BAB 2 LANDASAN TEORI
|
|
- Devi Sumadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 LANDASAN TEORI 2.4 Teor Graf Sebelum sampa pada pendefensan masalah lntasan terpendek, terlebh dahulu pada bagan n akan durakan mengena konsep-konsep dasar dar model graf dan representasnya dalam memodelkan masalah lntasan terpendek. Defns 2.. Sebuah graf G adalah pasangan (V,E) dmana V adalah hmpunan tak kosong yang anggotanya dsebut verteks dan E adalah hmpunan yang anggotanya adalah pasangan tak berurut dar verteks V yang dsebut edge. Secara umum graf dapat dgambarkan dengan suatu dagram dmana verteks dtunjukkan sebaga ttk yang dnotaskan dengan v, =, 2,,P dan edge dgambarkan dengan sebuah gars lurus atau gars lengkung yang menghubungkan dua verteks (v, v j ) dan dnotaskan dengan e k. Sebaga lustras dapat dlhat gambar 2.. yatu suatu graf yang mempunya empat verteks dan delapan edge. 8 a b d Gambar 2. Graf dengan empat verteks dan delapan edge c 8 Unverstas Sumatera Utara
2 2.2.Permasalahan Optmsas Secara umum, penyelesaan masalah pencaran jalur terpendek dapat dlakukan dengan menggunakan dua metode, yatu metode konvensonal dan metode heurstk. Metode konvensonal dterapkan dengan perhtungan matematk basa, sedangkan metode heurstk dterapkan dengan perhtungan kecerdasan buatan. Metode Konvensonal Metode konvensonal adalah metode yang menggunakan perhtungan matematk basa. Ada beberapa metode konvensonal yang basa dgunakan untuk melakukan pencaran jalur terpendek, dantaranya: algortma Djkstra, algortma Floyd-Warshall, dan algortma Bellman Ford. Metode Heurstk Metode Heurstk adalah sub bdang dar kecerdasan buatan yang dgunakan untuk melakukan pencaran dan optmsas. Ada beberapa algortma pada metode heurstk yang basa dgunakan dalam permasalahan optmsas, dantaranya algortma genetka, algortma semut, logka fuzzy, jarngan syaraf truan, pencaran tabu, Self-Organzng Map, dan lan-lan. [ Sang, Jong Jek, 25] Lntasan Terpendek (Shortest Path) Setap path dalam dgraf mempunya nla yang dhubungkan dengan nla path tersebut, yang nlanya adalah jumlah dar nla edge path tersebut. Dar ukuran dasar n dapat drumuskan masalah sepert mencar lntasan terpendek antara dua vertek dan memnmumkan baya. 9 Unverstas Sumatera Utara
3 Banyak bdang penerapan mensyaratkan untuk menentukan lntasan terpendek berarah dar asal ke tujuan d dalam suatu dstrbus alran berarah. Algortma yang dberkan dapat dmodfkas dengan mudah untuk menghadap lntasan berarah pada setap terasnya. Suatu vers yang lebh umum dar masalah lntasan terpendek adalah menentukan lntasan terpendek dar sembarang verteks menuju ke setap verteks lannya. Plhan lan adalah membuang kendala tak negatf bag jarak. Suatu kendala lan dapat juga dberlakukan dalam suatu masalah lntasan terpendek. Andakan dberkan sebuah graf G dalam tap edge (x,y) dhubungkan dengan verteks a (x,y) mewakl panjang dar edge. Dalam beberapa hal, panjang sebenarnya mewakl baya atau beberapa nla lannya. Panjang dar lntasan adalah menentukan panjang jumlah dar masng-masng edge yang terdr dar lntasan. Untuk 2 verteks s dan t dalam G, ada beberapa lntasan dar s ke t. Masalah lntasan terpendek melput bagamana pencaran lntasan dar s ke t yang mempunya lntasan terpendek dan baya termurah. Pada persoalan n akan terdorong bagamana menyelesakan suatu persoalan dalam menentukan lntasan terpendek dan baya termurah pada suatu jarngan dengan mengmplementaskannya ke dalam graf dengan menggunakan penyelesaan beberapa algortma yang dapat dmplementaskan. Defns 2.2. Lntasan terpendek antara dua verteks dar s ke t dalam jarngan adalah lntasan graf berarah sederhana dar s ke t dengan sfat dmana tdak ada lntasan lan yang memlk nla terendah. [L. R, Foulds, 984] 2 Unverstas Sumatera Utara
4 Contoh X 2 2 X 2 3 X X 5 5 X 8 X 4 3 X X 6 Gambar 2.2. Shortest path ( 4, 4-5) Pada gambar 2.2. dapat dlhat bahwa setap edge terletak pada path-path dar ttk ke ttk 5. Edge merepresentaskan saluran dengan kapastas tertentu (contohnya, ar) dapat dalrkan melalu saluran. Sedangkan verteks merepresentaskan persmpangan saluran. Ar mengalr melalu verteks pada verteks yang dlalu Lntasan terpendek dar verteks pada graf d atas adalah P = { 4, 4 5} dengan kapastas 4.[ L.R, Foulds, 984]. 2.4 Travelng Saleman Problem Persoalan TSP merupakan salah satu persoalan kombnatoral. Banyak permasalahan yang dapat drepresentaskan dalam bentuk TSP. Persoalan n sendr menggunakan representas graf untuk memodelkan persoalan yang dwakl sehngga lebh memudahkan penyelesaannya. Dantara permasalahan yang dapat drepresentaskan dengan TSP alah masalah transportas, efsens pengrman surat atau barang, perancangan pemasangan ppa saluran, proses pembuatan PCB (Prnted Crtcut Board) dan lan-lan. Persoalan yang muncul alah bagamana cara mengunjung smpul (node) pada graf dar ttk awal ke setap ttk-ttk lannya dengan bobot mnmum. Bobot n sendr dapat mewakl 2 Unverstas Sumatera Utara
5 berbaga hal, sepert baya, jarak, bahan bakar, waktu, dan lannya yang semuanya juga bermplkas pada besarnya baya. Persoalan TSP atau pedagang kellng alah sebuah persoalan optmsas untuk mencar rute terpendek bag seorang pedagang kellng (salesman) yang ngn menjajakan produknya d beberapa kota dengan batasan bahwa da perg dar sebuah kota ke setap kota-kota lannya yang menjad target penjualan produknya dan harus kembal ke kota asal keberangkatan. Persoalan optmsas yang ngn dcapa alah rute yang dlalu, waktu dan baya yang dgunakan palng mnmum. Beberapa metode algortma telah dkembangkan untuk menyelesakan persoalan TSP n. Bla dpandang dar sudut komputasnya, algortma n dapat dselesakan dengan cepat walaupun dengan menggunakan algortma brute force sekalpun, jka kota-kota yang akan dkunjungnya sedkt. Namun, jka kota-kota yang akan dkunjung banyak, maka algortma sepert brute force tdaklah menjad plhan lag. Sebab, algortma brute force sendr memlk komplekstas O(n!) jka kota-kota yang akan dkunjung dasumskan sebaga graf lengkap yang salng terhubung antara satu kota dengan kota yang lannya. Msalkan dberkan contoh kasus yang dselesakan dengan brute force sepert d bawah n: Gambar 2.3 graf yang mempunya bobot Jumlah ttk (tempat) yang terdapat dalam contoh kasus d atas alah empat buah, dan jumlah kemungknan jalur yang akan dlalu ada tga buah, yatu: 22 Unverstas Sumatera Utara
6 Gambar 2.4 Alternatf Penyelesaan Lntasan pertama = (a b c d a) atau (a d c b a) memlk panjang lntasan = = 45 Lntasan kedua = (a b d c a) atau (a c d b a) memlk panjang lntasan = = 4 Lntasan ketga = (a c b d a) atau (a d b c a) memlk panjang lntasan = = 32 Dar hasl ketga enumeras d atas ddapatkan panjang jalur lntasan palng mnmum yatu 32. Namun, jumlah enumeras dar algortma n alah (n - )! yang akan memerlukan waktu yang sangat lama untuk mendapatkan panjang lntasan palng mnmum jka nla n bernla sangat besar. Beberapa metode telah dkembangkan untuk memecahkan masalah n namun belum dtemukan algortma penyelesaan yang optmal Sejarah Permasalahan TSP Permasalahan matematk yang berkatan dengan TSP mula muncul sektar tahun 8-an. Masalah n dkemukakan oleh dua orang matematkawan, yatu Sr Wllam Rowan Hamlton yang berasal dar Irlanda dan Thomas Penyngton Krkman yang berasal dar Inggrs. Dskus mengena awal stud dar persoalan TSP n dapat dtemukan d buku Graph Theory by N.L. Bggs, E.K. LLoyd, and R.J. Wlson, Clarendon Press, Oxford, 976. Bentuk umum dar persoalan TSP pertama kaldpelajar oleh para matematkawan mula tahun 93- an oleh Karl Menger d Venna dan Harvard. Persoalan tersebut kemudan dkembangkan oleh Hassler Whtney dan Merrl Flood d Prnceton. Peneltan secara mendetal hubungan antara Menger dan Whtney, dan perkembangan 23 Unverstas Sumatera Utara
7 persoalan TSP sebaga sebuah topk stud dapat dtemukan pada tulsan Alexander Schrver On the hstory of combnatoral optmzaton (tll 96) Perkembangan Penyelesaan Persoalan TSP Bagamana kta mengukur kemajuan dalam penyelesaan persoalan TSP? Sebuah penlaan sederhana past mengatakan bahwa metode A lebh bak darpada metode B jka A membutuhkan waktu yang lebh sngkat atau sumber daya yang lebh sedkt untuk menyelesakan setap contoh persoalan. In merupakan sebuah aturan yang jelas. Namun, masalah penlaan untuk metode n akan sult untuk dlakukan karena metode-metode yang sangat berkatan erat satu sama lan tdak dapat dnla hanya melalu perbandngan yang sederhana. Sepertnya perlu dlakukan pertmbangan ulang untuk menentukan krtera perbandngan antar metode tersebut. Oleh karena tu, penlaan yang lebh bak harus mengesampngkan hasl contoh-contoh kasus kecl sepert d atas karena contohcontoh kasus tersebut dapat dselesakan oleh seluruh teknk penyelesaan yang bak. Sejauh n, jka dberkan sejumlah n kota, penlaan seharusnya dfokuskan pada n-kota yang benar-benar sult untuk dselesakan dengan menggunakan metode-metode yang dajukan yang nantnya akan duj mana yang lebh bak. Dengan pendekatan n, kta kemudan dapat menentukan apakah metode A lebh bak darpada metode B jka dberkan persoalan n-kota dengan n sebuah blangan yang besar. Agar de perbandngan metode-metode d atas dapat daplkaskan, kta dapat menganalss metode-metode penyelesaan yang dberkan untuk dapat memberkan jamnan bahwa setap n akan memakan waktu sejumlah f ( n) untuk berapapun n-kota TSP, dmana f ( n) alah sebuah fungs yang menghaslkan waktu yang dbutuhkan untuk menyelesakan persoalan TSP n-kota. Sekarang untuk membandngkan dua buah metode penyelesaan, kta membandngkan fungs mana yang menghaslkan hasl yang terbak yang dberkan d antara dua buah solus penyelesaan tersebut. Hal n tentu saja menghaslkan hasl perhtungan yang salah karena sebuah metode penyelesaan yang benar-benar bak namun danalss dengan buruk akan terlhat buruk jka 24 Unverstas Sumatera Utara
8 dbandngkan dengan metode penyelesaan lan yang danalss dengan bak. Pada beberapa persoalan komputas, bagamanapun juga, stud mengena algortma dan fungs telah memberkan hasl yang bak dan pentng bag pengembangan untuk penyelesaan persoalan prakts. Hal n telah menjad subjek stud utama d dalam Bdang Ilmu Komputer. Jad, dapat kta smpulkan bahwa metode metode penyelesaan persoalan TSP adalah untuk mengembangkan metode penyelesaan yang memlk fungs, contohnya ( n) = ( n )! = ( n ) ( n 2) ( n 3 ) f dan jumlah jalur perjalanan antar kota yang mungkn terjad alah ( n )!/ 2. Dtemukan hasl yang lebh bak setelah dkembangkan lag pada tahun 962 oleh Mchael Held dan Rchard Karp, dtemukannya algortma yang menghaslkan f ( n) yang memlk propors n 2 2 n, yatu n n , dmana ada sebanyak n perkalan 2. Untuk setap n yang bernla besar, fungs f ( n) Held-Karp akan selalu lebh kecl jka dbandngkan dengan ( n )!. Bag setap orang yang tertark untuk menyelesakan persoalan TSP, adalah sebuah kabar buruk bahwa selama 45 tahun n sejak Held dan Karp menemukan fungs ( ) 2 f n = n 2 ternyata tdak dtemukan fungs f ( n) yang lebh bak. Hal n tentu saja mengecewakan karena dengan n = 3 fungs f ( n) Held-Karp menghaslkan nla yang sangat besar. Dan untuk n =, adalah suatu hal yang mustahl untuk menyelesakan persoalan n dengan kemampuan yang dmlk komputer yang ada saat n. Perkembangan fungs f ( n) dalam TSP yang sangat lambat n mungkn memang tdak dapat kta hndar dengan kemampuan komputer yang ada saat n, bsa jad memang tdak ada metode penyelesaan persoalan yang menghaslkan f ( n) memlk tngkat performas yang bak, msalnya nc dmana c alah sebuah konstanta, oleh karena tu, n n n... n dmana n muncul sebanyak c kal. Dskus mengena tekns permasalahan n dapat dlhat pada tulsan Stephen Cook s dan Insttut Matematka Clay menawarkan hadah sebesar satu juta US dolar bag sapa pun yang dapat menemukan metode yang lebh bak. Persoalan komplekstas TSP alah sebuah pertanyaan yang mendalam d bdang matematk. Tetap stuasnya alah sekarang kta mendapatkan sedkt nformas yang berguna dengan melhat 25 Unverstas Sumatera Utara
9 pada kasus dengan tngkat performans terburuk dar metode penyelesaan masalah TSP. Dengan sedkt nformas yang terseda, para penelt TSP telah berusaha untuk mengukur perkembangan dengan cara melhat bagamana mplementas pada komputer dar metode-metode penyelesaan tersebut untuk menyelesakan persoalan pada contoh kasus yang dberkan. Maksudnya alah bahwa dengan memperbesar ukuran dan varas contoh kasus yang dapat dselesakan, kta akan memperoleh kemajuan dan solus prakts dar TSP. Walaupun pergantan proses perbandngan untuk mendapatkan suatu perbandngan yang bak sepert yang kam tawarkan d awal lemah, namun tes komputas prakts n telah membawa para penelt TSP kepada metode penyelesaan TSP berkembang lebh bak. Dan yang lebh pentng lag, usaha-usaha tersebut telah mengarahkan peneltan ke dalam pengembangan alat optmsas yang bersfat umum. Contoh kasus yang palng umum dgunakan dalam stud komputas sekarang alah hmpunan data tes TSPLIB Gerd Renelt. TSPLIB yang memlk lebh dar contoh kasus mula dar ndustr, geograf, dan akadem. Untuk melengkap koleks n, contoh kasus lebh jauh terseda d koleks Natonal TSP dan VLSI TSP. Sebuah tanda yang mudah dkenal untuk mengukur perkembangan pada data tes alah perkembangan jumlah data TSP terbesar yang dapat dselesakan yang terus menngkat selama beberapa tahun, sepert yang dtunjukkan pada gambar 2.5 d bawah n. Gambar 2.5 Grafk pemecahan permasalahan TSP dengan n-kota terhadap tahun dselesakan 26 Unverstas Sumatera Utara
