METODE EKSTRAKSI FITUR PADA PENGKLASIFIKASIAN DATA MICROARRAY BERBASIS INFORMASI PASANGAN GEN. Nopember, Surabaya, Indonesia.
|
|
- Glenna Atmadjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 METODE EKSTRAKSI FITUR PADA PENGKLASIFIKASIAN DATA MICROARRAY BERBASIS INFORMASI PASANGAN GEN Rully Solaiman,, Sha Agustianty, Yudhi Purwananto, dan I K Eddy Purnama Jurusan Tknik Informatika, Fakultas Tknologi Informasi, Institut Tknologi Suluh Nombr, Surabaya, Indonsia Program Pascasarjana, Jurusan Tknik Elktro, Fakultas Tknologi Industri, Institut Tknologi Suluh Nombr, Surabaya, Indonsia rully@isitsacid Abstrak Pngnalan tknologi DNA microarray mmbuat rolhan data microarray mnjadi lbih mudah Hal ini smakin mmicu rsoalan tntang bagaimana cara trbaik dalam mngkstraksi dan mmih fitur dari data yang brdimnsi bsar trsbut Mtod-mtod trdahulu mngabaikan adanya hubungan antargn shingga mmungkinkan hangnya informasi nting yang trsiman dalam suatu gn ada saat kstraksi fitur Mskiun brbagai macam mtod tlah digunakan, ngmbangan mtod kstraksi dan slksi fitur dari data microarray yang lbih owrful dan fisin masih dirlukan untuk mningkatkan rforma klasifikasi kankr Dalam nlitian ini diimlmntasikan sbuah mtod dalam mlakukan kstraksi fitur dari data microarray yang mmanfaatkan modl klasifikasi brbasis informasi asangan gn, yaitu asangan gn yang mmiki rbdaan signifikan ada dua jnis saml tissu Has uji coba trhada dua data microarray mnunjukkan bahwa fitur has kstraksi mnggunakan mtod ini daat mningkatkan rforma klasifikasi Bahkan akurasi 00% daat dirolh ada uji coba trhada data lymhoma Kata kunci : algoritma gntika, data microarray, kstraksi fitur, informasi asangan gn, klasifikasi kankr Pndahuluan Pngnalan tknologi DNA microarray mmbuat rolhan data microarray smakin mudah Hal ini mmicu rsoalan tntang bagaimana cara trbaik dalam mlakukan kstraksi dan slksi fitur dari data yang brdimnsi sangat bsar trsbut Brbagai macam mtod tlah diusulkan dalam mlakukan kstraksi dan slksi fitur dari data microarray Akan ttai, mtod-mtod trdahulu mngabaikan adanya hubungan antar gn (intrrlation) shingga mmungkinkan hangnya informasi nting yang trsiman ada suatu gn ada saat kstraksi fitur Hal ini mngakibatkan mtod trsbut masih blum daat mmbantu ara muwan biologi untuk mnmukan informasi nting ada gn, trutama mngnai masalah klasifikasi kankr [] Mskiun brbagai macam mtod tlah digunakan untuk mngkstrak dan mmih fitur dari data microarray, ngmbangan mtod kstraksi dan slksi fitur dari data microarray yang lbih kuat dan fisin untuk mningkatkan rforma klasifikasi kankr masih mnjadi rsoalan yang rlu dislsaikan [] Olh karna itu dalam nlitian ini diusulkan sbuah imlmntasi mtod kstraksi fitur yang mmrlakukan informasi asangan gn, yaitu asangan gn yang mmiki kolrasi tinggi ada satu jnis saml jaringan (tissu saml) dan mmiki rbdaan yang signifikan ada ti tissu saml lain, sbagai suatu ksatuan yang digunakan untuk kstraksi fitur dari modl klasifikasi brbasis informasi asangan gn Scara umum informasi asangan gn didaatkan mlalui mbangunan kmungkinan-kmungkinan modl klasifikasi yang mmiki tingkat kofisin korlasi yang tinggi ada satu klas dan rndah di klas lainnya scara acak Sbanyak n to rankd modl klasifikasi dngan tingkat akurasi yang lbih tinggi dibagi mnjadi dua klomok Klomok brisi modl klasifikasi yang brkorlasi tinggi di klas Klomok brisi modl klasifikasi yang brkorlasi tinggi di klas Kmudian to-rankd modl klasifikasi dari masing-masing klomok digunakan untuk mmbuat dua subst modl klasifikasi Subst modl brisi fitur-fitur yang mmiki ran bsar untuk mnjadi gn rtama (g) ada informasi asangan gn Subst modl
2 Rully Solaiman, Sha Agustianty, Yudhi Purwananto, dan IK Eddy Purnama Modl Modl Modl 3 Modl nt KELOMPOK Modl Modl Modl 3 Modl k KELOMPOK Modl Modl Modl 3 Modl k SUBSET MODEL Fitur Fitur Fitur k SUBSET MODEL Fitur Fitur Fitur k SUBSET MODEL Fitur Fitur Fitur k SUBSET MODEL Fitur Fitur Fitur k KROMOSOM Amb n fitur dari SM dan n fitur dari SM KROMOSOM Amb n fitur dari SM dan n fitur dari SM SUBSET FITUR {Fitur, Fitur } {Fitur, Fitur } {Fitur, Fitur } {Fitur, Fitur } SUBSET FITUR {Fitur, Fitur } {Fitur, Fitur } {Fitur, Fitur } {Fitur, Fitur } SUBSET FITUR TERPILIH Gambar Dsain modl sistm scara umum diawali dari ross mbangkitan modl klasifikasi sbanyak nt samai didaatkan subst fitur trih brisi fitur-fitur yang mmiki ran bsar untuk mnjadi gn kdua (g) ada informasi asangan gn Pross slksi subst fitur ditrakan mnggunakan algoritma gntika untuk mndaatkan subst aling otimal di masingmasing klasnya Subst fitur trbaik akan trih di akhir sistm Dalam subst trsbut trdaat asangan-asangan informasi gn yang trlibat bsrta tingkat akurasi ngklasifikasiannya Algoritma sistm ini mruakan usulan dari [] Dsain modl sistm yang diimlmntasikan daat dihat ada Gambar Informasi Pasangan Gn Dua macam gn g dan g yang diuji k dalam dua jnis jaringan saml (sbagai contoh, jaringan normal dan jaringan kankr) daat disbut dngan informasi asangan gn aaba mmnuhi karaktristik sbagai brikut: Kduanya mmiki tingkat korlasi tinggi k klas (atau klas ) Exrssion lvl dari g dan atau g mmiki rubahan yang signifikan yang mmbuat kdua jnis saml daat diisahkan Aaba trdaat asangan gn g dan g yang diuji ada dua ti tissu saml yang brbda, rlasi di antara kduanya daat digambarkan mnggunakan modl rgrsi linir ktika kduanya mmiki korlasi tinggi ada sbuah ti tissu saml (ti tissu saml untuk slanjutnya disbut dngan klas) Contohnya ktika asangan gn trsbut mmiki korlasi tinggi ada klas rtama, artinya bahwa ada klas rtama nai ksrsi g daat scara akurat dirdiksi dari nai ksrsi g mnggunakan modl linir Modl yang didaat dari klas rtama trsbut masih daat digunakan untuk mmrdiksi nai ksrsi g dari g ada klas kdua ktika rlasi antara g dan g mmiki rbdaan yang signifikan ada klas kdua, yang mnghaskan nai bias yang lbih bsar antara nai has rdiksi dngan nai ssungguhnya Nai bsar atau kcnya bias inah yang mnunjukkan saml brasal dari klas kdua atau rtama, shingga dua macam klas daat dibdakan brdasarkan nai rdiksi bias Brdasarkan mikiran trsbut dirknalkan modl klasifikasi brbasis informasi asangan gn [] 3 Modl Klasifikasi 3 Pmbuatan Modl Klasifikasi Diasumsikan dua jnis saml diuji dalam rcobaan microarray, k mruakan jumlah gn, n dan n (n = n + n) mruakan jumlah saml ada klas dan Data microarray daat dirrsntasikan k dalam bntuk matriks Y=(y i ) k n, X=(x i ) k n, di mana y i (x i ) mnunjukkan xrssion lvl dari gn k-i ada saml k-() yang dimiki olh klas k- (atau klas k-) Jika dibrikan gn k-i dan k-j (informasi asangan gn) yang sangat brkolrasi ada klas, maka untuk saml k- dari klas, y i daat dirdiksi mlalui modl rgrsi brikut ˆ ˆ ˆ y n () y 0 j ˆ 0 dan ˆ distimasikan dari datast, (y i, y j ), (y i, y j ),, (y in, y jn ) mnggunakan mtod last suar [3] Nai rsidual didaatkan dngan rumus = y i ŷ yakni slisih antara nai yang ditinjau y i
3 Rully Solaiman, Sha Agustianty, Yudhi Purwananto, dan IK Eddy Purnama dngan nai yang dirdiksi ŷ Untuk smua saml ada klas, daat dirolh subst E srti ada modl () E { ˆ ˆ yi 0 y j, n} () Untuk saml k- ada klas, tta digunakan modl () untuk mmrdiksi nai xi srti yang trlihat ada modl (3) brikut: ˆ ˆ ˆ x n (3) x 0 j dngan nai rsidual: = xi Untuk smua saml dari klas, daat dirolh modl (4) E { ˆ ˆ xi 0 x j, n} (4) Aturan klasifikasi yang digunakan modl rgrsi untuk mminimalisasi ksalahan dalam mmbdakan lmn mnjadi dua subst E dan E diawali dngan mndfinisikan fungsi brikut: f ( ) i { count({,, E, n E, n }) } (5) dngan mruakan bangan ral, count() mnunjukkan jumlah lmn yang trdaat dalam subst Jika =, fi() = max(fi()), maka nai thrshold d daat dirolh mlalui rumus: d (max({ min({,, E ) E }))/ (6) Olh karna itu ktika diih saml scara acak dari ksluruhan saml, maka xrssion lvl gn k-i dan k-j dalam masing-masing saml adalah w i dan w j, ross klasifikasi daat dakukan dngan aturan brikut Ditmatkan k dalam klas jika: ˆ w i wi d, yakni, w i 0 wj d dan ditmatkan k dalam klas jika sbaliknya ˆ ˆ (7) 3 Evaluasi Modl Klasifikasi Trdaat sjumlah bsar modl klasifikasi yang diusulkan dalam data microarray ttai banyak di antaranya tidak rlvan dngan fungsi klasifikasi Dngan dmikian dirlukan adanya nyaringan trhada modl klasifikasi yang tidak baik trsbut dan mmih modl dngan rform,a klasifikasi yang lbih baik [] Karna untuk mngvaluasi sluruh kmungkinan modl klasifikasi akan mmbutuhkan waktu komutasi yang sangat lama, modl klasifikasi yang akan divaluasi hanyalah modl klasifikasi yang mmnuhi kritria yaitu mlbihi nai thrshold kofisin korlasi ( h ) Shingga modl klasifikasi yang nai kofisin korlasi [4] di klas dan klas brada di bawah nai thrshold tidak akan divaluasi Trdaat tiga mtod yang sring digunakan dalam mngvaluasi rforma modl klasifikasi [5] Aaba ksluruhan saml digunakan sbagai data training skaligus data tsting maka tingkat akurasi klasifikasi mnunjuk ada nggunaan mtod yang disbut within saml classification accuracy (WSCA) Mtod WSCA ditrakan dalam dua ross Pross rtama adalah digunakan untuk mngvaluasi tia modl klasifikasi has mbangkitan sdangkan yang kdua adalah digunakan untuk mngvaluasi fitur subst ada saat masuk k langkah slksi fitur Prhitungan nai WSCA scara mudah daat dirolh mlalui has bagi jumlah lmn yang bnar diklasifikasikan dngan jumlah lmn yang diklasifikasikan 4 Slksi Subst Fitur Slksi fitur mruakan tknik yang digunakan untuk mmih fitur trbaik dari skian banyak fitur yang trsdia ada sbuah data Pross slksi fitur yang ditrakan ada kasus imlmntasi mtod kstraksi fitur dalam ngklasifikasian data microarray brbasis informasi asangan gn ini digunakan untuk mmih subst modl klasifikasi dalam hal ini di dalamnya trdaat asanganasangan informasi gn ihan trbaik yang daat mngklasifikasikan dngan tingkat akurasi yang lbih tinggi Mtod yang digunakan dalam ross ini adalah algoritma gntika Algoritma gntika diih karna trbukti mruakan mtod otimasi volusionr yang fktif [6,7] Pada kasus ini algoritma gntika digunakan untuk mncari subst fitur yang otimal dari to rankd subst modl klasifikasi ada klas (atau ) [] Trdaat bbraa aramtr yang rlu dlaskan dalam mngimlmntasikan algoritma gntika, diantaranya adalah: 4 Dfinisi individu Individu atau yang sring disbut dngan kromosom dinyatakan dalam rrsntasi binr Satu individu trdiri atas dua gn, gn rtama mrrsntasikan to rankd subst modl yang mmiki ran nting untuk mnjadi gn rtama dalam suatu informasi asangan gn sdangkan gn
4 Rully Solaiman, Sha Agustianty, Yudhi Purwananto, dan IK Eddy Purnama kdua mrrsntasikan to rankd subst modl yang mmiki ran nting untuk mnjadi gn kdua dalam suatu informasi asangan gn Misal subst A dan B ada Gambar a di bawah ini mruakan subst modl klasifikasi yang brisi fitur, subst A brisi to rankd 5 fitur trbaik yang yang brran di suatu klas untuk mnjadi gn rtama sdangkan subst B brisi to rankd 5 fitur trbaik yang brran di klas yang sama untuk mnjadi gn kdua Rrsntasi kromosom binr dari subst di atas ada algoritma gntika daat dihat ada Gambar b Tia bit dari kromosom ini mruakan rrsntasi satu fitur Bit dan 0 mrrsntasikan hadir atau tidaknya fitur trsbut dalam sbuah individu Dalam satu kromosom trdaat satu titik otong P yang brfungsi mmbdakan fitur dari subst A (fitur untuk gn rtama) dngan fitur dari subst B (fitur untuk gn kdua) A (a) B P (b) Gambar Contoh rrsntasi kromosom (a) Dua subst modl klasifikasi yang akan dikonvrsi mnjadi kromosom (b) Contoh rrsntasi kromosom binr dari gabungan subst A dan subst B 4 Inisialisasi oulasi Poulasi awal dibangkitkan scara random dari to rankd LC modl klasifikasi yang tlah didaat ada langkah sblumnya dngan asumsi bahwa aaba didkodkan k dalam dsimal tia individu dalam oulasi awal ini mmiki angka yang unik untuk mnghindari adanya individu yang kmbar dan tidak dibolhkan ada angka 0 untuk mnghindari ksalahan Poulasi yang diakai brukuran 50 Smakin tinggi nai oulasi akan mmbutuhkan waktu kskusi yang lbih lama 43 Pmihan individu untuk diasangkan Cara slksi yang digunakan adalah sbagai brikut: dua kromosom trbaik akan langsung masuk k gnrasi slanjutnya (ross litism), sdangkan 48 kromosom sisanya dibri bobot ssuai dngan rlativ fitnss (8) untuk gnrasi arnt (robabistically) atau biasa disbut dngan Roultt Whl f f i (8) ri 48 f, i 48 k k dngan f ri adalah nai rlativ fitnss dari koromosom k-i, f i adalah nai fitnss dari kromosom k-i 44 Mngkombinasikan individu Kombinasi individu ini mruakan has indah sang (crossovr) dua individu yang trih dalam aliran oulasi yang brtujuan untuk mnctak individu baru ada gnrasi brikutnya Crossovr yang digunakan ada kasus ini adalah two oint crossovr dngan robabitas trjadinya crossovr adalah 09 Probabitas ini trmasuk k dalam rang aramtr control yang tlah diusulkan olh [8] 45 Mutasi Mutasi adalah rubahan gn yang bukan brasal dari arnt Pross mutasi dakukan dngan cara nggantian dngan nai invrsinya, bit 0 mnjadi atau bit mnjadi 0 Pross ini dakukan scara acak ada osisi trtntu ada individuindividu yang trih untuk dimutasikan Probabitas trjadinya mutasi ada kasus ini adalah 005 Probabitas ini juga trmasuk k dalam rang aramtr control yang tlah diusulkan olh [8] 46 Kritria brhnti (stoing critria) Kritria brhnti yang dittakan adalah ktika jumlah gnrasi mncaai lbih dari 00 dan knaikan nai fitnss (otimal fitnss valu) lbih rndah dari 0000 dalam 0 utaran 47 Fungsi fitnss Tujuan dari algoritma gntika ini adalah mmih subst modl klasifikasi yang aling otimal untuk mngkstraksi subst fitur yang daat mmbrikan rforma klasifikasi yang lbih baik dngan mnggunakan gn yang lbih sdikit Olh karna itu, subst modl klasifikasi divaluasi mlalui rforma subst fitur yang dikstraksi dari subst modl yang brsangkutan 47 Ekstraksi fitur dari subst modl klasifikasi Fungsi fitnss digunakan untuk mnghitung rforma dari tia individu Tlah dlaskan sblumnya bahwa fungsi fitnss dihitung dngan mnggunakan rforma subst fitur yang dikstraksi dari subst modl klasifikasi Olh karna itu, di sini akan dlaskan trlbih dahulu mngnai mtod kstraksi fitur dari subst modl klasifikasi untuk mndaatkan subst fitur Stlah individu
5 Rully Solaiman, Sha Agustianty, Yudhi Purwananto, dan IK Eddy Purnama didkodkan mnjadi subst modl klasifikasi, slanjutnya kita harus mndaftarkan smua kmungkinan informasi asangan gn yang daat dibuat dari subst modl trsbut Pasangan informasi gn ini yang akan digunakan untuk ross kstraksi subst fitur Stia informasi asangan gn (gn k-i dan gn k-j) akan mmroyksikan xrssion valus gn k-i ada dua jnis saml k dalam dua subst Ei dan Ei Untuk m asangan informasi gn: (i,j ),, (i m,j m ) yang mmiki tingkat kolrasi tinggi ada klas, daat dibuat m modl rgrsi linirnya yang mmroyksikan xrssion valus gn m (i, i,, i m ) ada dua jnis saml k dalam m asang subst: (E,E ), (E,E ),, (E imjm,e imjm ) Untuk saml k- dari klas dan saml k- dari klas ditrakan rumus (8) dan (9): m m m l m l jl jl,, jl jl E E jl jl (9) (0) diih sbagai fitur dari saml k- dan sbagai fitur dari saml k- Jadi untuk smua saml dalam data microarray akan mnghaskan subst fitur (0) U,,,,,,, } () { n n Dngan cara yang sama, untuk m asangan informasi gn: (i,j ),, (i m,j m ) yang mmiki tingkat kolrasi tinggi ada klas, daat dibuat m modl rgrsi linirnya yang mmroyksikan xrssion valus gn m(i, i,, i m ) ada dua jnis saml k dalam m asang subst: (E i j,e i j ),(E i j,e i j ),,(E i mj m,e i mj m ) Untuk saml k- dari klas dan saml k- dari klas, mlalui rumus () dan (): m ' i' j', i' j' E () l l l l i' l j' l m ' m l m l daat diih juga i' j', i ' j' E l l l l i' l j' l (3) ' sbagai fitur dari saml k dan ' sbagai fitur dari saml k- Jadi untuk smua saml dalam data microarray akan mnghaskan subst fitur (3) U ' { ', ',, ' n, ', ',, ' n } (4) 47 Rumusan Fungsi Fitnss Pross kstraksi fitur akan mnghaskan subst fitur untuk tia subst modl klasifikasi Subst fitur ini akan digunakan untuk mnghitung nai fitnss karna rforma subst fitur mrrsntasikan rforma dari subst modl klasifikasi (atau individu dalam algoritma gntika) Untuk ross rhitungan fitnss, ada 3 oin ukuran (trms) yang daat digunakan untuk mngukur rforma dari subst fitur, yaitu: Tingkat akurasi dari klasifikasi subst fitur, Batasan (margin) dari classifir yang datih olh subst fitur, 3 Jumlah gn yang trlibat dalam subst fitur Jika subst fitur yg dikstrak dari subst modl klasifikasi mmunyai nai akurasi yang sama, subst fitur diih adalah yang daat mlatih classifir dngan margin yang lbih bsar Jika nai akurasi dan margin sama, subst dngan jumlah gn lbih sdikit yang akan diih Untuk mngkombinasikan ktiga ukuran di atas, kita gunakan fungsi fitnss (5) brikut: fitnss Acc Acc ( LC Fn) LC Mg 0 MM 4 ( LC Fn) LC if if Acc Acc (5) dngan Acc = WSCA dari subst fitur, Fn = jumlah asangan gn yang trdaat dalam subst fitur, LC = anjang kromosom, Mg/MM = magnitud dari margin classifir WSCA dihitung mnggunakan aturan klasifikasi yang sama ada diskriminasi subst E dan E Sbagai contoh, WSCA subst fitur U = {µ, µ,, µ n, µ, µ,, µ n }, dihitung mnggunakan aturan brikut: Pih saml scara random dari total saml (nai fitur valunya µ i ) Tmatkan saml ada klas jika µ i µ d, klas jika sbaliknya, di mana µ d mruakan nai otimal thrshold yang daat mminimalisir rror dalam mmbdakan lmn k dalam subst: {µ, µ,, µ n }, {µ, µ,, µ n } Jika Acc = 00%, maka Mg = min(µ, µ,, µ n ) max(µ, µ,, µ n ), dan MM brdasarkan modl (0) daat dihitung mnggunakan rumus brikut: MM abs( n n i i n n i ) i (6) Rang nai akurasi antara 05 samai dngan, Mg/MM antara 0 samai dngan, sdangkan trm ktiga brkisar antara 0 samai dngan 0000
6 Rully Solaiman, Sha Agustianty, Yudhi Purwananto, dan IK Eddy Purnama 5 Uji Coba dan Analisis Datast microarray yang digunakan sbagai uji coba sistm ini adalah data colon cancr [9] dan diffus larg B cll lymhoma (DLBCL) [0] Colon cancr mmiki 000 fitur dan 6 saml ( mruakan jaringan normal dan 40 mruakan jaringan kankr), sdangkan DLBCL mmiki 406 fitur dan 4 saml ( mruakan jaringan grminal cntr B-lik DLBCL dan mruakan jaringan activd B-lik DLBCL) Trdaat tiga data masukan yang dibutuhkan dalam sistm, yaitu datast, thrshold kofisin korlasi ( h ), anjang subst fitur (LC) Data kluaran dari sistm ini adalah subst fitur has kstraksi bsrta informasi asangan gn yang trdaat di dalamnya dan nai within saml classification accuracy (WSCA) dari subst fitur trsbut Dua sknario akan ditrakan dalam uji coba sistm Sknario rtama adalah nambahan nai thrshold h yang digunakan sbagai ftring kofisin korlasi sdangkan sknario kdua adalah nambahan nai LC yang mruakan anjang subst fitur yang ingin dihaskan Masing-masing sknario akan ditrakan ada dua data uji coba yang tlah dlaskan sblumnya, yaitu data Colon Cancr dan data DLBCL 5 Sknario Pada sknario rtama ini dakukan nambahan nai thrshold ( h ) kmudian dakukan analisis ngaruhnya trhada tingkat akurasi yang daat dakukan olh subst fitur yang trih bsrta jumlah asangan gn yang trlibat dalam subst fitur Slain itu dakukan juga analisis trhada tingkat akurasi yang daat dakukan olh masing-masing informasi asangan gn trtinggi dalam subst fitur yang trih 5 Data Colon Cancr Uji coba rtama, kdua, ktiga, dan kmat scara brturut-turut h brnai 06, 07, 08, 09 dngan anjang subst fitur LC yang sama yaitu 0 Has kluaran brua otimal fitnss valu (OFV), nai within saml classification accuracy (WSCA), bsrta banyaknya asangan gn yang trlibat dalam subst yang trih (Fn) trlihat ada Tabl Tabl Prbandingan Trhada Pnambahan Nai Thrshold Pada Data Colon Cancr h OFV WSCA (%) Fn Tabl Daftar Informasi Pasangan Gn yang Trlibat dalam Subst Fitur Data Colon Cancr h Gn Gn WSCA(%) Kofisin korlasi Emat uji coba di atas dakukan dngan mnggunakan has mbangkitan modl klasifikasi scara random yang sama yaitu ada saat h 06 Hal ini dakukan untuk daat mnganalisis has subst fitur yang didaat ktika trdaat knaikan nai h saat ross slksi Dari has yang trlihat ada Tabl trsbut daat dianalisis bahwa nambahan nai h brngaruh trhada nai WSCA subst fitur yang trih bsrta jumlah asangan gn yang trlibat di dalamnya (Fn) Smakin tinggi nai h yang diinutkan maka smakin tinggi ula nai WSCA subst fitur yang didaat, slain itu jumlah asangan informasi gn yang trlibat dalam subst fitur juga smakin banyak Namun trjadi nurunan ktika nai h yang diinutkan trlalu tinggi Hal ini dikarnakan ross random modl klasifikasi di awal dakukan dngan mnggunakan h 06 shingga asanganasangan informasi gn yang daat mlbihi nai h 09 ada saat ross slksi mnjadi smakin sdikit
7 Informasi Gn Colon Cancr k 576 Informasi Gn Colon Cancr k 576 Rully Solaiman, Sha Agustianty, Yudhi Purwananto, dan IK Eddy Purnama 8 Plotting Colon Cancr dg Rgrssion Modl 7 Has Klasifikasi Colon Cancr normal cancr 65 normal cancr 7 modl rgrsi batas 6 6 batas Informasi Gn Colon Cancr k Informasi Gn Colon Cancr k 843 (a) (b) Gambar 3 Plotting nai ksrsi data colon cancr mnggunakan informasi asangan gn k 843 dan k 576 (a) Data sblum diklasifikasikan Pross klasifikasi dakukan dngan aturan yaitu data yang brada dalam dua garis batas brwarna hau akan diklasifikasikan k dalam klas normal, dan diklasifikasikan k dalam klas cancr jika sbaliknya (b) Has stlah diklasifikasikan Pncaaian nai WSCA subst fitur trtinggi adalah ktika h brnai antara 07 samai 08 Tingkat akurasi ngklasifikasian sbsar 95,6% didaat dngan mlibatkan sbanyak 3 samai 4 informasi asangan gn Untuk mngtahui lbih dta mngnai subst fitur yang trih, brikut akan ditamkan daftar informasi asangan gn yang trlibat ada masingmasing subst fitur yang trih ada kmat uji coba Daftar informasi asangan gn ada uji coba rtama samai kmat daat dihat ada Tabl yaitu brua asangan gn (gn dan gn ), nai within saml classification accuracy (WSCA), bsrta nai kofisin korlasi asangan gn yang brsangkutan Dari tabl trsbut trlihat bahwa asangan informasi gn yang aling dominan dan mmiki tingkat akurasi ngklasifikasian aling tinggi adalah asangan 843 dan 576 yaitu dngan tingkat akurasi 9355% dan kofisin korlasi 094 Visualisasi gambar ross klasifikasi mnggunakan informasi asangan gn ini daat dihat ada Gambar 3 Tingginya kofisin korlasi ada satu klas trlihat ada brkumulnya saml-saml yang brada dalam klas normal sdmikian shingga saml-saml trsbut mmiki sbuah jarak yang daat digunakan untuk mmbdakannya dngan klas kankr 5 Data DLBCL Uji coba rtama, kdua, ktiga, dan kmat scara brturut-turut h brnai 05, 06, 07, 08 dngan anjang subst fitur LC yang sama yaitu 0 Has kluaran brua otimal fitnss valu (OFV), nai within saml classification accuracy (WSCA), nai magnitud classifir (Mg/MM), bsrta banyaknya asangan gn yang trlibat dalam subst yang trih (Fn) trlihat ada Tabl 3 Emat uji coba di atas dakukan dngan mnggunakan has mbangkitan modl klasifikasi scara random yang sama yaitu ada saat h 05, hal ini dakukan untuk daat mnganalisis has subst fitur yang didaat ktika trdaat knaikan nai h saat ross slksi Has yang trlihat ada Tabl 3 trsbut daat dianalisis bahwa nambahan nai h brngaruh trhada nai WSCA subst fitur yang trih bsrta jumlah asangan gn yang trlibat di dalamnya (Fn) Smakin tinggi nai h yang digunakan maka smakin tinggi ula nai WSCA subst fitur yang didaat, Slain itu jumlah asangan informasi gn yang trlibat dalam subst fitur juga smakin banyak Namun trjadi nurunan ktika nai h yang diinutkan trlalu tinggi Hal ini dikarnakan ross random modl klasifikasi di awal dakukan dngan mnggunakan h 05 shingga asanganasangan informasi gn yang daat mlbihi nai h 08 ada saat ross slksi mnjadi smakin sdikit Untuk mngtahui lbih dta mngnai subst fitur yang trih, brikut akan ditamkan daftar informasi asangan gn yang trlibat ada masingmasing subst fitur yang trih ada kmat uji coba Daftar informasi asangan gn ada uji coba rtama daat dihat ada Tabl 4 yaitu brua asangan gn (gn dan gn ), nai within saml classification accuracy (WSCA), bsrta nai kofisin korlasi asangan gn yang brsangkutan Dari Tabl 4 trlihat bahwa asangan informasi gn yang aling dominan dan mmiki tingkat akurasi ngklasifikasian aling tinggi adalah asangan 37 dan 03 yaitu dngan tingkat akurasi 954% dan kofisin korlasi 068 Visualisasi gambar
8 Informasi Gn DLBCL k 03 Informasi Gn DLBCL k 03 Rully Solaiman, Sha Agustianty, Yudhi Purwananto, dan IK Eddy Purnama Plotting DLBCL dg Rgrssion Modl Has Klasifikasi DLBCL grminal cntr B-lik activ B-lik modl rgrsi batas batas Informasi Gn DLBCL k grminal cntr B-lik activ B-lik Informasi Gn DLBCL k 37 (a) (b) Gambar 4 Plotting nai ksrsi data DLBCL mnggunakan informasi asangan gn k 37 dan k 03 (a) Data sblum diklasifikasikan Pross klasifikasi dakukan dngan aturan yaitu data yang brada dalam dua garis batas brwarna hau akan diklasifikasikan k dalam klas grminal cntr B-likd, dan diklasifikasikan k dalam klas activ B-lik jika sbaliknya (b) Has stlah diklasifikasikan ross klasifikasi mnggunakan informasi asangan gn ini daat dihat ada Gambar 4 Tingginya kofisin korlasi ada satu klas trlihat ada brkumulnya saml-saml yang brada dalam klas grminal cntr B-lik, sdmikian shingga saml-saml trsbut mmiki sbuah jarak yang daat digunakan untuk mmbdakannya dngan klas activ B-lik Tabl 3 Prbandingan Trhada Pnambahan Nai Thrshold ada Data DLBCL h OFV WSCA (%) Mg/MM Fn Tabl 4 Daftar Informasi Pasangan Gn yang Trlibat dalam Subst Fitur Data DLBCL h Gn Gn WSCA(%) Kofisin korlasi Sknario Pada sknario kdua dakukan nambahan anjang subst fitur (LC) kmudian dakukan analisis ngaruhnya trhada tingkat akurasi yang daat dakukan olh subst fitur yang trih bsrta jumlah asangan gn yang trlibat dalam subst fitur Slain itu dakukan juga analisis trhada tingkat akurasi yang daat dakukan olh masing-masing informasi asangan gn trtinggi dalam subst fitur yang trih Has uji coba yang dakukan ada dua datast akan dlaskan ada sub bab brikut ini 5 Data Colon Cancr Uji coba rtama, kdua, ktiga, samai ktujuh scara brturut-turut LC brnai 0, 0, 30, 40, 50, 00, 50 dngan nai thrshold h yang sama yaitu 08 Has kluaran brua otimal fitnss valu (OFV), nai within saml classification accuracy (WSCA), bsrta banyaknya asangan gn yang trlibat dalam subst yang trih (Fn) trlihat ada Tabl 5 Tabl 5 Prbandingan Trhada Pnambahan Panjang Subst Fitur ada Data Colon Cancr LC OFV WSCA (%) Fn Tujuh uji coba di atas dakukan dngan mnggunakan has mbangkitan modl klasifikasi scara random yang sama yaitu ada saat h 08 Hal ini dakukan untuk daat mnganalisis has subst fitur yang didaat ktika trdaat knaikan anjang subst fitur (LC) Dari has yang trlihat ada Tabl 5 trsbut daat dianalisis bahwa nambahan nai LC brngaruh trhada nai WSCA subst fitur yang trih bsrta jumlah asangan gn yang trlibat di dalamnya (Fn)
9 Rully Solaiman, Sha Agustianty, Yudhi Purwananto, dan IK Eddy Purnama Smakin tinggi nai LC yang diinutkan maka smakin tinggi ula nai WSCA subst fitur yang didaat, slain itu jumlah asangan informasi gn yang trlibat dalam subst fitur juga smakin banyak Namun trjadi nurunan nai WSCA ktika nai LC yang diinutkan trlalu bsar Hal ini dikarnakan smakin bsar nai LC, maka smakin banyak ula kmungkinan asangan gn (modl klasifikasi) yang dibntuk ada saat ross slksi fitur mnggunakan algoritma gntika Trlalu banyaknya modl klasifikasi yang dibntuk trsbut itulah yang mmicu nurunan nai WSCA yang didaat Nai Fn brbanding lurus dngan bsarnya nai LC yang diinutkan, srti yang dlaskan sblumnya bahwa smakin bsar nai LC maka smakin banyak ula asangan gn yang trlibat dalam suatu subst fitur Pncaaian nai WSCA subst fitur trtinggi adalah ktika LC brnai antara 30 samai 40 Tingkat akurasi ngklasifikasian sbsar 98,4% didaat dngan mlibatkan sbanyak samai 4 informasi asangan gn 5 Data DLBCL Uji coba rtama, kdua, ktiga, samai ktujuh scara brturut-turut LC brnai 0, 0, 30, 40, 50, 00, 50 dngan nai thrshold h yang sama yaitu 08 Has kluaran brua otimal fitnss valu (OFV), nai within saml classification accuracy (WSCA), nai magnitud classifir (Mg/MM), bsrta banyaknya asangan gn yang trlibat dalam subst yang trih (Fn) trlihat ada Tabl 6 Tabl 6 Prbandingan Trhada Pnambahan Panjang Subst Fitur ada Data DLBCL LC OFV WSCA (%) Mg/MM Fn Tujuh uji coba di atas dakukan dngan mnggunakan has mbangkitan modl klasifikasi scara random yang sama yaitu ada saat h 08 Hal ini dakukan untuk daat mnganalisis has subst fitur yang didaat ktika trdaat knaikan anjang subst fitur (LC) Dari has yang trlihat ada Tabl 6 trsbut daat dianalisis bahwa nambahan nai LC brngaruh trhada nai WSCA subst fitur yang trih bsrta jumlah asangan gn yang trlibat di dalamnya (Fn) Karna dari ktujuh uji coba di atas mnghaskan nai WSCA subst fitur yang sama, analisis akan dakukan trhada nai magnitud (Mg/MM) dan banyaknya informasi asangan gn yang trlibat di dalamnya (Fn) Smakin tinggi nai LC yang diinutkan maka smakin tinggi ula nai magnitud yang didaat, slain itu jumlah asangan informasi gn yang trlibat dalam subst fitur juga smakin banyak Namun nai magnitud mngalami nurunan ktika nai LC yang diinutkan trlalu tinggi Hal ini dikarnakan smakin tinggi nai LC, smakin banyak ula kmungkinan asangan gn (modl klasifikasi) yang dibntuk ada saat ross slksi fitur mnggunakan algoritma gntika Trlalu banyaknya modl klasifikasi yang dibntuk trsbut itulah yang mmicu nurunan nai magnitud yang didaat Nai Fn brbanding lurus dngan bsarnya nai LC yang diinutkan, srti yang dlaskan sblumnya bahwa smakin bsar nai LC maka smakin banyak ula asangan gn yang trlibat dalam suatu subst fitur 6 Ksimulan Stlah dakukan uji coba dan analisis has trhada alikasi yang tlah dibuat maka daat diamb ksimulan sbagai brikut: a Suatu informasi asangan gn yang mmiki karaktristik nai kofisin korlasi yang sangat tinggi ada suatu klas, dan nai dari kdua gn trsbut mmiki rbdaan yang signifikan shingga daat digunakan untuk mmbdakan antara klas satu dngan lainnya trbukti daat dadikan sbagai modl untuk ross ngklasifikasian b Ekstraksi fitur yang mmanfaatkan modl klasifikasi brbasis informasi asangan gn daat mnghaskan drtan fitur (subst fitur) yang mamu mningkatkan akurasi ross klasifikasi c Gabungan informasi asangan gn yang trdaat dalam subst fitur daat mmbntuk gabungan modl klasifikasi Gabungan dari bbraa modl klasifikasi yang digunakan untuk mngklasifikasikan ini daat mmbrikan tingkat akurasi yang lbih tinggi dariada hanya mnggunakan satu modl klasifikasi saja d Smakin tinggi nai aramtr thrshold kofisin korlasi dan anjang subst fitur yang digunakan tidak mnjamin mnghaskan subst fitur yang baik Brdasarkan has uji coba daat disimulkan bahwa subst fitur yang otimal daat dihaskan dngan mnggunakan aramtr thrshold untuk colon cancr adalah 07, sdangkan untuk DLBCL adalah 06, dan aramtr anjang subst fitur untuk colon cancr adalah 30, sdangkan untuk DLBCL adalah 0
10 Rully Solaiman, Sha Agustianty, Yudhi Purwananto, dan IK Eddy Purnama REFERENSI [] Li, J, Tang, X, Liu, J, Huang, J, dan Wang, Y, A novl aroach to fatur xtraction from classification modl basd on information gn airs, Pattrn Rcognition, 4 : 6 Juni, 008 [] Li, J, Tang, X, A nw classification modl with siml dcision rul for discovring otimal fatur gn airs, Comutrs in Biology and Mdicin 37, 007 [3] Thodoridis, S, Koutroumbas, K, Pattrn Rcognition Third Edition, China: Machin Prss P 495, 003 [4] Walol, RE, Myrs, RH, Myrs, SL, Y, K, Probabity & Statistics for Enginrs & Scintist Svnth Edition Prntic Hall, 356, 00 [5] Xiong, M, Fang, X, Zhao, J, Biomarkr idntification by fatur wrar, Gnom Rs, 00 [6] Gn, M, Chng, R, Gntic Algorithm and Enginring Dsign, Jaan: A wy-intrscinc Publication, John Wy & Sons, Inc, 997 [7] Goldbrg, DE, Gntic Algorithm in Sarch, Otimization, and Machin Larning, USA: Addition Wsly Publishing Comany, Inc, 989 [8] Srinivas, M, Patnaik, LM, Gntic algorithm: a survy, IEEE Comut 7, 994 [9] Alon, U Barkai, N, Nottrman, Gish, K, Ybarra, S, Mack, D, and Lvinr, J, Data rtaining to th articl Broad attrns of gn xrssion rvald by clustring of tumor and normal colon tissus robd by oligonuclotid arrays, 999, htt://microarray rinctondu/oncology/affydata /indxhtml [0] Alizadh, AA, Eisn, MB, Davis, RE, Ma, C, Lossos, IS, Rosnwald, A, t al, Th Wb Sulmnt to Distinct Tys of Diffus Larg B-Cll Lymhoma Idntifid By Gn Exrssion Profing, 000, htt://llmnihgov/lymhoma/data/rawdata
11 Rully Solaiman, Sha Agustianty, Yudhi Purwananto, dan IK Eddy Purnama
1. Proses Normalisasi
BAB IV PEMBAHASAN A. Pr-Procssing Pross pngolahan signal PCG sblum dilakukan kstaksi dan klasifikasi adalah pr-procssing. Signal PCG untuk data training dan data tsting trdapat dalam lampiran 5 (halaman
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 3 Proses penentuan perilaku api.
6 yang diharapkan. Msin infrnsi disusun brdasarkan stratgi pnalaran yang akan digunakan dalam sistm dan rprsntasi pngtahuan. Msin infrnsi yang digunakan dalam pngmbangan sistm pakar ini adalah FIS. Implmntasi
Lebih terperinciPartial Least Squares (PLS) Generalized Linear dalam Regresi Logistik
Partial Last Squars (PLS) Gnralizd Linar dalam Rgrsi Logistik Rtno Subkti Jurusan Pndidikan Matmatika FMIPA UNY Abstrak Kasus multikoliniritas sringkali diumai dalam rgrsi yang mngakibatkan salah intrrtasi
Lebih terperinciPENGGUNAAN METODE BAGGING DENGAN MENERAPKAN DATA BALANCING PADA CHURN PREDICTION UNTUK PERUSAHAAN TELEKOMUNIKASI
Sminar Nasional Alikasi Tknologi Informasi 29 (SNATI 29) ISSN: 97-522 Yogyakarta, 2 Juni 29 PENGGUNAAN METODE BAGGING DENGAN MENERAPKAN DATA BALANCING PADA CHURN PREDICTION UNTUK PERUSAHAAN TELEKOMUNIKASI
Lebih terperinciAPLIKASI METODE STATED PREFERENCE PADA PEMILIHAN MODA ANGKUTAN UMUM PENUMPANG (RUTE MAKASSAR MAJENE)
APLIKASI METODE STATED PREFERENCE PADA PEMILIHAN MODA ANGKUTAN UMUM PENUMPANG (RUTE MAKASSAR MAJENE) Abdul Gaus Program Studi Tknik Siil Fakultas Tknik Univrsitas Khairun Trnat Tl/Fax (091) 38049 Irnawaty
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Data penelitian diperoleh dari siswa kelas XII Jurusan Teknik Elektronika
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. DESKRIPSI DATA Data pnlitian diprolh dari siswa klas XII Jurusan Tknik Elktronika Industri SMK Ma arif 1 kbumn. Data variabl pngalaman praktik industri, kmandirian
Lebih terperinciOleh : Bustanul Arifin K BAB IV HASIL PENELITIAN. Nama N Mean Std. Deviation Minimum Maximum X ,97 3,
Kpdulian trhadap sanitasi lingkungan diprdiksi dari tingkat pndidikan ibu dan pndapatan kluarga pada kluarga sjahtra I klurahan Krtn kcamatan Lawyan kota Surakarta Olh : Bustanul Arifin K.39817 BAB IV
Lebih terperinciAnalisis Dinamis Portal Bertingkat Banyak Multi Bentang Dengan Variasi Tingkat (Storey) Pada Tiap Bentang
Analisis Dinamis Portal Brtingkat Banyak Multi Bntang Dngan Variasi Tingkat (Story) Pada Tiap Bntang Hiryco Manalip Rky Stnly Windah Jams Albrt Kaunang Univrsitas Sam Ratulangi Fakultas Tknik Jurusan Sipil
Lebih terperinciAnalisis Rangkaian Listrik
Sudaryatno Sudirham Analisis Rangkaian Listrik Mnggunakan Transformasi Fourir - Sudaryatno Sudirham, Analisis Rangkaian Listrik (4) BAB Analisis Rangkaian Mnggunakan Transformasi Fourir Dngan pmbahasan
Lebih terperincimodel pengukuran yang menunjukkan ukur Pengukuran dalam B. Model Mode sama indikator dan 1 Pag
Modl Modl Pngukuran dalam Pmodlan Prsamaan Struktural Wahyu Widhiarso Fakultas Psikologi UGM Tulisan ini akan mmbahas bbrapa modl dalam SEM yang unik. Dikatakan unik karna jarang dipakai. Tulisan hanya
Lebih terperinciKata kunci : Probabilitas pemilihan bus, Logit binner, Stated Preference
PROBABILITAS PENGGUNAAN BUS ANGKUTAN ALTERNATIF PADA RUTE JAYAPURA BANDAR UDARA SENTANI AMIRUDDIN Mahasiswa Magistr Bidang Kahlian Manajmn Dan Rkayasa Transortasi Fakultas Tknik Siil dan Prncanaan Institut
Lebih terperinciBAB 3 METODOLOGI PERANCANGAN. 35 orang. Setiap orang diambil sampel sebanyak 15 citra wajah dengan
BAB 3 METODOLOGI PERANCANGAN 3.1 Input Data Citra Wajah Pada pnlitian ini, digunakan sbanyak 525 citra ajah yang trdiri dari 35 orang. Stiap orang diambil sampl sbanyak 15 citra ajah dngan pncahayaan yang
Lebih terperinciDebuging Program dengan EasyCase
Modul asyc 1 Dbuging Program dngan EasyCas Di susun Olh : Di dukung olh : Portal dukasi Indonsia Opn Knowlodg and Education http://ok.or.id Modul asyc 2 KATA PENGANTAR Puji syukur kpada guru sjatiku Gusti
Lebih terperinciUJI KESELARASAN FUNGSI (GOODNESS-OF-FIT TEST)
UJI CHI KUADRAT PENDAHULUAN Distribusi chi kuadrat mrupakan mtod pngujian hipotsa trhadap prbdaan lbih dari proporsi. Contoh: manajr pmasaran suatu prusahaan ingin mngtahui apakah prbdaan proporsi pnjualan
Lebih terperinciMODUL PERKULIAHAN REKAYASA FONDASI 1. Penurunan Tanah pada Fondasi Dangkal. Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh
MODUL PERKULIAHAN REKAYASA FONDASI 1 Pnurunan Tanah pada Fondasi Dangkal Fakultas Program Studi Tatap Muka Kod MK Disusun Olh Tknik Prnanaan Tknik A41117AB dan Dsain Sipil 9 Abstrat Modul ini brisi bbrapa
Lebih terperinciMETODE ITERASI TANPA TURUNAN BERDASARKAN EKSPANSI TAYLOR UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR ABSTRACT
METODE ITERASI TANPA TURUNAN BERDASARKAN EKSPANSI TAYLOR UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR E. Yuliani, M. Imran, S. Putra Mahasiswa Program Studi S Matmatika Laboratorium Matmatika Trapan, Jurusan
Lebih terperinciII. LANDASAN TEORI. digunakan sebagai landasan teori pada penelitian ini. Teori dasar mengenai graf
II. LANDASAN TEORI 2.1 Konsp Dasar Graf Pada bagian ini akan dibrikan konsp dasar graf dan dimnsi partisi graf yang digunakan sbagai landasan tori pada pnlitian ini. Tori dasar mngnai graf yang akan digunakan
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 7
Mata Kuliah : Matmatika Diskrit Program Studi : Tknik Informatika Minggu k : 7 MATRIK GRAPH Sbuah graph dapat kita sajikan dalam bntuk matrik, yaitu : a. Matrik titik (Adjacnt Matrix) b. Matrik rusuk (Edg
Lebih terperinciMINAT SISWA TERHADAP EKSTRAKURIKULER OLAHRAGA BOLA VOLI DI SMA N 2 KABUPATEN PACITAN
Artikl Skripsi MINAT SISWA TERHADAP EKSTRAKURIKULER OLAHRAGA BOLA VOLI DI SMA N 2 KABUPATEN PACITAN SKRIPSI Diajukan Untuk Mmnuhi Sbagian Syarat Guna Mmprolh Glar Sarjana Pndidikan (S.Pd.) Pada Jurusan
Lebih terperinciPemodelan Faktor-faktor yang Mempengaruhi Prestasi Mahasiswa Pasca Sarjana ITS dengan Regresi Logistik dan Neural Network
JURNAL SAINS DAN SENI ITS Vol., No., (Spt. 202) ISSN: 230-928X D-36 Pmodlan Faktor-faktor yang Mmpngaruhi Prstasi Mahasiswa Pasca Sarjana ITS dngan Rgrsi Logistik dan Nural Ntwork Wijdani Anindya Hadi
Lebih terperinciBab 6 Sumber dan Perambatan Galat
Mtod Pnlitian Suradi Sirgar Bab 6 Sumbr dan Prambatan Galat 6. Sumbr galat. Data masukan, misal hasil pngukuran (galat bawaan). Slama komputasi (galat pross), galat ang timbul akibat komputasi 3. Galat
Lebih terperinciMETODE ITERASI KELUARGA CHEBYSHEV-HALLEY UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR. Yuli Syafti Purnama 1 ABSTRACT
METODE ITERASI KELUARGA CHEBYSHEV-HALLEY UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR Yuli Syafti Purnama Mahasiswa Program Studi S Matmatika Fakultas Matmatika dan Ilmu Pngtahuan Alam Univrsitas Riau Kampus
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. KARAKTERISTIK MUTU DAN REOLOGI CPO AWAL Minyak sawit kasar (crud palm oil/cpo) mrupakan komoditas unggulan Indonsia yang juga brpran pnting dalam prdagangan dunia. Mngingat
Lebih terperinciAplikasi Integral. Panjang sebuah kurva w(y) sepanjang selang dapat ditemukan menggunakan persamaan
Aplikasi Intgral Intgral dapat diaplikasikan k dalam banyak hal. Dari yang sdrhana, hingga aplikasi prhitungan yang sangat komplks. Brikut mrupakan aplikasi-aplikasi intgral yang tlah diklompokkan dalam
Lebih terperinciSIMULASI DESAIN COOLING SYSTEM DAN RUNNER SYSTEM UNTUK OPTIMASI KUALITAS PRODUK TOP CASE
SIMULASI DESAIN COOLING SYSTEM DAN RUNNER SYSTEM UNTUK OPTIMASI KUALITAS PRODUK TOP CASE Fabio Dwi Bagus Irawan 1,a, Cahyo Budiyantoro 1,b, Thoharudin 1,c 1 Program Studi Tknik Msin, Fakultas Tknik, Univrsitas
Lebih terperinciANALISIS NOSEL MOTOR ROKET RX LAPAN SETELAH DILAKUKAN PEMOTONGAN PANJANG DAN DIAMETER
Analisis Nosl Motor Rokt RX-1 LAPAN... (Ahmad Jamaludin Fitroh, Sari) ANALISIS NOSEL MOTOR ROKET RX - 1 LAPAN SETELAH DILAKUKAN PEMOTONGAN PANJANG DAN DIAMETER Ahmad Jamaludin Fitroh, Sari Pnliti Pnliti
Lebih terperinciPERANCANGAN BANDSTOP FILTER (BSF) DENGAN ALGORITMA GENETIK
Vol.6 No.. Agustus 04 Jurnal Momntum ISSN : 693-75X PERANCANGAN BANDSTOP FILTER (BSF) DENGAN ALGORITMA GENETIK Olh: Muhammad Anwar Dosn Jurusan Tknik Elktronika Univrsitas Ngri Padang Abstract A study
Lebih terperinciPertemuan XIV, XV VII. Garis Pengaruh
ahan jar Statika ulyati, ST., T rtmuan X, X. Garis ngaruh. ndahuluan danya muatan hidup yang brgrak dari satu ujung k ujung lain pada suatu konstruksi disbut bban brgrak. isalkan ada sbuah kndaraan mlalui
Lebih terperinciRANCANG BANGUN PATCH RECTANGULAR ANTENNA 2.4 GHz DENGAN METODE PENCATUAN EMC (ELECTROMAGNETICALLY COUPLED)
RANCANG BANGUN PATCH RECTANGULAR ANTENNA 2.4 GHz DENGAN METODE PENCATUAN EMC (ELECTROMAGNETICALLY COUPLED) Winny Friska Uli,Ali Hanafiah Ramb Konsntrasi Tknik Tlkomunikasi, Dpartmn Tknik Elktro Fakultas
Lebih terperinciPENENTUAN NILAI e/m ELEKTRON
Pnntuan Nilai E/m Elktron 013 PENENTUAN NILAI /m ELEKTRON Intan Masruroh S, Anita Susanti, Rza Ruzuqi, Zaky Alam Laboratorium Fisika Radiasi, Dpartmn Fisika Fakultas Sains Dan Tknologi, Univrsitas Airlangga
Lebih terperinciBAB II TINJAUAN PUSTAKA. berbagai macam seperti gambar dibawah (Troitsky M.S, 1990).
BAB II TINJAUAN USTAKA 2.1 Struktur Rangka Baja Extrnal rstrssing Scara toritis pningkatan kkuatan pada rangka baja untuk jmbatan dapat dilakukan dngan pmasangan prkuatan pratkan kstrnal pada rangka trsbut.
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB LANDASAN TEORI Pada bab ini akan diuraikan mngnai tori dan trminologi graph, yaitu bntuk-bntuk khusus suatu graph. Di sini uga akan dilaskan mngnai minimum spanning tr, pmrograman 0-, dan aplikasi
Lebih terperinciANALISIS KINERJA STRUKTUR PADA BANGUNAN BERTINGKAT BERATURAN DAN KETIDAK BERATURAN HORIZONTAL SESUAI SNI
ANALISIS KINERJA STRUKTUR PADA BANGUNAN BERTINGKAT BERATURAN DAN KETIDAK BERATURAN HORIZONTAL SESUAI SNI 03-1726-2012 Hotma L Purba Jurusan Tknik Sipil,Univrsitas Sriwijaya Korspondnsi pnulis : hotmapurba@hotmail.com
Lebih terperinciPada gambar 2 merupakan luasan bidang dua dimensi telah mengalami regangan. Salah satu titik yang menjadi titik acuan adalah titik P.
nurunan Kcpatan Glombang dan Glombang S Glombang sismik mrupakan gtaran yang mrambat pada mdium batuan dan mnmbus lapisan bumi. njalaran mnybabkan dformasi batuan.strss atau tkanan didfinisikan gaya prsatuan
Lebih terperinciPenentuan Lot Size Pemesanan Bahan Baku Dengan Batasan Kapasitas Gudang
Pnntuan Lot Siz Pmsanan Bahan Baku Dngan Batasan Kapasitas Gudang Dana Marstiya Utama 1 Abstract. This papr xplains th problm o dtrmining th lot siz o ordring raw matrials with warhous capacity limitation
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Blakang Di dalam dunia bisnis yang smakin ktat saat ini prusahaan dituntut untuk mmiliki banyak kunggulan komptitif agar dapat brsaing dngan yang lainnya. Maka dari itu, prusahaan
Lebih terperinciPELABELAN TOTAL SISI ANTI AJAIB SUPER (PTSAAS) PADA GABUNGAN GRAF BINTANG GANDA DAN LINTASAN
JIMT ol. 9 No. 1 Juni 01 (Hal. 16 8) Jurnal Ilmiah Matmatika dan Trapan ISSN : 450 766X PELABELAN TOTAL SISI ANTI AJAIB SUPER (PTSAAS) PADA GABUNGAN GRAF BINTANG GANDA DAN LINTASAN Nurainun 1, S. Musdalifah,
Lebih terperinciModifikasi Analytic Network Process Untuk Rekomendasi Pemilihan Handphone
Modifikasi Analytic Ntwork Procss Untuk Rkomndasi Pmilihan Handphon Fry Dwi Hrmawan Jurusan Informatika Fakultas MIPA, Univrsitas Sblas Mart Surakarta frydh@yahoocom Ristu Saptono Jurusan Informatika Fakultas
Lebih terperinciMETODE KLASIFIKASI BERSTRUKTUR POHON DENGAN ALGORITMA CRUISE, QUEST, DAN CHAID
Forum Statistika dan Komutasi, Aril 2006, :20-28 Vol. 11 No. 1 ISSN : 0853-8115 METODE KLASIFIKASI BERSTRUKTUR POHON DENGAN ALGORITMA CRUISE, QUEST, DAN CHAID Yasmin Erika F. Jurusan Tknik Msin Politknik
Lebih terperinciIV. Konsolidasi. Pertemuan VII
Prtmuan VII IV. Konsolidasi IV. Pndahuluan. Konsolidasi adalah pross brkurangnya volum atau brkurangnya rongga pori dari tanah jnuh brpmabilitas rndah akibat pmbbanan. Pross ini trjadi jika tanah jnuh
Lebih terperinciMODEL PERSEDIAAN DETERMINISTIK DENGAN MEMPERTIMBANGKAN MASA KADALUARSA DAN PENURUNAN HARGA JUAL
ISSN : 407 846 -ISSN : 460 846 MODEL PERSEDIAAN DETERMINISTIK DENGAN MEMPERTIMBANGKAN MASA KADALUARSA DAN PENURUNAN HARGA JUAL Chrish Rikardo *, Taufik Limansyah, Dharma Lsmono Magistr Tknik Industri,
Lebih terperinciBAB I METODE NUMERIK SECARA UMUM
BAB I METODE NUMERIK SECARA UMUM Aplikasi modl matmatika banyak muncul dalam brbagai disiplin ilmu pngtahuan, sprti isika, kimia, konomi, prsoalan rkayasa (tknik msin, sipil, lktro). Modl matmatika yang
Lebih terperinciBAB II TINJAUAN KEPUSTAKAAN
BAB II TINJAUAN KEPUTAKAAN II.1 PENDAHULUAN Yild lin adalah suatu pmcahan yang dapat digunakan dalam plat bton dimana trjadinya tgangan llh dan rotasi scara plastis muncul. Tori ini dapat digunakan dalam
Lebih terperinciUniversitas Indonusa Esa Unggul Fakultas Ilmu Komputer Teknik Informatika. Persamaan Diferensial Orde I
Univrsitas Indonusa Esa Unggul Fakultas Ilmu Komputr Tknik Informatika Prsamaan Difrnsial Ord I Dfinisi Prsamaan Difrnsial Prsamaan difrnsial adalah suatu prsamaan ang mmuat satu atau lbih turunan fungsi
Lebih terperinciMuatan Bergerak. Muatan hidup yang bergerak dari satu ujung ke ujung lain pada suatu
Muatan rgrak Muatan hidup yang brgrak dari satu ujung k ujung lain pada suatu konstruksik disbut bb bban brgrak Sbuah kndaraan mlalui suatu jmbatan, maka akan timbul prubahanbh nilai i raksi kimaupun gaya
Lebih terperinciINFLUENCE OF LIMES COLUMN VARIATION DISTANCE IN SOFT CLAY STABILIZATION A REVIEW OF INDEX COMPRESSION (Cc) PARAMATER
INFLUENCE OF LIMES COLUMN VARIATION DISTANCE IN SOFT CLAY STABILIZATION A REVIEW OF INDEX COMPRESSION (Cc) PARAMATER PENGARUH VARIASI JARAK KOLOM KAPUR DALAM STABILISASI LEMPUNG LUNAK PADA TINJAUAN NILAI
Lebih terperinciPemodelan dan Pemetaan Rata-rata Usia Kawin Pertama Wanita di Provinsi Jawa Timur dengan Pendekatan Regresi Logistik Ordinal
Pmodlan dan Pmtaan Rata-rata Usia Kawin Prtama Wanita di Provinsi Jawa Timur dngan Pndatan Rgrsi Logisti Ordinal Ang Kusumaningtyas P. Ananto, Dr. Vita Ratnasari, S.Si, M.Si Jurusan Statistia, Faultas
Lebih terperinci8. Fungsi Logaritma Natural, Eksponensial, Hiperbolik
8. Fungsi Logaritma Natural, Eksponnsial, Hiprbolik 8.. Fungsi Logarithma Natural. Sudaratno Sudirham Dfinisi. Logaritma natural adalah logaritma dngan mnggunakan basis bilangan. Bilangan ini, sprti halna
Lebih terperinciANALISA PENGARUH PACK CARBURIZING MENGGUNAKAN ARANG MLANDING UNTUK MENINGKATKAN SIFAT MEKANIS SPROKET SEPEDA MOTOR SUZUKI
Analisa Pngaruh Pack Carburizing Mnggunakan Arang Mlanding (Mas ad dkk.) ANALISA PENGARUH PACK CARBURIZING MENGGUNAKAN ARANG MLANDING UNTUK MENINGKATKAN SIFAT MEKANIS SPROKET SEPEDA MOTOR SUZUKI Mas ad,
Lebih terperinciPENGARUH MODEL PROBLEM BASED LEARNING (PBL) TERHADAP HASIL BELAJAR SISWA PADA MATERI POKOK OPTIKA GEOMETRIS
PENGARUH MODEL PROBLEM BASED LEARNING (PBL) TERHADAP HASIL BELAJAR SISWA PADA MATERI POKOK OPTIKA GEOMETRIS Rani Dliana Panggaban 1 dan Pintor Simamora 1 Alumni Mahasiswa Program Studi Pndidikan Fisika
Lebih terperinciIntegral Fungsi Eksponen, Fungsi Trigonometri, Fungsi Logaritma
Modul Intgral Fungsi Eksponn, Fungsi Trigonomtri, Fungsi Logaritma Dr. Subanar D PENDAHULUAN alam mata kuliah Kalkulus I Anda tlah mngnal bahwa intgrasi adalah pross balikan dari difrnsiasi. Jadi untuk
Lebih terperinciBAB II TEORI DASAR 2.1 Pengertian Pasang Surut
BAB II TEORI DASAR 2.1 Pngrtian Pasang Surut Pasang surut air laut (pasut) adalah pristiwa naik turunnya muka air scara priodik dngan rata-rata priodnya 12,4 jam (di bbrapa tmpat 24,8 jam) (Pond dan Pickard,
Lebih terperinciHUBUNGAN ANTARA KELOMPOK UMUR, JENIS KELAMIN DAN JENIS PEKERJAAN PADA PENDERITA HIV/AIDS DI KABUPATEN BANYUMAS
18Novmbr 17 Tma 7: Ilmu-Ilmu Murni (Matmatika, Fisika, Kimia dan Biologi) HUBUNGAN ANTARA KELOMPOK UMUR, JENIS KELAMIN DAN JENIS PEKERJAAN PADA PENDERITA HIV/AIDS DI KABUPATEN BANYUMAS Olh Agung Prabowo
Lebih terperinciKIMIA FISIKA (Kode : C-10) PENGOLAHAN LIMBAH CAIR TEMBAGA DENGAN MEMANFAATKAN ADSORBEN ZEOLIT ALAM YANG TERIMPREGNASI
MAKALAH PEDAMPIG KIMIA FISIKA (Kod : C-10) ISB : 978-979-1533-85-0 PEGOLAHA LIMBAH CAIR TEMBAGA DEGA MEMAFAATKA ADSORBE ZEOLIT ALAM YAG TERIMPREGASI Danil Indrayana Satyautra* *Staf Pngajar Program Studi
Lebih terperinciANALISIS PERPINDAHAN PANAS KONVEKSI PAKSA NANOFLUIDA AIR-Al2O3 DALAM SUB-BULUH VERTIKAL SEGIENAM
ISSN : 2355-9365 -Procding of Enginring : Vol.4, No.1 April 2017 Pag 632 Abstrak ANALISIS PERPINDAHAN PANAS KONVEKSI PAKSA NANOFLUIDA AIR-Al2O3 DALAM SUB-BULUH VERTIKAL SEGIENAM FORCED CONVECTION HEAT
Lebih terperinciPENENTUAN RUTE TERPENDEK DENGAN MENGGUNAKAN ALGORITMA CHEAPEST INSERTION HEURISTIC (STUDI KASUS: PT.
Bultin Ilmiah Math. Stat. dan Trapannya (Bimastr) Volum 04, No. 3 (2015), hal 295 304. PENENTUAN RUTE TERPENDEK DENGAN MENGGUNAKAN ALGORITMA CHEAPEST INSERTION HEURISTIC (STUDI KASUS: PT. Wicaksana Ovrsas
Lebih terperinciDeret Fourier, Transformasi Fourier dan DFT
Drt Fourir, Transformasi Fourir dan DFT A. Drt Fourir Drt fourir adalah drt yang digunakan dalam bidang rkayasa. Drt ini prtama kali ditmukan olh sorang ilmuan prancis Jan-Baptist Josph Fourir (1768-18).
Lebih terperinciReduksi data gravitasi
Modul 5 Rduksi data gravitasi Rduksi data gravitasi trdiri dari:. Rduksi g toritis. Rduksi fr air 3. Rduksi Bougur 4. Rduksi mdan/trrain. Rduksi g toritis Pnlaahan tntang konsp rduksi data gravitasi lbih
Lebih terperinciVI. EFISIENSI PRODUKSI DAN PERILAKU RISIKO PRODUKTIVITAS PETANI PADA USAHATANI CABAI MERAH
VI. EFISIENSI PRODUKSI DAN PERILAKU RISIKO PRODUKTIVITAS PETANI PADA USAHATANI CABAI MERAH.. Faktor-Faktor yang Mmpngaruhi Produktivitas Cabai Mrah dan Nilai Elastisitas Input trhadap Produktivitas...
Lebih terperinciPENGENALAN ANGKA MELALUI PERMAINAN DADU DALAM PEMBELAJARAN MATEMATIKA PADA ANAK USIA 5-6 TAHUN
PENGENALAN ANGKA MELALUI PERMAINAN DADU DALAM PEMBELAJARAN MATEMATIKA PADA ANAK USIA 5-6 TAHUN Mlania, Masluyah Suib, Dsni Yuniarni Pndidikan Guru Pndidikan Anak Usia Dini FKIP Untan, Pontianak Email :
Lebih terperinciMateri ke - 6. Penggunaan Integral Tak Tentu. 30 Maret 2015
Matri k - 6 Pnggunaan Intgral Tak Tntu 30 Mart 015 Industrial Enginring UNS ko@uns.ac.id Prsamaan Difrnsial dan Pnggunaanna Prsamaan difrnsial mngaitkan suatu fungsi dngan turunanna difrnsial Contoh '
Lebih terperinciROKET AIR SMA NEGERI 21 MAKASSAR
ALAT PERAGA FISIKA ROKET AIR SMA NEGERI 21 MAKASSAR I. PENDAHULUAN 1. Latar Blakang Trkadang di waktu snggang srang siswa tatkala kbanyakan mrka mnggunakannya untuk brmalas-malasan, mlakukan hal yang tak
Lebih terperinciPenggunaan Algoritma RSA dengan Metode The Sieve of Eratosthenes dalam Enkripsi dan Deskripsi Pengiriman
Pnggunaan Algoritma RSA dngan Mtod Th Siv of Eratosthns dalam Enkripsi dan Dskripsi Pngiriman Email Muhammad Safri Lubis Jurusan Tknologi Informasi Fak. Ilmu Komputr dan Tknologi Informasi, USU Mdan, Indonsia
Lebih terperinciKARAKTERISASI ELEMEN IDEMPOTEN CENTRAL
Jurnal Barkng Vol 5 No Hal 33 39 (0) KAAKTEISASI ELEMEN IDEMPOTEN CENTAL HENY W M PATTY, ELVINUS ICHAD PESULESSY, UDI WOLTE MATAKUPAN 3,,3 Staf Jurusan Matmatika FMIPA UNPATTI Jl Ir M Putuhna, Kampus Unpatti,
Lebih terperinciPENGGUNAAN JARINGAN SYARAF TIRUAN UNTUK PENGKLASIFIKASIAN STATUS GIZI SKRIPSI. Oleh: INDA SAFITRI NIM
PENGGUNAAN JARINGAN SYARAF TIRUAN UNTUK PENGKLASIFIKASIAN STATUS GIZI SKRIPSI Olh: INDA SAFITRI NIM. 065009 JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
Lebih terperinciGambar IV.6. Gambaran kontur bidang sesar yang menggambarkan bentuk ramp-flat-ramp pada border fault di Sub-cekungan Kiri.
Pada pta struktur waktu (Gambar IV.4) trlihat bntuk ssar utama yang cukup unik dibagian tngah. Bntuk ini dipngaruhi olh konfigurasi Batuan Dasar yang dihasilkan olh struktur brumur Pra-Trsir. Pada pta
Lebih terperinciPELABELAN PRIME CORDIAL UNTUK GRAF BUKU DAN GRAF MATAHARI YANG DIPERUMUM
JIMT Vol. 4 No. Juni 07 (Hal 56-69) ISSN : 450 766X PELABELAN PRIME CORDIAL UNTUK GRAF BUKU DAN GRAF MATAHARI YANG DIPERUMUM S.Pranata, I. W. Sudarsana dan S.Musdalifah 3,,3 Program Studi Matmatika Jurusan
Lebih terperinciFUNGSI DOMINASI ROMAWI PADA LINE GRAPH
Bultin Ilmiah Mat. Stat. dan Trapannya (Bimastr) Volum 04, No. 2 (2015), hal 119 126. FUNGSI DOMINASI ROMAWI PADA LINE GRAPH Ysi Januarti, Mariatul Kiftiah, Nilamsari Kusumastuti INTISARI Himpunan D disbut
Lebih terperinciAplikasi Media Pembelajaran Budidaya Ikan Gurame Berbasis Web Guna Mendukung Desa Pintar
Aplikasi Mdia Pmblajaran Budidaya Ikan Guram Brbasis Wb Guna Mndukung Dsa Pintar Mardiyono, Dwi Irvan Rosadi Jurusan Tknik Elktro Politknik Ngri Smarang E-mail : mardiyono@polins.ac.id, dwiirvanrosadi@gmail.com
Lebih terperinciBAB I PENDAHULUAN 1.1.Latar Belakang
BAB I PENDAHULUAN 1.1.Latar Blakang Sarana dan prasarana transportasi di suatu ngara mmpunyai pranan yang sangat pnting dalam pngmbangan suatu kawasan trtntu, baik konomi, sosial, budaya dan sbagainya.
Lebih terperinciMaterike April 2014
Matrik-6 Pnggunaan Intgral Tak Tntu 10 April 014 Prsamaan Difrnsial dan Pnggunaanna Prsamaan difrnsial mngaitkan suatu fungsi dngan turunanna ( difrnsial Contoh ' ' '' ' Prsamaan Difrnsial dan Pnggunaanna
Lebih terperinciANALISIS KOMBINASI PRELOADING MEKANIS DAN ELEKTROKINETIK TERHADAP PEMAMPATAN TANAH LUNAK PONTIANAK
ANALISIS KOMBINASI PRELOADING MEKANIS DAN ELEKTROKINETIK TERHADAP PEMAMPATAN TANAH LUNAK PONTIANAK Agustina 1), Rustamadji 2)., Eka Priadi, MT 2) Program Studi Tknik Sipil, Fakultas Tknik, Univrsitas Tanjungpura
Lebih terperinciSusunan Antena. Oleh : Eka Setia Nugraha S.T., M.T. Sumber: Nachwan Mufti Adriansyah, S.T., M.T.
Susunan Antna Olh : ka Stia Nugraha S.T., M.T. Sumbr: Nachwan Mufti Adriansyah, S.T., M.T. A. Pndahuluan Dalam kuliah Mdan lktromantika Tlkomunikasi kita sudah mngnal pnjumlahan/ suprposisi mdan. Tlah
Lebih terperinciMODEL STATISTIKA UNTUK FERTILITAS PERKAWINAN DENGAN PENDEKATAN EKSPONENSIAL. Abstrak
MODEL STATISTIKA UTUK FERTILITAS PERKAWIA DEGA PEDEKATA EKSPOESIAL Endang Sri Krsnaati Jurusan Matmatika FMIPA Univrsitas Sriiaa ndangsrikrsnaati@ahoo.co.id Abstrak Frtilitas rkainan dingaruhi olh faktor
Lebih terperinciESTIMASI PARAMETER DUA LEVEL MODEL GSTARX-GLS
Program Sudi MMT-ITS, Surabaya Agusus ESTIMASI PARAMETER UA LEVEL MOEL GSTARX- Andria Prima iago dan Suharono Program Sudi Magisr Saisika, Insiu Tknologi Spuluh Nopmbr Jl Arif Rahman Hakim, Surabaya,,
Lebih terperinci5. Aplikasi Sederhana Mekanika Statistik
Pngtahuan tntang sistm mikroskoik 5. Alikasi Sdrhana Mkanika Statistik mngtahui sifat-sifat makroskoik sistm dalam ksimbangan. 5.. Fungsi Partisi Prosdur untuk mngtahui sifat-sifat makroskoik dngan mkanika
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI. MICRO BUBBLE GENERATOR Micro Bubbl Gnrator (MBG) mrupakan suatu alat yang difungsikan untuk mnghasilkan glmbung udara dalam ukuran mikro, yaitu glmbung dngan diamtr 00 μm []. Aplikasi
Lebih terperinciPROFIL DATA PENGOBATAN DALAM USADA TENUNG TANYALARA
PROFIL DATA PENGOBATAN DALAM USADA TENUNG TANYALARA Wahyuni, N.N.S 1, Warditiani, N.K. 1, Lliqia, N.P.E. 1 1 Jurusan Farmasi Fakultas Matmatika Dan Ilmu Pngtahuan Alam Univrsitas Udayana Korspondnsi: Ni
Lebih terperinciPENERAPAN REGRESI LOGISTIK ORDINAL UNTUK MENGANALISIS TINGKAT KEPARAHAN KORBAN KECELAKAAN LALU LINTAS KABUPATEN BULELENG
E-Jurnal Matmatia Vol. 4 (), Mi,. 4-8 ISSN: -7 PENERAPAN REGRESI LOGISTIK ORDINAL UNTUK MENGANALISIS TINGKAT KEPARAHAN KORBAN KECELAKAAN LALU LINTAS KABUPATEN BULELENG Dwa Ayu Mad Dwi Yanti Purnami, I
Lebih terperinciPENERAPAN SISTEM TDM PADA SISTEM ALARM KEAMANAN GEDUNG
x u comparator MVV RMVV vcc rst vcc rst COUNTER IC 407 COUNTER IC 407 0 0 switch cntral N N2 N3 N4 switch cabang rlay rlay snsor snsor out put out put BLOCK RANGKAIAN RELA BLOCK RANGK TRANSDUCER AC AC
Lebih terperinciANALISA NILAI SIMPANGAN HORIZONTAL (DRIFT) PADA STRUKTUR TAHAN GEMPA MENGGUNAKAN SISTEM RANGKA BRESING EKSENTRIK TYPE BRACED V
Tras Jurnal, Vol.7, No.2, Sptmbr 2017 P-ISSN 2088-0561 ANALISA NILAI SIMPANGAN HORIZONTAL (DRIFT) PADA STRUKTUR TAHAN GEMPA MENGGUNAKAN SISTEM RANGKA BRESING EKSENTRIK TYPE BRACED V Said Jalalul Akbar
Lebih terperinciPERBANDINGAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DENGAN BAYESIAN PADA REGRESI LOGISTIK MULTINOMIAL
J-Statistika Vol 4 No PERBANDINGAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DENGAN BAYESIAN PADA REGRESI LOGISTIK MULTINOMIAL Prmadina Kanah Ariska -mail : blaar_statistika@yahoo.com ABSTRAK Rgrsi logistik
Lebih terperinciPENGARUH KONSELING KELOMPOK TERHADAP PENINGKATAN SELF REGULATION SISWA KELAS X JURUSAN TEKNIK KOMPUTER DAN JARINGAN SMK MUHAMMADIYAH 2 PEKANBARU
PENGARUH KONSELING KELOMPOK TERHADAP PENINGKATAN SELF REGULATION SISWA KELAS X JURUSAN TEKNIK KOMPUTER DAN JARINGAN SMK MUHAMMADIYAH 2 PEKANBARU Novi Frlinita Sari 1, Tri Umari 2, Abu Asyari 3 Email :
Lebih terperinciTINJAUAN ULANG EKSPANSI ASIMTOTIK UNTUK MASALAH BOUNDARY LAYER
TINJAUAN ULANG EKSPANSI ASIMTOTIK UNTUK MASALAH BOUNDARY LAYER HannaA Parhusip Cntr of Applid Mathmatics Program Studi Matmatika Industri dan Statistika Fakultas Sains dan Matmatika Univrsitas Kristn Sata
Lebih terperinciSTUDI KONSUMSI ENERGI LISTRIK MOTOR INDUKSI SATU FASA PENGGERAK POMPA AIR PADA PENGISIAN TANDON SECARA BERTINGKAT
STUDI KONSUMSI ENERGI LISTRIK MOTOR INDUKSI SATU FASA PENGGERAK POMPA AIR PADA PENGISIAN TANDON SECARA BERTINGKAT Radityo Kusumo A LF 00 603 Jurusan Elktro Fakultas Tknik Univrsitas Diongoro Smarang Astrak
Lebih terperinciPENGARUH MODEL ROLE PLAYING BERBASIS PERMAINAN TRADISIONAL BALI TERHADAP KETERAMPILAN BERBICARA PADA MATA PELAJARAN BAHASA INDONESIA SISWA KELAS III
Jurusan PGSD Vol: 4 No: Tahun: 06 PENGARUH MODEL ROLE PLAYING BERBASIS PERMAINAN TRADISIONAL BALI TERHADAP KETERAMPILAN BERBICARA PADA MATA PELAJARAN BAHASA INDONESIA SISWA KELAS III Kadk Yuda wibawa,
Lebih terperinciWORKSHOP KREATIVITAS ALAT PERAGA PENDIDIKAN EDUKATIF IPA-MATEMATIKA
LAPORAN KEGIATAN WORKSHOP KREATIVITAS ALAT PERAGA PENDIDIKAN EDUKATIF IPA-MATEMATIKA Pnanggung Jawab Kgiatan: DRS. H. SUTIMAN Ktua Plaksana: Yuni Wibowo, M.Pd FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciISOMORFISMA PADA GRAF P 4
ISOMORFISMA PADA GRAF P Eka Adhistiasari, I Ktut Budayasa 2 Jurusan Matmatika, Fakultas Martmatika dan Ilmu Pngtahuan Alam, UNESA Kampus Ktintang 6023,Surabaya Email : tias-adhis@yahoocoid, ktutbudayasa@yahoocom
Lebih terperinciBAB 2. TURUNAN PARSIAL
BAB TURUNAN PARSIAL PENDAHULUAN Pada bagian ini akan dilajari rlasan kons trnan ngsi sat bah k trnan ngsi da bah ata lbih Stlah mmlajari bab ini anda akan daat: - Mnntkan trnan arsial ngsi da bah ata lbih
Lebih terperinciPembahasan Soal. Pak Anang SELEKSI MASUK UNIVERSITAS INDONESIA. Disertai TRIK SUPERKILAT dan LOGIKA PRAKTIS. Disusun Oleh :
Pmbahasan Soal SELEKSI MASUK UNIVERSITAS INDONESIA Disrtai TRIK SUPERKILAT dan LOGIKA PRAKTIS Disusun Olh : Pak Anang Kumpulan SMART SOLUTION dan TRIK SUPERKILAT Pmbahasan Soal SIMAK UI 2011 Matmatika
Lebih terperinciBab 1 Ruang Vektor. I. 1 Ruang Vektor R n. 1. Ruang berdimensi satu R 1 = R = kumpulan bilangan real Menyatakan suatu garis bilangan;
Bab Ruang Vktor I. Ruang Vktor R n. Ruang brdimnsi satu R = R = kumpulan bilangan ral Mnyatakan suatu garis bilangan; -3 - - 0. Ruang brdimnsi dua R = bidang datar ; Stiap vktor di R dinyatakan sbagai
Lebih terperinciModel Statistika untuk Fertilitas Perkawinan dengan Pendekatan Eksponenesial
PROSIDIG ISB : 978 979 6353 6 3 Modl Statistika untuk Frtilitas Prkainan dngan Pndkatan Eksonnsial S 3 Endang Sri Krsnaati Jurusan Matmatika FMIPA Univrsitas Sriiaa ndangsrikrsnaati@ahoo.co.id Abstrak
Lebih terperinciKontrol Trakcing Laras Meriam 57mm dengan Menggunakan Hybrid Kontrol Logika Fuzzy - PID
129 Kontrol Trakcing Laras Mriam 57mm dngan Mnggunakan Hybrid Kontrol Logika Fuzzy - PID Jki Saputra, M. Aziz Muslim, dan Rini Nur Hasanah Abstrak Laras mriam adalah salah satu bagian bsar dari kontruksi
Lebih terperinciPengaruh Rasio Tinggi Blok Tegangan Tekan Dan Tinggi Efektif Terhadap Lentur Balok Bertulangan Tunggal
Rcivd: March 2017 Accptd: March 2017 Publishd: April 2017 Pngaruh Rasio Tinggi Blok Tgangan Tkan Dan Tinggi Efktif Trhadap Lntur Balok Brtulangan Tunggal Agus Sugianto 1*, Andi Marini Indriani 2 1,2 Dosn
Lebih terperinciSAMBUNGAN BALOK PENDUKUNG MOMEN
BAB VI SABUNGAN BALOK ENDUKUNG OEN 1. TUJUAN ERKULIAHAN A. TUJUAN UU ERKULIAHAN (TU) Stlah mmplajari matri tntang sambungan balok pndukung momn, scara umum anda diharapkan : 1. ampu mnjlaskan pngrtian
Lebih terperinciKonsolidasi http://www.pwri.go.jp/ http://www.ashirportr.org Pmbbanan tanah jnuh brprmabilitas rndah akan mnaikkan tkanan air pori Air akan mngalir k lapisan tanah dngan tkanan pori yg lbih rndah Prmabilitas
Lebih terperinciREGRESI LINEAR & KORELASI. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung REGRESI
9/08/0 REGREI LINEAR & KORELAI Elty arvia, T., MT. Fakultas Tknik Jurusan Tknik Industri Univrsitas Kristn Maranatha Bandung REGREI jauh ini,kita hanya mmbuat statistik dngan satu variabl pada waktu trtntu,
Lebih terperinciUci Sri Sundari STIE Kusuma Negara Indra Isharyanto.
Url : http://aktiva.sti-kusumangara.ac.id - Vol I, No. Dsmbr 27 PENGAUH KEPUTUSAN INVESTASI, KEPUTUSAN PENDANAAN DAN KEBIJAKAN DIVIDEN TEHADAP NILAI PEUSAHAAN PADA PEUSAHAAN OOD AND BEVEAGE YANG TEDATA
Lebih terperinci5 STABILITAS DINAMIS KAPAL POLE AND LINE SULAWESI SELATAN
5 STABILITAS DINAMIS KAPAL POLE AND LINE SULAWESI SELATAN 5.1 Pndahuluan Efktivitas pngoprasian kapal di laut pada dasarnya sangat dipngaruhi olh klaiklautan (saworthinss) dan sakindlinss dari kapal itu
Lebih terperinciKAJIAN AWAL MEKANISME REAKSI ELEKTROLISIS NaCl MENJADI NaClO 4 UNTUK MENENTUKAN TAHAPAN REAKSI YANG EFEKTIF DARI PROSES ELEKTROLISIS NaCl
KAJIAN AWAL MEKANISME REAKSI ELEKTROLISIS NaCl MENJADI NaClO 4 UNTUK MENENTUKAN TAHAPAN REAKSI YANG EFEKTIF DARI PROSES ELEKTROLISIS NaCl Bayu Prianto Pnliti Bidang Matrial Dirgantara Abstrak Amonium prklorat
Lebih terperinci