0 (nol). Karena partcle swarm optmzaton akan menghaslkan hasl yang berbeda setap djalankan maka dbutuhkan percobaan 10 kal untuk setap kombnas koefsen akseleras. 5. KESIMPULAN Berdasarkan hasl pengujan dan pembahasann dar Implementas Algortma Partcle Swarm Optmzaton-Demster Shafer Untuk Dagnosa Indkas Penyakt Pada Buddaya Ikan Guram maka dperoleh kesmpulan : 1. Algortma Partcle Swarm Optmzaton- Demster Shafer dapat dmplementaskan pada dagnosa ndkas penyakt kan guram yang memberkan pengetahuan berdasarkan pengalaman pemlhan kombnas fakta pada buddaya kan guram yang menghaslkan dampak ndkas percobaan. Partcle Swarm Optmzaton-Demster Shafer bekerja untuk mempredks ndkas berdasarkan fakta yang dpllh pada buddaya kan guram. Hal tersebut dlakukan dengan mendefnskan partkel sebaga representas penyelesaan. Panjang partkel adalah banyaknya fakta yang dplh sehngga jka fakta yang dplh berjumlah 2 maka panjang nsalsas partkel pertama merepresentaskan fakta 1 dan seterusnya sejumlah fakta yang dplh. Setap nsalsas partkel, pembangktan nla awal ds berdasarkan nla bobot yang dterma dar pakar. Sehngga jka pada nla bobot bernla 0 maka tdak ada pengaruh terhadap ndkas sehngga nla tdak Fakultas Ilmu Komputer, Unverstas Brawjaya
7 Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer 509 dbangktkan atau nla tetap 0. Selama proses optmas kecepatan partkel dan poss partkel selalu dperbaru. Solus penyelesaan berupa nla denstas optmum yang merupakan poss terbak yang pernah dcapa partkel pada teras tertentu. Poss terbak yang pernah dcapa tersebut yang djadkan sebaga nsalsas awal pada algortma Dempster Shafer untuk proses lebh lanjut sehngga menghaslkan keluaran berupa ndkas penyakt pada kan guram. 2. Berdasarkan uj coba sstem yang haslnya dbandngkan dar pakar maka ddapat hasl rata-rata akuras sstem sebesar 86,5% yang dlakukan sebanyak 10 kal dengan pemlhan kombnas fakta sebanyak 20. DAFTAR PUSTAKA Eka, M Hybrd Partcle Swarm Optmzaton dan K-Means untuk Clusterng Data Penentuan UKT. Maselano, A Dempster Shafer untuk dagnosa penyakt pada serangga. Mula, DS Isolas, karaktersas, dan Mentfkas Bakter Aeromons sp. Penyakt Mofle Aeromonas Septcema(&IAS) Pada Guram. Muzakr, I Penngkatan algortme Backpropagaton dengan seleks ftur Partcle Swarm Optmzaton dalam predks pelanggan telekomunkas yang hlang. Rosdah, Potens Ekstrak daun jambu bj sebaga antbakteral untuk menanggulang penyakt kan guram. Wahyun, EG Prototype sstem pakar untuk mendeteks penderta jantung koroner dengan menggunakan metode ftur Partcle Swarm Optmzaton dalam predks pelanggan telekomunkas yang hlang. Fakultas Ilmu Komputer, Unverstas Brawjaya
BAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih 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 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 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 terperinciAPLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)
APLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) Irfrans Kusmarna, Luh Kesuma Wardhan 2, Muhammad Safrzal 3,3 Jurusan Teknk Informatka, Fakultas Sans dan Teknolog,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus
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 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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2. Tnjauan Pustaka Kegatan pemberan beasswa dlakukan oleh nstans penddkan maupun non penddkan. Secara khusus nstans penddkan memberkan beberapa jens beasswa setap tahunnya. Persyaratan
Lebih terperinciAnalisa dan Penerapan Metode Particle Swarm Optimization Pada Optimasi Penjadwalan Kuliah
Jurnal Teknk Informatka, Vol 1 September 2012 Analsa dan Penerapan Metode Partcle Swarm Optmzaton Pada Optmas Penjadwalan Kulah Rasha Ashla Rachman 1), Dadang Syarf 2), Rka Perdana Sar 3) 1) Program Stud
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 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 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 terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
I ENDHULUN. Latar elakang Mengambl keputusan secara aktf memberkan suatu tngkat pengendalan atas kehdupan spengambl keputusan. lhan-plhan yang dambl sebenarnya membantu dalam penentuan masa depan. Namun
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 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih 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 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Bab n membahas tentang prosedur pengembangan pembelajaran dan mplementas model Problem Based Learnng dalam pembelajaran Konsep Dasar Matematka, Subjek Peneltan, Teknk dan Instrumen
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 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 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 terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciRoy Madi Mahasiswa Teknik Informatika, FT UMRAH
OPTIMASI WAKTU KEBERANGKATAN FERRY TANJUNGPINANG BATAM DENGAN METODE PARTICLE SWARM OPTIMIZATION (Stud Kasus : Pelabuhan Sr Bntan Pura, Kota Tanjungpnang) Roy Mad Mahasswa Teknk Informatka, FT UMRAH (roymad0@gmal.com)
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 terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih 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 terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
Lebih terperinciPrediksi Jumlah Follower Official Account Line Menggunakan Regresi dan Algoritma Genetika
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 217, hlm. 1312-132 http://j-ptk.ub.ac.d Predks Jumlah Follower Offcal Account Lne Menggunakan Regres dan
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 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 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 terperinciMETODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