10 Catatan perkembangan d atas dmula oleh tulsan klask Danzg, Fulkerson, dan Johnson pada tahun 954 dmana mereka menyelesakan permasalahan TSP 49-kota yang terdr dar seluruh negara bagan d Negara Amerka (Alaska dan Hawa belum masuk d dalamnya) termasuk juga Washngton, D. C. Daftar perkembangan persoalan yang muncul telah dsebutkan pada pembahasan d atas. Perkembangan contoh persoalan TSP, dukur dengan skala logartma terhadap jumlah kota yang dmodelkan dapat dlhat pada gambar 2.6 d bawah n. Gambar 2.6 Grafk pemecahan permasalahan TSP dengan n-kota terhadap Tahun delesakan dengan skala logartma Dar gambar 2.5 dan 2.6 d atas kta dapat menark kesmpulan bahwa perkembangan penyelesaan persoalan TSP telah dcapa selama lebh dar 3 tahun ke belakang. Jka hal n terus berlanjut, kta dapat memperkrakan bahwa untuk 3 tahun ke depan kta dapat menyelesakan persoalan TSP dengan jumlah kota yang berjumlah jutaan. 2.5 Model Pemrograman Lner Model Pemrograman Lnear (MPL) memlk sebuah fungs objektf dar satu atau lebh kendala. Pada fungs objektf terdapat parameter yang dsebut koefsen fungs objektf (objectve functon coeffcents). Koefsen fungs objektf 27 Unverstas Sumatera Utara
11 menggambarkan kontrbus satu satuan varabel keputusan terhadap nla fungs objektf. Koefsen fungs objektf yang selama n dkenal dalam pembahasan MPL bersfat tegas (crsp), meskpun demkan tetap memlk satu atau lebh kendala. Sejak dkembangkan oleh George Dantzg pada tahun 947, Model Pemrograman Lnear (MPL) telah banyak dgunakan dalam pemecahan masalah optmsas d berbaga sektor ndustr dan jasa. Bahkan telah dlakukan survey kepada perusahaan-perusahaan yang pernah dlakukan oleh Fortune 5 menunjukkan 85% dar respondennya menggunakan MPL (Wnston, 23). MPL tersusun atas dua komponen utama yatu fungs objektf dan kendala. Fungs objektf berkatan dengan tujuan yang hendak dcapa. Fungs n akan dmaksmumkan msalnya bla menyatakan keuntungan, atau dmnmumkan bla berkatan dengan besarnya ongkos produks yang harusdkeluarkan. Fungs objektf adalah fungs dar beberapa varabel yang dsebut varabel keputusan. Pada realtanya keseluruhan varabel keputusan n harus memenuh satu set pertdaksamaan yang dsebut kendala. Setap MPL memlk 3 buah parameter, yatu koefsen fungs objektf (objectve functon coeffcent atau KFO) yang terdapat pada fungs objektf, serta koefsen teknolog (technologcal coeffcent) dan koefsen ruas kanan (rght-hand sde coeffcent) yang keduanya terdapat pada kendala. KFO yang selama n dkenal dalam pembahasan MPL bersfat tegas (crsp), demkan pula halnya dengan kendala. Secara rngkas MPL beserta kedua komponen utama (fungs objektf dan kendala) dan ketga parameternya (KFO, koefsen teknolog serta ruas kanan) dapat dmodelkan sebaga berkut: maksmas n cx = j= c j x j () terhadap kendala Ax b (2) x (3) (Catatan: maksmas dapat dubah jad mnmas dan pada model (2) dapat dubah menjad atau = ) 28 Unverstas Sumatera Utara
12 Pada model ()-(3) d atas: x = x L x j x n dsebut vektor keputusan, sedangkan x j dsebut vektor ( L ) T varabel keputusan ke-j, vektor bars c ( c L ) = Lc j c n dsebut vektor koefsen fungs objektf, sedangkan c j adalah koefsen fungs objektf (KFO) dar varabel keputusan ke-j A = [ a j ] mxn adalah matrks koefsen teknolog, sedangkan a j adalah koefsen teknolog dar varabel keputusan ke-j pada kendala ke-, = L b b n dsebut vektor ruas kanan, sedangkan b adalah vektor b ( b L ) T koefsen ruas kanan pada kendala ke- j =,2,.,n (n = jumlah kendala), dan =,2,...,m (m = jumlah varabel keputusan) Salah satu asums yang harus dpenuh oleh suatu MPL adalah Asums Ketertentuan (Certanty Assumpton). (Wnston, 24). Asums n menuntut tertentunya nla semua parameter pada MPL. Perumusan MPL dalam hal; asums ketertentuan tdak dpenuh, lebh spesfk lag, dalam hal parameter KFO tdak memenuh Asums Ketertentuan, serta kendala bersfat kabur Untuk memperjelas perumusan MPL, berkut n akan dbahas konsep blangan kabur serta konsep kendala kabur. 2.6 Fuzzy Set Fuzzy set adalah set unsur-unsur yang memlk derajat keanggotaan. Fuzzy set dperkenalkan oleh Lotf A. Zadeh (965) sebaga perluasan dar pengertan klask. Dalam bahasa teor hmpunan, keanggotaan dar unsur-unsur dalam suatu hmpunan bner dnla dalam stlah sesua dengan konds bvalen - suatu elemen bak mlk atau tdak termasuk dalam set. Sebalknya, teor hmpunan fuzzy memungknkan penlaan bertahap keanggotaan dar unsur-unsur dalam suatu 29 Unverstas Sumatera Utara
13 hmpunan; n dgambarkan dengan bantuan sebuah fungs keanggotaan dnla dalam satuan rl nterval [, ]. Fuzzy set set menggeneralsaskan klask, karena fungs ndkator set klask adalah contoh khusus dar fungs keanggotaan fuzzy set, jka yang terakhr hanya mengambl nla-nla atau. Klask bvalen set berada dalam teor hmpunan fuzzy basa dsebut renyah set. Para teor hmpunan fuzzy dapat dgunakan dalam berbaga doman d mana nformas tdak lengkap atau tdak tepat, sepert bonformatka. Fuzzy set adalah sepasang (A, m) d mana A adalah suatu hmpunan dan [ ] m : A,. Untuk setap x A, m ( x ) adalah derajat keanggotaan dar x. Jka Λ A = (x,..., x n) yang fuzzy set (A, m) dapat dnyatakan ( m ( x )/ x,..., m( x / ) n x n Pemetaan elemen dengan nla berart bahwa anggota tdak termasuk dalam hmpunan fuzzy, menggambarkan sepenuhnya termasuk anggota. Nla ketat antara dan cr anggota kabur. { x > o} Hmpunan A m( x) { A m( x) = } dsebut dukungan dar fuzzy set (A, m) dan hmpunan x dsebut kernel dar fuzzy set (A, m).. Defns yang lebh umum dgunakan, d mana fungs keanggotaan mengambl nla-nla yang tdak tentu dalam aljabar atau struktur L adalah fungs keanggotaan yang basa dengan nla-nla dalam [, ]. Kemudan dsebut nla fungs keanggotaan [, ]. Generalsas n danggap pertama kal pada 967 oleh Joseph Goguen, yang merupakan murd Zadeh Fuzzy Multobjectve Pada permasalahan TSP tersebut, dalam pengamblan keputusan yang terbak adalah dengan menggunakan logka fuzzy, yang mana Logka fuzzy, dperkenalkan oleh Zadeh (965), merupakan superset dar konvensonal (Boolean) logka, yang telah dperpanjang untuk menangan konsep kebenaran sebagan nla-nla kebenaran antara sepenuhnya benar dan sepenuhnya 3 Unverstas Sumatera Utara
14 palsu. Sebaga penelt menyarankan, modus dar logka yang melandas alasan yang tepat dar perkraan. Istlah lngustk dapat mewakl pengalaman yang lebh bak dan subyektf dar sudut pandang keputusan dalam cara lebh ntutf dan format. Sebuah fungs keanggotaan fuzzy yang dtetapkan, dsebut fuzzy fungs keanggotaan, yang dpetakan pada nterval [,], dengan nla yang berart bahwa anggota tdak termasuk dalam hmpunan fuzzy dan menggambarkan sepenuhnya termasuk anggota hmpunan fuzzy. Notas untuk fungs keanggotaan fuzzy yang mengatur adalah : X [,] R. Raja dan LA Zadeh pertama mengusulkan tentang konsep pengamblan keputusan dalam lngkungan fuzzy yang melbatkan beberapa tujuan dan Zmmerman HJ (978) menerapkan pendekatan mereka ke vektor masalah. Setelah d tranformaskan pada fuzzy multobjectve dalam masalah klask yang tujuannya adalah program lner. Berkut model fuzzy multobjectve pada program lner : Max Z = cx terhadap kendala Ax b Mengadops model fuzzy Zmmerman Max cx > ~ Z terhadap kendala Ax < ~ b Dmana Z o = ( z z2,..., z ) adalah tujuan dan tngkatan lebh besar atau lebh, n kecl dalam fuzzy yang merupakan kesenjangan fuzzfcatons dan dar masng-masng. Dalam pengukuran tngkat pencapaan tujuan dan kendala, Zmmerman menyarankan pada fungs sederhana dar fungs keanggotaan. Dar penjelasan datas, maka program fuzzy multobjectve dapat dtulskan sebaga berkut : Max Z = cx 3 Unverstas Sumatera Utara
15 terhadap kendala ( z k Ck X )/ tk α k =,..,n ( a X b )/ d α =,,m Fuzzy Multobjectve pada Pendekatan Travelng Salesman Problem Yang palng serng danggap tujuan dar TSP adalah untuk menentukan secara optmal agar perjalanan semua kota dlalu sehngga total baya adalah mnmal. Mempertmbangkan stuas saat pengamblan keputusan harus menentukan solus optmal dar TSP dengan memnmalkan baya, waktu dan jarak keseluruhan. Fungs tujuan ndvdu dapat dbentuk untuk semua tujuan dar pengambl keputusan. Andakan x j merupakan hubungan dar kota ke kota j yang drepresentaskan dengan: x j, =, jka kota j merupakan kunjungan dar kota jka tdak ada hubungan antar kota Jad c j merupakan baya perjalanan dar kota ke kota j, keseluruhan baya tertentu rute adalah jumlah baya pada lnk yang terdr dar rute. Sejak keputusan dbuat telah dlakukan untuk memnmalkan keseluruhan baya perjalanan, sehngga a dapat menetapkan tujuan untuk total perkraan baya keseluruhan untuk rute tsp denoted oleh z. Tetap dapat menjad perkraan baya dan tdak memenuh sehngga keputusan dapat mengatur tolerans untuk perkraan baya. Marlah kta menunjukkan tolerans terhadap tujuan n sebaga t, fungs tujuan untuk mnmsas baya yang dberkan sebaga : z n n mn cj xj ~ j : z Sekarang jka d j adalah jarak dar kota ke kota j. Maka z 2 menjad aspras untuk tngkat tujuan untuk mnmsas fungs dar jarak, dan t 2 menjad tolerans, maka fungs tujuan mengambl dar : 32 Unverstas Sumatera Utara
16 z n n 2 mn cj xj ~ j : z 2 Jka t j merupakan lama d perjalanan dar kota ke kota j, z 3 menjad aspras tngkat untuk fungs tujuan untuk mnmsas dar total waktu, dan t 3 sesua tolerans. Fungs tujuan dapat dtuls sebaga berkut : z n n 3 mn cj xj ~ j : z 3 Satu aspek yang pentng ketergantungan pada setap fungs tujuan lan. Sebagan besar dar waktu mereka bergantung, tetap tepat menentukan bentuk dependens juga sebuah proses kompleks. Dalam kasus TSP memlk batasan bahwa untuk setap kota harus dkunjung tepat satu kal dar setap tetangga dan begtu juga sebalknya. Contohnya yatu : n x j = untuk semua j n x j = untuk semua Sebuah rute tdak dapat dplh lebh dar sekal, yatu : x x untuk semua dan j, j + j Dan non-kendala ss negatf, yatu : x j Sekarang n kendala secara kolektf akan dapat dnyatakan dalam bentuk vector dan keanggotaan fungs fuzzy dapat ddefenskan untuk semua fungs tujuan. Terakhr model lner yang dapat dlakukan dengan menggunakan fuzzy multobjectve dalam model lnear TSP. Model dapat dselesakan dengan dcampur program lner nteger. 33 Unverstas Sumatera Utara
17 2.7 Blangan Kabur dan Pemrograman Lnear dengan Koefsen Fungs Objektf Kabur Blangan kabur atau yang serng dsebut Fuzzy number adalah sebuah kuanttas yang nlanya tdak tepat yang menggambarkan ketdakpastan. Setap blangan kabur dapat danggap sebaga fungs yang doman tertentu. Setap nla numerk dalam doman dberkan sebuah spesfk nla kenaggotaan dmana mewakl nla kecl yang mungkn dan merupakan nla terbesar yang mungkn. Ketka kta berbcara tentang jumlah roda pada semua jendela pada suatu mobl sedan, kta dhadapkan pada jumlah yang sudah tertentu, yatu tepat 4 (empat) buah. Sangat berbeda halnya ketka kta berbcara tentang: - jam kedatangan langganan koran, mungkn akan berkata sektar pukul volume ar kemasan dalam botol, mungkn akan berkata kra-kra 5 mllter. Banyak hal dalam duna nyata yang tdak memungknkan kta untuk menggunakan frase tepat sekan, melankan harus puas dengan menggunakan frase yang menggambarkan ketdaktepatan, sepert: sektar sekan, kra-kra sekan, hampr sekan, kurang lebh sekan dan sejensnya. Dalam hal konsep blangan kabur atau fuzzy number dapat mengkomodasnya. Hmpunan blangan yang nlanya sektar 3, atau kra-kra 3, atau hampr 3, atau kurang lebh 3 adalah contoh hmpunan kabur, yang serng pula dsebut blangan kabur 3. Terdapat dua jens blangan kabur yang serng dpaka dalam praktek, yatu blangan kabur segtga (trangular fuzzy number) dan blangan kabur trapesum (trapezodal fuzzy number) (Wang, 997). Msanya : Blangan kabur segtga c, dlambangkan dengan c, adalah hmpunan kabur dengan batas bawah a dan batas atas d serta fungs keanggotaan segtga, dapat ddefnskan sebaga berkut: 34 Unverstas Sumatera Utara
18 ( x; a, c, d ) ( x a) /( b a) ( d x) /( d c), jka a x < c µ b =, jka c x < d (4), jka x > d atau x < a Blangan kabur segtga c pada model (4) serngkal pula dlambangkan dengan + ( c, c ) c =, c atau c ( a, c, d ) = dalam hal n c = a, c = c dan + c = Secara umum, Pemrograman Lnear dengan KFO berupa blangan kabur berbentuk: d. maksmas (mnmas) cx = n j= c~ j x j terhadap kendala (2)-(3), dalam hal n blangan kabur c ~ j dcrkan oleh fungs keanggotaan sepert pada model (4) yang menggambarkan derajat keanggotaan suatu blangan terhadap hmpunan blangan yang nlanya sektar c j atau kurang lebh c j atau ungkapan kabur lannya. Berkut n durakan tentang langkah-langkah pembentukan MPLKFOK untuk kasus dengan fungs objektf berbentuk mnmalsas: Langkah-: Tentukan MPL yang akan dubah kedalam MPLKFOK (yatu, masalah ()-(3)) Langkah-2: Tentukan jens blangan kabur bag setap KFO (yatu, blangan kabur segtga (4)) Langkah-3: Tentukan: * a. c c = ( c L ) = L c j c n, yatu vektor koefsen fungs objektf yang komponen ke-j-nya adalah koefsen fungs objektf varabel b. c = ( c Lc j Lc ) n, yatu vektor yang komponen ke-j-nya adalah batas bawah dar blangan kabur c j c. c ( c Lc j Lc ) + = n, yatu vektor yang komponen ke-j-nya adalah batas atas dar blangan kabur c j x j 35 Unverstas Sumatera Utara
19 Langkah-4: Rumuskan pemrograman lnear bertujuan majemuk berfungs objektf Memnmumkan nla blangan kabur segtga, sebaga berkut: mn c x. mn c * x, mn c + x dengan kendala (2)-(3) Kendala Kabur dan Pemrograman Lnear dengan Kendala Kabur Secara umum, Pemrograman Lnear dengan Kendala yang Kabur (MPLKK) berbentuk: max (mn) cx (5) ~ terhadap kendala Ax b, x Dalam hal n ~ dcrkan oleh fungs keanggotaan yang menggambarkan derajat tolerans sepert d atas. Berkut n adalah pembentukan fungs keanggotaan yang merupakan potongan-potongan gars yang kontnu bagan dem bagan. Msalkan dalam bentuk yang tegas kendala ke- berbentuk ( ) b bentuk kaburnya adalah ( ) b Ax, maka Ax ~. Msalkan pula t adalah tolerans dar kendala ke-, maka kendala kabur n dapat dcrkan dengan fungs keanggotaan sebaga berkut:, ( Ax) < b {( Ax) ( b t )}, b ( Ax) ( b + t ) µ { ( Ax) } = µ ( Ax) b { Ax } ( ) = (6) t, Lannya Berkut n durakan tentang langkah-langkah perumusan dan penyelesaan MPLKK untuk kasus MPL dengan fungs objektf dar model (5) berbentuk mnmalsas: Langkah : Tentukan batas tolerans bag pelanggaran kendala ke- dar, msalkan 36 Unverstas Sumatera Utara
20 sebesar t >, jad sekalpun untuk kendala n sebenarnya dtetapkan ( ) b hngga ( Ax ) ( b + t ) pada Langkah-4. Ax, namun mash dber tolerans, dengan derajat tolerans akan ddefnskan Langkah 2: Selesakan pemrograman lnear berkut: maksmas cx terhadap kendala ( ) b dan msalkan Ax ( =,2,...,m) x adalah solusnya, serta defnskan z = cx Langkah 3: Selesakan pemrograman lnear berkut: maksmas cx terhadap kendala ( Ax ) ( b + t ) ( =,2,...,m) msalkan jelaslah x adalah solusnya, defnskan z z!) z = cx. (Catatan: Langkah 4: Berdasarkan nla z dan z yang dperoleh pada Langkah-2 dan 3, defnskan Fungs keanggotaan berkut yang menggambarkan derajat optmaltas dar setap nla fungs objektf cx:, cx z cx z µ ( x) =, z cx z (7) z z, cx z Defnskan pula fungs keanggotaan berkut yang menggambarkan derajat tolerans bag pelanggaran kendala ke-: ( Ax) < b b ( Ax), ( b + t ) ( Ax) µ ( x) =, ( b + t ) (8) t, ( Ax) ( b + t ) 37 Unverstas Sumatera Utara
21 Langkah 5: Defnskan masalah PL berkut n: mn µ ( x) mn µ ( x) mn µ ( x)... ( x) kendala: x 2 mn terhadap µ m 38 Unverstas Sumatera Utara
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih 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 terperinciPEMODELAN PEMROGRAMAN LINIER DENGAN KOEFISIEN FUNGSI OBJEKTIF BERBENTUK BILANGAN KABUR SEGITIGA DAN KENDALA KABUR BESERTA USULAN SOLUSINYA
JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 6: 4-7 PEMODELAN PEMROGRAMAN LINIER DENGAN KOEFISIEN FUNGSI OBJEKTIF BERBENTUK BILANGAN KABUR SEGITIGA DAN KENDALA KABUR BESERTA USULAN SOLUSINYA San Susanto, Dedy
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB 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 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 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 terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih 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 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
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 terperinciMENCERMATI BERBAGAI JENIS PERMASALAHAN DALAM PROGRAM LINIER KABUR. Mohammad Asikin Jurusan Matematika FMIPA UNNES. Abstrak
JURAL MATEMATIKA DA KOMUTER Vol. 6. o., 86-96, Agustus 3, ISS : 4-858 MECERMATI BERBAGAI JEIS ERMASALAHA DALAM ROGRAM LIIER KABUR Mohammad Askn Jurusan Matematka FMIA UES Abstrak Konsep baru tentang hmpunan
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 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 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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBab 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 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 terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih 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 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 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 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 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 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 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 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 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 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 X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih 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 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 terperinciIII PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan
Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF
Lebih terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Matematka dbag menjad beberapa kelompok bdang lmu, antara lan analss, aljabar, dan statstka. Ruang barsan merupakan salah satu bagan yang ada d bdang
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciSISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS
SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS A8 M. Andy Rudhto 1 1 Program Stud Penddkan Matematka FKIP Unverstas Sanata Dharma Kampus III USD Pangan Maguwoharjo Yogyakarta 1 e-mal: arudhto@yahoo.co.d
Lebih terperinciSEARAH (DC) Rangkaian Arus Searah (DC) 7
ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciBAB 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 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 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 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
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 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 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 terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciBab V Aliran Daya Optimal
Bab V Alran Daya Optmal Permasalahan alran daya optmal (Optmal Power Flow/OPF) telah menjad bahan pembcaraan sejak dperkenalkan pertama kal oleh Carpenter pada tahun 196. Karena mater pembahasan tentang
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciBAB 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 terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciBAB 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 III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
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 terperinciPENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER
Penerapan Program Lner Kabur dalam Analss.. Elfranto PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER Elfranto Dosen Unverstas Muhammadyah Sumatera Utara Abstrak: Salah satu kaan
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih 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 III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
Lebih terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih 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 terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciBAB 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 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 terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih 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 terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB 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 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 terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN :
JURNA MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN : 1410-8518 MASAAH RUTE TERPENDEK PADA JARINGAN JAAN MENGGUNAKAN AMPU AU-INTAS Stud Kasus: Rute Peralanan Ngesrep Smpang ma Eko Bud
Lebih terperinciIII PEMODELAN MATEMATIS SISTEM FISIK
34 III PEMODELN MTEMTIS SISTEM FISIK Deskrps : Bab n memberkan gambaran tentang pemodelan matemats, fungs alh, dagram blok, grafk alran snyal yang berguna dalam pemodelan sstem kendal. Objektf : Memaham
Lebih 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 terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk
Lebih terperinciOPTIMASI MASALAH PENUGASAN. Siti Maslihah
JPM IIN ntasar Vol. 01 No. 2 Januar Jun 2014, h. 95-106 OPTIMSI MSLH PNUGSN St Maslhah bstrak Pemrograman lner merupakan salah satu lmu matematka terapan yang bertuuan untuk mencar nla optmum dar suatu
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 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 terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciDIMENSI PARTISI GRAF GIR
Jurnal Matematka UNAND Vol. 1 No. 2 Hal. 21 27 ISSN : 2303 2910 c Jurusan Matematka FMIPA UNAND DIMENSI PARTISI GRAF GIR REFINA RIZA Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam,
Lebih terperinciSifat-sifat Operasi Perkalian Modular pada Graf Fuzzy
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 07 Sfat-sfat Operas Perkalan Modular pada raf Fuzzy T - 3 Tryan, ahyo Baskoro, Nken Larasat 3, Ar Wardayan 4,, 3, 4 Unerstas Jenderal Soedrman transr@yahoo.com.au
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih 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 METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciBab 1 Ruang Vektor. R. Leni Murzaini/0906577381
Bab 1 Ruang Vektor Defns Msalkan F adalah feld, yang elemen-elemennya dnyatakansebaga skalar. Ruang vektor atas F adalah hmpunan tak kosong V, yang elemen-elemennya merupakan vektor, bersama dengan dua
Lebih terperinciBAB 2. Landasan Teori
7 BAB 2 Landasan Teor 2.1. Teor Hmpunan Fuzzy Defns : Andakan X ttk-ttk ruang (objek), dengan elemen umum dar X yang dnotaskan dengan x, X = { x } [16]. Hmpunan fuzzy adalah hmpunan yang unsur-unsurnya
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinci