Metode Penggerombolan Berhirarki
|
|
- Inge Darmali
- 6 tahun lalu
- Tontonan:
Transkripsi
1 4 TINJAUAN PUSTAKA Analisis gerombol dalam bidang riset pemasaran sering diistilahan sebagai analisis segmentasi, merupaan alat statistia peubah ganda yang bertujuan untu mengelompoan n indiidu data e dalam gerombol, dengan < n. Indiidu yang terleta dalam satu gerombol memilii emiripan sifat yang lebih besar dibandingan dengan indiidu yang terleta dalam gerombol lain (Dillon & Goldstein 1984). Dengan demiian, sasaran analisis gerombol adalah mendapatan gugus pengelompoan yang meminimuman eragaman di dalam gerombol dan sealigus memasimuman eragaman antar gerombol (Garson 006). Secara umum, metode penggerombolan dapat dibedaan e dalam 3 elompo, yaitu (1) metode penggerombolan berhirari, () metode penggerombolan ta-berhirari, dan (3) penggabungan edua pendeatan metode penggerombolan, atau dienal juga sebagai metode hybrid (Putri 005). Semain rumitnya masalah yang dihadapi dalam menggerombolan gugus data berdimensi besar dan banyanya indiidu yang sangat besar, mendorong berembangnya teni-teni penggerombolan baru yang dalam prosesnya dilauan secara bertahap (pre clustering dan clustering). Metode-metode yang cuup dienal dialangan peneliti bidang pemasaran dan data mining diantaranya adalah, TwoStep Cluster (Chiu et al. 001), Latent Segment Analysis (Vermunt & Magidson 000; McCutcheon 1999, dan Bernstein et al. 00), BIRCH (Zhang 1996), CLARANS, CURE, dan DBscan (Strehl & Gosh 00), serta Two Stage Clustering (Lashminarayan & Yu 001). Pada penelitian ini, fous ealuasi diarahan pada metode TwoStep Cluster. Metode penggerombolan lasi, yaitu hirari dan -rataan dijadian sebagai pembanding untu mengealuasi eauratan metode TwoStep Cluster.
2 5 Metode Penggerombolan Berhirari Metode penggerombolan berhirari digunaan apabila banyanya gerombol yang aan dibentu belum dietahui dengan pasti di awal. Menurut Garson (006), penggerombolan berhirari coco untu uuran data yang ecil (biasanya<50). Metode penggerombolan berhirari dapat dibedaan menjadi dua yaitu metode penggabungan (agglomeratie) dan metode pemecahan (diisie). Garson (006) mengistilahannya sebagai forward dan bacward clustering. Pendeatan metode penggabungan berhirai (agglomeratie hierarchical) paling umum digunaan oleh para peneliti. Metode berhirari agglomeratie dimulai dengan mengasumsian bahwa setiap obje merupaan satu gerombol, selanjutnya secara bertahap dilauan penggabungan pada obje-obje yang paling deat. Proses ini berlanjut sampai semua sub grup bergabung menjadi satu gerombol. Sebalinya, metode diisie diawali dengan asumsi semua obje berada dalam satu gerombol, emudian objeobje yang paling jauh dipisah dan membentu satu gerombol lain. Proses tersebut berlanjut sampai semua obje masing-masing membentu satu gerombol. Hasil pembentuan gerombol berhirari beserta jara penggabungannya dapat digambaran dalam suatu dendogram. Secara umum pembentuan dendogram dengan algoritma agglomeratie adalah sebagai beriut (Johnson 1967) : 1. Mulai dengan N gerombol yang masing-masing hanya beranggotaan satu indiidu.. Gabungan dua indiidu atau sub-gerombol yang memilii jara terdeat pada matri jara. 3. Hitung embali jara antar gerombol yang baru. 4. Ulangi langah () dan (3) sampai (N-1) ali, sampai ahirnya semua obje bergabung menjadi satu gerombol.
