I PENDAHULUAN II LANDASAN TEORI

Ukuran: px
Mulai penontonan dengan halaman:

Download "I PENDAHULUAN II LANDASAN TEORI"

Transkripsi

1 I PENDAHULUAN. Latar elaag Salah atu baga petg yag tda dapat dpaha dalam eolah tgg da uverta adalah maalah peadwala mata ulah dega edala watu yag dga (prefere doe, mahawa, da bayaya ruaga yag terbata. Oleh ebab tu perlu dbuat ebuah peadwala mata ulah yag memeuh emua edala da memuaa emua pha. a Saraa Iformata (SI merupaa alah atu pergurua tgg yag meyeleggaraa program regular da ete. Program regular deleggaraa pada watu pag atau ag har, edaga program ete deleggaraa pada watu ore atau malam har. Setap mahawa da doe mempuya prefere har da perode watu dalam pelaaaa ulah. Ata daar, maalah peadwala mata ulah aa dbuat. Permaalaha peadwala mata ulah dapat dmodela ebaga maalah Iteger Nolear Programmg (INLP. INLP adalah uatu model pemrograma matemata dmaa varabel eputua berupa blaga teger dega fug obetf atau edalaya olear. ula merupaa reotru dar artel A 0- teger programmg approach to a uverty tmetablg problem yag dtul oleh M Af ar da Cha Aop.. uua uua dar arya lmah adalah memodela maalah peadwala mata ulah yag memmuma etdapuaa mahawa da doe d a Saraa Iformata (SI ogor e dalam betu INLP. Selautya model deleaa dega batua oftware LINGO 8.0. II LANDASAN EORI erut aa delaa def da teor yag terat dega Iteger Nolear Programmg (INLP.. Pemrograma Lear Fug lear da pertdaamaa lear merupaa alah atu oep daar yag haru dpaham terat dega oep pemrograma lear. Def (Fug Lear Suatu fug f (,,..., dalam varabel-varabel,,..., adalah uatu fug lear a da haya a utu uatu hmpua otata c, c,..., c, f (,,..., = c + c c. (Wto 00 Sebaga cotoh, f(, = + merupaa fug lear, emetara f (, = bua fug lear. Def (Pertdaamaa da Peramaa Lear Utu embarag fug lear f (,,..., da embarag blaga b, pertdaamaa f (,,..., b atau f (,,..., b adalah pertdaamaa lear. Mala b embarag blaga, uatu peramaa f (,,..., = b merupaa peramaa lear. (Wto 00 Pemrograma lear (PL atau lear programmg (LP adalah uatu maalah optma yag memeuh etetuaetetua ebaga berut: a uua maalah terebut adalah memamuma atau memmuma uatu fug lear dar eumlah varabel eputua. Fug yag aa dmamuma atau dmmuma debut fug obetf. b Nla varabel-varabel eputuaya haru memeuh uatu hmpua edala. Setap edala haru berupa peramaa lear atau pertdaamaa lear. c Ada pembataa tada utu etap varabel dalam maalah. Utu embarag varabel, pembataa tada meetua haru taegatf ( 0 atau tda dbata tadaya (uretrcted g. (Wto 00

2 Suatu PL mempuya betu tadar epert yag ddefa ebaga berut. Def (etu Stadar PL Suatu PL dataa berbetu tadar a berbetu: m z = c terhadap A = b ( 0 dega da c berupa vetor beruura, vetor b beruura m, edaga A berupa matr beruura m yag debut uga matr edala. (Nah & Sofer 996 Sebaga catata, yag dmaud dega vetor beruura adalah vetor yag meml dme (uura. Solu Pemrograma Lear Suatu maalah PL dapat deleaa dalam berbaga te, alah atuya adalah metode mple. Metode dapat meghala uatu olu optmum bag maalah PL da telah dembaga oleh Datzg ea tahu 97, da dalam perembagaya merupaa metode yag palg umum dguaa utu meyeleaa maalah PL. Metode berupa metode teratf utu meyeleaa maalah PL berbetu tadar. Pada maalah PL (, vetor yag memeuh edala A = b debut olu PL (. Mala matr A dyataa ebaga A= ( N, dega adalah matr tagular beruura m m yag elemeya berupa oefe varabel ba da N merupaa matr beruura m ( m yag eleme-elemeya berupa oefe varabel oba pada matr edala. Dalam hal matr debut matr ba utu PL (. Mala dyataa ebaga vetor =, dega adalah vetor varabel N ba da N adalah vetor varabel oba, maa A = b dapat dyataa ebaga A = ( N N = + N = b. ( N Karea matr adalah matr tagular, maa meml ver, ehgga dar ( dapat dyataa ebaga: = b N N. ( Kemuda, fug obetfya berubah mead: m z = c + c. N N Def (Daerah Fbel Daerah fbel uatu maalah PL adalah hmpua emua tt yag memeuh emua edala da pembataa tada pada maalah PL terebut. (Wto 00 Def 5 (Solu a Solu dar uatu maalah PL debut olu ba a memeuh yarat berut:. olu terebut memeuh edala pada maalah PL;. olom-olom dar matr edala yag berpadaa dega ompoe taol dar olu terebut adalah beba lear. (Nah & Sofer 996 Def 6 (Solu a Fbel Vetor debut olu ba fbel a merupaa olu ba da 0. (Nah & Sofer 996 Ilutra olu ba da olu ba fbel dbera dalam Cotoh. Cotoh Mala dbera maalah PL berut: m z =, terhadap + + =, + + = 8, + = 5, 5,,,, 0. 5 Dar PL terebut dperoleh: 0 0 A = 0 0, b = Mala dplh = ( da N = ( maa matr baya adalah 5, (

3 = 0 0, = 0 0, N = ( 8 5, ( 0 0 c c. = = N Dega megguaa matr ba terebut, dperoleh N = ( 0 0, - b = ( = 8 5 (5 - z= cb= 5 Solu (5 merupaa olu ba, area memeuh edala pada maalah PL ( da olom-olom pada matr edala yag berpadaa dega ompoe taol dar (5, yatu beba lear (olom yag atu bua merupaa elpata dar olom yag la. Solu (5 uga merupaa olu ba fbel, area la-la varabelya lebh dar atau ama dega ol. Hal yag uga petg dalam oep pemrograma lear utu model adalah daerah fbel da olu optmum yag ddefa ebaga berut. Def 7 (Solu Optmum Utu maalah mama, olu optmum uatu PL adalah uatu tt dalam daerah fbel dega la fug obetf terbear. Utu maalah mma, olu optmum uatu PL adalah uatu tt dalam daerah fbel dega la fug obetf terecl. (Wto 00. Iteger Programmg Iteger programmg (IP atau pemrograma teger adalah uatu model pemrograma lear dega varabel yag dguaa berupa blaga bulat (teger. Ja emua varabel haru berupa teger, maa maalah terebut damaa pure teger programmg. Ja haya ebaga yag haru berupa teger, maa debut med teger programmg (MIP. IP dega emua varabelya haru berla 0 atau debut 0- IP. (Garfel & Nemhauer 97 Def 8 (Pemrograma Lear Relaa Pemrograma lear relaa atau erg debut PL-relaa merupaa uatu pemrograma lear yag dperoleh dar uatu IP dega meghlaga edala teger atau edala 0- pada etap varabelya. Utu maalah mama, la optmum fug obetf PL-relaa lebh bear atau ama dega la optmum fug obetf IP, edaga utu maalah mma, la optmum fug obetf PLrelaa lebh ecl atau ama dega la optmum fug obetf IP. (Wto 00. Nolear Programmg Model olear programmg (NLP melput pegoptmuma uatu od berut : a fug obetf olear terhadap edala lear, b fug obetf olear terhadap edala olear, c fug obetf olear da taberedala. (Sharma 006 Def 9 (betu umum uatu NLP etu umum uatu olear programmg adalah : ma (atau m z = f(,,..., terhadap edala: g (,,..., ( =,, b g (,,..., ( =,, b M g m (,,..., ( =,, b m (6 Kompoe,,..., merupaa varabel eputua da b, b,..., b m adalah otata. f(,,..., adalah fug obetf da g (,,..., meyataa fug-fug edala peramaa atau pertaamaa, dega =,,, m. Ja betu umum meml edala, maa maalah (6 damaa maalah olear programmg beredala. Ja betu umum tda meml edala, maa maalah (6 damaa maalah olear programmg taberedala. (Wto 00.. Koep Daar NLP Utu meyeleaa uatu maalah olear programmg dperlua oep

4 daar, yatu grade da matr Hee fug baya varabel. Vetor Grade da Matr Hee Mala f adalah fug dar varabel,,..., (baa dtula dega f ( = f(,,..., da terdfereala dua al ecara otu, da dyataa dega f C. Utu f C ddefa vetor grade fug f d tt adalah f ( f ( f ( = M f ( Ja fug terdfereala ecara otu dua al maa d tt terdapat matr turua paral yag debut matr Hee (Hea matr f ( H ( = = f ( f( f( f( L f( f( f( K = M M O M f( f( f( L.. Fug Kove da Fug Koaf Def 0 (Fug Kove da Koaf Fug f dataa fug ove pada elag I a haya a f( λ+ ( λ λ f( + ( λ f(, utu etap, I da utu etap 0 λ. Fug f dataa fug oaf pada elag I a haya a f( λ+ ( λ λ f( + ( λ f(, utu etap, I da utu etap 0 λ. (Ecer & Kupferchmd Pegoptmuma eredala Metode yag dapat dguaa dalam meyeleaa pegoptmuma beredala d ataraya adalah metode teratf (metode pealt da metode aalt (pegal Lagrage da od Karuh-Kuh-ucer. D bawah aa dbaha alah atu metode peyeleaa utu pegoptmuma beredala. Kod Karuh-Kuh-ucer (KK Mala dbera pegoptmuma edala pertdaamaa, maa alah atu alteratf peyeleaa adalah dega megubah emua pertaamaa mead peramaa dega meambah varabel tambaha, epert: g( 0 g( + y = 0 Namu dega cara tda efetf a terlalu baya edala yag haru dubah area megabata bertambah baya varabel eputua yag haru dlbata. e la utu meyeleaa maalah terebut adalah dega megguaa od Karuh-Kuh-ucer. Mala dbera maalah pegoptmuma: m f ( (8 terhadap g ( = 0, =,,..., m g ( 0, = m,..., p da R dega f da g merupaa fug-fug yag mempuya turua pertama yag otu. Ddefa fug Lagrage L(,λ = f( + m = λ g ( Karuh (99 da Kuh da ucer (95 ecara terpah meurua yarat perlu yag haru dpeuh oleh olu (mmzer * dar maalah (8, yag debut od KK, yatu terdapat λ * R ehgga: f. (* m g * + λ (* = 0, =,,..., l =. g (* 0, = m,..., p *. λ g (* = 0, = m,..., p *. λ 0, = m,..., p dega λ * pegal Lagrage. Kod d ata dapat mead yarat cuup utu trog global mmzer * a f da g merupaa fug ove. (Syma 005. Iteger Nolear Programmg Model teger olear programmg (INLP merupaa uatu model pemrograma matemata d maa varabel eputua

5 5 berupa blaga teger dega fug obetf atau edalaya olear. (Ecer & Kupferchmd 998 etu umum dar maalah teger olear programmg (INLP adalah ebaga berut: m f ( terhadap g ( b, =,,..., m h ( = c, =,,..., l X Z (9 dega f (, g (, h ( merupaa fug blaga real pada R da Z merupaa hmpua la-la teger d R. Î X adalah olu fbel pada maalah (9 a g ( b, utu emua =,..., m da h ( = c, utu emua =,..., l. Sebuah olu fbel * damaa olu optmal pada maalah (9 a f ( * f ( utu emua olu fbel pada maalah (9. Setap meyeleaa maalah INLP dlaua relaa utu melepaa la yag berla teger. Peyeleaa maalah relaa pada olear programmg, d ataraya megguaa od Karuh Kuh ucer (KK da metode global decet..5 Metode rach-ad-oud Dalam peula arya lmah, utu memperoleh olu optmum dar maalah INLP dguaa oftware LINGO 8.0 yatu ebuah program yag ddea utu meetua olu model lear, olear, da optma teger. Software LINGO 8.0 megguaa metode brach ad boud utu meyeleaa maalah IP atau INLP. Prp daar metode brach ad boud adalah memecah daerah fbel dar maalah (9 dega memart ruag pecara, dlaua dega membag daerah fbel e dalam p hmpua baga X, X,, X p dega p. rach rachg (pecabaga adalah proe membag-bag permaalaha mead ubproblem-ubproblem yag mug megarah e olu. oud oudg (pembataa adalah uatu proe utu mecar atau meghtug bata ata (dalam maalah mma da bata bawah (dalam maalah mama utu olu optmum pada ubproblem yag megarah e olu. Metode brach-ad-boud utu maalah mma dawal dega membuat ubproblem-ubproblem. Sebuah ubproblem pada ode, (P(X, =,, p adalah betu dar maalah (9 dega meggata X dega X. Satu atau lebh ubproblem dplh dar daftar ubproblem yag ada. Utu etap ode dplh ebuah bata bawah L dar la optmal ubproblem (P(X yag dperraa. Ja L lebh bear atau ama dega la fug obetf dar la awal maa addat olu fbel terba telah dtemua, emuda ubproblem (P(X delma dar pertmbaga elautya. Ja tda, maalah (P(X dmpa dalam daftar ubproblem. Nla awal dperbaru etap al ebuah olu fbel terba dtemua. Satu dar ode yag tda delma, (P(X, dplh utu dlaua pecabaga (brachg mead ubproblem yag lebh ecl. Proe dulag ampa tda ada ubproblem yag tera dalam daftar. erut adalah lagah-lagah peyeleaa uatu maalah mma dega metode brach-ad-boud. Mala dbera maalah INLP (9. Lagah 0 (Iala Ddefa L = {P(X} ebaga ubproblem dar fug INLP, * da v* = f ( ebaga addat olu optmum maalah INLP. Ja tda ada olu fbel yag tereda, maa dmala v * = + da = 0. Lagah (Pemlha ode Ja L =, proe berhet da * adalah olu optmum INLP. Ja tda, plh alah atu atau lebh ubproblem {P(X} dar L ebaga baga maalah berutya utu dpera. Dotaa ebaga bayaya ubproblem yag dplh dar L = {P(X,... P(X }. Mala L: = L\ L ; =. Lagah (oudg Subproblem P( X deleaa ehgga ddapata bata bawah L. L = + a P(X tafbel. Ja L v * proe

6 6 dlauta e Lagah 5. Ja tda, proe dlauta e Lagah. Lagah (Solu fbel Smpa olu fbel yag dtemua pada Lagah atau temua olu fbel yag lebh ba dar metode heurt tertetu. Perbaru addat olu optmal * da v*. Ja olu INLP yag dperoleh lebh ba dar olu fbel yag dperoleh ebelumya, elma P( X dar L v *;. L yag memeuh < Ja < ; = + maa Lagah dulag. Ja tda, proe dlauta e Lagah utu melaua pecabaga P( X. Lagah (rachg Ja L =, embal e Lagah. Ja tda plh alah atu ubproblem P(X dar L da X dbag mead ubet yag lebh p ecl L = { X,..., X }. Elma P(X dar L da mala L: = LU L U L. Kembal e Lagah. Lagah 5 (Fathomg Elma P( X dar L. Ja < dega = + maa embal e Lagah. Ja tda, embal e Lagah. (L & Su 006 Utu memudaha pemahama megea metode brach-ad-boud dbera cotoh ebaga berut. Cotoh Mala dbera INLP berut: m v = + 5 terhadap + 6, 5, (0, 0, teger. Solu optmum NLP-relaa dar maalah INLP (0 adalah =.57, =.06, da v =. (lhat Lampra. ata ata la optmum fug obetf maalah (0 adalah v =.. Daerah fbel maalah (0 dtuua pada Gambar. Solu optmum berada d daerah fbel yag beraal dar edala pertdaamaa maalah (0. Gambar Daerah fbel (daerah yag darr utu NLP-relaa dar INLP (0. Lagah awal metode brach ad boud adalah meetua daftar ubproblem L = {P(X} dar edala yag ada. Solu yag ddapata maalah (0 belum memeuh yarat teger, maa dmala v * =+. Karea L maa dbuat ubproblemubproblem baru, dmala ebaya = yag memeuh edala maalah INLP (0. Subproblem-ubproblem terebut dotaa L ={P(X, P(X }, ddefa ebaga berut: Subproblem P(X : maalah INLP (0 dtambah edala 0 ; Subproblem P(X : maalah INLP (0 dtambah edala Hal dlutraa ecara graf pada Gambar. Gambar Daerah fbel ubproblem P(X da ubproblem P(X Lagah elautya adalah meghtug bata ata U etap ubproblem. U merupaa pedeata la fug obetf yag terdapat pada ubproblem (P(X. Ja ubproblem (P(X meml olu tda fbel maa. P(X P(X Daerah fbel U = + Peghtuga emua ubproblem megguaa oftware LINGO 8.0, dtul pada Lampra. Hal emua

7 7 ubproblem maalah INLP (0 dtul dalam abel d bawah : abel Subproblem-ubproblem maalah INLP (0 No Subproblem U P(X (.5, 0. P(X (.57,.06. Lagah berutya adalah boudg da fathomg. Ja U v* maa elma ubproblem P(X. Perbaru la * da v* dega olu fbel yag meml la fug obetf terecl da memeuh edala teger. ata ata yag dhala pada ubproblem P(X, U = 0. tda lebh dar v* da olu yag dhala tda memeuh edala teger, maa dplh alah atu varabel utu daar pecabaga. Malya dplh ebaga daar pecabaga dar ubproblem P(X. Pecabaga Subproblem P(X meghala L = {,,, }, yatu: : Subproblem P(X dtambah edala 0 ; : Subproblem P(X dtambah edala ; : Subproblem P(X dtambah edala ; : Subproblem P(X dtambah edala Solu dar hal pecabaga Subproblem P(X dtuua dalam abel. abel Pecabaga Subproblem P(X No Subproblem U (, 7 (, 0 (.5, 0.5 (, 9 Pera etap ubproblem baru, a U v * maa elma ubproblem (P(X. Dar abel, olu yag dhala Subproblem memeuh edala teger da U = 7 < v *, maa perbaru * = (, da v* = 7 ebaga addat olu optmum. Lagah elautya adalah memera Subproblem. ata ata yag dhala Subproblem yatu U = 0 < v*, olu yag dhala memeuh edala teger da lebh ba dar Subproblem ehgga perbaru * = (, da v* = 0 ebaga addat olu optmum INLP. Dar abel, bata ata Subproblem tda memeuh yarat elma, area U = 0.5 < v *. Solu yag dhala tda memeuh edala teger, maa dplh alah atu varabel utu daar pecabaga. Malya ebaga daar pecabaga ubproblem. Pecabaga ubproblem ddefa... L = { P( X, P( X }, yatu:. : Subproblem dtambah edala 0 ;. : Subproblem dtambah edala ; Solu dar hal pecabaga Subproblem dtuua dalam abel. abel Pecabaga Subproblem No Subproblem U. (, 7. (.5, 0.5 Dar abel, bata ata Subproblem. memeuh yarat elma area. U = 7 > v*, edaga bata ata. ubproblem tda terelma area. U = 0.5 < v *. Solu yag dhala. Subproblem tda dperbaru area tda memeuh edala teger. Sela dar. tu Subproblem meml daerah fbel yag tda dapat dpart ehgga tda dcabaga lag. Selautya dpera Subproblem. ata ata Subproblem, yatu U = 9 > v* ehgga * da v* tda dperbaru. Subproblem yag belum dpera, yatu Subproblem P(X. ata ata Subproblem P(X adalah U =. < v * da olu yag dhala tda memeuh edala teger, maa dlaua pecabaga. Hal pecabaga Subproblem P(X ddefa L = { P( X, P( X, P( X, P( X }, yatu:

8 8 : Subproblem P(X dtambah edala 0 ; : Subproblem P(X dtambah edala ; : Subproblem P(X dtambah edala ; : Subproblem P(X dtambah edala. Solu dar hal pecabaga Subproblem P(X dtuua dalam abel. abel Pecabaga Subproblem P(X No Subproblem U (, 7 (,. (.57,.06. (,.65.6 Pera etap ubproblem baru, a U v * maa elma ubproblem (P(X. Dar abel, bata ata yag dhala ubproblem, yatu U = 7 > v*, ehgga * da v* tda dperbaru. ata ata,,da tda lebh dar v* da olu yag dhala tda memeuh edala teger, maa dlaua pecabaga dar etap ubproblem. Hal pecabaga Subproblem, yatu:. : Subproblem dtambah edala ;. : Subproblem dtambah edala. Solu dar hal pecabaga Subproblem dtuua dalam abel 5. abel 5 Pecabaga Subproblem No Subproblem U. (, P(X. (, Dar abel 5, bata ata Subproblem.. da, U = < v* ehgga perbaru la * da v*... Subproblem da meml daerah fbel yag tda dapat dpart, maa ubproblem tda dcabaga lag. Semua.. varabel ubproblem da berla teger (oluya memeuh edala teger da olu yag dhala pada ubproblem lebh ba dar bata ata ebelumya ehgga olu pada ubproblem mead addat bata ata baru dar olu INLP (0 yatu * = (,, v * =. Hal pecabaga ubproblem, yatu:. : Subproblem dtambah edala ;. : Subproblem dtambah edala. Solu dar hal pecabaga Subproblem dtuua dalam abel 6. abel 6 Pecabaga Subproblem No Subproblem U. (.65,.0. (.57,.06. Nla bata bawah Subproblem P(X.,. U =.0 < v* da Subproblem P(X.., U =. < v* ehgga perbaru la * da v*. Aa tetap, olu yag dhala tda memeuh edala teger ehgga * da v* tda dperbaru... Subproblem da meml daerah fbel yag tda dapat dpart lag, maa ubproblem tda dcabaga. Lagah elautya adalah memlh maalah yag belum deleaa, yatu pecabaga Subproblem. Hal pecabaga Subproblem, yatu:. : Subproblem dtambah edala ;. : Subproblem dtambah edala. Solu dar hal pecabaga Subproblem dtuua dalam abel 7. abel 7 Pecabaga Subproblem No Subproblem U. (, afbel +.. Nla bata ata, U =.7 < v*, ehgga tda memeuh yarat elma. Aa tetap, olu yag dhala tda memeuh edala teger ehgga * da v* tda dperbaru. Subproblem. meml daerah fbel yag tda

9 9 dapat dpart lag, maa ubproblem tda. dcabaga. Subproblem memeuh yarat elma, yatu U v *. Karea ubproblem pada percabaga terelma maa * da v* tda dperbaru. Semua ubproblem udah dpera da tda ada ubproblem tera dalam daftar. ehgga L =. Subproblem da. meghala olu optmal yag berupa teger. Dega dema, olu optmum pada maalah INLP (0 adalah * =, * =, v * =. III PEMODELAN Model peadwala pada arya lmah megguaa eam parameter utama ebaga peyuu adwal yatu;. Har, yatu har d maa egata perulaha deleggaraa. Har = {Se, Selaa,, Jumat}.. Perode watu, yatu watu ulah d maa mata ulah deleggaraa. Perode watu = { , ,, (tt+}.. Kelompo, yatu elompo mahawa yag meghadr mata ulah yag ama berdaara program ulah yag telah tereda. Kelompo program regular deleggaraa puul , edaga puul utu program ete.. Doe, yatu orag yag megaar uatu mata ulah tertetu dalam uatu ela. Doe = {Doe, Doe,, Doe l}. 5. Mata ulah, yatu pelaara yag daara d ela oleh eorag doe. Mata ulah = {mata ulah, mata ulah,, mata ulah m}. 6. Ruaga, yatu tempat berlagugya egata perulaha. Ruaga = {ruaga, ruaga,, ruaga }. Jadwal terebut dbuat edema rupa ehgga memeuh edala utama da edala tambaha. Kedala utama dalam peadwala, yatu:. Semua mata ulah teradwala d etap emeterya.. da ada overlappg mata ulah.. Doe tda boleh megaar lebh dar atu ela pada perode watu yag ama. Sedaga edala tambaha, yatu :. Utu mata ulah yag tedr ata ulah da pratum, adwal ulah dlaaaa lebh dulu dar adwal pratum.. Setap mata ulah deleggaraa pada perode watu yag eua. Mala mata ulah dega watu tatap mua am tda boleh deleggaraa pada watu tatap mua am.. Setap doe tda megaara mata ulah yag bua bdagya.. Sebaga doe berharap tda megaar pada watu tertetu. Dalam model peadwala arya lmah terdapat oefe (bobot yag merupaa la dar etdapuaa yag dbera oleh mahawa program regular da ete terhadap peadwala uatu mata ulah. Peetua bear eclya bobot dtetua ata ega mahawa terhadap uatu mata ulah yag aa dadwala d awal atau d ahr perode watu. Sema ecl bobot maa peluag dadwalaya mata ulah yag eua dega ega mahawa ema bear. Peetua bobot yag debuta tdalah mutla. obot yag ada d hayalah ebaga gambara aa. Sebaga cotoh :. Mahawa program regular megharapa mata ulah dapat daara d awal perode watu. Oleh area tu epuaa mahawa dber bobot (oefe yag ecl d awal perode watu da bobot yag bear d ahr perode watu, ehgga mata ulah meml peluag yag lebh bear utu dadwala d awal perode watu (Gambar.. Mahawa program ete megharapa mata ulah daara d ahr perode watu. Oleh area tu epuaa mahawa dber bobot (oefe yag ecl d ahr perode watu da bobot yag bear d awal perode watu, ehgga mata ulah meml peluag yag lebh bear utu dadwala d ahr perode watu (Gambar.

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI Utu mempermudah dalam meyeleaa pembahaa pada bab, maa aa dbera beberapa def da beberapa teor daar yag meduug... Teor Teor Peduug... Rua Gar Def. Rua Gar Ja ada d R atau 3 R, maa ebuah

Lebih terperinci

ANALYSIS SENSITIVITAS PADA PROGRAM INTEGER CAMPURAN

ANALYSIS SENSITIVITAS PADA PROGRAM INTEGER CAMPURAN Aaly Setvta pada Program Iteger Campura Fagzduhu Bu ulolo ANAYSIS SENSIIVIAS PADA PROGRAM INEGER CAMPRAN Fagzduhu Bu ulolo Departmet Mathemat, verta Sumatera tara, Meda 2055 Idoea Abtra: Metode Smple merupaa

Lebih terperinci

SIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS. Saniagus Munendra 1) Hery Susanto 2)

SIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS. Saniagus Munendra 1) Hery Susanto 2) SIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS Saagu Muedra 1) Hery Suato 2) Abtra: Sfat-fat yag berlau pada radal uatu deal teryata tda emuaya berlau pada oep radal uatu ubmodul Raaee

Lebih terperinci

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua

Lebih terperinci

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data Raguma. Statt meyataa umpula data yag dapat berupa aga yag damaa data uattat maupu o aga yag damaa data ualtat yag duu dalam betu tabel da atau dagram/gra, yag meggambara da mempermudah pemahama aa aga

Lebih terperinci

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1 HIMPUNAN RENTANGAN DAN BEBA LINIER HIMPUNAN RENTANGAN Defs (Kombas Ler) Msala V suatu ruag etor atas feld F. w etor d V, da, 1, juga etoretor d V. Vetor w dataa sebaga ombas ler dar etor-etor, 1, ja w

Lebih terperinci

PENYELESAIAN PENGOPTIMUMAN PORTOFOLIO FUZZY MENGGUNAKAN PENDEKATAN FUNGSI LAGRANGE. Sugiyarto

PENYELESAIAN PENGOPTIMUMAN PORTOFOLIO FUZZY MENGGUNAKAN PENDEKATAN FUNGSI LAGRANGE. Sugiyarto Prodg ear Naoal Peelta Peddka Peerapa MIPA akulta MIPA Uverta Neger Yogyakarta 6 Me 009 M-8 PENYELEAIAN PENGOPTIMUMAN PORTOOLIO UY MENGGUNAKAN PENDEKATAN UNGI LAGRANGE ugyarto MIPA Matematka Uverta Ahmad

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab bers defs-defs da sfat-sfat yag petg yag berhubuga dega modul. Hal-hal tersebut dperlua dalam pembahasa megea modul jetf pada Bab III. 2.1. Modul Mata ulah Aljabar Ler membahas

Lebih terperinci

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat Mater Bahasa Pemrograma Blaga Bulat (Iteger Programmg) Kulah - Pegatar pemrograma blaga bulat Beberapa cotoh model pemrograma blaga bulat Metode pemecaha blaga bulat Metode cuttg-plae Metode brach-ad-boud

Lebih terperinci

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel Uura Statt. Pedahulua Uura Statt:. Uura Pemuata Bagamaa, d maa data berpuat? Rata-Rata Htug Arthmetc Mea Meda Modu Kuartl, Del, Peretl. Uura Peyebara Bagamaa peyebara data? Ragam, Vara Smpaga Bau Uura

Lebih terperinci

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

adalah nilai-nilai yang mungkin diambil oleh parameter jika H Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu

Lebih terperinci

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT Aryato, Kaja Sfat Keompaa pada Ruag Baah KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH Aryato* ABSTRACT The propertes of ompatess Baah spaes ths paper s a geeralzato of a ompat uderstadg the system o the real

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (uregstered verso) http://www.smpopdf.com Statst Bss : BAB V. UKURA PEYEBARA DATA.1 Peyebara Uura peyebara data adalah uura statst yag meggambara bagamaa berpecarya data

Lebih terperinci

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t) BAB II KONSEP DASAR Kosep dasar yag dtuls dalam bab, merupaa beberapa dasar acua yag aa dguaa utu megaalsa model rso las da meetua fugs sebara peluag bertaha dalam model rso las Datara dasar acua tersebut

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam BAB II LANDASAN TEORI Pada bab II, aa djelasa tetag teor yag dpaa dalam semvarogram asotrop. Sela tu juga aa dbahas megea teor peduug dalam melaua peasra aduga cadaga baust d daerah Mempawah Kalmata, dataraya

Lebih terperinci

PERLUASAN MODEL CUTTING STOCK DUA DIMENSI

PERLUASAN MODEL CUTTING STOCK DUA DIMENSI PERLUAAN MODEL CUTTING TOCK DUA DIMENI Khuul Novagh Jurua Pedda Matemata Faulta Pedda Matemata da Ilmu Pegetahua Alam Uverta Pedda Idoea emal: huul@ahoo.com Abtra Terdapat m je baha bau berbetu pereg pajag

