Pengantar Penerjemah. Daftar Istilah
|
|
- Yohanes Darmali
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Pengantar Penerjemah Saya awali tulisan ini dengan Nama Alloh Sang Maha Pengasih Sang Maha Penyayang. Segala Puji bagi-nya yang telah mengajaran ilmu epada siapa saja yang diehendai-nya. Sungguh, saya merasa terbantu dengan doumen Introduction to Kalman Filter oleh Greg Welch & Gary Bishop, 2012, dalam memahami esensi alman filter disrit. Saya coba terjemahan, mungin dapat membantu pembaca yang enggan berlama-lama dengan bahasa Inggris namun tertari memahami onsep alman filter disrit. Bagian tentang Extended Kalman Filter belum sempat saya terjemahan, semoga bisa dilanjutan di lain watu. Semoga bermanfaat. Surabaya, 4 Maret 2014 / 2 Jumadil ula 1435H Penerjemah: mochamad nur qomarudin, alfiyahibnumali@gmail.com Doumen ini saya publish di: mnurqomarudin.blogspot.com Daftar Istilah Beberapa istilah yang banya disebut dalam doumen ini Estimasi: pencarian nilai sebenarnya dari nilai yang sudah tercampur dengan noise Filter: alat/algoritma untu estimasi Step: watu disrit, bilangan bulat, disimbolan dengan Disrit: sinyal yang hanya memilii nilai pada saat-saat tertentu, dengan interval watu yang onstan, cth. memilii nilai setiap 5 deti Noise: gangguan yang menimpa sinyal Kovarian: yg dimasud dalam doumen ini adalah Varian, yaitu besaran statisti yang menyataan uadrat dari standar deviasi Momen: istilah lain dari fungsi espetasi, cth. espetasi orde satu disebut momen pertama White noise: noise yang memilii magnitude yang tetap untu semua freuensi 1
2 [TERJEMAHAN] Pengenalan Kalman Filter Greg Welch 1 Gary Bishop 2 19 Juni 2012 TR Department of Computer Science University of North Carolina Chapel Hill Chapel Hill, NC Diperbarui: Senin, 24 Juli 2006 Abstra Di tahun 1960, R. E. Kalman mempubliasian maalahnya yang menjelasan sebuah solusi reursif terhadap persoalan filter linier untu data disrit. Seja saat itu, Kalman Filter menjadi topi penelitian dan terapan yang luas, terutama di bidang navigasi otomatis atau terpandu. Kalman Filter merupaan seumpulan persamaan matemati yang menawaran cara omputasi reursif dan efisien untu mengestimasi state dari sebuah proses, sedemiian rupa sehingga meminimuman rata-rata dari uadrat error. Filter ini sangat berguna dalam beberapa aspe: menduung estimasi state yang telah lalu, saat ini, dan juga state masa depan, dan mampu beerja mesipun sifat-sifat model sistem tida dietahui. Tujuan dari maalah ini adalah untu memberi pengenalan pratis tentang Kalman Filter disrit. Pengenalan ini meliputi desripsi dan beberapa disusi tentang dasar Kalman Filter disrit, penurunan, desripsi dan beberapa disusi tentang Extended Kalman Filter, dan contoh sederhana dengan bilangan nyata beserta hasilnya. Kalman Filter Disrit Di tahun 1960, Kalman mempubliasian maalahnya yang menjelasan sebuah persoalan penyaringan linier data disrit [Kalman, 60]. Seja saat itu, Kalman Filter menjadi topi penelitian dan terapan yang luas, terutama di bidang navigasi otomatis atau terpandu. Pengenalan tentang gagasan umum Kalman Filter yang paling mudah dipahami dapat disima dalam Bab 1 dari [Maybec79], sedangan pengenalan yang lebih omples dapat dibaca di dalam [Sorenson70], yang juga memuat beberapa cerita sejarah yang menari. Pustaa lain untu lebih lanjut meliputi [Gelb74; Grewal93; Maybec79; Lewis86; Brown92; Jacobs93]. 1 welch@cs.unc.edu, 2 gb@cs.unc.edu, 2
3 Proses yang Diestimasi Persoalan umum untu Kalman Filter disrit adalah mencoba untu mengestimasi state x R n dari sebuah proses watu disrit yang dinyataan oleh persamaan beda stoasti linier x Ax Bu w (1.1) dengan penguuran z R m yang dinyataan z Hx v (1.2) w dan v adalah variabel aca yang mewaili noise proses dan noise penguuran, eduanya independen, jenis white noise, dengan probabilitas berdistribusi normal. p( w) ~ N(0, Q) p( v) ~ N(0, R) (1.3) (1.4) Dalam prati, ovarian noise proses Q dan ovarian noise penguuran R bisa berubah dalam tiap watu atau penguuran, namun di sini eduanya diasumsian onstan. Matris A (nxn) dalam persamaan beda (1.1) menghubungan state pada watu disrit sebelumnya, yaitu -1, dengan state pada watu disrit searang, yaitu, tanpa pengaruh fungsi pemicu u atau noise proses w. Dalam prati, A bisa berubah dalam tiap watu, tapi di sini ita asumsian onstan. Matris B (nxl) menghubungan input ontrol u ϵ R l dengan state x, u bersifat opsional (bisa ada / tida). Matris H (mxn) dalam persamaan penguuran (1.2) menghubungan state dengan penguuran z. Dalam prati, H bisa berubah dalam tiap watu atau penguuran, tapi di sini ita asumsian onstan. Komputasi Filter Kita definisian x R n (perhatian notasi minus di atas) sebagai pra-estimasi state pada step berdasaran data dari proses (1.1) sebelum step, dan x R n sebagai pasca estimasi state pada step berdasaran nilai z. Lalu, ita definisian pra dan pasca estimasi untu error sebagai Kovarian pra-estimasi error adalah e x e x x x, dan P E[ e e T ] (1.5) dan ovarian pasca-estimasi error adalah 3
