PEMBAGIAN KELAS KULIAH MAHASISWA MENGGUNAKAN ALGORITMA PENGKLASTERAN FUZZY Helmy Yulianto Hadi (1), R. Rizal Isnanto (2), Budi Setiyono (2)
|
|
- Surya Santoso
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Makalah Semnar Tugas Akhr 1 PEMBAGIA KELAS KULIAH MAHASISWA MEGGUAKA ALGORITMA PEGKLASTERA FUZZY Helmy Yulanto Had (1), R. Rzal Isnanto (), Bud Setyono () Abstrak - Proses perkulahan d suatu unerstas menad kurang efektf ka seluruh mahasswa tergabung dalam satu kelas dengan satu orang dosen sebaga pengaar. Pembagan kelas basanya dlakukan berdasarkan nomor nduk mahasswa. Dengan pendekatan pengklasteran fuzzy, pembagan kelas dapat dlakukan berdasarkan nla prestas mahasswa pada mata kulah yang menad prasyarat untuk menempuh mata kulah yang baru. Mata kulah yang dmaksud yatu Dasar Sstem Kontrol dengan mata kulah Prasyarat berupa Kalkulus I, Kalkulus II, Rangkaan Lstrk I, dan Rangkaan Lstrk II. Pengklasteran mahasswa-mahasswa dalam mata kulah Dasar Sstem Kontrol sesua perseps berdasarkan pada penguasaan mata kulah prasyarat. Untuk mengukur tngkat penguasaan masng-masng mahasswa yatu berdasarkan nla yang dperoleh oleh mahasswa tersebut, yang d Unerstas Dponegoro dbag menad delapan kategor yatu A, AB, B, BC, C, CD, D, dan E. la-nla tersebut sama dengan skor 4, 3,5, 3,,5,, 1,5, 1 dan 0. Skor-skor tersebut yang nantnya menad masukan dalam pengklasteran fuzzy berupa Fuzzy C-Means dan Subtraktf. Algortma Fuzzy C-Means menghaslkan dua keluaran yatu U yang dapat dgunakan sebaga acuan seorang mahasswa yang harus berada dalam kelas tertentu dan yang dgunakan untuk menentukan kelas mana yang mempunya tngkat penguasaan tertngg terhadap suatu mata kulah prasyarat. Algortma Fuzzy C-Means lebh cocok untuk alokas mahasswa menad beberapa kelas karena masukan berupa umlah klaster yang dngnkan sedangkan algortma Subtraktf kurang cocok untuk alokas mahasswa menad beberapa kelas karena masukan berupa ar-ar, dan tdak ada keluaran U hanya ada yang uga kurang akurat sebaga penentu dalam penentuan tngkat penguasaan terhadap suatu mata kulah prasyarat. I. PEDAHULUA 1.1 Latar Belakang Masalah Untuk menngkatkan kualtas penddkan selalu dkembangkan proses belaar mengaar yang efektf untuk menngkatkan kualtas para pelaar, mahasswa, guru, dan dosen. Berbaga cara telah dlakukan untuk menngkatkan mutu penddkan yatu penyedaan fasltas, penambahan tenaga pengaar, pembagan kelas yang teradwal dan penngkatan kualtas tenaga pengaar. Karena dengan semua tu proses belaar mengaar dapat beralan dengan lancar. (1) Mahasswa Teknk Elektro Unerstas Dponegoro () Staf Pengaar Teknk Elektro Unerstas Dponegoro Pembagan kelas untuk mahasswa yang teradwal telah dlakukan oleh semua unerstas. Basanya pembagan kelas dlakukan berdasarkan nomor nduk mahasswa. Dengan pendekatan yang baru pembagan suatu kelas dapat berdasarkan nla prestas mahasswa pada mata kulah yang menad prasyarat untuk menempuh mata kulah yang baru. Pendekatan n dlakukan dengan pengklasteran fuzzy. Pengklasteran fuzzy adalah salah satu teknk untuk menentukan klaster optmal dalam suatu ruang ektor yang ddasarkan pada bentuk normal Eucldan untuk arak antar ektor. Dalam tugas akhr n, algortma yang dpaka adalah Fuzzy C-Means dan Subtraktf dengan parameter yang berbeda. Kedua algortma tersebut akan daplkaskan dalam pembagan kelas mahasswa. 1. Tuuan Tuuan yang hendak dcapa dalam tugas akhr n adalah menghaslkan kelompok mahasswa berdasarkan prestas mata kulah prasyarat (Kalkulus I, Kalkulus II, Rangkaan Lstrk I, dan Rangkaan Lstrk II) untuk menempuh mata kulah Dasar Sstem Kontrol menggunakan algortma pengklasteran fuzzy yatu Fuzzy C-Means dan Subtraktf. 1.3 Batasan Masalah Batasan masalah pada Tugas Akhr n adalah: 1. Pembagan kelas mahasswa dlakukan pada Jurusan Teknk Elektro Fakultas Teknk Unerstas Dponegoro menggunakan algortma pengklasteran fuzzy berupa Fuzzy C- Means (FCM) dan pengklasteran subtraktf.. Pembagan kelas mahasswa dlakukan pada mata kulah Dasar Sstem Kontrol. 3. Data yang danalss adalah nla mahasswa pada mata kulah Kalkulus I, Kalkulus II, Rangkaan Lstrk I, dan Rangkaan Lstrk II pada suatu angkatan. 4. Analss dlakukan terhadap hasl keluaran algortma Fuzzy C-Means (FCM) dan pengklasteran subtraktf sehngga tdak dlakukan analss terhadap grafk sumbu x-y. 5. Pembuatan program menggunakan Matlab ers Tral and error dlakukan untuk algortma Subtraktf untuk memperoleh umlah klaster yang dngnkan. 7. Jumlah klaster pada program untuk algortma FCM hanya 7 klaster dan ar-ar (radus) pada program untuk algortma Subtraktf hanya 0,475 1,05.