Lebih terperinci

PREDIKSI CUACA MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION-NEURAL NETWORK (PSONN)

PREDIKSI CUACA MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION-NEURAL NETWORK (PSONN) emar Naoal Matemata da Aplaa, Otober 07 urabaa, Uverta Arlagga PREDIKI CUACA MENGGUNAKAN ALGORITMA PARTICLE WARM OPTIMIZATION-NEURAL NETWORK (PONN Dta Rahmala, Teguh Herlambag Program tud Matemata, Uverta

Lebih terperinci

Penelitian Operasional II Program Bilangan Bulat PROGRAM BILANGAN BULAT (INTEGER PROGRAMMING)

Penelitian Operasional II Program Bilangan Bulat PROGRAM BILANGAN BULAT (INTEGER PROGRAMMING) Peelta Operasoal II Program Blaga Bulat 37 3 PROGRAM BILANGAN BULAT (INTEGER PROGRAMMING) 3 PENDAHULUAN : Formulas Program Blaga Bulat da Aplasya Program Lear (LP) Program Lear basa dormulasa secara matemats

Lebih terperinci

BAB III TEOREMA GLEASON DAN t-desain

BAB III TEOREMA GLEASON DAN t-desain BAB III TEOREMA GLEASON DAN t-desain Dalam ubbab 3., kta aka mempelaar alah atu fat petg dar kode wa-dual geap. Sfat terebut dberka oleh Teorema 3.(Teorema Gleao), Teorema ecara megeaka telah meetuka betuk

Lebih terperinci

Koefisien Korelasi Spearman

Koefisien Korelasi Spearman Koefe Koela Speama La hala dega oefe oela poduct-momet Peao, oela Speama dapat dguaa utu data beala mmal odal utu edua vaabel ag heda dpea oelaa. Lagah petama ag dlaua utu meghtug oefe oela Speama adalah

Lebih terperinci

METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k

METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k Prma: Jural Program Stud Pedda da Peelta Matemata Vol. 6, No., Jauar 07, hal. 7-59 P-ISSN: 0-989 METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l UNTUK BEBERAPA NILAI

Lebih terperinci

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar. ANALISIS REGRESI Berdasara betu eleara data, model regres dapat dlasfasa mead dua macam yatu lear da o-lear. Ja pola data lear maa dguaa pemodela lear. Begtu uga sebalya apabla pola data tda lear maa dguaa

Lebih terperinci

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan II. LANDASAN TEORI.1. Data Kategor Wallpole (1995, medefsa data ategor sebaga data yag dlasfasa meurut rtera tertetu. Data ategor dsebut uga data ometr atau data yag bua merupaa hasl peguura. Data ategor

Lebih terperinci

PERBANDINGAN METODE ESTIMASI-, ESTIMASI-, DAN ESTIMASI- PADA MODEL REGRESI ROBUST UNTUK MEMPREDIKSI PRODUKSI KEDELAI DI INDONESIA

PERBANDINGAN METODE ESTIMASI-, ESTIMASI-, DAN ESTIMASI- PADA MODEL REGRESI ROBUST UNTUK MEMPREDIKSI PRODUKSI KEDELAI DI INDONESIA PERBANDINGAN METODE ESTIMASI-, ESTIMASI-, DAN ESTIMASI- PADA MODEL REGRESI ROBUST UNTUK MEMPREDIKSI PRODUKSI KEDELAI DI INDONESIA Jural Daua epada Faulta Matemata da Ilmu Pegetahua Alam Uverta Neger Yogyaarta

Lebih terperinci

titik tengah kelas ke i k = banyaknya kelas

titik tengah kelas ke i k = banyaknya kelas STATISTIKA Bab 0 UKURAN PEMUSATAN DAN PENYEBARAN. Mea X. a. Data Tuggal... 3 b. Data Kelompo ( dstrbus frewes) f. f. f.... f. 3 3 f f f... f = f. f 3 Ket : tt tegah elas e = bayaya elas f frewes elas e

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga saat adalah aalss terhadap data megea sebuah araterst atau atrbut da megea sebuah varabel dsrt atau otu. Tetap, sebagamaa dsadar, baya

Lebih terperinci

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data, blaga ataupu

Lebih terperinci

BAB III TEORI PERRON-FROBENIUS

BAB III TEORI PERRON-FROBENIUS BB III : EORI PERRON-FROBENIUS 34 BB III EORI PERRON-FROBENIUS Pada Bab III aa dbahas megea eor Perro-Frobeus, yatu teor hasl otrbus dar seorag matematawa asal Germa, Osar Perro da Ferdad Georg Frobeus

Lebih terperinci

BAB 2 DASAR TEORI ALIRAN DAYA. Sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen

BAB 2 DASAR TEORI ALIRAN DAYA. Sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen BAB DAAR TEOR ALRAN DAA. Umum,,3,4 stem teaga lstr Electrc ower stem terdr dar tga ompoe utama, atu sstem pembagta teaga lstr, sstem trasms teaga lstr, da sstem dstrbus teaga lstr. Kompoe dasar ag membetu

Lebih terperinci

5/12/2014. Tempat Kedudukan Akar(Root Locus Analysis) ROOT LOCUS ANALYSIS

5/12/2014. Tempat Kedudukan Akar(Root Locus Analysis) ROOT LOCUS ANALYSIS 5//04 Matakulah: T EDALI Tahu : 04 Pertemuaa 45 Tempat eduduka Akar(Root Lou Aaly) Learg Outome Pada akhr pertemua, dharapka mahawa aka mampu : meerapka aal da aplka Tempat keduduka Akar dalam dea tem

Lebih terperinci

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,

Lebih terperinci

8.4 GENERATING FUNCTIONS

8.4 GENERATING FUNCTIONS 8.4 GEERATIG FUCTIOS Fugs pembagt Fugs pembagt dguaa utu merepresetasa barsa secara efse dega megodea usur barsa sebaga oefse deret pagat dalam varabel. Fugs pembagt dapat dguaa utu: memecaha berbaga masalah

Lebih terperinci

BAB 3 Interpolasi. 1. Beda Hingga

BAB 3 Interpolasi. 1. Beda Hingga BAB Iterpolas. Hgga. Iterpolas Lear da Kuadrat. Iterpolas -Maju da -Mudur Newto 4. Polo Iterpolas Terbag Newto 5. Polo Iterpolas Lagrage . Hgga Msala dbera suatu tabel la-la uers j j dar suatu ugs pada

Lebih terperinci

BAB III REVIEW SIFAT- SIFAT STATISTIK PENDUGAAN TIPE KERNEL BAGI FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN PERIODE GANDA

BAB III REVIEW SIFAT- SIFAT STATISTIK PENDUGAAN TIPE KERNEL BAGI FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN PERIODE GANDA 9 BAB III REVIEW SIFAT- SIFAT STATISTI PENDUGAAN TIPE ERNE BAGI FUNGSI INTENSITAS PROSES POISSON PERIODI DENGAN PERIODE GANDA 3. Perumua Peduga Malka adala proe Poo ag damat pada terval [0] dega fug teta

Lebih terperinci

Prosiding Seminar Nasional Matematika dan Pembelajarannya. Jurusan Matematika, FMIPA UM. 13 Agustus 2016

Prosiding Seminar Nasional Matematika dan Pembelajarannya. Jurusan Matematika, FMIPA UM. 13 Agustus 2016 Prosdg Semar Nasoal Matemata da Pembelajaraya. Jurusa Matemata, FMIPA UM. Agustus 06 METODE NUMERIK STEPEST DESCENT DENGAN ARAH PENCARIAN RERATA ARITMATIKA Rumoo Bud Utomo Uverstas Muhammadyah Tagerag

Lebih terperinci

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok) ANALSS DSRNAN (asus : Lebh dar elompo) Hazmra Yozza Jur. atemata FPA Uad LOGO POP POP POP 4 : POP Uura sampel : Sampel telah detahu dar elompo maa berasal Terhadap masg-masg obe damat/duur p peubah POP

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga searag adalah aalss terhadap data megea sebuah araterst atau atrbut (ja data tu ualtatg) da megea sebuah araterst (ja data tu uattatf).

Lebih terperinci

Untuk mentukan titik tetap dari persamaan (3.1) maka persamaan tersebut dibuat sama dengan nol, yaitu dt 0. seperti dalam persamaan berikut dt dt dt

Untuk mentukan titik tetap dari persamaan (3.1) maka persamaan tersebut dibuat sama dengan nol, yaitu dt 0. seperti dalam persamaan berikut dt dt dt LAMIRA 4 5 Lamra eetua t eta ar eramaa 3. Utu metua tt teta ar eramaa 3. maa eramaa tereut uat ama ega ol yatu a ee alam eramaa erut t t t..................3 Dar eramaa aa eroleh la eaga erut t Dar eramaa

Lebih terperinci

BAB III UKURAN PEMUSATAN (RATA-RATA)

BAB III UKURAN PEMUSATAN (RATA-RATA) BAB III UKUAN PEMUSATAN (ATA-ATA Salah sat ra mer yag mejelasa cr-cr data yag petg adalah ra pemsata, yat ra yag meja psat seggs data yag telah drta dar yag terecl sampa yag terbesar ata sebalya Ura pemsata

Lebih terperinci

Penyelesaian Masalah Transportasi Dengan Metoda Primal-Dual Wawan Laksito YS 4)

Penyelesaian Masalah Transportasi Dengan Metoda Primal-Dual Wawan Laksito YS 4) ISSN : 69 7 Peyeleaa Maalah Traporta Dega Metoda Pral-Dual Wawa Lakto YS 4) Abtrak Maalah Traporta erupaka peraalaha pedtrbua uatu produk hooge dar beberapa uber ke beberapa tuua dega cara yag palg optal.

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDAAN TEORI Dalam bab aa djelasa teor-teor yag berhubuga dega peelta yag dapat djada sebaga ladasa teor atau teor peduug dalam peelta Ladasa teor aa mempermudah pembahasa hasl peelta pada bab 3 Adapu

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M JP : Volue 4 Noor Ju 0 hal. 4-5 LEA HENSTOCK PADA NTEGRAL uslch Jurusa ateata FPA UNS uslch_us@yahoo.co ABSTRACT. Based o the cshae e partto ad cshae tegral t ca be arraged the e partto ad tegral cocepts.

Lebih terperinci

Analisa Probabilistik Algoritma Routing pada Jaringan Hypercube

Analisa Probabilistik Algoritma Routing pada Jaringan Hypercube Aalsa Probablst Algortma Routg pada Jarga ypercube Zuherma Rustam Jurusa Matemata Uverstas Idoesa Depo 644. E-mal : rustam@maara.cso.u.ac.d Abstra Algortma routg pada suatu arga teroes suatu measme utu

Lebih terperinci

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,

Lebih terperinci

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion Jural Iformata Mulawarma Vol 4 No. 3 September 009 37 Pemlha Model Regres erba Megguaa Metode Aae s Iformato Crtero da Schwarz Iformato Crtero M. Fathurahma Program Stud Ilmu Komputer, FMIPA Uverstas Mulawarma

Lebih terperinci

Implementasi Algoritma Particle Swarm untuk Menyelesaikan Sistem Persamaan Nonlinear

Implementasi Algoritma Particle Swarm untuk Menyelesaikan Sistem Persamaan Nonlinear JURNL TKNIK ITS Vol. Sept ISSN: -97 - Implemetas lgortma Partcle Swarm utu Meyelesaa Sstem Persamaa Nolear rdaa Rosta Yudh Purwaato da Rully Soelama Jurusa Te Iformata Faultas Teolog Iformas Isttut Teolog

Lebih terperinci

BARISAN DAN DERET. U n = suku ke-n Contoh: Barisan bilangan asli, bilangan genap, bilangan ganjil, dan lain-lain.

BARISAN DAN DERET. U n = suku ke-n Contoh: Barisan bilangan asli, bilangan genap, bilangan ganjil, dan lain-lain. BARIAN DAN DERET A. Barisa Barisa adalah uruta bilaga yag memilii atura tertetu. etiap bilaga pada barisa disebut suu barisa yag dipisaha dega lambag, (oma). Betu umum barisa:,, 3, 4,, dega: = suu pertama

Lebih terperinci

BAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai

BAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai BB III FUZZY C-MENS 3. Fuzzy Klasterg Fuzzy lasterg erupaa salah satu etode aalss laster dega epertbaga tgat eaggotaa yag eaup hpua fuzzy sebaga dasar pebobota bag pegelopoa (Bezde,98). Metode erupaa pegebaga

Lebih terperinci

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM Ed-Math; ol Tah EKITENI BAI ORTHONORMAL PADA RUANG HAIL KALI DALAM Mhammad Kh Abstras at rag etor ag dlegap oleh sat operas ag memeh beberapa asoma tertet damaa Rag Hasl Kal Dalam (RHKD) Pada RHKD deal

Lebih terperinci

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal Vol 5, No, 9-98, Jauar 9 But Teorema Ssa Cha dega egguaa deal asmal Abstra Sstem perogruea yag dapat dcar peyelesaaya secara teor blaga dasar teryata dapat dbuta melalu teor-teor strutur aljabar hususya

Lebih terperinci

H dinotasikan dengan B H

H dinotasikan dengan B H Delta-P: Jural Matemata da Pedda Matemata ISSN 089-855X Vol., No., Aprl 03 OPERATOR KOMPAK Mustafa A. H. Ruhama Program Stud Pedda Matemata, Uverstas Kharu ABSTRAK Detahu H da H dua ruag Hlbert, B H )

Lebih terperinci

BAB II KAJIAN TEORI. tertentu (Martono, 1999). Sistem bilangan real dinotasikan dengan R. Untuk

BAB II KAJIAN TEORI. tertentu (Martono, 1999). Sistem bilangan real dinotasikan dengan R. Untuk 5 BAB II KAJIAN TEOI A. Sstem Blaga eal Sstem blaga real adalah hmpua blaga real ag dserta dega operas pejumlaha da perala sehgga memeuh asoma tertetu (Martoo, 999). Sstem blaga real dotasa dega. Utu lebh

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 30 BAB III METODE PENELITIAN A. Tujua Peelta Tujua ag g dcapa dalam peelta adalah utu megetahu apaah hasl belajar perserta dd elas IX MP Nusa Bagsa Mragge Dema pada mater poo volume bagu ruag ss legug

Lebih terperinci

BAB 4 SISTEM DINAMIK ORDE-TINGGI

BAB 4 SISTEM DINAMIK ORDE-TINGGI Stem Damk Ore-Tgg 47 BAB 4 SISTEM DINAMI ORDE-TINI Stem amk ore-tgg gabuga ua atau lebh tem amk ore-atu. Cotoh:. Level cotrol paa tagk-tagk, bak yag tem o- terka oteractg ytem maupu yag terterak teractg

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN III. METODOLOGI PENELITIAN 3.. Watu da Temat Peelta Peelta srs dlaua d Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas Lamug ada tahu aadem 2009/200. 3.2. Metode Peelta Secara umum, elasaaa

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu terjad dega sedrya amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

100% r n. besarnya %. n. h t t p : / / m a t e m a t r i c k. b l o g s p o t. c o m =. 400

100% r n. besarnya %. n. h t t p : / / m a t e m a t r i c k. b l o g s p o t. c o m =. 400 h t t p : / / m a t e m a t r c k. b l o g p o t. c o m Meetuka uur-uur pada dagram lgkara atau batag Rgkaa Mater : Uur uur pada dagram lgkara yag pokok haya hal :. Meetuka bear baga dalam lgkara ( dapat

Lebih terperinci

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC JEMTN PD GRF FUZZY INTUITIONISTIC St lfatur Rohmaah, au Surarso, da ambag Irawato 3 Uverstas Islam Darul Ulum Lamoga, a0304@gmalcom Uverstas Dpoegoro Semarag 3 Uverstas Dpoegoro Semarag bstract tutostc

Lebih terperinci

BAB 2 TINJAUAN PUSTKA. Jaringan transmisi dan jaringan distribusi pada sistem tenaga listrik berfungsi

BAB 2 TINJAUAN PUSTKA. Jaringan transmisi dan jaringan distribusi pada sistem tenaga listrik berfungsi BAB TINJAUAN USTKA.. Sstem Dstrbus Jarga trasms da arga dstrbus pada sstem teaga lstr berfugs sebaga saraa utu meyalura eerg lstr yag dhasla dar pusat pembagt e pusat-pusat beba. Sstem arga dstrbus dapat

Lebih terperinci

PENDAHULUAN. Pembagian Statistik

PENDAHULUAN. Pembagian Statistik PEDAHULUA PERAA STATISTIKA Dadar atau tda peraa tatta telah baya dguaa dalam ehdupa ehar-har. Dua peelta atau ret, dmaapu dlaua, bua aja telah medapata maaat yag ba dar tatta tetap erg haru megguaaya.

Lebih terperinci

ANALISIS MULTIVARIAT. Pengantar Analisis Multivariat Lanjutan. Irlandia Ginanjar M.Si

ANALISIS MULTIVARIAT. Pengantar Analisis Multivariat Lanjutan. Irlandia Ginanjar M.Si ANALISIS MULTIVARIAT Pegatar Aal Multvarat Lauta Irlada Gaar M.S Jurua Stattka FMIPA Uad Nota utuk varabel varabel berkala l terval atau rao k bl k Vektor varabel acak: Nla haraa vektor Nla haraa vektor

Lebih terperinci

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut

Lebih terperinci

Prosiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA

Prosiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA Prosdg SPMIP. pp. 4-46, 6 ISBN : 979.74.47. PERKEMBNGN ESTIMTOR DENSITS NON PRMETRIK DN PLIKSINY Hasb Yas, Supart Staf PS Statsta, urusa Matemata, FMIP, UNDIP l. Prof. Sudarto, Kampus UNDIP Tembalag, Semarag

Lebih terperinci

Ir. Tito Adi Dewanto

Ir. Tito Adi Dewanto Ir. Tto A Dewato Dega megetahu la rata-rata saja,ormas yag apat aag-aag bsa salah terpretas. Msalya, ar ua elompo ata etahu rata-rataya sama, alau haya ar ormas ta suah meyataa bahwa ua elompo sama, mug

Lebih terperinci

HUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN

HUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN HUBUNGAN ARKS AB DAN BA ADA SRUKUR ORDAN NLOEN Sodag uraasar aaha (sodag@ub-ut.ac.d) UB-U eda Elva Herawaty FA ateata Uverstas Suatera Utara ABSRAC ths aer, we gve aother roof about the relatosh betwee

Lebih terperinci

UKURAN DASAR DATA STATISTIK

UKURAN DASAR DATA STATISTIK UKURAN DASAR DATA STATISTIK UKURAN PUSAT Apa yag dapat ta smpula secara gamblag da cepat dar data yag dsodora berut : Tabel 1 Sampel Data Karyawa peserta Jamsoste Nama Sex Status Kerja Gaj/Bl Umur NATUL

Lebih terperinci

Interpretasi Kombinatorial Bilangan Euler. Rektor Sianturi 1. Abstrak

Interpretasi Kombinatorial Bilangan Euler. Rektor Sianturi 1. Abstrak Retor Satur, Iterpretas Kombatoral Blaga Iterpretas Kombatoral Blaga Euler Retor Satur 1 bstra Kombatoral blaga Euler alah suatu proses yag meghtug bayaya alteratf permutas ar hmpua blaga ega umlah geap.

Lebih terperinci

KAJIAN MODEL REGRESI ASYMTOTIC

KAJIAN MODEL REGRESI ASYMTOTIC Podg Sema Naoal Peelta, Pedda da Peeaa MIPA aulta MIPA, Uveta Nege Yogaata, 6 Me 009 KAJIAN MODEL REGRESI ASYMOIC Yul Ada, Da Cahawat, da Nov Yat Juua Matemata MIPA UNSRI Abta Model Rege ole meml ebaa

Lebih terperinci

OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK

OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK Jural Ilmah Mrote Vol., No. 4 OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK Joha Vara Alfa ), Rully Soelama ), Chaste Fatchah ) ), ), ) Te Iformata, Faultas

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

STUDI PEMODELAN PERAMBATAN GELOMBANG SURJA PETIR PADA SALURAN TRANSMISI 150 KV MENGGUNAKAN METODE MULTI- CONDUCTOR TRANSMISSION LINE

STUDI PEMODELAN PERAMBATAN GELOMBANG SURJA PETIR PADA SALURAN TRANSMISI 150 KV MENGGUNAKAN METODE MULTI- CONDUCTOR TRANSMISSION LINE STUDI PEMODELAN PERAMBATAN GELOMBANG SURJA PETIR PADA SALURAN TRANSMISI 50 K MENGGUNAKAN METODE MULTI- CONDUCTOR TRANSMISSION LINE Kade Ad Dw Purwaa 2205 00 038 dose pembmbg :. Ir. Syarffudd M M.Eg. 2.

Lebih terperinci

SOLUSI TUGAS I HIMPUNAN

SOLUSI TUGAS I HIMPUNAN Program Stud S1 Tekk Iformatka Fakultas Iformatka, Telkom Uversty SOLUSI TUGAS I HIMPUNAN Matematka Dskrt (MUG2A3) Halama 1 dar 6 Soal 1 Tetukalah eleme-eleme dar hmpua berkut! 2 x x adalah blaga real

Lebih terperinci

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah 3 III. METODE ENELITIAN 3.1 Watu da Tempat eelta da peracaga tugas ahr dlaua d Laboratorum Terpadu Te Eletro Uverstas Lampug da dusu Margosar, desa esawara Idah abupate esawara pada bula Agustus 1 sampa

Lebih terperinci

Gambar 3.1Single Channel Multiple Phase

Gambar 3.1Single Channel Multiple Phase BAB III MODEL ANTRIAN PADA PEMBUATAN SIM C. Sigle Chael Multiple Phase Sistem atria sigle chael multiple phase merupaa sistem atria dimaa pelagga yag tiba, dapat memasui sistem dega megatri di tempat yag

Lebih terperinci

PENGUJIAN HIPOTESIS PROSEDUR UMUM PROSEDUR UMUM PROSEDUR UMUM. Langkah 1 : tentukan hipotesis 0 (H 0 ) dan anti hipotesis (H 1 )

PENGUJIAN HIPOTESIS PROSEDUR UMUM PROSEDUR UMUM PROSEDUR UMUM. Langkah 1 : tentukan hipotesis 0 (H 0 ) dan anti hipotesis (H 1 ) PENGUJIAN HIPOTESIS PROSEDUR UMUM Lagkah : tetuka hpote 0 (H 0 ) da at hpote (H ) malya: H 0 : µ 00 H : µ 00 atau H : µ > 00 atau H : µ < 00 PROSEDUR UMUM Lagkah : tetuka je dtrbu yag cocok: bla > 30 da

Lebih terperinci

STATISTIKA ELEMENTER

STATISTIKA ELEMENTER STATISTIKA ELEMENTER Statsta Apa tu statsta? Apa beda statsta dega statst? Populas? Sampel? Parameter? Sala Peguura: Nomal Ordal 3 Iterval 4 Raso Bagamaa r-r eempat sala d atas? Bera masg-masg otoh sala

Lebih terperinci

METODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap

METODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap III. METODE PENELITIAN A. Populas da Sampel Populas dar peelta adalah seluruh peserta dd elas VII semester geap SMP Neger 3 Terbaggbesar tahu pelaara 0/0 yag terdstrbus e dalam tuuh elas, yatu elas VII

Lebih terperinci

BAB II KAJIAN PUSTAKA

BAB II KAJIAN PUSTAKA BAB II KAJIAN PUSTAKA Beberapa teor yag dperlua utu meduug pembahasa dataraya adalah varabel radom, regres lear bergada, metode uadrat terecl (MKT), peguja asums aalss regres, pecla (outler), regres robust,

Lebih terperinci

METODE PRIMAL AFFINE-SKALING UNTUK MASALAH PROGRAM LINEAR

METODE PRIMAL AFFINE-SKALING UNTUK MASALAH PROGRAM LINEAR PLGI ERUPKN INDKN IDK ERPUJI EODE PRIL FFINE-SKLING UNUK SLH PROGR LINER Srps Dajua utu emeuh Salah Satu Sarat emperoleh Gelar Sarjaa Sas Program Stud atemata Oleh: jeg Retojwat NI : 343 PROGR SUDI EIK

Lebih terperinci

ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP. Staf Program Studi Statistika Jurusan Matematika FMIPA UNDIP 2

ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP. Staf Program Studi Statistika Jurusan Matematika FMIPA UNDIP 2 ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP Supart Achmad Mustofa da Agus Rusgyoo 3 3 Staf Program Stud Statsta urusa Matemata FMIPA UNDIP Alum urusa Matemata FMIPA UNDIP l. Prof. H.

Lebih terperinci

Jurnal Sains & Matematika Vol.15 No.4, 2007 ISSN

Jurnal Sains & Matematika Vol.15 No.4, 2007 ISSN Supart Sharta Wahyu Putra a Ruu Satoso Pemlha Threshol Optmal... Pemlha Threshol Optmal paa Estmator Regres Wavelet thresholg ega Proseur U Hpotess Multpel Supart Sharta Wahyu Putra a Ruu Satoso 3 3 Sta

Lebih terperinci

PEMILIHAN THRESHOLD OPTIMAL PADA ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN METODE CROSS VALIDASI

PEMILIHAN THRESHOLD OPTIMAL PADA ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN METODE CROSS VALIDASI Pemlha Threshold Optmal (Supart) PEMILIHAN THRESHOLD OPTIMAL PADA ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN METODE CROSS VALIDASI Supart, Taro, Paula Mela Dw Hapsar 3, Staf Pegaar Program Stud Statsta

Lebih terperinci

BAB IV HASIL ANALISIS

BAB IV HASIL ANALISIS BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan

Lebih terperinci

Taksiran Distribusi Aggregate Loss Asuransi Mobil Menggunakan Fast Fourier Transform (FFT) dalam Menentukan Premi Murni

Taksiran Distribusi Aggregate Loss Asuransi Mobil Menggunakan Fast Fourier Transform (FFT) dalam Menentukan Premi Murni Tasra Dstrbus Aggregate Loss Asuras Mobl Megguaa Fast Fourer Trasorm FFT dalam Meetua Prem Mur Tohap Maurug *, Mas Maaohas, Program tud Matemata, Faultas Matemata da Ilmu Pegetahua Alam, Uverstas am Ratulag

Lebih terperinci

I PENDAHULUAN II LANDASAN TEORI

I PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan

Lebih terperinci

EVALUASI OPERASI SISTEM TENAGA LISTRIK 5OO kv JAWA BALI MENGGUNAKAN PARTICLE SWARM OPTIMIZATION

EVALUASI OPERASI SISTEM TENAGA LISTRIK 5OO kv JAWA BALI MENGGUNAKAN PARTICLE SWARM OPTIMIZATION EVALUASI OPERASI SISTEM TENAGA LISTRIK 5OO V JAWA BALI MENGGUNAKAN PARTICLE SWARM OPTIMIZATION Roy Chadrabuaa, Ad Soeprjato, Teguh Yuwoo Jurusa Te Eletro-FTI, Isttut Teolog Sepuluh Nopember Kampus ITS,

Lebih terperinci

Pelabelan Total Super Sisi Ajaib Pada Graf Caterpillar Teratur

Pelabelan Total Super Sisi Ajaib Pada Graf Caterpillar Teratur Jural Matemata Itegrat ISSN 4-4 Vol. 9 No. Otober 0 pp. -9 Pelabela Total Super Ss Ajab Pada Gra Caterpllar Teratur Trya St Rahmah Nursham Muta Nur Estr Program Stud Matemata Jurusa MIPA Faultas Sas da

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu tejad dega sedrya, amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

PENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA

PENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA PEAKI ATAI AIO-CUM-DUAL UTUK ATA-ATA POPULAI PADA AMPLIG GADA Holla Maalu Bustam Haposa rat Mahasswa Program Matemata Dose Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas au Kampus Bawda

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab ini akan dibahas dasar-dasar teori yang akan digunakan

BAB II LANDASAN TEORI. Pada bab ini akan dibahas dasar-dasar teori yang akan digunakan BAB II LANDASAN TEORI Pada bab ii aka dibaa daar-daar teori yag aka diguaka dalam peulia kripi ii, yaitu megeai metode peakira maximum likeliood, metode peakira oit maximum likeliood da fier iformatio..1

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Persoala utaa yag dhadap oleh seorag aaer atau pegabl eputusa adalah bagaaa egaloasa suatu suber yag terbatas datara berbaga atvtas atau proye Progra lear adalah suatu etode yag dapat

Lebih terperinci

Digraf eksentris dari turnamen kuat

Digraf eksentris dari turnamen kuat Dgraf esetrs dar turame uat Hazrul Iswad Departeme Matemata da IPA MIPA) Uverstas Surabaya UBAYA), Jala Raya Kalrugut, Teggls, Surabaya, e-mal : us679@wolfubayaacd Abstra Esetrstas eu) suatu tt u d dgraf

Lebih terperinci

SIFAT SIFAT TRANSFORMASI LINEAR DARI R KE R

SIFAT SIFAT TRANSFORMASI LINEAR DARI R KE R SIF SIF RNSFORMSI LINER m DRI R KE R Diuu utuk memeuhi uga Mata Kuliah ljabar Liear Doe Pegampu : Dr. Suroo, M. Pd Diuu oleh : Kelompok. ge Chritie rii ( 84.55 ). dik Setyo Nugroho ( 84.65 ). Beti Lutvi

Lebih terperinci

MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK. Masalah 1 Terdapat berapa carakah kita dapat memilih 2 baju dari 20 baju yang tersedia?

MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK. Masalah 1 Terdapat berapa carakah kita dapat memilih 2 baju dari 20 baju yang tersedia? Kartia Yuliati, SPd, MSi MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK Masalah Terdapat berapa caraah ita dapat memilih baju dari 0 baju yag tersedia? Cara Misala baju diberi omor dari sampai

Lebih terperinci

PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR)

PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR) PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR) Supart, Taro da Yo Haryoo Staf urusa Matemata FMIPA UNDIP Alum urusa Matemata

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real. BAB 5 BARIAN DAN DERET KOMPLEK ecara eses, pembahasa tetag barsa da deret komlpeks sama dega barsa da deret real. 5. Barsa Barsa merupaka sebuah fugs dega doma berupa hmpua blaga asl N. ebuah barsa kompleks

Lebih terperinci