4 T P E[ e e ] (1.6) Dalam menurunan persamaan untu alman filter, ita mulai dengan persamaan yang menghitung pasca-estimasi state x yang dibangun dari ombinasi pra-estimasi x dan selisih antara nilai uur atual z dan predisi nilai uur Hx sebagai beriut (1.7). Beberapa pertimbangan untu (1.7) dapat dibaca dalam buu The Probabilistic Origins of the Filter ami sertaan di bawah x = x + K(z Hx ) (1.7) selisih (z Hx ) di (1.7) disebut perbaian atau selisih penguuran. Selisih ini mewaili etidasesuaian antara nilai uur yang dipredisi Hx dan nilai uur sebenarnya z. Selisih nol berarti nilai eduanya sama persis. Matrix K (nxm) di (1.7) dipilih sebagai fator penguat (gain) yang meminimuman ovarian pasca-estimasi error (1.6). Untu penjelasan detil, lihat [Maybec79; Brown92; Jacobs93]. Salah satu formulasi K yang meminimuman (1.6) adalah 3 K = P H T (HP H T + R) 1 (1.8) K = P H T HP H T + R Pada (1.8) ita lihat bahwa ovarian error penguuran R mendeati nol, sehingga gain K membuat selisih penguuran berpengaruh lebih besar. Secara matematis, lim K = H 1 R 0 Di sisi lain, bila ovarian pra-estimasi error P mendeati nol, maa gain K membuat selisih penguuran berpengaruh lebih ecil. Secara matematis, lim K P = 0 0 Cara lain untu memahami peran gain K adalah: bila ovarian error penguuran R mendeati nol, nilai uur atual z jauh lebih dipercaya ebenarannya, sedangan predisi nilai uur Hx semain tida dapat dipercaya ebenarannya. Bila ovarian pra-estimasi error P mendeati nol, nilai uur atual z semain tida dapat dipercaya, sedangan predisi nilai uur Hx semain dapat dipercaya ebenarannya. 3 Semua persamaan Kalman filter dapat direayasa menjadi beberapa bentu. Persamaan (1.8) mewaili salah satu formulasi Kalman gain yang populer. 4
5 Konsep Probabilitas dalam Filter Pertimbangan dalam penentuan (1.7) beraar pada probabilitas pra-estimasi x yang bersyarat pada semua nilai uur z sebelumnya (aturan Bayes). Kalman filter melibatan dua momen pertama dari distribusi variabel state, E[x ] = x E[(x x )(x x ) T ] = P Nilai pasca-estimasi state (1.7) mewaili rata-rata / mean (momen pertama) dari distribusi state nilai ini berdistribusi normal bila ondisi (1.3) dan (1.4) dipenuhi. Kovarian pascaestimasi error (1.6) mewaili varian dari distribusi state (momen e dua non-sentral). Dengan alimat lain, p(x z )~N(E[x ], E[(x x )(x x ) T ]) p(x z ) = N(x, P ) Penjelasan lebih lanjut, baca [Maybec79; Brown92; Jacobs93]. Algoritma Kalman Filter Disrit Kita awali bagian ini dengan pengantar ringas, memuat onsep operasional umum dari salah satu tipe Kalman filter disrit (lihat catatan ai sebelumnya). Selanjutnya, ita aan fous pada persamaan-persamaan spesifi dan egunaannya untu tipe ini. Kalman filter mengestimasi satu proses melalui meanisme ontrol umpan-bali: Filter mengestimasi state dari proses emudian mendapat umpan bali berupa nilai hasil penguuran yang bercampur noise. Persamaan untu Kalman filter dielompoan dalam dua bagian: persamaan update watu dan persamaan update penguuran. Persamaan update watu bertugas untu mendapatan nilai pra-estimasi untu watu step selanjutnya. Persamaan update penguuran bertugas untu eperluan umpan bali, seperti memaduan hasil penguuran terbaru dengan nilai pra-estimasi untu mendapatan nilai pasca-estimasi yang lebih bai. Persamaan update watu disebut juga persamaan predisi, sedangan persamaan update penguuran disebut persamaan oresi. Algoritma estimasi Kalman filter menyerupai algoritma predisi-oresi untu menyelesaian masalah numeri sebagaimana pada Gambar
6 Gambar 1-1. Silus erja Kalman filter disrit. Update watu membuat predisi nilai state. Update penguuran, menyesuaian nilai predisi dengan nilai uur atual. Persamaan spesifi untu update watu dan penguuran disertaan dalam Tabel 1-1 dan Tabel 1-2. Tabel 1-1: Persamaan update watu untu Kalman filter disrit x = Ax 1 + Bu 1 (1.9) P = AP 1 A T + Q (1.10) Perhatian, persamaan update watu memproyesian (mempredisi) nilai state dan estimasi ovarian dari watu step -1 menuju step. A dan B dari (1.1), dan Q dari (1.3). Kondisi awal untu filter telah dibahas pada referensi terdahulu. Tabel 1-2: Persamaan update penguuran untu Kalman filter disrit K = P H T (HP H T + R) 1 (1.11) x = x + K(z Hx ) (1.12) P = (1 K H)P (1.13) Tugas pertama dalam Update penguuran adalah menghitung Kalman Gain, K. Persamaan Kalman gain di sini (1.11) sama dengan (1.8). Selanjutnya menguur nilai proses atual z, emudian menghitung pasca-estimasi state dengan melibatan nilai hasil penguuran sebagaimana (1.12). Persamaan (1.12) sama dengan (1.7). Tugas terahir adalah mendapatan nilai pasca-estimasi ovarian error melalui (1.13). Setelah menjalani satu silus update watu dan penguuran, silus ini diulang yang mana nilai pasca-estimasi sebelumnya digunaan untu mempredisi nilai pra-estimasi yang baru. Sifat reursif ini adalah satu sifat penting dari Kalman filter membuat implementasi pratis jauh lebih sederhana daripada implementasi Wiener filter [Brown92] yang dirancang untu beroperasi dengan melibatan semua data secara langsung dalam setiap ali estimasi. Gambar 1-2 menampilan operasi Kalman filter secara menyeluruh. Parameter Filter dan Penyesuaiannya Dalam implementasi filter, ovarian noise penguuran R biasanya diuur sebelum filter dioperasian. Penguuran overian error penguuran R umumnya dapat dilauan arena 6
7 ita dapat mengambil sampel penguuran secara offline untu menentuan varian dari noise penguuran. Penentuan ovarian noise proses Q umumnya lebih sulit, arena ita tida dapat mengamati proses secara langsung. Teradang satu model proses yang sederhana dapat menghasilan estimasi yang bai dengan pemilihan Q yang tepat, bila penguuran terhadap proses dapat diandalan. Pada eadaan yang lain, seringali penyesuaian (tuning) parameter filter Q dan R dapat menghasilan performansi filter yang superior (secara statisti). Meanisme penyesuaian ini biasanya dijalanan secara offline, teradang dengan bantuan Kalman filter tipe yang lain. Proses penyesuaian ini disebut identifiasi sistem. Gambar 1-2: Sema lengap Operasi Kalman filter, menggabungan diagram pada Gambar 1-1 dan persamaan pada Tabel 1-1 dan Tabel 1-2. Karena Q dan R adalah onstan, ovarian error estimasi P dan Kalman gain K aan stabil dengan cepat emudian bernilai onstan (lihat persamaan update filter di Gambar 1-2). Jia demiian, edua parameter ini dapat dihitung dulu dengan menjalanan filter secara offline, atau (misal) dengan menentuan nilai steady-state dari P sebagaimana pada [Grewal93]. Seringali, error penguuran tida bernilai onstan, demiian juga noise proses, ada ala tida bernilai onstan atau berubah secara dinamis selama filter sedang beerja menjadi Q untu menyesuaian dengan dinamia proses yang berbeda. Contoh, dalam pelacaan posisi epala seorang user di lingungan virtual 3D, ita perlu mengurangi magnitud Q bila user bergera lambat, dan menignatan magnitudnya bila bergera cepat. Pada asus ini, Q 7
8 dipilih dengan mempertimbangan etidapastian pada ehenda user dan etidapastian pada model. Apliasi Kalman Filter: Estimasi Nilai Konstan Kita aan coba untu mengestimasi satu nilai onstan aca salar, misalnya nilai tegangan. Anggaplah ita mampu menguur nilai onstan tersebut, tetapi penguuran yang dilauan terganggu dengan noise penguuran sebesar 0,1 volt RMS dengan tipe white noise (misal, onverter analog e digital yang digunaan tida cuup aurat). Dalam contoh ini, proses dinyataan dengan persamaan beda linier x = Ax 1 + Bu 1 + w dengan penguuran z R 1, yaitu x = x 1 + w z = Hx + v z = x + v State x tida berubah dari step e step, jadi A=1. Tida ada input ontrol, jadi u=0. Penguuran yang bercampur noise langsung didapatan dari state x, jadi H=1. Parameter dan Persamaan Filter Persamaan update watu adalah dan persamaan update penguuran adalah x = x 1 P = P 1 + Q K = P (P + R) 1 (3.1) K = P P + R x = x + K(z x ) P = (1 K )P Anggaplah varian noise proses sangat ecil, Q = 1x10 5. (Kita bisa saja menetapan Q = 0, tapi menetapan Q yang ecil namun tida nol aan memberian flesibilas dalam tuning atau penyesuaian parameter filter, aan ita contohan di bawah). Anggaplah, berdasaran pengalaman yang ami tahu, nilai sebenarnya dari nilai onstan aca tersebut berdistribusi probabilitas normal, jadi ita beri filter ita dengan nilai tebaan nol. Dengan ata lain, sebelum menjalanan filter, ita tetapan x 1 = 0 8
9 Kita juga perlu menetapan nilai awal untu P-1, sebut saja P0. Bila ita yain bahwa nilai awal estimasi state x 0 = 0 adalah benar, ita boleh menetapan P0 = 0. Tetapi bila ada etidapastian pada nilai awal estimasi x 0 yang ita tetapan, maa memilih P0 = 0 mengaibatan filter percaya seja awal bahwa x = 0. Dengan demiian, ita perlu menetapan P0 dengan nilai yang lain. Kita bisa menetapan sembaran nilai P 0 0 dan filter pada ahirnya aan onvergen. Kita mulai dengan menetapan P0 = 1. Simulasi Untu permulaan, ita tetapan secara aca satu nilai onstan x = -0,37727 (tida ada topi di atas x arena ini mewaili nilai sebenarnya ). Lalu ita simulasian 50 penguuran z yang memilii error berdistribusi normal di seitar nol dengan standar deviasi 0.1 (ingat, ita anggap penguuran terganggu dengan white noise penguuran sebesar 0.1 volt rms). Sebenarnya, ami bisa saja melauan penguuran etia filter sedang beerja, tapi dengan melauan penguuran 50 data sebelum filter dijalanan, ami dapat menjalanan beberapa macam simulasi dengan data penguuran yang sama persis (masudnya, dengan noise penguuran yang sama) sehingga perbandingan antara beberapa simulasi dengan parameter yang berbeda aan lebih bermana. Dalam simulasi pertama, ami tetapan varian error penguuran R=(0,1) 2 =0,01. Karena ini adalah nilai varian error penguuran sebenarnya, maa ami berharap mendapat performansi filter terbai dalam arti eseimbangan antara ecepatan respon filter dan varian estimasi. Hal ini aan nampa jelas pada simulasi e dua dan e tiga. Gambar 3-1 menampilan hasil simulasi pertama. Nilai onstan aca yang sebenarnya x = -0,37727, ditampilan dalam garis lurus tebal, penguuran yang bercampur noise diwaili tanda plus, dan estimasi filter diwaili dengan urva. Gambar 3-1. Simulasi pertama: R=(0,1) 2 =0,01. Nilai onstan aca yang sebenarnya x=- 0,37727 dinyataan dengan garis lurus tebal, penguuran yang bercampur noise diwaili tanda plus, dan estimasi filter diwaili urva. 9
10 Ketia pemilihan P0, ami nyataan bahwa pemilihan ini tida terlalu penting selama P 0 0, arena pada ahirnya estimasi filter aan onvergen (menuju pada satu nilai). Gambar 3-2 di bawah, ami telah plot nilai P terhadap iterasi. Pada iterasi e-50, nilai P, yang semula ditetapan 1 (volt 2 ), bergera onvergen dan menetap di seitar 0,0002 (volt 2 ). Gambar 3-2. Setelah 50 iterasi, nilai awal ovarian error P=1 bergera onvergen dan menetap di seitar 0,0002 (volt 2 ). Dalam bagian 1, topi Parameter Filter dan Penyesuaiannya ami paparan secara singat tentang pengubahan dan penyesuaian parameter Q dan R untu mendapatan performansi filter yang berbeda. Dalam Gambar 3-3 dan Gambar 3-4 di bawah, ita dapat amati apa yang terjadi etia R diperbesar atau diperecil dengan fator 100. Di Gambar 3-3, filter diberi tahu bahwa varian error penguuran adalah 100 ali lebih besar (masudnya R=1) jadi filter lebih lambat dalam mempercayai data penguuran. Gambar 3-3. Simulasi e dua: R=1. Filter lebih lambat dalam merespon data penguuran, aibatnya varian estimasi filter berurang. 10
11 Pada Gambar 3-4, Filter diberi tahu bahwa varian error penguuran adalah 100 ali lebih ecil (masudnya R=0,0001), jadi filter sangat cepat mempercayai data penguuran yang bercampur noise. Gambar 3-4. Simulasi e empat: R=0,0001. Filter merespon data penguuran dengan cepat seali, aibatnya varian estimasi filter meningat. Mesipun estimasi satu nilai onstan adalah topi yang relatif sederhana, namun mampu mendemonstrasian unju erja Kalman filter dengan jelas. Pada Gambar 3-3 nampa jelas bahwa estimasi Kalman filter lebih halus daripada data penguuran yang bercampur noise. 11
12 Daftar Pustaa [Brown92] Brown, R. G. and P. Y. C. Hwang Introduction to Random Signals and Applied Kalman Filtering, Second Edition, John Wiley & Sons, Inc. [Gelb74] Gelb, A Applied Optimal Estimation, MIT Press, Cambridge, MA. [Grewal93] Grewal, Mohinder S., and Angus P. Andrews (1993). Kalman Filtering Theory and Practice. Upper Saddle River, NJ USA, Prentice Hall. [Jacobs93] Jacobs, O. L. R Introduction to Control Theory, 2nd Edition. Oxford University Press. [Julier96] Julier, Simon and Jeffrey Uhlman. A General Method of Approximating Nonlinear Transformations of Probability Distributions, Robotics Research Group, Department of Engineering Science, University of Oxford [cited 14 November 1995]. Available from Also see: A New Approach for Filtering Nonlinear Systems by S. J. Julier, J. K. Uhlmann, and H. F. Durrant- Whyte, Proceedings of the 1995 American Control Conference, Seattle, Washington, Pages: Available from Also see Simon Julier's home page at [Kalman60] Kalman, R. E A New Approach to Linear Filtering and Prediction Problems, Transaction of the ASME Journal of Basic Engineering, pp (March 1960). [Lewis86] Lewis, Richard Optimal Estimation with an Introduction to Stochastic Control Theory, John Wiley & Sons, Inc. [Maybec79] Maybec, Peter S Stochastic Models, Estimation, and Control, Volume 1, Academic Press, Inc. [Sorenson70] Sorenson, H. W Least-Squares estimation: from Gauss to Kalman, IEEE Spectrum, vol. 7, pp , July
BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar ugas Ahir Simulasi Penapisan Kalman Dengan Kendala Persamaan Keadaan Pada Kasus Penelusuran Posisi Kendaraan (Vehicle racing Problem Iput Kasiyanto [], Budi Setiyono, S., M. [], Darjat,
Lebih terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
Lebih terperinciESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR)
SEMINAR NASIONAL PASCASARJANA SAL ESIMASI RAJECORY MOBILE ROBO MENGGUNAKAN MEODE ENSEMBLE KALMAN FILER SQUARE ROO (ENKF-SR) eguh Herlambang Zainatul Mufarrioh Firman Yudianto Program Studi Sistem Informasi
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
Lebih terperinciSIMULASI FILTER KALMAN UNTUK ESTIMASI SUDUT DENGAN MENGGUNAKAN SENSOR GYROSCOPE
SIMULASI FILR KALMAN UNUK SIMASI SUDU DNGAN MNGGUNAKAN SNSOR GYROSCOP Wahyudi *), Adhi Susanto **), Sasongo Pramono **), Wahyu Widada ***) Abstact he Kalman filter is a recursive solution to the process
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciDESAIN SENSOR KECEPATAN BERBASIS DIODE MENGGUNAKAN FILTER KALMAN UNTUK ESTIMASI KECEPATAN DAN POSISI KAPAL
DESAIN SENSOR KECEPAAN BERBASIS DIODE MENGGUNAKAN FILER KALMAN UNUK ESIMASI KECEPAAN DAN POSISI KAPAL Alrijadjis, Bambang Siswanto Program Pascasarjana, Jurusan eni Eletro, Faultas enologi Industri Institut
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciPENERAPAN AKAR KUADRAT PADA ENSEMBLE KALMAN FILTER (EnKF) ABSTRAK
PENERAPAN AKAR KUADRA PADA ENSEMBLE KALMAN FILER (EnKF) Jasmir 1, Erna Apriliani 2, Didi Khusnul Arif 3 Email: ijas_1745@yahoo.co.id ABSRAK Ensemble Kalman Filter (EnKF) merupaan salah satu metode untu
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciBAB II DASAR TEORI. II.1. Pendahuluan
BAB II DASAR EORI II.1. Pendahuluan Pada bab ini pertama-tama aan dijelasan secara singat apa yang dimasud dengan target tracing dalam sistem Radar. Di dalam sebuah sistem Radar ada beberapa proses yang
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciEstimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinci- Persoalan nilai perbatasan (PNP/PNB)
PENYELESAIAN NUMERIK PERSAMAAN DIFERENSIAL Persamaan diferensial biasanya digunaan untu pemodelan matematia dalam sains dan reayasa. Seringali tida terdapat selesaian analiti seingga diperluan ampiran
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciKONTROL MOTOR PID DENGAN KOEFISIEN ADAPTIF MENGGUNAKAN ALGORITMA SIMULTANEOUS PERTURBATION
Konferensi Nasional Sistem dan Informatia 29; Bali, November 14, 29 KONTROL MOTOR PID DENGAN KOEFISIEN ADAPTIF MENGGUNAKAN ALGORITMA SIMULTANEOUS PERTURBATION Sofyan Tan, Lie Hian Universitas Pelita Harapan,
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar Tugas Ahir PENDETEKSI POSISI MENGGUNAKAN SENSOR ACCELEROMETER MMA7260Q BERBASIS MIKROKONTROLER ATMEGA 32 Muhammad Riyadi Wahyudi, ST., MT. Iwan Setiawan, ST., MT. Abstract Currently, determining
Lebih terperinciVARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL
SEMINAR NASIONAL PENDIDIKAN SAINS Peningatan Kualitas Pembelajaran Sains dan Kompetensi Guru melalui Penelitian & Pengembangan dalam Menghadapi Tantangan Abad-1 Suraarta, Otober 016 VARIASI NILAI BATAS
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciBAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN
BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN Berdasaran asumsi batasan interval pada bab III, untu simulasi perhitungan harga premi pada titi esetimbangan, maa
Lebih terperinciPengenalan Pola. Klasifikasi Linear Discriminant Analysis
Pengenalan Pola Klasifiasi Linear Discriminant Analysis PTIIK - 2014 Course Contents 1 Analisis Disriminan 2 Linear Classification 3 Linear Discriminant Analysis (LDA 4 Studi Kasus dan Latihan Analisis
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciMakalah Seminar Tugas Akhir. Aplikasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self Tuning Regulator (STR)
Maalah Seminar ugas Ahir Apliasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self uning Regulator (SR) Oleh : Muhammad Fitriyanto e-mail : D_3_N2@yahoo.com Maalah Seminar ugas Ahir Apliasi
Lebih terperinciKENDALI OPTIMAL PADA MASALAH INVENTORI YANG MENGALAMI PENINGKATAN
KENDALI OPTIMAL PADA MASALAH INVENTORI YANG MENGALAMI PENINGKATAN Pardi Affandi, Faisal, Yuni Yulida Abstra: Banya permasalahan yang melibatan teori sistem dan teori ontrol serta apliasinya. Beberapa referensi
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciBAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.
BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas
Lebih terperinciSUATU KLAS BILANGAN BULAT DAN PERANNYA DALAM MENGKONSTRUKSI BILANGAN PRIMA
SUATU KLAS BILANGAN BULAT DAN PERANNYA DALAM MENGKONSTRUKSI BILANGAN PRIMA I Nengah Suparta dan I. B. Wiasa Jurusan Pendidian MatematiaUniversitas Pendidian Ganesha E-mail: isuparta@yahoo.com ABSTRAK:
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciSeminar Tesis AKAR KUADRAT ENSEMBLE KALMAN FILTER (AK-EnKF) UNTUK ESTIMASI POSISI PELURU KENDALI
Seminar Tesis AKAR KUADRAT ENSEMBLE KALMAN FILTER () UNTUK ESTIMASI POSISI PELURU KENDALI OLEH : Teguh Herlambang (121 21 14) DOSEN PEMBIMBING: Subchan, PhD (1971513 19972 1 1 ) Dr. Erna Apriliani, M.Si
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciAgar Xn berperilaku acak yang dapat dipertanggungjawabkan :
ara memperoleh data Zaman dahulu, dgn cara : 1. Melempar dadu 2. Mengoco artu Zaman modern (>1940), dgn cara membentu bilangan aca secara numeri/ aritmati(menggunaan omputer), disebut Pseudo Random Number
Lebih terperinciBAB IV Solusi Numerik
BAB IV Solusi Numeri 4. Algoritma Genetia Algoritma Genetia (AG) [2] merupaan teni pencarian stoasti yang berdasaran pada meanisme selesi alam dan prinsip penurunan genetia. Algoritma genetia ditemuan
Lebih terperinciBAB III MODEL KANAL WIRELESS
BAB III MODEL KANAL WIRELESS Pemahaman mengenai anal wireless merupaan bagian poo dari pemahaman tentang operasi, desain dan analisis dari setiap sistem wireless secara eseluruhan, seperti pada sistem
Lebih terperinci3. Sebaran Peluang Diskrit
3. Sebaran Peluang Disrit EL2002-Probabilitas dan Statisti Dosen: Andriyan B. Susmono Isi 1. Sebaran seragam (uniform) 2. Sebaran binomial dan multinomial 3. Sebaran hipergeometri 4. Sebaran Poisson 5.
Lebih terperinciTanggapan Waktu Alih Orde Tinggi
Tanggapan Watu Alih Orde Tinggi Sistem Orde-3 : C(s) R(s) ω P ( < ζ (s + ζω s + ω )(s + p) Respons unit stepnya: c(t) βζ n n < n ζωn t e ( β ) + βζ [ ζ + { βζ ( β ) cos ( β ) + ] sin ζ ) ζ ζ ω ω n n t
Lebih terperinciPENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )
PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132
Lebih terperinciSensitivitas Metode Ensemble Kalman Filter untuk Mendeteksi Gangguan pada Masalah Konduksi Panas Satu Dimensi
Jurnal Matematia & Sains, Desember, Vol. 6 omor 3 Sensitivitas Metode Ensemble Kalman Filter untu Mendetesi Gangguan pada Masalah Kondusi Panas Satu Dimensi Erna Apriliani dan Wiwit Sofiyanti Budiono Departement
Lebih terperinci( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang
LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil
Lebih terperinciADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoko Sumaryono ABSTRACT
Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoo Sumaryono ABSTRACT Noise is inevitable in communication
Lebih terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciKumpulan soal-soal level seleksi Kabupaten: Solusi: a a k
Kumpulan soal-soal level selesi Kabupaten: 1. Sebuah heliopter berusaha menolong seorang orban banjir. Dari suatu etinggian L, heliopter ini menurunan tangga tali bagi sang orban banjir. Karena etautan,
Lebih terperinciKENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA. Thiang, Resmana, Wahyudi
KENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA Thiang, Resmana, Wahyudi Jurusan Teni Eletro, Universitas Kristen Petra Jl. Siwalanerto 121-131 Surabaya Email : thiang@petra.ac.id,
Lebih terperinciEstimasi Posisi Magnetic Levitation Ball Menggunakan Metode Akar Kuadrat Ensemble Kalman Filter (AK-EnKF)
R E.M. (Reayasa Energi Manufatur Jurnal! "" # $ $% & % " % '! " ( http://dx.doi.org/10.1070/r.e.m.vi1.768 Estimasi Posisi Magnetic Levitation Ball Menggunaan Metode Aar Kuadrat Ensemble Kalman Filter (
Lebih terperinciModel Pembelajaran Off-Line Menggunakan Jaringan Syaraf Tiruan Untuk Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teknik Elektronika PENS 2009
Model Pembelaaran Off-Line Menggunaan Jaringan Syaraf Tiruan Untu Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teni Eletronia PENS 2009 Arie Setya Wulandari#, Eru Puspita S.T., M.Kom#2 # Jurusan
Lebih terperinciSKEMA AKAR KUADRAT DALAM UNSCENTED KALMAN FILTER UNTUK MENDETEKSI KERAK PADA ALAT PENUKAR PANAS
Prosiding Seminar Nasional Penelitian, Pendidian dan Penerapan MIPA, Faultas MIPA, Universitas Negeri Yogyaarta, 4 Mei 2 SKEMA AKAR KUADRA DALAM UNSCENED KALMAN FILER UNUK MENDEEKSI KERAK PADA ALA PENUKAR
Lebih terperinciBAB 3 METODE PENELITIAN
36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciBAB III HASIL DAN PEMBAHASAN
15 BAB III HASIL DAN PEMBAHASAN 3.1Relasi Dispersi Pada bagian ini aan dibahas relasi dispersi untu gelombang internal pada fluida dua-lapisan.tinjau lapisan fluida dengan ρ a dan ρ b berturut-turut merupaan
Lebih terperinciImplementasi Ensemble Kalman Filter (Enkf) Untuk Estimasi Ketinggian Air Dan Temperatur Uap Pada Steam Drum Boiler
Implementasi Ensemble Kalman Filter (Enkf) Untuk Estimasi Ketinggian Air Dan Temperatur Uap Pada Steam Drum Boiler Ahmad Nasrullah Jamaludin 1, Erna Apriliani 1, Hendra Cordova 2, Teguh Herlambang 3 1
Lebih terperinciDisain dan Implementasi Kontrol PID Model Reference Adaptive Control untuk Automatic Safe Landing Pada Pesawat UAV Quadcopter
JURNAL TEKNIK POMITS Vol., No., () 6 Disain dan Implementasi Kontrol PID Model Reference Adaptive Control untu Automatic Safe Landing Pada Pesawat UAV Quadcopter Teddy Sudewo, Ea Isandar, dan Katju Astrowulan
Lebih terperinciModifikasi ACO untuk Penentuan Rute Terpendek ke Kabupaten/Kota di Jawa
187 Modifiasi ACO untu Penentuan Rute Terpende e Kabupaten/Kota di Jawa Ahmad Jufri, Sunaryo, dan Purnomo Budi Santoso Abstract This research focused on modification ACO algorithm. The purpose of this
Lebih terperincimungkin muncul adalah GA, GG, AG atau AA dengan peluang masing-masing
. DISTRIUSI INOMIL pabila sebuah oin mata uang yang memilii dua sisi bertulisan ambar () dan nga () dilempar satu ali, maa peluang untu mendapatan sisi ambar adalah,5 atau. pabila oin tersebut dilempar
Lebih terperinciPemodelan Dan Eksperimen Untuk Menentukan Parameter Tumbukan Non Elastik Antara Benda Dengan Lantai
Pemodelan Dan Esperimen Untu enentuan Parameter Tumbuan Non Elasti Antara Benda Dengan Lantai Puspa onalisa,a), eda Cahya Fitriani,b), Ela Aliyani,c), Rizy aiza,d), Fii Taufi Abar 2,e) agister Pengajaran
Lebih terperinciKINETIKA REAKSI KIMIA TIM DOSEN KIMIA DASAR FTP UB 2012
KINETIKA REAKSI KIMIA TIM DOSEN KIMIA DASAR FTP UB Konsep Kinetia/ Laju Reasi Laju reasi menyataan laju perubahan onsentrasi zat-zat omponen reasi setiap satuan watu: V [ M ] t Laju pengurangan onsentrasi
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciSOLUSI KESTABILAN PADA MASALAH MULTIPLIKATIF PARAMETRIK (STABILITY SOLUTION OF PARAMETRIC MULTIPLICATIVE PROBLEMS)
Prosiding Semirata15 bidang MIPA BKS-PTN Barat Hal 357-36 SOLUSI KESTABILAN PADA MASALAH MULTIPLIKATIF PARAMETRIK STABILITY SOLUTION OF PARAMETRIC MULTIPLICATIVE PROBLEMS) Budi Rudianto 1, Narwen Jurusan
Lebih terperinciKAJIAN TEOREMA TITIK TETAP PEMETAAN KONTRAKTIF PADA RUANG METRIK CONE LENGKAP DENGAN JARAK-W
J. Math. and Its Appl. ISSN: 1829-605X Vol. 8, No. 2, November 2011, 43 49 KAJIAN TEOREMA TITIK TETAP PEMETAAN KONTRAKTIF PADA RUANG METRIK CONE LENGKAP DENGAN JARAK-W Sunarsini. 1, Sadjidon 2 Jurusan
Lebih terperinciINTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh
INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON Maalah Disusun guna memenuhi tugas Mata Kuliah Metode Numeri yang dibimbing oleh Dr. Nur Shofianah Disusun oleh: M. Adib Jauhari Dwi Putra 146090400111001
Lebih terperinciKumpulan soal-soal level seleksi provinsi: solusi:
Kumpulan soal-soal level selesi provinsi: 1. Sebuah bola A berjari-jari r menggelinding tanpa slip e bawah dari punca sebuah bola B berjarijari R. Anggap bola bawah tida bergera sama seali. Hitung ecepatan
Lebih terperinciMENENTUKAN TURUNAN DAN SIFAT-SIFAT TURUNAN DARI FUNGSI 1/f(x) DAN h(x)/f(x) ABSTRACT
MENENTUKAN TURUNAN DAN SIFAT-SIFAT TURUNAN DARI FUNGSI 1/(x DAN h(x/(x Yuliana Saitri 1, Sri Gemawati 2, Musraini 2 1 Mahasiswa Program Studi S1 Matematia 2 Dosen Jurusan Matematia Faultas Matematia dan
Lebih terperinciPendeteksi Rotasi Menggunakan Gyroscope Berbasis Mikrokontroler ATmega8535
Maalah Seminar Tugas Ahir Pendetesi Rotasi Menggunaan Gyroscope Berbasis Miroontroler ATmega8535 Asep Mubaro [1], Wahyudi, S.T, M.T [2], Iwan Setiawan, S.T, M.T [2] Jurusan Teni Eletro, Faultas Teni, Universitas
Lebih terperinciSoal-Jawab Fisika OSN x dan = min. Abaikan gesekan udara. v R Tentukan: a) besar kelajuan pelemparan v sebagai fungsi h. b) besar h maks.
Soal-Jawab Fisia OSN - ( poin) Sebuah pipa silinder yang sangat besar (dengan penampang lintang berbentu lingaran berjarijari R) terleta di atas tanah. Seorang ana ingin melempar sebuah bola tenis dari
Lebih terperinciOSN 2014 Matematika SMA/MA
Soal 5. Suatu barisan bilangan asli a 1, a 2, a 3,... memenuhi a + a l = a m + a n untu setiap bilangan asli, l, m, n dengan l = mn. Jia m membagi n, butian bahwa a m a n. Solusi. Andaian terdapat bilangan
Lebih terperinciPengaruh Proses Stemming Pada Kinerja Analisa Sentimen Pada Review Buku
Jurnal Hasil Penelitian LPPM Untag Surabaya Januari 2018, Vol. 03, No. 01, hal 55-59 jurnal.untag-sby.ac.id/index.php/jhp17 E-ISSN : 2502-8308 P-ISSN : 2579-7980 Pengaruh Proses Stemming Pada Kinerja Analisa
Lebih terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperincitidak mempunyai fixed mode terdesentralisasi, dapat dilakukan dengan memberikan kompensator terdesentralisasi. Fixed mode terdesentralisasi pertama
BB IV PENGENDLIN TERDESENTRLISSI Untu menstabilan sistem yang tida stabil, dengan syarat sistem tersebut tida mempunyai fixed mode terdesentralisasi, dapat dilauan dengan memberian ompensator terdesentralisasi.
Lebih terperinciUji Alternatif Data Terurut Perbandingan antara Uji Jonckheere Terpstra dan Modifikasinya Ridha Ferdhiana 1 Statistics Peer Group
Uji Alternatif Data Terurut Perbandingan antara Uji Joncheere Terpstra dan Modifiasinya Ridha Ferdhiana Statistics Peer Group Jurusan Matematia FMIPA Universitas Syiah Kuala Banda Aceh, Aceh, 23 email:
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciPENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU
PENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU Wahyudi 1, Adhi Susanto 2, Sasongo P. Hadi 2, Wahyu Widada 3 1 Jurusan Teni Eletro, Faultas Teni, Universitas Diponegoro, Tembalang,
Lebih terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaan Perembanan dunia perbanan yan disertai denan meninatnya omplesitas ativitas perbanan semain memperteas pentinnya tata elola perusahaan yan sehat (ood corporate overnance)
Lebih terperinci4. 1 Spesifikasi Keadaan dari Sebuah Sistem
Dalam pembahasan terdahulu ita telah mempelajari penerapan onsep dasar probabilitas untu menggambaran sistem dengan jumlah partiel ang cuup besar (N). Pada bab ini, ita aan menggabungan antara statisti
Lebih terperinciPenentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway
Rea Racana Jurnal Online Institut Tenologi Nasional Teni Sipil Itenas No.x Vol. Xx Agustus 2015 Penentuan Nilai Eivalensi Mobil Penumpang Pada Ruas Jalan Perotaan Menggunaan Metode Time Headway ENDI WIRYANA
Lebih terperinciDESKRIPSI SISTEM ANTRIAN PADA BANK SULUT MANADO
DESKRIPSI SISTEM ANTRIAN PADA BANK SULUT MANADO 1 Selvia Hana, Tohap Manurung 1 Jurusan Matematia, FMIPA, Universitas Sam Ratulangi Jurusan Matematia, FMIPA, Universitas Sam Ratulangi Abstra Antrian merupaan
Lebih terperinciMETODE PANGKAT BALIK TERGESER UNTUK MENCARI NILAI EIGEN DAN VEKTOR EIGEN
MEODE PNGK BLIK ERGESER UNUK MENCRI NILI EIGEN DN VEKOR EIGEN Sangadi BSRC rtile disusses the shifted power method as the extension of the power method he shifted power method also requires a good starting
Lebih terperinciALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER
ALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER Oleh: Supardi SEKOLAH PASCA SARJANA JURUSAN ILMU FISIKA UNIVERSITAS NEGERI YOGYAKARTA 2012 1 PENDAHULUAN Liquid Crystal elastomer (LCE
Lebih terperinciTEORI KINETIKA REAKSI KIMIA
TORI KINTIK RKSI KII da (dua) pendeatan teoreti untu menjelasan ecepatan reasi, yaitu: () Teori tumbuan (collision theory) () Teori eadaan transisi (transition-state theory) atau teori omples atif atau
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini disampaian beberapa pengertian dasar yang diperluan pada bab selanutnya. Selain definisi, diberian pula lemma dan teorema dengan atau tanpa buti. Untu beberapa teorema
Lebih terperinci