2 Makalah Semnar Tugas Akhr II. LADASA TEORI Dalam makalah n, pengklasteran fuzzy dgunakan untuk pembagan kelas mahasswamahasswa dalam mata kulah Dasar Sstem Kontrol berdasarkan pada penguasaan mata kulah prasyarat. Mata kulah prasyarat dar mata kulah Dasar Sstem Kontrol adalah Kalkulus I, Kalkulus II, Rangkaan Lstrk I, dan Rangkaan Lstrk II. Untuk mengukur tngkat penguasaan masng-masng mahasswa yatu berdasarkan nla yang ddapat oleh mahasswa tersebut. Dmana dalam Unerstas Dponegoro dbag menad delapan kategor yatu A, AB, B, BC, C, CD, D, dan E. la-nla tersebut sama dengan skor 4, 3,5, 3,,5,, 1,5, 1 dan 0..1 Fuzzy C-Means Ada beberapa algortma pengklasteran data, salah satu dantaranya adalah Fuzzy C-Means (FCM). FCM adalah suatu teknk pengklasteran data yang mana keberadaan tap-tap ttk data dalam suatu klaster dtentukan oleh deraat keanggotaan. Teknk n pertama kal dperkenalkan oleh Jm Bezdek pada tahun Konsep dasar FCM, pertama kal adalah menentukan pusat klaster, yang akan menanda lokas rata-rata untuk tap-tap klaster. Pada konds awal, pusat klaster n mash belum akurat. Tap-tap ttk data memlk deraat keanggotaan untuk tap-tap klaster. Dengan cara memperbak pusat klaster dan deraat keanggotaan tap-tap ttk data secara berulang, maka akan dapat dlhat bahwa pusat klaster akan bergerak menuu lokas yang tepat. Perulangan n ddasarkan pada mnmsas fungs obektf yang menggambarkan arak dar ttk data yang dberkan ke pusat klaster yang terbobot oleh deraat keanggotaan ttk data tersebut. Keluaran dar FCM bukan merupakan sstem nferens kabur, namun merupakan deretan pusat klaster dan beberapa deraat keanggotaan untuk taptap ttk data. Algortma FCM sebaga berkut. 1. Masukan data yang akan dklaster U, berupa matrks berukuran n m ( n umlah sampel data, m atrbut setap data). U k data sampel ke- ( 1,,...,n), atrbut ke- k ( k 1,,...,m).. Menetapkan nla pangkat w >1 (msal: w ), Eps (galat terkecl) (msal: 10-5 ), MaxIter (msal:100), umlah klaster c > 1, dan t 0 ; 3. Menetapkan fungs obektf awal: P t (c) secara acak; 4. Menetapkan matrks parts (c) awal sembarang, sebaga berkut. f 11[ η 1[ c1[ 1[ u ] [ u ] c[ u ] ( ) f c 1 ] ] c ] 5. Menakkan nomor teras: t t Menghtung pusat ektor tap-tap klaster untuk matrk parts tersebut sebaga berkut. k 1 f ( ) k 1 k k w ( ) 7. Memodfkas tap-tap nla keanggotaan sebaga berkut. a. Jka yk f, ( ) c uk f k yk 1 g uk g b. Jka y k f, ( ) 1, ka g ; k y k k ( y k ) 0, ka g. 8. Menghtung fungs obektf: P ( c) ( ) t c k 1 1 k w u k u w k 1/( w 1) 9. Memodfkas matrks parts sebaga berkut: 11[ η 1[ c1[ 1[ u ] [ u ] c[ u ] ( ) f c 1 ] ] c ] 10. Mengecek konds untuk berhent, yatu: ( Pt ( c) Pt 1( c) < Eps) atau( t > MaxIter) Jka ya berhent, dan ka tdak ulang kembal ke langkah-5.. Pengklusteran Subtraktf Pengklasteran Subtraktf ddasarkan atas ukuran kerapatan (potens) ttk-ttk data dalam suatu ruang (arabel). Konsep dasar dar Pengklasteran Subtraktf adalah menentukan daerah-daerah dalam suatu arabel yang memlk potens tngg terhadap ttkttk d sektarnya. Ttk-ttk dengan umlah tetangga terbanyak akan dplh sebaga pusat klaster. Ttk yang sudah terplh sebaga pusat klaster n kemudan akan dkurang potensnya. Kemudan algortma akan memlh ttk lan yang memlk tetangga terbanyak untuk dadkan pusat klaster yang lan. Hal n akan dlakukan berulang-ulang hngga semua ttk du. f 1
3 Makalah Semnar Tugas Akhr 3 Algortma Pengklasteran Subtraktf sebaga berkut. 1. Masukan data yang akan dklaster: X, dengan 1,,, n ; dan 1,,, m.. Menetapkan nla r a (ar-ar setap atrbut data), squash factor (q), raso penermaan, raso penolakan. 3. ormalsas X X mn X k, 1,,, n ; X max X mn 1,,, m 4. Tentukan potens awal tap-tap ttk data a. 1 b. Kerakan hngga n, T U ; 1,,, m 1) ) Htung: T X k Dst, 1,,, m ; k ra k 1,,, n 3) Potens awal: Jka m 1, maka n 4 ( Dstk D e 1 ) k 1 Jka m > 1, maka D n k 1 e m 4 Dstk 1 4) Car ttk dengan potens tertngg M max D 1,,..., n ; a. [ ] b. h, sedemkan hngga D M ; 6. Tentukan pusat klaster dan kurang potensnya terhadap ttk-ttk dsektarnya. a. Center[] b. V X ; 1,,, m ; h c. C0 (umlah klaster) d. Konds1 e. z m f. Kerakan ka (konds GDQ] 1) Konds0 (sudah tdak ada calon pusat baru lag); ) RasoZ/M 3) Jka raso > raso penermaan, maka konds1; (ada calon pusat baru) 4) Jka tdak maka raso > raso penolakan, (calon pusat baru akan dterma sebaga pusat ka keberadaannya akan memberkan kesembangan terhadap datadata yang letaknya cukup auh dengan pusat klaster yang telah ada), maka kerakan a) Md 1 b) Kerakan untuk 1 sampa C ; c) Smd Md ; V Center ) G r ) m 1 a Sd ( G ) ) Jka ( Md < 0 ) atau ( Sd < Md ) maka Md Sd ; d) Jka (raso+ Smd ) PDD konds1; (data dterma sebaga pusat klaster) e) Jka (raso+ Smd )<1, maka konds; (data tdak akan dpertmbangkan kembal sebaga pusat klaster). 5) Jka konds1 (calon pusat baru dterma sebaga pusat baru), kerakan: a) C C + 1 ; b) Center C V ; c) Kurang potens dar ttk-ttk ddekat pusat klaster: ) V X S ; ra * q 1,,..., m ; 1,,..., n. m 4 ( S) 1 ) Dc M * e ; 1,,..., n ) D D D ; c ) Jka D 0, maka D 0 ; 1,,..., n Z max D 1,,..., n ; ) [ ] ) Plh h, sedemkan hngga D Z ; 6) Jka konds (calon pusat baru tdak dterma sebaga pusat baru), maka: a) D 0 ; h b) Z max [ D 1,,..., n] ; c) Plh h, sedemkan hngga D Z ; 7. Kembalkan pusat klaster dar bentuk ternormalsas ke bentuk semula. Center Center *( X max X mn ) + X mn III. PERACAGA PROGRAM Perancangan program pengklasteran fuzzy dbuat dengan dua metode yatu algortma Fuzzy C- Means dan algortma pengklasteran Subtraktf. Kedua algortma tersebut hanya menerma data dalam bentuk *.dat dan memlk empat parameter yang harus dtentukan. Parameter untuk algortma FCM melput
4 Makalah Semnar Tugas Akhr 4 umlah klaster, maksmum teras, faktor koreks dan eksponen sedangkan untuk algortma pengklasteran Subtraktf melput ar-ar, squash, raso penermaan, dan raso penolakan. Perangkat lunak yang dgunakan adalah Matlab ers 6.5 menggunakan GUI. Program yang dbuat berfungs untuk mengaplkaskan algortma FCM dan pengklasteran Subtraktf dalam pembagan kelas mahasswa. 3.1 Algortma FCM Dagram alr algortma FCM dtunukkan pada Gambar 1. Gambar. Dagram alr algortma Subtraktf IV. HASIL PEELITIA DA PEMBAHASA 4.1 Fuzzy C-Means Dar data nla mata kulah prasyarat Dasar Sstem Kontrol tuuh puluh mahasswa dalam Tabel 1 pada Lampran akan dbag tga klaster dan dua klaster. Dar Tabel 1 dperoleh bahwa nla mahasswa ke-8 dtamplkan sebaga ektor X 8 sebaga berkut:,5 X 8 3 Gambar 1. Dagram alr algortma FCM 3. Algortma Pengklasteran Subtraktf Dagram alr algortma Subtraktf dtunukkan pada Gambar. Mahasswa n mendapat nla BC untuk Kalkulus I, C untuk Kalkulus II, B untuk Rangkaan lstrk I, dan C untuk Rangkaan lstrk II. Dengan algortma FCM, masukan berupa 70 ektor atrbut (X 1,X, X 70 ) akan dbuat tga klaster dengan parameter umlah klaster 3, maksmum teras 100, faktor koreks 10-5, dan eksponen
5 Makalah Semnar Tugas Akhr 5 sehngga memberkan keluaran dua ens ektor. Vektor yang pertama terdapat dalam Tabel pada lampran yang merupakan nla dar elemen ektor U ( 1,,3). Sebaga contoh yatu nla bars ke-8 sebaga berkut: u 0, u 0,09836 u 0, Dar ketga nla tersebut mahasswa ke-8 masuk dalam kelas ke-3 atau kelas C. Hal tu dkarenakan da mempunya deraat keanggotaan tertngg untuk kelas n darpada dua kelas yang lan. Dengan demkan dperoleh alokas mahasswa yang mengambl mata kulah Dasar Sstem Kontrol adalah sebaga berkut. 1. Kelas pertama atau kelas A bers mahasswa dengan nomor: 6, 9, 10, 11, 13, 15, 16, 18, 19, 4, 5, 6, 8, 30, 33, 36, 37, 40, 43, 46, 49, 50, 53, 56, 57, 60, 61, 63, 64, 65, 66, 67, dan 69. Total: 33.. Kelas kedua atau kelas B bers mahasswa dengan nomor: 1, 4, 7, 1, 14, 17, 0, 1, 3, 7, 3, 34, 35, 4, 45, 47, 55, 58, 59, 6, dan 68. Total: Kelas ketga atau kelas C bers mahasswa dengan nomor:, 3, 5, 8,, 9, 31, 38, 39, 41, 44, 48, 51, 5, 54, dan 70. Total: 16. Sehngga dar kelas A berumlah 33 mahasswa, kelas B berumlah 1 mahasswa dan kelas C berumlah 16 mahasswa. Selanutnya mash dengan algortma FCM, masukan berupa 70 ektor atrbut (X 1,X, X 70 ) akan dbuat dua klaster dengan parameter umlah klaster, maksmum teras 100, faktor koreks 10-5, dan eksponen sehngga memberkan keluaran ektor dalam Tabel 5 pada Lampran yang merupakan nla dar elemen ektor U ( 1,). Sebaga contoh yatu nla bars ke-3 adalah sebaga berkut. u 31 0,53 u 0, Dar kedua nla tersebut mahasswa ke-3 masuk dalam kelas ke-1 atau kelas C. Hal tu dkarenakan da mempunya deraat keanggotaan tertngg untuk kelas n darpada kelas yang lan. Dengan demkan dperoleh alokas mahasswa yang mengambl mata kulah Dasar Sstem Kontrol adalah sebaga berkut. 1. Kelas pertama atau kelas A bers mahasswa dengan nomor: 1, 6, 9, 10, 11, 1, 13, 14, 15, 16, 17, 18, 19, 0, 1, 3, 4, 5, 6, 7, 8, 30, 3, 33, 34, 36, 37, 40, 43, 45, 46, 49, 50, 53, 55, 56, 57, 60, 61, 6, 63, 64, 65, 66, 67, 68 dan 69. Total: 47.. Kelas kedua atau kelas B bers mahasswa dengan nomor:, 3, 4, 5, 7, 8,, 9, 31, 35, 38, 39, 41, 4, 44, 47, 48, 51, 5, 54, 58, 59, 70 dan 68. Total: 3. Sehngga dar kelas A berumlah 47 mahasswa, dan kelas B berumlah 3 mahasswa. Oleh karena tu ektor yang pertama dsebut ektor deraat keanggotaan, yatu U u u u 1 k 70, 1,, 3 Dengan setap nla dalam bars k menandakan deraat keanggotaan (atau tngkat kesesuaan) dar mahasswa ke-k untuk mengambl mata kulah Dasar Sstem Kontrol d klaster (atau kelas). Vektor yang kedua terdapat dalam Tabel 3 pada lampran untuk tga klaster dengan parameter umlah klaster 3, maksmum teras 100, faktor koreks 10-5, dan eksponen merupakan nla dar elemen ektor pusat (center) atau ( 1,,3). Sebaga contoh yatu nla bars ke-3 adalah sebaga berkut. 3,3746 3,04 3, Dar ketga nla tersebut bsa dsmpulkan bahwa yang mempunya tngkatan penguasaan tertngg dalam mata kulah prasyarat Dasar Sstem Kontrol berupa Rangkaan Lstrk I drah oleh mahasswa d kelas A yang kemudan dsusul oleh kelas B dan C. Hasl yang sama uga dperoleh oleh mata kulah Rangkaan Lstrk II. Untuk mata kulah Kalkulus I drah oleh kelas A kemudan C dan B. Dan untuk mata kulah Kalkulus II drah oleh kelas B kemudan A dan C. Vektor yang kedua untuk dua klaster terdapat dalam Tabel 6 pada Lampran dengan parameter umlah klaster, maksmum teras 100, faktor koreks 10-5, dan eksponen merupakan nla dar elemen ektor pusat (center) atau ( 1,). Sebaga contoh yatu nla bars ke-4 adalah sebaga berkut. 41 3,341 4,0305 Dar kedua nla tersebut dapat dsmpulkan bahwa yang mempunya tngkatan penguasaan tertngg
6 Makalah Semnar Tugas Akhr 6 dalam mata kulah prasyarat Dasar Sstem Kontrol berupa Rangkaan Lstrk II drah oleh mahasswa d kelas A. Hasl yang sama uga dperoleh oleh mata kulah kalkulus I, kalkulus II dan rangkaan lstrk I. Oleh karena tu ektor yang kedua dsebut ektor pusat klaster, yatu 1, 1,, 3 center 4 Dengan setap menandakan rata-rata bobot tngkat prestas mahasswa dalam suatu klaster (atau kelas) untuk mata kulah prasyarat ke- pada mata kulah Dasar Sstem Kontrol. la setap komponen d ektor berperan pentng karena memberkan nformas adalah sebaga berkut. 1. Tngkat penguasaan mahasswa terhadap mata kulah prasyarat Dasar Sstem Kontrol dalam setap kelas, karena pengalokasan dalam tga kelas, maka tngkat penguasaan dapat dkategorkan menad tngg, sedang dan rendah.. Penentuan dalam menempatkan pengaar dalam suatu kelas. Hasl keluaran terakhr dar FCM yatu fungs obektf dalam Tabel 4 (tga klaster dengan parameter umlah klaster 3, maksmum teras 100, faktor koreks 10-5, dan eksponen ) dan Tabel 7 (dua klaster dengan parameter umlah klaster, maksmum teras 100, faktor koreks 10-5, dan eksponen ) pada Lampran merupakan pendekatan yang palng optmal dar banyaknya teras yang dlakukan. 4. Pengklasteran Subtraktf Sepert dalam FCM dar data nla mata kulah prasyarat Dasar Sstem Kontrol 70 mahasswa dalam Tabel 1 pada lampran akan dbag tga klaster dan dua klaster. Akan tetap pembagan menad tga klaster dan dua klaster tdak semudah sepert FCM karena masukan bukan umlah klaster yang dngnkan melankan ar-ar, sehngga dperlukan tral and error untuk mendapatkan tga klaster dan dua klaster. Dar hasl tral and error tersebut dperoleh masngmasng dua ar-ar untuk setap umlah klaster yang mempunya pusat berbeda. Dar Tabel 1 dperoleh bahwa nla mahasswa ke-8 dtamplkan sebaga ektor X 8 adalah sebaga berkut.,5 X 8 3 Mahasswa n mendapat nla BC untuk Kalkulus I, C untuk Kalkulus II, B untuk Rangkaan Lstrk I, C untuk Rangkaan Lstrk II. Dengan algortma Subtraktf, masukan berupa 70 ektor atrbut (X 1,X, X 70 ) akan dbag tga klaster dengan parameter ar-ar 0,769 dan 0,949, squash 1,5, raso penermaan 0,5, dan raso penolakan 0,15 sehngga memberkan keluaran hanya satu ens ektor. Vektor tersebut terdapat dalam Tabel 8 pada Lampran yatu nla dar elemen ektor pusat (center) atau ( 1,,3). Sebaga contoh yatu nla bars ke- 3 dengan ar-ar 0,769 adalah sebaga berkut Dar ketga nla tersebut lebh sult untuk dsmpulkan karena terdapat bobot yang sama pada kelas B dan C, sedangkan kelas A memlk bobot yang lebh tngg dar pada kelas B dan C dalam mata kulah prasyarat Dasar Sstem Kontrol berupa Rangkaan Lstrk I. Adanya bobot yang sama pada dua kelas (A dan C) uga dperoleh oleh mata kulah Kalkulus I dengan kelas B memlk bobot terendah. Untuk mata kulah Kalkulus II bobot tertngg drah oleh kelas B kemudan A dan C. Dan untuk mata kulah Rangkaan Lstrk II drah oleh kelas A kemudan B dan C. Hal serupa uga terad pada ar-ar 0,949. Vektor untuk dua klaster dengan parameter arar 0,950 dan 1,05, squash 1,5, raso penermaan 0,5, dan raso penolakan 0,15 terdapat dalam Tabel 9 pada Lampran yang merupakan nla dar elemen ektor pusat (center) atau ( 1,). Sebaga contoh yatu nla bars ke- dengan ar-ar 0,950 adalah sebaga berkut. 1 3,5 Dar kedua nla tersebut dperoleh bahwa kelas A memlk bobot yang lebh tngg dar pada kelas B dalam mata kulah prasyarat Dasar Sstem Kontrol berupa Kalkulus II. Hal yang serupa uga terad pada mata kulah Kalkulus I dan Rangkaan Lstrk II. Untuk mata kulah Rangkaan Lstrk I bobot yang sama drah oleh kelas A dan B sehngga sult menentukan kelas mana yang lebh bak. Hal serupa uga terad pada ar-ar 1,05. Oleh karena tu ektor dengan algortma Subtraktf n kurang cocok untuk mengalokas banyaknya mahasswa menad seumlah klaster yang dngnkan karena masukan berupa ar-ar bukan umlah klaster yang dngnkan. Algortma Subtraktf n akan lebh cocok untuk pengklasteran berdasarkan ar-ar yang dngnkan karena semakn besar nla ar-ar maka umlah klaster yang dhaslkan akan semakn kecl dan sebalknya. D sampng tu uga
7 Makalah Semnar Tugas Akhr 7 tdak dperoleh ektor U yang berguna untuk penempatan mahasswa dalam suatu kelas tertentu. V. PEUTUP 5.1 Kesmpulan 1. Alokas mahasswa kedalam kelas-kelas tertentu berdasarkan tngkat penguasaan suatu mata kulah dharapkan dapat membantu mahasswa untuk lebh cepat memaham dan menguasa suatu subek yang dpelaar karena dfasltas dan dbmbng oleh pengaar yang sesua.. Algortma Fuzzy C-Means dalam menentukan klaster menggunakan teras yang berulangulang sampa ddapat nla fungs obektf yang mendekat optmal. 3. Algortma Fuzzy C-Means menghaslkan keluaran U yang dapat dgunakan sebaga acuan seorang mahasswa harus berada dalam kelas tertentu. 4. Algortma Fuzzy C-Means uga menghaslkan yang dgunakan untuk menentukan kelas mana yang mempunya tngkat penguasaan tertngg terhadap suatu mata kulah prasyarat. 5. Algortma Fuzzy C-Means lebh cocok untuk alokas mahasswa menad beberapa kelas karena masukan berupa umlah klaster yang dngnkan. 6. Algortma Subtraktf kurang cocok untuk alokas mahasswa menad beberapa kelas karena masukan berupa ar-ar, dan tdak ada keluaran U hanya ada yang uga tdak dapat sebaga penentu dalam penentuan tngkat penguasaan terhadap suatu mata kulah prasyarat. 5. Saran 1. Aplkas Fuzzy Clusterng dapat dterapkan dalam berbaga bdang sepert ekonom maupun meds.. Aplkas Fuzzy Clusterng uga dapat dgunakan dalam sstem yang lebh kompleks sepert eurofuzzy. 3. Dalam Fuzzy Clusterng mash banyak algortma yang lan sepert algortma SKP (Susanto-Kennedy-Prce Algorthm) [3] Ibrahm, A., Current Issues n Engneerng Educaton Qualty. Global Journal of Engneerng Educaton, Vol. 3, o. 3, 1999, pp [4] Jurusan Teknk Elektro Undp, Buku Panduan Teknk Elektro, Bdang III Hmpunan Mahasswa Elektro Unerstas Dponegoro, Semarang, 001. [5] Kusumadew, S., Analss dan Desan Sstem Fuzzy, Graha Ilmu, Yogyakarta, 00. [6] Kusumadew, S. dan H. Purnomo, Aplkas Logka Fuzzy untuk Pendukung Keputusan, Graha Ilmu, Yogyakarta, 004. [7] Marks II, R.J., Fuzzy Logc Technology and Applcatons, The Insttute of Electrcal and Electroncs Engneers, Inc., ew York, [8] Salls, E., Total Qualty Management n Educaton, Kogan Page, London, [9] Susanto, S., Suharto, I., dan Sukapto, P., Usng fuzzy clusterng for allocaton of students, World Transacton on Engneerng and Technology Educaton, Vol.1, o., 00, pp [10] The Student Edton of Matlab, User s Gude The MATLAB, Prentce-Hall Internatonal. Inc, USA, [11] Wang, L., A Course n Fuzzy Systems and Control, Prentce- Hall Internatonal. Inc, USA, Helmy Yulanto Had (LF001603) lahr d Semarang 1 Jul 1983, lulus SD Kansus Kurmosar tahun 1995, lulus SLTP Domenco Sao tahun 1998, lulus SMU Kolese Loyola tahun 001, saat n sedang menyelesakan stud d Jurusan Teknk Elektro Fakultas Teknk Unerstas Dponegoro Semarang. Mengesahkan, Pembmbng I R. Rzal Isnanto, S.T., M.M., M.T. IP Pembmbng II DAFTAR PUSTAKA [1] Bezdek, J.C., Fuzzy Mathematcs n Pattern Recognton, Cornell Unersty, Ithaca, [] Bezdek, J.C., Pattern Recognton wth Fuzzy Obecte Functon Algorthms, Plenum Press, ew York, Bud Setyono, S.T., M.T. IP
8 TABEL 1. ILAI-ILAI MATA KULIAH DARI 70 MAHASISWA BERDASARKA PRESTASI PRASYARAT MATA KULIAH DASAR SISTEM KOTROL (DILAJUTKA) X Mata Kulah Prasyarat (Mahasswa Kalkulus Kalkulus RL I RL II ke-) I II X X 1 3,5,5 X 3 3,5 3,5 X 4 3,5 3,5 X 5,5 4,5 1 X 6 3,5 3 3,5 3,5 X X 8,5 3 X 9 3 3,5 4 4 X 10 3, ,5 X 11,5 3,5 3,5 X 1, X ,5 X ,5 X 15 3, X 16 3,5 3,5 4 3,5 X 17, X 18 3, X 19 3,5 3,5 3,5 4 X 0, ,5 X 1,5 3,5,5 3 X,5 3,5 X 3, X ,5 4 X 5, ,5 X 6 3, ,5 X X ,5 X X 30 3, X X ,5 X 33 3, ,5 X 34 3,5 3,5 3,5 X 35 3,5 3,5,5 X 36 3,5 4 3,5 4 X ,5 X 38 3,5 3 1 X X 40 3, X 41 3,5 3 1,5 X ,5 X X 44,5 3 X X 46 3, X 47,5 3 3 X X 49 3, ,5 X ,5 X ,5 3 1,5 X 5 3,5 3,5,5 X 53 3,5 3,5 3,5 3,5 X X ,5 3 3 TABEL 1. ILAI-ILAI MATA KULIAH DARI 70 MAHASISWA BERDASARKA PRESTASI PRASYARAT MATA KULIAH DASAR SISTEM KOTROL (LAJUTA) X Mata Kulah Prasyarat (Mahasswa Kalkulus Kalkulus RL I RL II ke-) I II X ,5 X 57 3,5 3 3,5 3 X 58,5 4 3 X ,5 3 X 60, X 61 3,5 3,5 3,5 3,5 X 6,5 3,5 3 3 X 63 3, ,5 X 64 3,5 3,5 3 4 X 65 3,5 3,5 3 3 X ,5 3,5 4 X 67 3,5,5 4 4 X 68,5 3,5 4 X 69 3, X (Catatan: nla-nla tersebut telah dkoners sebaga berkuta4;ab3,5;b3;bc,5;c;cd1,5;d1; E0) TABEL. ILAI-ILAI U KI DARI 70 MAHASISWA YAG MEDAFTAR MATA KULIAH DASAR SISTEM KOTROL DI TIGA KELAS DEGA MEGGUAKA ALGORITMA FCM (DILAJUTKA) u k , ,5779 0, ,3609 0, , , ,1796 0, , ,641 0, ,1101 0, , , , , , ,3569 0, , , , , ,687 0, ,7474 0,0593 0, , ,3848 0,70 1 0,1344 0,863 0, , ,617 0, ,4005 0,449 0,15746 k 15 0,5487 0, , , , , ,1344 0,863 0, ,5487 0, , , , , ,3793 0, , , , , ,1415 0,3713 0, ,5466 0, , , ,354 0, , , , ,7474 0,0593 0, ,0588 0, , , , , , ,7733 0, ,5487 0, ,089318
9 TABEL. ILAI-ILAI U KI DARI 70 MAHASISWA YAG MEDAFTAR MATA KULIAH DASAR SISTEM KOTROL DI TIGA KELAS DEGA MEGGUAKA ALGORITMA FCM (LAJUTA) u k , , , , , , , ,306 0, , , , ,933 0,4396 0, ,6734 0,587 0, , , , , ,115 0, , , , ,5487 0, , , , , , ,6557 0, ,5877 0,6453 0, , , , , ,5779 0, ,5487 0, , ,6791 0, , , , , ,7866 0,0016 0,07118 k 50 0, , , , ,3371 0, ,7078 0,5735 0, , , , , , , , , , , ,4344 0, , ,4801 0, ,3148 0, , ,59 0,4768 0, , , , , , , , , , ,6458 0,7346 0, ,7111 0,3317 0, , ,3769 0, , ,35 0, , ,5989 0, , , , , ,4153 0, , , ,8584 TABEL 3. ILAI-ILAI V JI (CETER) DARI 4 PRASYARAT MATA KULIAH DASAR SISTEM KOTROL DI TIGA KELAS DEGA MEGGUAKA ALGORITMA FCM 1 3 Kalkulus I 3,73,7335,8419 Kalkulus II 3,734 3,99,7 RL I 3,3746 3,04 3,001 RL II 3,479,945 1,6584 TABEL 4. ILAI FUGSI OBJEKTIF TIGA CLUSTER SELAMA ITERASI DEGA MEGGUAKA ALGORITMA FCM Banyaknya teras la fungs obektf 1 5,149 39, , , ,6 6 36, , , , , , , , , , , , , , , ,865 34, , , , ,864 TABEL 5. ILAI-ILAI U KI DARI 70 MAHASISWA YAG MEDAFTAR MATA KULIAH DASAR SISTEM KOTROL DI DUA KELAS DEGA MEGGUAKA ALGORITMA FCM (DILAJUTKA) u k 1 1 0,8184 0, , , ,53 0, ,417 0, ,3487 0, , , ,4188 0, , , , , , , , , ,634 0,3766 k 13 0, , , , ,8108 0, ,860 0, ,634 0, ,8108 0, ,8919 0, , , ,6416 0, ,1364 0, ,7356 0, ,8733 0, , ,005
10 TABEL 5. ILAI-ILAI U KI DARI 70 MAHASISWA YAG MEDAFTAR MATA KULIAH DASAR SISTEM KOTROL DI DUA KELAS DEGA MEGGUAKA ALGORITMA FCM (LAJUTA) u k 1 6 0, , ,5039 0, , , ,861 0, ,8108 0, , , ,5134 0, ,877 0, , , , , , , , , ,1895 0, , , ,8108 0, , , ,3474 0, , , , , ,8184 0, ,8108 0, , ,6381 k 48 0,1117 0, , , , , ,5314 0, , , , , , , , , , , ,8353 0, ,4436 0, ,4419 0, ,7968 0, , , , , , , , , , , ,8985 0, ,7545 0, , , ,808 0, , ,8689 TABEL 6. ILAI-ILAI V JI (CETER) DARI 4 PRASYARAT MATA KULIAH DASAR SISTEM KOTROL DI DUA KELAS DEGA MEGGUAKA ALGORITMA FCM 1 TABEL 7. ILAI FUGSI OBJEKTIF DUA CLUSTER SELAMA ITERASI DEGA MEGGUAKA ALGORITMA FCM Banyaknya teras la fungs obektf TABEL 8. ILAI-ILAI CETER DARI 4 PRASYARAT MATA KULIAH DASAR SISTEM KOTROL DI TIGA KELAS DEGA MEGGUAKA ALGORITMA SUBTRACTIVE CLUSTERIG Center r a 1 3 Kalkulus I 3,5 3 3,5 0,769 Kalkulus II 3 3,5 RL I RL II 3,5 3 1,5 Kalkulus I 3,5 3,5 0,949 Kalkulus II,5 3,5 RL I RL II 4 3 TABEL 9. ILAI-ILAI CETER DARI 4 PRASYARAT MATA KULIAH DASAR SISTEM KOTROL DI DUA KELAS DEGA MEGGUAKA ALGORITMA SUBTRACTIVE CLUSTERIG Center r a 1 Kalkulus I 3,5 0,950 Kalkulus II 3,5 RL I 3 3 RL II 3 Kalkulus I 3 3 1,05 Kalkulus II 3,5 RL I 3 3 RL II 3 1 Kalkulus I 3,149,707 Kalkulus II 3,3174,6043 RL I 3,631,9998 RL II 3,341,0305
Bab 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 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 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 terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
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 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB 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 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 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 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 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 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 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 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 terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
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 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 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 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 terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciBAB 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 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 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 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 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 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 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 terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
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 terperinciPERHITUNGAN PENILAIAN MAHASISWA TERHADAP MENGAJAR DOSEN BERBASIS KASUS MENGGUNAKAN ALGORITMA BAYESIAN
JURNAL DAI IN: - Vol. No. JUNI ERHITUNGAN ENILAIAN MAHAIWA TERHADA MENGAJAR DOEN BERBAI KAU MENGGUNAKAN ALGORITMA BAYEIAN Ern enwat TMIK AMIKOM Yogyakarta ern.s@amkom.ac.d ABTRAKI roses belaar mengaar
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 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 I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Ctra dgtal merupakan ctra hasl dgtalsas yang dapat dolah pada suatu komputer dgtal [12]. Ctra dgtal tersusun atas sejumlah elemen. Elemen-elemen yang menyusun ctra
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 terperinciPENGURUTAN DATA. A. Tujuan
PENGURUTAN DATA A. Tuuan Pembahasan dalam bab n adalah mengena pengurutan data pada sekumpulan data. Terdapat beberapa metode untuk melakukan pengurutan data yang secara detl akan dbahas ddalam bab n.
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 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 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 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 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 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 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 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 terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER
UNIVERSITAS DIPONEGORO 013 ISBN: 978-60-14387-0-1 FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER Saftr Daruyan
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 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 PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
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 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tempat, Subek, Waktu dan Jens Peneltan Pada bagan n akan dbahas tentang tempat peneltan, waktu peneltan dar perencanaan sampa penulsan hasl peneltan, serta ens peneltan n.
Lebih terperinciJULIO ADISANTOSO - ILKOM IPB 1
KOM341 Temu Kembal Informas KULIAH #9 Text Clusterng Clusterng Pengelompokan, penggerombolan Proses pengelompokan sekumpulan obyek ke dalam kelas-kelas obyek yang memlk sfat sama. Unsupervsed learnng JAS
Lebih terperinciBAB IV APLIKASI. Pada bagian ini akan dibahas bagaimana contoh mengestimasi. parameter model yang diasumsikan memiliki karateristik spasial lag
BAB IV APLIKASI Pada bagan n akan dbahas bagamana contoh mengestmas parameter model yang dasumskan memlk karaterstk spasal lag sekalgus spasal error. Estmas dlakukan dengan menggunakan software Evews 3
Lebih terperinciBAB III METODE PENELITIAN. pretest postes control group design dengan satu macam perlakuan. Di dalam
BAB III METODE PEELITIA A. Bentuk Peneltan Peneltan n merupakan peneltan ekspermen dengan model pretest postes control group desgn dengan satu macam perlakuan. D dalam model n sebelum dmula perlakuan kedua
Lebih terperinciBOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL
BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL Analss sumbangan sektor-sektor ekonom d Bal terhadap pembangunan ekonom nasonal bertujuan untuk mengetahu bagamana pertumbuhan dan
Lebih terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih 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 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 V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
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 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 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 terperinciDISTRIBUSI FREKUENSI
BAB DISTRIBUSI FREKUENSI Kompetens Mampu membuat penyajan data dalam dstrbus frekuens Indkator 1. Menjelaskan dstrbus frekuens. Membuat dstrbus frekuens 3. Menjelaskan macam-macam dstrbus frekuens 4. Membuat
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 V INTEGRAL KOMPLEKS
6 BAB V INTEGRAL KOMPLEKS 5.. INTEGRAL LINTASAN Msal suatu lntasan yang dnyatakan dengan : (t) = x(t) + y(t) dengan t rl dan a t b. Lntasan dsebut lntasan tutup bla (a) = (b). Lntasan tutup dsebut lntasan
Lebih terperinciPERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM
PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM 1) Membuat dstrbus frekuens. 2) Mengetahu apa yang dmaksud dengan Medan, Modus dan Mean. 3) Mengetahu cara mencar Nla rata-rata (Mean). TEORI PENUNJANG
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 terperinciPERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih 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 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 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 terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
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 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 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 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 IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
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 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 terperinciDalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang
LARGE SCALE SYSEM Course by Dr. Ars rwyatno, S, M Dept. of Electrcal Engneerng Dponegoro Unversty BAB V OPIMASI SISEM Dalam sstem pengendalan berhrark level, maka optmas dapat dlakukan pada level pertama
Lebih 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 terperinciGambar 3.1 Diagram alir penelitian
BAB 3 METODE PENELITIAN 3.1 Dagram Alr Peneltan Materal Amorph Magnetk (Fe 73 Al 5 Ga 2 P 8 C 5 B 4 S 3 ) Ekspermen DfraksNeutron (I vs 2theta) Smulas Insalsas atom secara random Fungs struktur, F(Q) Perhtungan
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 terperinciBAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan 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 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 terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
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 terperinciJMP : Volume 5 Nomor 1, Juni 2013, hal SPEKTRUM PADA GRAF REGULER KUAT
JMP : Volume 5 Nomor, Jun 03, hal. 3 - SPEKTRUM PD GRF REGULER KUT Rzk Mulyan, Tryan dan Nken Larasat Program Stud Matematka, Fakultas Sans dan Teknk Unerstas Jenderal Soedrman Emal : rzky90@gmal.com BSTRCT.
Lebih terperinciPENYELESAIAN MASALAH PANAS BALIK (BACKWARD HEAT PROBLEM)
PENYELESAIAN MASALAH PANAS BALIK (BACKWARD HEAT PROBLEM) Rcha Agustnngsh, Drs. Lukman Hanaf, M.Sc. Jurusan Matematka, Fakultas MIPA, Insttut Teknolog Sepuluh Nopember (ITS) Jl. Aref Rahman Hakm, Surabaya
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 terperinci