TESIS METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS Oleh : I Made Wdartha NRP. 5109201009 Dosen Pembmbng : Dr. Agus Zanal Arfn, S.Kom, M.Kom Anny Yunart, S.Kom, M.Comp.Sc
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
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 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 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. 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 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
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 terperinciOptimasi Fungsi Keanggotaan Fuzzy
Optmas Fungs Keanggotaan Fuzzy Tsukamoto Dua Tahap Menggunakan Algortma Genetka Pada Pemlhan Calon Penerma Beasswa dan BBP-PPA (Stud Kasus: PTIIK Unverstas Brawjaya Malang) Bunga Amela Restuputr 1, Wayan
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 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 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih 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 terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
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 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 terperinciPEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Studi Kasus : Metode Secant)
PEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Stud Kasus : Metode Secant) Melda panjatan STMIK Bud Darma, Jln.SM.Raja No.338 Sp.Lmun, Medan Sumatera Utara Jurusan Teknk Informatka e-mal : meldapjt.78@gmal.com
Lebih 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 terperinciPERBANDINGAN METODE SAW DAN TOPSIS PADA KASUS UMKM
PERBANINGAN METOE SAW AN TOPSIS PAA KASUS UMKM Muh. Alyazd Mude al.mude@yahoo.com Teknk Informatka Unverstas Muslm Indonesa Abstrak alam pengamblan keputusan terhadap masalah berdasarkan sebuah analsa
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu
Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan
Lebih terperinciSistem Pakar Berbasis Web Untuk Menentukan Pembagian Harta Waris Menurut Hukum Islam Menggunakan Metode Forward Chaining dan Dempster-Shafer
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 2, Februar 2018, hlm. 510-514 http://j-ptk.ub.ac.d Sstem Pakar Berbass Web Untuk Menentukan Pembagan Harta Wars Menurut
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih 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 terperinciPENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD
Semnar Nasonal Sstem dan Informatka 2007; Bal, 6 November 2007 PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD Nur Hasanah ) Istkhomah 2) Taufq Hdayat 3) Sr Kusumadew 4) Jurusan
Lebih 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 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 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 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 terperinciPeramalan Jumlah Pemakaian Air di PT. Pembangkitan Jawa Bali Unit Pembangkit Gresik Menggunakan Support Vector Regression
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 548-964X Vol., No. 10, Oktober 018, hlm. 3788-3795 http://j-ptk.ub.ac.d Peramalan Jumlah Pemakaan Ar d PT. Pembangktan Jawa Bal Unt Pembangkt
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
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 terperinciBAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas
BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan
Lebih terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
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 terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
Lebih terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Pustaka 2.1.1 Tmetable Tmetable merupakan alokas subjek yang memlk kendala untuk dtempatkan pada ruang waktu (Gan dkk, 2004). Permasalahan Tmetable cukup luas. Masalah
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 terperinciPENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION
PENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION Yudh Purwananto Rully Soelaman dan Bambang Santoso. Fakultas Teknolog Informas Insttut Teknolog Sepuluh Nopember
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 terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
65 BAB IMPLEMENTASI DAN EVALUASI. Penyaan Data Hasl Peneltan Data-ata hasl peneltan yang gunakan alam pengolahan ata aalah sebaga berkut: a. ata waktu kera karyawan b. ata umlah permntaan konsumen c. ata
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 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 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 terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
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 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 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 terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
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 terperinciBAB III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
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 terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan
Lebih 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 III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinciDISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA
DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN BIBIT UBI KAYU MENGGUNAKAN METODE TOPSIS (Studi Kasus : PT. Hutahaean)
Majalah Ilmah Informas dan Teknolog Ilmah (INTI ISSN : 3390X SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN BIBIT UBI KAYU MENGGUNAKAN METODE TOPSIS (Stud Kasus : PT. Hutahaean Relska Elfrda Capah (086 Mahasswa
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinci