PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
|
|
- Yuliani Hadiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 Pada kebanyakan sstem nferens fuzzy, fungs keanggotaan pada setap hmpunan fuzzy dbentuk melalu pendekatan terhadap fungs-fungs tertentu. elan tu, sstem juga belum mengakomodas penentuan varabel-varabel yang relevan pada sstem tersebut. Padahal adakalanya, terdapat varabel yang tdak memlk tngkat relevans yang cukup tngg. Pada peneltan n, akan dbangun suatu model aturan pada sstem nferens fuzzy melalu proses pembelajaran jarngan syaraf dengan mengunakan algortma backpropagaton. stem dbangun melalu tahap, yatu: () pemlhan varabel nput-output dan data pelathan; () proses pembelajaran pada bagan nput; () pengelompokan data pelathan; () pembelajaran jarngan syaraf yang berhubungan dengan bagan anteseden (bagan IF) pada aturan-aturan nferens fuzzy; () pembelajaran jarngan syaraf yang berhubungan dengan bagan konsekuen (bagan THEN) pada aturan-aturan nferens fuzzy; () penyederhanaan bagan konsekuen (bagan THEN) menggunakan metode elmnas backward; dan () pengujan. Hasl peneltan terhadap data yang dberkan ( varabel nput), menghaslkan aturan fuzzy dengan mengelmnas varabel kedua untuk bagan anteseden, dan mengelmnas varabel pertama untuk bagan konsekuen. Hasl pengujan menunjukkan E antara target output dengan output jarngan adalah 0,; dan koefsen korelas sebesar 0,; yang berart bahwa sstem nferens fuzzy yang terbentuk berdasarkan pembelajaran jarngan syaraf memlk valdtas yang cukup tngg Keywords: sstem nferens fuzzy, backpropagaton, pembelajaran.. PENDAHULUAN. Latar Belakang alah kelemahan terbesar dar sstem nferens fuzzy adalah penentuan fungs keanggotaan dan pembangktan fungs pembelajaran pada aturanaturan nferens. Basanya, fungs keanggotaan pada setap hmpunan fuzzy dbentuk melalu pendekatan terhadap fungs-fungs tertentu (Co, ), sepert: fungs lnear, sgmod, gauss, beta, dll. Pemlhan fungs tersebut tentunya akan bermplkas pada tnggnya tngkat subyektvtas. Apabla dpunya beberapa data hstory terhadap permasalahan tertentu, fungs keanggotaan dapat dbentuk dengan terlebh dahulu melakukan clusterng terhadap data-data tersebut. Pada sstem fuzzy, dapat dgunakan fuzzy c-means (FCM) atau subtractve clusterng untuk mendapatkan kelompok - kelompok data yang nantnya dapat dfungskan untuk membantu penentuan fungs keanggotaan. Permasalahan lan yang juga muncul pada pembentukan sstem nferens fuzzy adalah penentuan varabel-varabel yang relevan. Dalam suatu sstem, adakalanya suatu varabel memlk tngkat kepentngan yang tdak terlalu tngg. Hal n kemungknan dsebabkan oleh keberadaannya yang sebenarnya telah terwakl oleh varabel yang lan. Jka hal n terjad, maka varabel tersebut dapat delmnas untuk mengurang beban komputas dan menngkatkan akuras hasl. Pemlhan tngkat kepentngan varabel n juga belum dakomodas oleh pembentukan sstem nferens fuzzy basa. D lan phak, algortma pembelajaran pada jarngan syaraf memlk kemampuan untuk melath data hstory untuk kepentngan adaptas. Jarngan syaraf dengan bobot-bobot yang telah terbentuk melalu proses pembelajaran terbukt mampu menyelesakan beberapa kasus sepert: peramalan, pengenalan pola, klasfkas, dll (Fausett, ). Pada kasus peramalan, jarngan syaraf dapat dgunakan untuk mengestmas nla output apabla dberkan beberapa nput. ehngga pada kasus pencaran varabel nput yang relevan untuk sstem nferens fuzzy, jarngan syaraf dapat dgunakan sebaga alat untuk meramalkan nla output bak pada bagan anteseden (pernyataan setelah IF pada aturan fuzzy) maupun pada bagan konsekuen (pernyataan setelah THEN pada aturan fuzzy).. Tujuan Tujuan peneltan n adalah membangun suatu model aturan pada sstem nferens fuzzy melalu proses pembelajaran jarngan syaraf.. DAAR TEORI Ln (), menggunakan jarngan syaraf untuk merealsaskan atau membangktkan sstem nferens fuzzy model ugeno bak pada bagan anteseden (membangktkan fungs keanggotaan), maupun pada IV-
2 bagan konsekuen (melakukan nferens). Takag & Hayash () menggunakan jarngan syaraf dengan algortma pembelajaran backpropagaton untuk membangun hmpunan-hmpunan fuzzy pada bagan anteseden, dan fungs nferens yang ada pada bagan konsekuen. Aturan nferens yang dberkan memlk format sebaga berkut: R s : IF =,,..., n ) s A s THEN y s = NN s,,..., m ); s =,,..., r. () dengan r adalah jumlah aturan nferens, A s adalah hnpunan fuzzy pada bagan anteseden pada setap aturan, dan NN( ) adalah jarngan backpropagaton dengan nput,,..., m ) dan output y s. Jumlah varabel yang menjad nput NN sebanyak m (m n) dtentukan dengan cara memlh model yang optmun. Langkah-langkah pembentukan sstem nferens fuzzy model ugeno melalu pengendal jarngan syaraf adalah sebaga berkut: a. Pemlhan varabel nput output dan data pelathan. Dberkan varabel output y dan calon varabel nput j, j=,,...,n. Pada bagan n akan dtetapkan varbel-varabel nput yang relevan, j, j=,,...,m, yang berhubungan output y, =,,...,N, dengan menggunakan jarngan backpropagaton. Hal n dlakukan dengan menggunakan metode elmnas backward, dengan fungs baya sum squared error (E). eleks varabel dlakukan dengan cara mengelmnas varabel-varabel yang tdak dperlukan, dan mempertahankan varabel-varabel yang memberkan korelas yang cukup sgnfkan terhadap varabel output y. Msalkan terdapat N pasangan data nput output, maka kta bag kumpulan data tersebut menjad N t data pelathan (TRD) dan N c data pengujan (CHD), sehngga N t + N c = N. b. Pengelompokan (clusterng) data pelathan. Pada bagan n, TRD akan dbag menjad r kelas dengan menggunakan metode pengclusteran tertentu. ehngga nantnya akan terdapat r buah aturan R s, s=,,...,r. Pasangan nput output pada cluster ke-s (aturan ke-s) drepresentaskan sebaga s s, y ), =,,...,N s ; dengan N s adalah jumlah data yang masuk pada kelas ke-s. c. Pembelajaran jarngan syaraf yang berhubungan dengan bagan anteseden (bagan IF) pada aturan-aturan nferens fuzzy. Untuk setap vektor nput pada TRD kta r tentukan m = ( m,m, L, m ), =,,...,N t ; sebaga berkut: m k ; = 0; k = s k s () Kemudan derajat keanggotaan setap data dapat dperoleh sebaga output jarngan yang telah dlath, sebaga: µ ( ) = mˆ ; =,,...,N; s=,,...,r. () As s d. Pembelajaran jarngan syaraf yang berhubungan dengan bagan konsekuen (bagan THEN) pada aturan-aturan nferens fuzzy. Pada bagan n akan dlakukan pembelajaran jarngan syaraf pada bagan THEN dar R dengan nput = (,, L, m ) dan target output y, =,,...,N. elanjutnya hasl pelathan akan dujkan pada CHD, dengan nput = (,, L, m ), =,,...,N C untuk mendapatkan E sebaga berkut: N = [ C m y µ ) µ A )] = E () dengan estmas µ ) dperoleh dar output jarngan. elanjutnya error dengan pembobotan dapat dhtung sebaga berkut: N = C m µ A )[ y µ ) µ A )] = E () e. Penyederhanaan bagan konsekuen (bagan THEN) menggunakan metode elmnas backward. Dar m varabel nput yang berpartspas pada jarngan syaraf, tdak semuanya memlk konstrbus yang cukup bak. Kta dapat mencoba dengan mengelmnas salah satu varabel, dan kemudan melath jarngan kembal untuk P mendapatkan E ( E ) sebaga berkut: m N P = [ C m y µ ˆ ) µ Aˆ )] = E ; p=,,...,m. () dengan ( ; ; ; ; L; ) =., L,p,p+ elanjutnya bandngkan persamaan dengan persamaan, jka: E m > E () P m maka p dapat dhlangkan. Proses n dulang hngga, persamaan benar-benar dpenuh. f. Penentuan output akhr. Nla y akhrnya dapat dperoleh sebaga berkut: m IV-
3 y r µ A = = r = ) µ ) ; =,,...,N () µ A ) Proses pembelajaran dlakukan dengan semua nput (Gambar ), mengelmnas varabel (Gambar ), mengelmnas varabel (Gambar ), mengelmnas varabel (Gambar ), dan mengelmnas varabel (Gambar ).. MODEL YANG DIUULKAN. Pemlhan varabel nput-output dan data pelathan. Kusumadew (00), memberkan 0 sampel data untuk dbentuk sstem nferens fuzzy dalam varabel nput,,,, dan sebagamana terlhat pada Tabel. ke- sampa akan dgunakan sebaga data pelathan (TRD), sedangkan data ke- sampa 0 akan dgunakan sebaga data pengujan (CHD). Tabel -data ada sstem. varabel nput ke- 0, 0, 0, 0, 0, 0, 0, 0, 0,0 0, 0, 0,0 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0,0 0, 0, 0,0 0 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0 0, 0, 0, 0, target output (y) 0, 0, 0, 0, 0, 0, 0,0 0,,00 0, 0,0 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0,0 0,00 0, 0, 0, 0, 0, 0, 0,0 Dengan menggunakan data-data pada Tabel, akan dbangun aturan-aturan pada sstem nferens fuzzy dengan nput (bagan anteseden),,,, dan output (konsekuen) y.. Proses pembelajaran pada bagan nput Proses pembelajaran dlakukan dengan nput,, dan serta target output y menggunakan backpropagaton levenberg marquardt (Jang, ) dengan lapsan tersembuny (dengan neuron). Parameter-parameter: maksmum epoh = 00; laju pembelajaran = ; dan tolerans error =. Tranng-Blue Goal-Black - Performance s.e-00, Goal s e Epochs Gambar Hasl pembelajaran dengan semua nput. Tranng-Blue Goal-Black - Performance s , Goal s e Epochs Gambar Hasl pembelajaran dengan elmnas. Tranng-Blue Goal-Black - Performance s.0e-00, Goal s e Epochs Gambar Hasl pembelajaran dengan elmnas. IV-
4 Tranng-Blue Goal-Black 0 - Performance s , Goal s e Epochs Gambar Hasl pembelajaran dengan elmnas. Tranng-Blue Goal-Black 0 - Performance s , Goal s e Epochs Gambar Hasl pembelajaran dengan elmnas. E dhtung terhadap semua data (pelathan dan pengujan) dan mendapatkan nla sepert terlhat pada Tabel. Dar sn terlhat bahwa, E yang terjad pada saat varabel delmnas cukup kecl, sehngga apabla varabel dhlangkan, tdak terlalu berpengaruh. ehngga varabel nput yang akan berpartspas pada bagan anteseden (bagan IF) adalah,, dan saja. Tabel Tabel E bagan nput. emua varabel dgunakan Varabel delmnas Varabel delmnas Varabel delmnas Varabel delmnas E 0,00 0,0 0,00 0,000 0,0. Pengelompokan data pelathan pelathan (TRD) dkelompokkan (cluster) sebanyak jumlah aturan yang dngnkan. Msalkan dngnkan sebanyak aturan, maka TRD akan dbag menjad kelas ( aturan). Algortma pengelompokkan FCM (Pal, 00) (Ross, 00) (Yan, ) dgunakan untuk proses tersebut. Dar hasl clusterng, dperoleh nla keanggotaan setap data pada setap cluster, dan kecenderungan suatu data masuk ke suatu cluster sepert terlhat pada Tabel. ke- 0 Tabel Hasl clusterng TRD. Matrks Parts Kecenderungan masuk cluster µ ) µ ) Kelas- Kelas- 0, 0, 0, 0,0 0, 0, 0,0 0, 0, 0,0 0, 0, 0, 0, 0,0 0, 0, 0,0 0, 0,0 0,0 0, 0, 0, 0, 0, 0, 0, 0,0 0,0. Pembelajaran jarngan syaraf yang berhubungan dengan bagan anteseden (bagan IF) pada aturan-aturan nferens fuzzy Untuk setap vektor nput pada TRD harus dtentukan terlebh dahulu nla keanggotaan m, berdasarkan persamaan, haslnya terlhat pada Tabel. Tabel Nla keanggotaan setap cluster (m). ke- 0 Kecenderungan masuk cluster Nla keanggotaan Kelas- Kelas- m m 0, 0, 0 0, 0,0 0 0, 0, 0 0,0 0, 0 0, 0,0 0 0, 0, 0 0, 0, 0 0,0 0, 0 0, 0,0 0 0, 0,0 0 0,0 0, 0 0, 0, 0 0, 0, 0 0, 0, 0 0,0 0,0 0 elanjutnya jarngan syaraf dengan nput,, dan target output m, kta lath dengan menggunakan jarngan backpropagaron levenberg marquardt dengan lapsan tersembuny (dengan neuron). Parameter-parameter: maksmum epoh = 00; laju pembelajaran = ; dan tolerans error =. Proses pembelajaran terlhat pada Gambar. IV-
5 Tranng-Blue Goal-Black 0 0 Performance s 0.000, Goal s Epochs Gambar Hasl pembelajaran pada setap cluster. Kemudan derajat keanggotaan, µ A, setap data dapat dperoleh sebaga output dar jarngan yang telah dlath, sebagamana terlhat pada Tabel. Tabel Nla keanggotaan pada bagan IF (µ A ) TRD & CHD. ke Nla keanggotaan µ A µ A 0, 0,0 0, 0,0 0,0 0,00 0,0 0, 0, 0,000 0,00 0, 0,00 0,0 0,00 0, 0,00 0, 0,00 0,0 0,00 0, 0,00 0, 0, 0,000 0, 0,000 0,0 0, 0, 0,00 0, 0,0 0, 0, 0,00 0, 0, 0,,0000 0,0000 0,00 0, 0, 0,00 0,0 0, 0, 0,0 0,0 0,,0000 0,0000 0,0 0,0 0,000 0,0 0, 0,00. Pembelajaran jarngan syaraf yang berhubungan dengan bagan konsekuen (bagan THEN) pada aturan-aturan nferens fuzzy Pada bagan n akan dlakukan pembelajaran jarngan syaraf pada bagan THEN dar R dengan = m dan target output y, =,,...,; s=,. TRD yang akan dlath pada R (NN ) sepert terlhat pada Tabel, sedangkan TRD yang akan dlath pada R (NN ) sepert terlhat pada Tabel. nput (,, L, ) Tabel -data yang akan dlath pada R (NN ). varabel nput ke- 0, 0, 0,0 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0 0, 0, 0, target output (y) 0, 0, 0, 0, 0, 0, Berasal dar data ke- Tabel -data yang akan dlath pada R (NN ). varabel nput ke- 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0 0, 0, 0, 0, target output (y) 0, 0, 0,0 0,,00 0, 0,0 0, 0, Berasal dar data ke 0 elanjutnya hasl pelathan akan dujkan pada CHD, dengan nput = (,, L, m ), =,,..., untuk mendapatkan E berdasarkan persamaan.. Penyederhanaan bagan konsekuen (bagan THEN) menggunakan metode elmnas backward. Jarngan syaraf NN kemudan dlath dengan menggunakan jarngan backpropagaron levenberg marquardt dengan lapsan tersembuny (dengan neuron). Parameter-parameter: maksmum epoh = 000; laju pembelajaran = ; dan tolerans error =. elanjutnya kta akan melakukan elmnas backward untuk varabel nput. Kemudan melath P jarngan kembal untuk mendapatkan ME ( E m ) berdasarkan persamaan. Pengujan pada NN : Dengan melakukan beberapa elmnas pada varabel nput, dan dengan menggunakan persamaan dperoleh E sepert terlhat pada Tabel. Proses pembelajaran dlakukan dengan semua nput (Gambar ), mengelmnas varabel (Gambar ), mengelmnas varabel (Gambar ), dan mengelmnas varabel (Gambar 0). Tabel Tabel E untuk NN teras pertama. E emua varabel dgunakan, IV-
6 Varabel delmnas Varabel delmnas Varabel delmnas,,, 0 0 Performance s.0e-00, Goal s e Karena nla E dengan mengelmnas varabel lebh kecl darpada E dengan menggunakan semua varabel, maka varabel dapat dhlangkan. Performance s.e-00, Goal s e-00 Tranng-Blue Goal-Black Tranng-Blue Goal-Black Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. 0 0 Performance s.0e-00, Goal s e Epochs Gambar Hasl pembelajaran dengan semua varabel pada NN. Performance s.00e-00, Goal s e-00 Tranng-Blue Goal-Black 0 - Tranng-Blue Goal-Black Epochs Gambar 0 Hasl pembelajaran dengan elmnas pada NN Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. Kemudan, dengan setelah dhlangkan, NN dlath kembal dengan mengelmnas atau. Nla E dapat dlhat pada Tabel. Proses pembelajaran dlakukan dengan mengelmnas varabel (Gambar ), dan mengelmnas varabel (Gambar ). Tabel Tabel E untuk NN teras kedua. Varabel delmnas Varabel delmnas E,,0 Karena nla E dengan mengelmnas varabel maupun varabel tdak ada yang lebh kecl darpada, (menggunakan semua varabel, lhat Tabel ), maka tdak ada varabel nput yang dapat dhlangkan. IV-
7 Tranng-Blue Goal-Black Performance s.e-00, Goal s e emua varabel dgunakan Varabel delmnas Varabel delmnas Varabel delmnas E,,,, Karena nla E dengan mengelmnas varabel lebh kecl darpada E dengan menggunakan semua varabel, maka varabel dapat dhlangkan. Performance s.e-00, Goal s e Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. 0 0 Performance s 0.00, Goal s e-00 Tranng-Blue Goal-Black Tranng-Blue Goal-Black Epochs Gambar Hasl pembelajaran dengan semua varabel pada NN. Performance s.00e-00, Goal s e Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. ehngga format untuk aturan pertama R adalah: R : IF =,, ) THEN y = NN, ). Tranng-Blue Goal-Black Pengujan pada NN : Jarngan syaraf NN dlath dengan menggunakan jarngan backpropagaron levenberg marquardt dengan lapsan tersembuny (dengan neuron). Parameter-parameter: maksmum epoh = 000; laju pembelajaran = ; dan tolerans error =. elanjutnya, dengan melakukan beberapa elmnas pada varabel nput, dan dengan menggunakan persamaan dperoleh E sepert terlhat pada Tabel 0. Proses pembelajaran dlakukan dengan semua nput (Gambar ), mengelmnas varabel (Gambar ), mengelmnas varabel (Gambar ), dan mengelmnas varabel (Gambar ). Tabel 0 Tabel E untuk NN teras pertama Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. IV-0
8 0 0 Performance s.0e-00, Goal s e-00 Performance s.e-00, Goal s e Tranng-Blue Goal-Black Tranng-Blue Goal-Black Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. 0 0 Performance s.0e-00, Goal s e Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. 0 0 Performance s 0.00, Goal s e Tranng-Blue Goal-Black Tranng-Blue Goal-Black Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. Kemudan, dengan setelah dhlangkan, NN dlath kembal dengan mengelmnas atau. Nla E dapat dlhat pada Tabel. Proses pembelajaran dlakukan dengan mengelmnas varabel (Gambar ), dan mengelmnas varabel (Gambar ). Tabel Tabel E untuk NN teras kedua. Varabel delmnas Varabel delmnas E,,00 Karena nla E dengan mengelmnas varabel maupun varabel tdak ada yang lebh kecl darpada, (menggunakan semua varabel, lhat Tabel ), maka tdak ada varabel nput yang dapat dhlangkan Epochs Gambar Hasl pembelajaran dengan elmnas pada NN. ehngga format untuk aturan pertama R adalah: R : IF =,, ) THEN y = NN, ).. Pengujan Terakhr, nla y dapat dperoleh dengan menggunakan persamaan, dan haslnya dapat dlhat pada Tabel. Tabel Hasl pelathan akhr. Input jarngan ke- 0 0, 0, 0,0 0, 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0,0 0, 0, Target output (y) 0, 0, 0, 0, 0, 0, 0,0 0,,00 0, 0,0 Output jarngan (y) 0, 0, 0, 0, 0, 0, 0,0 0,,0000 0, 0,0 IV-
9 Input jarngan ke , 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, Target output (y) 0, 0, 0, 0, 0,0 0, 0, 0, 0, 0, 0,0 0,00 0, 0, 0, 0, 0, 0, 0,0 Output jarngan (y) 0, 0, 0,0 0, 0, 0, 0,,0000 0,0 0, 0, 0, 0, 0,0 0, 0, 0,0,0000 0,0 [] Kusumadew, r; dan Hartat, r. 00. Neuro- Fuzzy: Integras Jarngan yaraf & stem Fuzzy. Graha Ilmu, Yogyakarta [] Kusumadew, r. 00. Membangun Jarngan yaraf Truan Menggunakan MATLAB dan EcelLnk. Graha Ilmu, Yogyakarta [] Ln, Chn-Teng; dan Lee, George.. Neural Fuzzy ystems. London: Prentce-Hall. [] Pal, Nkhl, P.; Pal, Kuhu; Keller, James, M.; dan Bezdek, James, C. 00. A Possblstc Fuzzy C-Means Clusterng Algorthm. IEEE Transactons on Fuzzy ystems, Vol. No.. [] Ross, Tmothy J. 00. Fuzzy Logc wth Engneerng Applcatons. Eds ke-. John Wley & ons Inc. Inggrs. [] Yan, Jun; Ryan, Mchael; dan Power, James.. Usng Fuzzy Logc Towards Intellgent ystems. Prentce Hall. New York. Jumlah kuadrat error (E) antara target output dengan output jarngan adalah 0,; dan koefsen korelas sebesar 0,. Berdasarkan hasl tersebut dapat dsmpulkan bahwa sstem nferens fuzzy yang terbentuk berdasarkan pembelajaran jarngan syaraf memlk valdtas yang cukup tngg.. IMPULAN Dar hasl peneltan, dapat dsmpulkan bahwa:. jarngan syaraf dengan algortma pembelajaran backpropagaton dapat dgunakan untuk membangun sstem nferens fuzzy berdasarkan data-data yang dberkan;. tdak semua varabel yang dberkan berpengaruh dalam pembentukan sstem nferens fuzzy;.. hasl peneltan menghaslkan aturan fuzzy sebaga berkut: R : IF =,, ) THEN y = NN, ). R : IF =,, ) THEN y = NN, ).. E antara target output dengan output jarngan adalah 0,; dan koefsen korelas sebesar 0,; yang berart bahwa sstem nferens fuzzy yang terbentuk berdasarkan pembelajaran jarngan syaraf memlk valdtas yang cukup tngg. PUTAKA [] Co, Earl.. The Fuzzy ystems Handbook (A Prscttoner s Gude to Buldng, Usng, and Mantanng Fuzzy ystems). Massachusetts: Academc Press, Inc [] Fausett, Laurence.. Fundamentals of Neural Networks (Archtectures, Algorthms, and Applcatons). New Jersey: Prentce-Hall. [] Jang, J,, R; un, C.T; dan Mzutan, E.. Neuro-Fuzzy and oft Computng. London: Prentce-Hall. IV-
FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
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 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 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 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 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 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 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 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 IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini 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 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 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 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 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 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 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 V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciBAB III 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 terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB 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 terperinciHybrid intelligent system adalah kombinasi lebih dari dua teknologi cerdas.