3 6 Dalam metode penggerombolan berhirari setiap langah penggabungan gerombol diiuti dengan perbaian matri s jara. Adenberg (1973), Dillon dan Goldstein (1984), serta Morrison (1990) memaparan beberapa pilihan metode perbaian jara yang dapat digunaan pada langah (3) di atas, yaitu : a. Pautan tunggal (single linage) b. Pautan lengap (complete linage) c. Pautan rataan dalam elompo (aerage linage within the new group) d. Pautan rataan antar elompo (aerage linage between merged group) e. Centroid f. Median g. Ward Wijayanti (00), dengan menggunaan metode simulasi, menunjuan bahwa metode perbaian jara pautan rataan dalam elompo memberian nilai salah lasifiasi yang paling rendah diantara metode perbaian jara lainnya. Metode penggerombolan berhirari memunginan untu digunaan pada gugus peubah riteria penggerombolan yang semuanya bersala rasio, interal, ordinal, atau biner (Garson 006). Untu masing-masing jenis sala terdapat pilihan onsep jara yang sesuai. Berbagai onsep jara untu data biner dibahas pada Digby dan Kempton (1987). Metode Penggerombolan K-rataan Metode -rataan termasu edalam elompo penggerombolan ta berhirari. Menurut Garson (006), penggerombolan dengan menggunaan metode -rataan menggunaan onsep jara Euclidian, sehingga peubah riteria penggerombolan haruslah semuanya bersala rasio, interal, atau biner (true dichotomies). Untu menggunaan metode penggerombolan -rataan, pengguna (peneliti) harus menentuan terlebih dahulu banyanya gerombol yang aan dibentu secara apriori (Morrison 1990; dan Garson 006). Pemilihan banyanya gerombol () dapat ditentuan secara subjetif berdasaran landasan teori dari masalah yang dianalisis atau melalui penelusuran data awal.
4 7 Titi pusat awal buah gerombol dipilih secara aca pada pertama ali, selanjutnya dilauan proses iterasi yang mana pada setiap iterasi dibentu penggerombolan berdasaran jara Euclidian terdeat e pusat gerombol. Jadi pada setiap iterasi pusat gerombol aan berubah. Proses iterasi aan berhenti bila rata-rata gerombol lebih ecil dari batas perubahan yang ditentuan, atau banyanya iterasi telah melampaui batasan masimum (Adenberg 1973). Secara umum, metode - rataan menghasilan tepat gerombol yang memilii perbedaan eragaman terbesar 1). Garson (006) mengemuaan bahwa metode -rataan coco untu digunaan pada data beruuran besar (misal lebih dari 00 indiidu). TwoStep Cluster Algoritma TwoStep Cluster diembangan oleh Chiu, Fang, Chen, Wang, dan Jeris (001) untu analisis pada gugus data yang besar. Prosedurnya terdiri dari dua langah (Chiu et al. 001, SPSS 004), yaitu : 1. Penggerombolan Awal (Pre-Clustering) Tujuan penggerombolan awal (pre-clustering) adalah untu memasuan data matris baru dengan obje yang lebih sediit pada langah selanjutnya. Langah penggerombolan awal menggunaan pendeatan penggerombolan secara seuensial (Theodoridis & Koutroumbas 1999). Pendeatan ini menelusuri (scan) etor data indiidu (record) satu per satu dan memutusan apaah etor data yang bersangutan aan digabung dengan gerombol yang telah terbentu sebelumnya atau memulai gerombol yang baru berdasaran riteria jara yang telah ditetapan. 1)
5 8 Prosedur tersebut diimplementasian dengan membentu Cluster Feature tree (Zhang et al. 1996), pada penulisan ini diterjemahan sebagai pohon ciri gerombol. Pohon ciri gerombol terdiri dari beberapa tingatan cabang (nodes) dan masingmasing cabang berisian indiidu data (entries). Indiidu yang terdapat pada cabang yang berisian indiidu rujuan disebut Leaf Entry, merepresentasian anagerombol (sub-cluster) dari gerombol rujuan awal. Cabang-cabang yang buan menjadi rujuan (non-leaf nodes) beserta indiidu di dalamnya aan mengarahan etor indiidu baru e dalam cabang yang tepat secara cepat. Sebagai contoh, SPSS memberian nilai default untu banyanya tingat cabang masimum (maximum leels of nodes)=3 dan banyanya entries per nodes masimum 8 sehingga banyanya leaf entries masimum sebanya 8 3 = 51 ana-gerombol (SPSS Technical Guide 001). Suatu pohon ciri gerombol (CF tree) dengan informasi banyanya indiidu pada pohon gerombol yang bersangutan, nilai tengah dan ragam setiap peubah ontinu, serta freuensi masing-masing ategori untu peubah ategori mencirian setiap ana-gerombol (entries). Setiap etor indiidu (record) yang berurutan, secara reursif diarahan untu menemuan ana cabang terdeat, untu menjadi daun pada pohon yang bersangutan. Bila etor indiidu yang bersangutan terleta pada wilayah jara penerimaan (threshold distance) dari dahan terdeat (leaf entry), dahan tersebut aan memasuan indiidu yang bersangutan menjadi anggota ana gerombol, emudian merubah informasi pohon ciri gerombol dari dahan. Bila etor indiidu terleta di luar wilayah jara penerimaan, indiidu tersebut aan menjadi cial baal dahan yang baru pada cabang yang bersesuaian. Bila suatu cabang tida lagi memilii ruang untu menambah daun baru (entries), maa cabang tersebut aan dipecah menjadi dua. Jia dimisalan pada sebuah pohon, dari satu dahan emudian membelah menjadi dua dahan. Indiidu-indiidu yang terdapat pada cabang sebelumnya aan dipecah menjadi elompo dengan menggunaan titi rujuan yang paling berjauhan, emudian indiidu lainnya aan disebaran berdasaran riteria edeatan. Proses ini aan berlanjut sampai seluruh indiidu terolah secara lengap.
6 9 Jia CF tree berembang melewati batas uuran masimum yang telah ditetapan, maa CF tree yang telah ada aan dibangun ulang dengan cara meningatan riteria uuran penerimaan. CF tree yang melewati batas biasanya diarenaan pada saat proses algoritma CF tree ini dijalanan, terbentu daun entri yang beranggotaan pencilan (outlier). Pencilan pada analisis TwoStep Cluster adalah data yang tida dapat dimasuan pada gerombol manapun. Pada saat CF tree aan dibangun ulang, maa aan diperisa daun entri yang berpote nsi sebagai pencilan. Daun entri yang terdetesi beranggotaan pencilan merupaan daun entri yang jumlah anggotanya urang dari frasi uuran gerombol yang memilii jumlah paling besar yang telah ditetapan. Pada saat pembangunan ulang, daun entri yang berpotensi sebagai pencilan disimpan. Setelah CF tree dibangun ulang, maa satu per satu data dalam daun entri yang berpotensi sebagai pencilan dimasuan e dalam CF tree yang baru tanpa mengubah uuran CF tree tersebut. Jia masih ada data yang tida masu e dalam daun entri manapun, maa data tersebut diataan sebagai pencilan. Data-data yang didetesi sebagai pencilan dimasuan e dalam satu gerombol. Pada diagram algoritma CF tree yang disajian pada Gambar 1, masimum depth dan masimum nodes yang digunaan yaitu masing-masing 3, sehingga daun entri (ana gerombol) yang terbentu adalah sebanya 3 atau 7 ana gerombol, sedangan pada penelitian ini sesuai dengan default dari program SPSS masimum depth sama dengan 3 dan masimum nodes 8. Menurut Bacher, Wenzig, dan Vogler (004), hasil penggerombolan awal bergantung pada urutan dari obje/indiidu yang disusun pada matris data. Oleh arena itu, SPSS (001:) mereomendasian untu menggunaan urutan data secara aca.
7 10? Node Rebuild Leaf Rebuild Threshold distance Rebuild Pre-Clustering Rebuild Rebuild Pre-Clustering Gambar 1. Diagram pembentuan CF tree pada TwoStep Cluster
8 11. Penggerombolan Indiidu Obje ( Step Cluster) Pada tahap ini diterapan model berbasisan teni hirari. Sebagaimana halnya dengan teni hirari aglomeratif, hasil penggerombolan awal digabungan dengan menggunaan cara bertatar (stepwise) sampai semua obje berada dalam satu gerombol. Berbeda dengan teni-teni hirari aglomeratif, algoritma TwoStep Cluster didasaran pada suatu model statisti. Model dilandasi pada asumsi bahwa peubah-peubah ontinu xj (j = 1,,,p) pada gerombol e-i menyebar normal bebas stoasti dengan nilai tengah µ ij dan ragam σ ij, serta peubah-peubah ategori aj pada gerombol e-i mengiuti sebaran multinomial dengan peluang π ijl, yang mana (jl) adalah indes dari ategori e l (l = 1,,,m l ) dari peubah a j (j = 1,,,q). 3. Konsep Jara Terdapat dua onsep penguuran jara yang tersedia pada SPSS TwoStep Cluster yaitu jara Euclidean dan jara log-lielihood. Bacher, Weinzig, dan Vogler (004) menyataan bahwa uuran jara log-lielihood dapat diterapan untu atribut (peubah-peubah) campuran antara ategori dan numeri. Jara log-lielihood antara dua elompo i dan s didefinisian sebagai beriut: d ( i, s) ξi + ξs ξ i, s = (1) p q m j 1 ξ = ( ) ( ) i ni log σˆ ij + σˆ j πˆ ijl log π ˆ ijl j= 1 j= 1 l= 1 () p q m j 1 ξ = ( ) ( ) s ns log σˆ sj + σˆ j πˆ sjl log π ˆ sjl j= 1 j= 1 l= 1 (3) q m j ( σˆ + σˆ ) πˆ log( π ) p 1 ξ = n log ˆ j (4) i, s i, s i, s j i, s jl i, s jl j= 1 j= 1 l= 1
9 1 Untu penyingatan ξ i, s ditulisan sebagai ε, yang dapat ditafsiran sebagai suatu jenis galat penyimpangan (dispersi) di dalam gerombol ( = i,s,(i,s)). terdiri dari dua omponen eragaman. Bagian pertama adalah p 1 n log( ˆ ˆ ) j = σ 1 j + σ j yang menguur total simpangan (eragaman) dari peubah ontinu x j di dalam gerombol dan bagian edua q mj n πˆ log( πˆ ) ε j= 1 l= 1 jl jl (entropy) menguur dispersi pada peubah ategori. Seperti halnya dengan teni hirari aglomeratif, gerombol-gerombol dengan jara terecil d(i,s) digabungan pada tiap langah. Fungsi log-lielihood untu langah dengan gerombol ditulisan sebagai: l = Fungsi l = 1 ξ (5) buan merupaan fungsi log-lielihood yang selengapnya sebagaimana ditulisan pada persamaan sebelumnya. Fungsi ini dapat ditafsiran sebagai dispersi di dalam gerombol (eragaman dalam gerombol). Bila hanya diperhatian pada bagian peubah ategori, l adalah entropy dalam gerombol e. 4. Penentuan Banyanya Gerombol Pada SPSS TwoStep Cluster, banyanya gerombol dapat diperoleh secara otomatis. Dua tahap pendugaan diterapan untu menentuan banyanya gerombol secara objetif. Tahap pertama menghitung besaran Kriteria Informasi Aaie (AIC) dan Kriteria Informasi Bayes (BIC). Kriteria Informasi Aaie untu buah gerombol dirumusan sebagai : AIC = l + r (6) yang mana r adalah banyanya parameter bebas. Kriteria Informasi Bayes untu buah gerombol, dengan rumusan sebagai : BIC = l + r log n (7)
10 13 Menurut Chiu et al. (001: 66) BIC atau AIC menghasilan penduga awal yang bai bagi banyanya gerombol masimum. Banyanya gerombol masimum ditentuan sama dengan banyanya gerombol yang memilii rasio BIC /BIC 1 yang pertama ali lebih ecil dari c 1 (SPSS menetapan c 1 = 0,04 yang didasaran atas studi simulasi) (SPSS Technical Support 001). Tahap edua digunaan riteria perubahan rasio jara untu buah gerombol, R(), yang didefinisian sebagai : R ( ) = d 1 / d (8) yang mana d -1 adalah jara jia buah gerombol digabungan menjadi -1 gerombol. Jara d dapat diperoleh dari hasil perhitungan sebagai beriut : d l = l 1 l (9) = ( r log n BIC )/ atau l ( r AIC )/ = untu =, -1 (10) Menurut Bacher, Wenzig, dan Vogler (004), menggunaan BIC atau AIC menghasilan jawaban ya ng berbeda. Sebagai catatan, SPSS menyediaan pilihan riteria, yaitu menggunaan BIC atau AIC. Banyanya gerombol diperoleh berdasaran etentuan ditemuannya perbedaan yang nyata pada rasio perubahan gerombol. Rasio perubahan gerombol dihitung sebagai beriut ( ) ( ) R 1 / R (11) untu dua nilai terbesar dari R() (=1,,, max ; max didapatan dari langah pertama). Jia rasio perubahan lebih besar daripada nilai batas c (SPSS menetapan nilai c = 1,15 berdasaran studi simulasi), banyanya gerombol ditetapan sama dengan 1, selainnya banya gerombol sama dengan masimum { 1, }. 5. Langah Penetapan Keanggotaan Gerombol dan Penanganan Pencilan Tiap obje ditetapan sebagai anggota dari gerombol terdeat secara deterministi berdasaran uuran jara yang biasanya digunaan untu mendapatan gerombol. Bacher (000) mengungapan bahwa penetapan eanggotaan gerombol
11 14 secara deterministi memunginan terjadinya penduga yang bias bagi profil gerombol, bila terjadi tumpang tindih (oerlap) antar dua gerombol yang saling berdeatan. Kelompo data yang dapat mengaibatan terjadinya bias dalam penetapan eanggotaan gerombol disebut sebagai pencilan (outlier) atau gangguan (noise). Untu menanggulangi hal ini, Bacher, Wenzig, dan Vogler (004) menyaranan agar pengguna SPSS menentuan nilai fraction of noise (opsi penanganan pencilan), misalnya 5 (=5%). Bila diyaini pada data tida terdapat gangguan (pencilan), maa pilihan penanganan pencilan dapat diabaian. Suatu dahan (pada tahapan penggerombolan awal) dianggap sebagai gerombol yang berpotensi sebagai pencilan bilamana banyanya indiidu pada sub gerombol yang bersangutan lebih sediit dari persentase (proporsi) frasi uuran gerombol masimum yang ditetapan. Pencilan atau gangguan (noise) diasumsian menyebar mengiuti sebaran seragam. Untu mendetesi bahwa suatu indiidu dapat dinyataan sebagai pencilan atau buan, dilauan perhitungan jara log-lielihood dari titi yang bersangutan e sub gerombol terdeat yang buan pencilan (closest non-noise cluster), dan jara log-lielihood bilamana titi tersebut dimasuan sebagai pencilan. Langah beriutnya, memilih jara log-lielihood terbesar dari edua perhitungan tersebut. Langah ini setara dengan memasuan indiidu yang diduga sebagai pencilan e sub gerombol terdeat yang buan pencilan bilamana jara log-lielihood lebih ecil dari titi ritis C=log(V) (1) dimana : V = R L m (13) R = range dari peubah ontinu e- L = Banyanya ategori untu peubah ategori e-m m Sub-sub gerombol yang telah diidentifiasi sebagai pencilan, pada tahap prapenggerombolan (pre-clustering) tida dilibatan pada proses penentuan banyanya gerombol maupun penetapan eanggotaan gerombol.
PENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI
PENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciPENGELOMPOKAN KABUPATEN/KOTA DI INDONESIA BERDASARKAN FASILITAS KESEHATAN DASAR DENGAN MENGGUNAKAN ANALISIS KLASTER DUA TAHAP
PENGELOMPOKAN KABUPATEN/KOTA DI INDONESIA BERDASARKAN FASILITAS KESEHATAN DASAR DENGAN MENGGUNAKAN ANALISIS KLASTER DUA TAHAP Hazmira Yozza 1, Izzati Rahmi HG, Juliana Jurusan Matematia, Universitas Andalas,
Lebih terperinci2. Menentukan koleksi inti ubi kayu dan mengevaluasi kebaikan koleksi inti yang diperoleh. METODE. Data
2 2. Menentuan olesi inti ubi ayu dan mengevaluasi ebaian olesi inti yang dieroleh. METODE Data Data yang digunaan dalam enelitian ini berasal dari Kelomo Peneliti Pengelolaan Sumberdaya Geneti (Kelti
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 terperinciKAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST
KAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST Timbul Pardede (timbul@mail.ut.ac.id) Jurusan Statisti FMIPA, Universitas Terbua ABSTRAK Metode Ward dan metode K-rataan
Lebih terperinciII. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode
3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode
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 III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel
BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel
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 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 terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
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 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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
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 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 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciBAB 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 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 terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
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 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 terperinciAPLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK
APLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK Novhirtamely Kahar, ST. 1, Nova Fitri, S.Kom. 2 1&2 Program Studi Teni Informatia, STMIK
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 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 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 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 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 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 terperinciPENERAPAN FUZZY GOAL PROGRAMMING DALAM PENENTUAN INVESTASI BANK
PENERAPAN FUZZY GOAL PROGRAMMING DALAM PENENTUAN INVESTASI BANK Nurul Khotimah *), Farida Hanum, Toni Bahtiar Departemen Matematia FMIPA, Institut Pertanian Bogor Jl. Meranti, Kampus IPB Darmaga, Bogor
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 terperinciPenerapan Sistem Persamaan Lanjar untuk Merancang Algoritma Kriptografi Klasik
Penerapan Sistem Persamaan Lanjar untu Merancang Algoritma Kriptografi Klasi Hendra Hadhil Choiri (135 08 041) Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
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 terperinciTUGAS I RANCANGAN PERCOBAAN BAB I
TUGAS I RANCANGAN PERCOBAAN Nama : Dwi Shinta Marselina A. Pengertian Desain Esperimen BAB I Desain Esperimen Merupaan langah-langah lengap yang perlu di ambil jauh sebelum esperimen dilauan supaya data
Lebih terperinciSIMPULAN DAN SARAN. Simpulan
45 SIMPULAN DAN SARAN Simpulan 1. Metode TwoStep Cluster menghasilkan gerombol yang sama dengan populasi sebenarnya apabila semua peubah kriteria penggerombolan bersifat kontinu; kecuali pada situasi data
Lebih terperinciPENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI
PENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI Devi Fitrianah, Ade Hodijah Program Studi Teni Informatia, Faultas Ilmu Komputer,
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 terperinciPERBAIKAN KUALITAS CITRA MENGGUNAKAN HISTOGRAM LINEAR CONTRAST STRETCHING PADA CITRA SKALA KEABUAN
PERBAIKAN KUALITAS CITRA MENGGUNAKAN HISTOGRAM LINEAR CONTRAST STRETCHING PADA CITRA SKALA KEABUAN Murinto Program Studi Teni Informatia Universitas Ahmad Dahlan Kampus III UAD Jl. Prof. Soepomo Janturan
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 terperinciFUNGSI BANTU NONPARAMETRIK BARU UNTUK MENYELESAIKAN OPTIMASI GLOBAL
Seminar Nasional Matematia dan Apliasinya, 2 Otober 27 FUNGSI BANTU NONPARAMETRIK BARU UNTUK MENYELESAIKAN OPTIMASI GLOBAL Ridwan Pandiya #, Emi Iryanti #2 # S Informatia, Faultas Tenologi Industri dan
Lebih terperinciSah Tidaknya Sidik Ragam. Data Bermasalah. Data Bermasalah PERANCANGAN PERCOBAAN (DATA BERMASALAH)
Sah Tidanya Sidi Ragam PERANCANGAN PERCOBAAN (DATA BERMASALAH) Oleh: Dr. Ir. Dirvamena Boer, M.Sc.Agr. HP: 081 385 065 359 Universitas Haluoleo, Kendari dirvamenaboer@yahoo.com http://dirvamenaboer.tripod.com/
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 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 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 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 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 terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
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 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 terperinciI. PENDAHULUAN. Teori graf merupakan salah satu bagian ilmu dari matematika dan merupakan
I. PENDAHULUAN. Latar Belaang Teori graf merupaan salah satu bagian ilmu dari matematia dan merupaan poo bahasan yang relatif muda jia dibandingan dengan cabang ilmu matematia yang lain seperti aljabar
Lebih terperinciPENERAPAN METODE FUZZY MULTI CRITERIA DECISION MAKING PADA SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SMARTPHONE
PENERAPAN METODE FUZZY MULTI CRITERIA DECISION MAKING PADA SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SMARTPHONE Novhirtamely Kahar 1, Rii 2 12 Program Studi Teni Informatia, STMIK Nurdin Hamzah, Jambi ` E-mail:
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 terperinciALGORITMA GENETKA PADA MULTI DEPOT VEHICLE ROUTING PROBLEM (MDVRP)
ALGORITMA GENETKA PADA MULTI DEPOT VEHICLE ROUTING PROBLEM (MDVRP) Igusta Wibis Vidi Abar Purwanto 2 FMIPA Universitas Negeri Malang E-mail: wibis.roccity@gmail.com Abstra: Multi Depot Vehicle Routing
Lebih terperinciANALISIS VARIANSI (ANOVA)
ANALISIS VARIANSI (ANOVA) ANOVA = Analisis Varians (Anava) = Analisis Ragam = Sidi Ragam Diperenalan oleh R.A. Fisher (195) disebut uji F pengembangan dari uji t dua sampel bebas (independent samples t
Lebih terperinciANALISIS DISKRIMINAN
ANALISIS DISKRIMINAN I Prinsip Dasar dan Tujuan Analisis Analisis disriminan adalah salah satu teni statisti yang bisa digunaan pada hubungan dependensi (hubungan antarvariabel dimana sudah bisa dibedaan
Lebih terperinciUJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure
8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciVI. PEMILIHAN MODA (Modal Split/Choice)
VI. PEMILIHAN MODA (Modal Split/Choice) 6.. UMUM Tujuan: Mengetahui proporsi pengaloasian perjalanan e berbagai moda transportasi. Ada dua emunginan situasi yang dihadapi dalam meramal pemilihan moda:
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 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 terperinciMASALAH VEKTOR EIGEN MATRIKS INVERS MONGE DI ALJABAR MAX-PLUS
Seminar Sains Penidi Sains VI UKSW Salatiga Juni 0 MSLH VEKTOR EIGEN MTRIKS INVERS MONGE DI LJBR MX-PLUS Farida Suwaibah Subiono Mahmud Yunus Jurusan Matematia FMIP Institut Tenologi Sepuluh Nopember Surabaya
Lebih terperinciANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI
Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: 97-522 Yogyaarta, 7 Juni 26 ANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI Rully Soelaiman, Ni Made Arini
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 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 terperinciUkuran Pemusatan Data
Uuran Pemusatan Data Atina Ahdia, S.Si., M.Si. Universitas Islam Indonesia Uuran Pemusatan Data 1. Mean (rata-rata) 2. Median (nilai tengah) 3. Modus Mean 1. Rata-rata Hitung Misalan terdapat N observasi,
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 terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
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 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 terperinciPenggunaan Metode Bagi Dua Terboboti untuk Mencari Akar-akar Suatu Persamaan
Jurnal Penelitian Sains Volume 16 Nomor 1(A) Januari 013 Penggunaan Metode Bagi Dua Terboboti untu Menari Aar-aar Suatu Persamaan Evi Yuliza Jurusan Matematia, FMIPA, Universitas Sriwijaya, Indonesia Intisari:
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 terperinciPencitraan Tomografi Elektrik dengan Elektroda Planar di Permukaan
Abstra Pencitraan omografi Eletri dengan Eletroda Planar di Permuaan D. Kurniadi, D.A Zein & A. Samsi KK Instrumentasi & Kontrol, Institut enologi Bandung Jl. Ganesa no. 10 Bandung Received date : 22 November2010
Lebih terperinciBEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE. Triyani dan Irham Taufiq Universitas Jenderal Soedirman
JMP : Volume 4 Nomor 2, Desember 2012, hal. 271-278 BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE Triyani dan Irham Taufiq Universitas Jenderal Soedirman trianisr@yahoo.com.au ABSTRACT.
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 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 terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Data yang telah berhasil diumpulan oleh penulis di BB BIOGEN diperoleh hasil bobot biji edelai dengan jumlah varietas yang aan diuji terdiri dari 15
Lebih terperinciRINGKASAN SKRIPSI MODUL PERKALIAN
RINGKASAN SKRIPSI MODUL PERKALIAN SAMSUL ARIFIN 04/177414/PA/09899 DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS GADJAH MADA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM YOGYAKARTA 2008 HALAMAN PENGESAHAN
Lebih terperinciBAB ELASTISITAS. Pertambahan panjang pegas
BAB ELASTISITAS 4. Elastisitas Zat Padat Dibandingan dengan zat cair, zat padat lebih eras dan lebih berat. sifat zat padat yang seperti ini telah anda pelajari di elas SLTP. enapa Zat pada lebih eras?
Lebih terperinciPENERAPAN METODE PARTICLE SWARM OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK DATA CLUSTERING
PENERAPAN METODE PARTICLE SWARM OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK DATA CLUSTERING Yoe Ota a, Ahmad Saihu, S.Si,MT. b Jurusan Teni Informatia, Faultas Tenologi Informasi, Institut Tenologi
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 terperinciIMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA
94 IMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA Yudhi Purwananto 1, Diana Purwitasari 2, Agung Wahyu Wibowo Jurusan Teni Informatia, Institut Tenologi Sepuluh Nopember
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series)
III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunaan data seunder bersifat runtun watu (time series) dalam periode tahunan dan data antar ruang (cross section). Data seunder tersebut
Lebih terperinciPENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR
PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR Ngarap Im Mani 1) dan Lim Widya Sanjaya ), 1) & ) Jurs. Matematia Binus University PENGANTAR Perancangan percobaan adalah suatu
Lebih terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
Lebih terperinciPERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM
Seminar Nasional Sistem dan Informatia 2007; Bali, 16 November 2007 PERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM Fajar Saptono 1) I ing Mutahiroh
Lebih terperinciPELABELAN FUZZY PADA GRAF. Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman.
JMP : Volume 6 Nomor, Juni 04, hal. - PELABELAN FUZZY PADA GRAF Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman email : oeytea0@gmail.com ABSTRACT. This paper discusses
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
Lebih terperinciKECENDERUNGAN PENGGUNAAN JENIS ALAT KONTRASEPSI PESERTA KB AKTIF PADA KABUPATEN SIDOARJO TAHUN 2009
KECENDERUNGAN PENGGUNAAN JENIS ALAT KONTRASEPSI PESERTA KB AKTIF PADA KABUPATEN SIDOARJO TAHUN 009 Furqan Qadarisman, dan Dwiatmono Agus W. Jurusan Statistia Institut Tenologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
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 terperinciBAHAN DAN METODE. Bahan
15 BAHAN DAN METODE Bahan Model Populasi Hipotetik Pada penelitian ini akan digunakan pendekatan simulasi untuk mengevaluasi efektivitas algoritma TwoStep Cluster, sebagai mana dinyatakan pada tujuan penelitian.
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 terperinci