Teny Handhayan Pendahuluan Hybrd ntellgent system adalah kombnas lebh dar dua teknolog cerdas. Contohnya kombnas Neural Network dengan Fuzzy membentuk Neuro-fuzzy system Perbandngan Expert Systems, Fuzzy
Lebih 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 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 IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber
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 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 terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih 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 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.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 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 terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB 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 terperinciLAPORAN PENELITIAN. Pola Kecenderungan Penempatan Kunci Jawaban Pada Soal Tipe-D Melengkapi Berganda. Oleh: Drs. Pramono Sidi
LAPORAN PENELITIAN Pola Kecenderungan Penempatan Kunc Jawaban Pada Soal Tpe-D Melengkap Berganda Oleh: Drs. Pramono Sd Fakultas Matematka dan Ilmu Pengetahuan Alam Me 1990 RINGKASAN Populas yang dambl
Lebih terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
Lebih 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 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 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 terperinciPRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel
PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan
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 terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
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 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih 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 terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB III METODE PENELITIAN. 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 terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
Lebih terperinciBAB III METODE PENELITIAN. 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 terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung 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 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 III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
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 terperinciRANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN
RANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN Erfant Fatkhyah Jurusan Teknk Informatka, Fakultas Teknolog Industr, Insttut Sans & Teknolog AKPRIND Yogyakarta Emal: erfunthye@yahoocod
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 terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciBAB 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 terperinciPost test (Treatment) Y 1 X Y 2
BAB III METODOLOGI PENELITIAN A. Metode Peneltan Metode Peneltan adalah cara lmah untuk memaham suatu objek dalam suatu kegatan peneltan. Peneltan yang dlakukan n bertujuan untuk mengetahu penngkatan hasl
Lebih terperinciMETODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar
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 IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih 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 terperinciEvanita Fakultas Teknik, Program Studi Teknik Informatika Universitas Muria Kudus
Jurnal SIMETRIS, Vol 7 No 1 Aprl 2016 PREDIKSI VOLUME LALU LINTAS ANGKUTAN LEBARAN PADA WILAYAH JAWA TENGAH DENGAN METODE K-MEANS CLUSTERING UNTUK ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Evanta Fakultas
Lebih terperinciPEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Studi Kasus : Metode Secant)
PEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Stud Kasus : Metode Secant) Melda panjatan STMIK Bud Darma, Jln.SM.Raja No.338 Sp.Lmun, Medan Sumatera Utara Jurusan Teknk Informatka e-mal : meldapjt.78@gmal.com
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih 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 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 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. menggunakan strategi pembelajaran mind mapping dalam pendekatan
35 BAB III METODE PENELITIAN A. Jens dan Desan Peneltan Jens peneltan n adalah kuas ekspermen. Pada peneltan n terdapat dua kelompok subjek peneltan yatu kelompok ekspermen yang dberkan suatu perlakuan
Lebih terperinciIII.METODE PENELITIAN. Pada penelitian ini subyek yang digunakan adalah siswa VII A SMPN 5
33 III.METODE PENELITIAN A Jens Dan Desan Peneltan. Jens peneltan yang dgunakan dalam peneltan n adalah peneltan kuanttatf. Peneltan n merupakan peneltan korelas yang bertujuan untuk mengetahu hubungan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.3.1 Tempat Peneltan Peneltan n dlaksanakan d SMP Neger Gorontalo khususnya pada sswa kelas VIII. 3.3. Waktu Peneltan Peneltan n dlaksanakan selama
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 terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciBAB 2 LANDASAN TEORI
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 terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih terperinciBAB IV HASIL PENELITIAN
6 BAB IV HAIL PENELITIAN A. Deskrps Data Hasl Peneltan Untuk mengetahu keefektfan penerapan model pembelajaran cooperatve learnng tpe TAD (tudent Teams-Achevement Dvsons) terhadap hasl belajar matematka
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 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 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 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 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 terperinciDISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA
DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,
Lebih 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 terperinciEstimasi Variabel Keadaan Gerak Longitudinal Pesawat Terbang Menggunakan Metode Fuzzy Kalman Filter
A-42 JURNAL SAINS DAN SENI IS Vol. 5 No. 2 (216) 2337-352 (231-928X Prnt) Estmas Varabel Keadaan Gerak Longtudnal Pesawat erbang Menggunakan Metode Fuzzy Kalman Flter Res Arumn San, Erna Aprlan, dan Mohammad
Lebih terperinciAPLIKASI PERKONGRUENAN DALAM MENYELESAIKAN SISTEM PERSAMAAN LINEAR DUA PEUBAH. Yuni Yulida dan Muhammad Ahsar K
Jurnal Matematka Murn dan Terapan Vol. 3 No. Desember 009: 4-6 APLIKASI PERKONGRUENAN DALAM MENYELESAIKAN SISTEM PERSAMAAN LINEAR DUA PEUBAH Yun Yulda dan Muhammad Ahsar K Program Stud Matematka Unverstas
Lebih terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih 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 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 IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinci