masalah nonlinear numerik

Dalam matematika sering kita jumpai masalah-masalah nonlinear. untuk menyelesaikan persamaan nonlinear ini ada yang dapat dicari dengan cara analitik tapi banyak pula persamaan yang tidak dapat diselesaikan secara analitik. untuk itu digunakan metode numerisasi untuk menyelesaikannya, namun jawaban yang kita perooleh bukanlah jawaban yang exsak atau jawaban pastinya, hanya saja pendekatannya. nilai akar yang sebenarnya akan didekati dengan algoritma-algoritma yang telah ditemukan para ilmuwan matematika... ada beberapa metode yang akan dibahas disini. untuk selengkapnya amabil saja di link disebelah ini... ok... semoga membantu...

hemhhh....

sekarang q masih harus banyak melalui ujian... minggu ni minggu yang sangat melelahkan
karena semester lima terasa sangat lama... ya... begitulah pengalamanq diunhas, kuliah sampai 7 semester, ga sabar rasanya saya mau cepet selesaikan s-1 saya...

banyak hal baru yang saya dapat disini, sayangnya... temen-temen baikku ga da yang kuliah disini. semua kuliahnya jauh.... ha...3x ya... mencari jati diri masing2....
mungkin... jalan hidup itu ga semua mulus, banyak rintangan yang harus dilalui disini.
dari masalh pribadi, keluarga dan semuanya. tapi itu justru memberiq semangat agar cepat menyelesaikan kuliah saya, dengan nilai yang memuaskan hatiku tentunya... he...3x

pergantian musim

akhirnya makassar musim hujan juga.... he...3x sekian lama menanti hujan, alx... makassar panas banget.... tp sayang pendritaan ramsis putri tetap berlanjut... he...3x tidak ada air... tragis banget kan...???? klo ramsis putra sih... air aman-aman ja.... hem..., mendung2 dingin ada kuliah analisis riil.... enaknya...

contoh atribut dalam lingkungan akademik

Contoh 20 atribut dalam lingkungan akademik:
Nim Nama Alamat TTL Kd-fakultas Kd_jurusan

1. NIM
Adalah atribut entitas, pada table mahasiswa Nim juga adalah data dasar karena tidak ada rumus yang dipakai untuk memperolehnya. Nim disini dapat dijadikan sebagai atribut key karena atribut-atribut yang lain akan bergantung pada atribut ini, selain itu nilai-nilai yang ada didalam atribut ini juga tidak pernah ada yang sama. Artinya setiap mahasiswa hanya memiliki satu nim, meskipun namanya sama tapi nimnya tetap berbeda. Sehingga akan mempermudah kita dalam pencarian data.
2. Nama
Adalah atribut entitas, pada table mahasiswa Nama juga adalah data dasar karena tidak ada rumus yang dipakai untuk memperolehnya. Atribut Nama bergantung pada atribut nim.
3. Alamat
Adalah atribut entitas, pada table mahasiswa alamat juga adalah data dasar karena tidak ada rumus yang dipakai untuk memperolehnya. Atribut alamat bergantung pada atribut nim.

4. TTL
Adalah atribut entitas, pada table mahasiswa TTL juga adalah data dasar karena tidak ada rumus yang dipakai untuk memperolehnya. Atribut TTL bergantung pada atribut nim.
Sedangkan atribut Kd-fakultas, dan Kd_jurusan adalah atribut relasi yang juga bergantung pada atribut nim. Kedua atribut diatas akan di relasikan dengan table jurusan dan table fakultas.
Kd_fakultas Nm_fakultas Jml_jurusan


5. Kd_fakultas
Adalah atribut entitas, pada table fakultas Kd_fakultas juga adalah data dasar karena tidak ada rumus yang dipakai untuk memperolehnya. Kd_fakultas disini dapat dijadikan sebagai atribut key karena atribut-atribut yang lain akan bergantung pada atribut ini, selain itu nilai-nilai yang ada didalam atribut ini juga tidak pernah ada yang sama. Artinya setiap fakultas hanya memiliki satu kode. Sehingga akan mempermudah kita dalam pencarian data.

6. Nama_fakultas
Adalah atribut entitas, pada table fakultas Nama_fakultas juga adalah data dasar karena tidak ada rumus yang dipakai untuk memperolehnya. Atribut Nama_fakultas bergantung pada atribut kd_fakultas.


7. Jml_jurusan
Sedangkan jumlah jurusan adalah informasi karena nilainya dapat berubah jika ada penambahan jurusan pada suatu fakultas.jml_jurusan juga bergantung pada Kd-fakultas

8. Juml_fakultas
Sedangkan jumlah fakultas adalah informasi karena nilainya dapat berubah jika ada penambahan jurusan pada suatu universitas.
Kd_jurusan Nm_jurusan Jml_progstudy

9. Kd-jurusan
Adalah atribut entitas, pada table diatas Kd_jurusan juga adalah data dasar karena tidak ada rumus yang dipakai untuk memperolehnya. Kd_jurusan disini dapat dijadikan sebagai atribut key karena atribut-atribut yang lain akan bergantung pada atribut ini, selain itu nilai-nilai yang ada didalam atribut ini juga tidak pernah ada yang sama. Artinya setiap jurusan hanya memiliki satu kode. Sehingga akan mempermudah kita dalam pencarian data.
10. Nm_jurusan
Adalah atribut entitas, pada table diatas Nama_jurusan juga adalah data dasar karena tidak ada rumus yang dipakai untuk memperolehnya. Atribut Nama_jurusan bergantung pada atribut kd_jurusan.
11. Jml_progstudy
adalah informasi karena masih dapat ditambah lagi jumlah program study dalam suatu jurusan.
Kd_porgstudy Nm_progstudy
12. kd_progstudy
Kd_progstudy adalah atribut entitas, yang merupakan data dasar karena tidak ada rumus untuk memperolehnya. Seain itu atribut ini juga unik karena setiap program study juga hanya memiliki satu kode program study. Sehingga dalam abel diatas kda-progstudy dapat dijadikan key yang akan mempermudah kita dalam melakukan pencarian data nantinya.
13. Nm_progstudy
Nm_progstudy juga atribut entitas, atribut ini juga data dasar yang bergantung pada atribut kd_progstudy.
Nip Nm-dsen Alamt No telp Kd_fakultas Kd_jurusan
14. NIP dosen
NIP adalah atribut entitas yang merupakan data dasar. Atribut yang lain akan bergantung pada atribut ini.
15. Nama-dosen
Nama_dosen adalah atribut entitas yang merupakan data dasar. Atribut ini bergantung pada atribut NIP_dosen.

16. Alamat_dosen
Alamat adalah atribut entitas pada table diatas. Alamat juga adalah data dasar, karena tidak ada rumus untuk memperolehnya dengan kata lain memang seperti itu adanya. Atribut ini bergantung pada atribut NIP_dosen.
Sedangkan atribut kd_fakultas dan Kd_jurusan adalah atribut relasi dari table fakultas dan table jurusan.
17. No telp_dosen
No telp-dosen adalah atribut entitas, yang merupakan data dasar, atribut ini juga bergantung pada atribut NIP_dosen.
Kd_mtkul Nm_mtkul Nip_dsenpengajar
18. Kd_mtkuliah
Kd_mtkuliah adalah atribut entity yang merupakan data dasar juga. Atribut ini dapat dijadikan key karena cukup unik. Atribut yang lain akan bergantung pada atribut ini.
19. Nm_matakuliah
Nm_mtkul adalah atribut data dasar yang bergantung pada atribut kd_matakuliah.
Sedangkan Nip_dosenpengajar adalah atribut relasi dari table dosen.
NIM Nm_mhsw NIP_PA NM_PA
20. Nip_PA
Atribut ini adalah atribut data dasar. NIP_PA ini juga bias dijadikan alternate key atau juga jadi primary key. Karena NM_PA dapat bergantung pada atribut ini. Namun, Apabila NIM yang menjadi primary key maka atribut ini pun akan bergantung pada atribut NIM. Jadi ketergantungan fungsinya akan tergantung mana yang akan dijadikan key.
21. Nama_dosenPA
Atribut ini juga merupakan data dasar, atribut ini akan bergantung pada NIP_PA.

ketergantungan fungsi database

KELOMPOK 4

DEFINISI KETERGANTUNGAN FUNGSI
fungsional atau FD (Functional Dependencies) adalah :
Diberikan 2 atribut ,Adan B. B dikatakan ketergantungan fungsional dari A jika setiap nilai A mempunyai tepat satu nilai terhadap B ( mempunyaivfungsi satu - satu & onto ). A dan B dapat berbentuk gabungan, dapat juga keduanya merupakan kelompok dari 2 atau lebih atribut dari satu atribut.
Dari pandangan yang praktis ini, apa definisi yang dikatakan jika b adalah
ketergantungan fungsional dari A dan setiap tupel rnernpunyai nilai yang sarna
dengan A dan dalarn A harns rnernpunyai nilai yang sarna tepat terhadap B dalam
satu tupel yang sarna . Nilai dari A dan B dapat sewaktu - waktu berubah jika
diinginkan sepeni perjalanan nilai dari A ke B sangat unik dan hanya mempunyai satu
nilai terhadap B. Ketergantungan fungsional ( FD ) menggarnbarkan penggunaan
dari beberapa rnacarn notasi ketidaksamaan. Dua atau lebih atribut rnemperlihatkan
garnbaran dan keadaan biasa dalarn garnbar 3.1.
Dalarn situasi areal ini ketergantungan fungsional dapat rnenentukan detail dari
pernbentukan semua atribut dalarn relasi dan dapat rnenarik kesimpulan bagairnana
rnenggabungkan atribut yang satu dengan yang lain. Ketergantungan fungsi tidak
dapat rnernbuktikan, hanya dengan rnelihat fakta. Dalarn hal ini relasi dan jika tidak
nilai sarna yang datang dari dua atribut atau lebih dari satu tupel. Ini dapat anda
berikan petunjuk mengenaidi mana pemeriksaan ketergantungan fungsi, tetapi tidak
dapat dibuktikan.
A B bentuk matematika

Ketergantungan fungsi harus dapat menarik kesimpulan dari bentuk dasar dari
pembentukan atribut.


Functional dependency digunakan untuk Menguji relasi apakah legal berdasarkan himpunan functional dependency tertentu.
• Jika sebuah relasi r legal berdasar himpunan functional dependency F, kondisi ini disebut sebagai
r satisfies F
– Menyatakan constraint pada himpunan legal
relation
• Kondisi di mana semua legal relation dari R satisfy
himpunan functional dependency F disebut sebagai :
F holds on R
Sebuah functional dependency disebut trivial apabila FD tersebut dipenuhi oleh semua instan relasi
– Contoh :
• Customer-name, loan-number → customer-name
• Customer-name → customer-name
– Secara umum, α → β trivial apabila

Contoh:

Dimana variabel nama, alamat dan dosen wali bergantung terhadap NIM.



Dimana variabel nama, jurusan dan fakultas bergantung pada variabel no Mhs. Karena No Mhs merupan key dari tabel diatas dalam artian record didalamnya tidak boleh berisi berulang.

Untuk tabel yang ini variabel jml_Dsn, jml_Mhs, dan jml_jur bergantung pada variabel Fakultas.

NIM disini sebagai key sedangkan variabel ang lain bergantung terhadap variabel NIM.

Nama,PA,kelas1,kelas2 dan kelas3 bergantung pada no_siswa.



Referensi:
1. artikel yang berjudul bab3_ketergantungan fungsional(tidak dicantumkan penulisnya, di upload di dokumen)
2. artikel yang berjudul ketergantungan fungsi (tidak dicantumkan penulisnya, di upload di dokumen)
3. Haidar Dzacko. 2007. Basis Data (Database). Copyright© 2007 Mangosoft All rights reserved.
+Created 11/09/2007
Version 1.2.5 #Release 24/10/2007

tugas basis dataq

TUGAS 1
NAMA BUDI HARYANTO (H11107048)


Data adalah fakta atau sesuatu yang benar adanya mengenai suatu objek tertentu sehingga dalam satu objek dapat memiliki banyak data tentang objek tersebut. Dan menurut hasil diskusi di sebuah yahoo chat “data menunjukan keakuratan bahwa berita itu punya sumber yang dapat di pertanggung jawabkan sesuai tanggal yang di dapat (tidak up to date)” di kutip dari: http://id.answers.yahoo.com/question/index?qid=20071208030944AAsktth.

Informasi adalah suatu penjelasan tentang suatu objek sehingga dengan mudah kita mengetahui sifat atau penjelasan mengenai objek tersebut. Jadi informasi ini merupakan hasil analisis dan sintesis daripada data, yang di maksud data disini bukanlah data dasar karena data dasar tidak dapat di pecah lagi, tetapi data secara keseluruhan mengenai objek.

sedangkan basis data adalah kumpulan data yang menggambarkan aktifitas suatu organisasi atau perusahaan yang saling berelasi atau berhubungan.
Perbedaan data dasar dan informasi adalah:
data dasar adalah data tunggal mengenai suatu objek tertentu yang benar adanya dan tidak di rekayasa, data dasar tidak bisa berubah-ubah
informasi itu mengikuti kebutuhan setiap waktu (up to date). Sehingga informasi dapat bertambah.

Contoh data dasar:
nama : indra
kota asal : merauke
pekerjaan : polisi

contoh bukan data dasar:
umur :12
tinggi badan: 165 cm
berat badan : 58 kg
contoh informasi:
nama : indra
kota asal : merauke
pekerjaan : polisi
dari data di atas kita memiliki informasi bahwa indra berasal dari merauke dan pekerjaannya adalah seorang polisi.
2. bulan: januari
jumlah transaksi: 10
jenis transaksi: pembelian
dari data diatas kita dapatkan informasi bahwa pada bulan januari telah terjadi 10 kali transaksi pembelian.
3. nama: arya
nim :h11107089
jurusaan : matematika
universitas: Hasanuddin
alamat : ramsis unhas
dari data diatas maka di peroleh informasi bahwa Arya adalah mahasiswa UNHAS jurusan matematika no induk mahasiswa nya h11107089 dan tinggal di ramsis unhas.

referensi:BASIS DATA DAN DBMS
Asep Herman Suyanto
sep-hs@mail.ugm.ac.id
ttp://www.asep-hs.web.ugm.ac.id

contoh analisis data

EKSPLORASI DATA

Ada dua hal yang sering dilakukan oleh seorang peneliti setelah melakukan pengumpulan data, yaitu mencari nilai pemusatan data dan penyebaran data. Nilai pemusatan data dapat dicari dengan menghitung nilai rata-rata, median dan modus. Nilai penyebaran data adalah nilai range atau jangkauan, jangkauan inter kuartil dan varian.Nilai varian lebih sering digunakan dibandingkan nilai yang lain. Analisis data merupakan proses terakhir dari kegiatan penelitian sebelum menulis laporan penelitian. Analisis data bertujuan untuk menjawab pertanyaan, membuktikan hipotesis, dan atau menjelaskan fenomena yang menjadi latar belakang penelitian. Analisis akan mengubah angka dan catatan hasil pengumpulan data menjadi informasi yang mudah dipahami. Pekerjaan ini memerlukan pengetahuan statistika yang memadai sesuai dengan tujuan yang ingin dicapai dalam penelitian yang bersangkutan. Secara substantif, analisis data diperlukan untuk membandingkan teori dengan informasi yang ditemukan atau menemukan adanya konsep baru dari data yang dikumpulkan.Proses analisis data pada dasarnya meliputi upaya penelusuran dan pengungkapan informasi yang relevan yang terkandung dalam data dan penyajian hasilnya dalam bentuk yang lebih ringkas dan sederhana, yang pada akhirnya mengarah kepada keperluan adanya penelusuran dan penafsiran, (Aunuddin, 1989). Proses awal dalam analisis data adalah pengungkapan informasi tanpa terlalu terikat pada asumsi-asumsi yang ketat agar pengungkapan informasi dapat dilakukan dengan fleksibel dan lebih merangsang daya imajinasi tanpa melupakan kaidah-kaidah ilmu maupun teori yang telah dikenal.Kebanyakan peneliti sering terjebak pada format baku yang harus ditaati dari aturan sebuah buku acuan (referensi). Kecenderungan yang agak keliru ini juga terjadi dalam penerapan metode statistika secara umum, karena adanya kesan bahwa pengujian hipotesis itu sederhana dan relatif mudah untuk dilakukan sesuai dengan aturan buku-buku statistika maka tidak jarang kita menemukan penelitian yang sebenarnya dapat dibahas dengan lebih menarik ternyata cukup diakhiri dengan kesimpulan yang menyatakan hasilnya nyata atau tidak nyata secara statistik (H0 diterima atau ditolak).Pendekatan metode pendugaan yang optimum dan pengujian hipotesis yang bersifat eksploratif ini dipelopori oleh J.W. Tukey sejak awal tahun 1970-an dalam bukunya tentang teknik eksplorasi data. Analisis data yang bersifat eksploratif diawali dengan upaya penelusuran dan pengungkapan struktur dan pola yang dimiliki oleh data tanpa mengaitkan secara kaku pada bentuk formal asumsi-asumsi yang ada. Penelusuran pola data bertujuan untuk memeriksa bentuk atau pola sebaran data, yaitu apakah data mengumpul pada nilai tertentu, atau apakah data ada yang memencil.Sedangakan tujuan eksplorasi data adalah untuk mengungkapkan

adanya penyimpangan-penyimpangan dari suatu model tertentu dan berusaha untuk mencari cara penyelesaiannya.Teknik eksplorasi data dengan menggunakan sarana grafik sangatlah efektif dalam analisis data. Berikut contoh peranan grafik untuk menemukan adanya kelainan-kelainan tahap awal dalam analisis regresi berdasarkan data Anscombe dalam Ryan, T.P. (1997) sebagai berikut. Eksplorasi data adalah kegiatan mencari mengumpulkan cara menyajikan atau mengolah data yang besar, dalam multivariable sehingga mudah dipahami atau dibaca oleh orang lain. Seblum menganalisa data kita harus melakukan penelusuran dan mengungkapkan struktur dan pola data tersebut. tanpa mengaitkan secara kaku pada asumsi-asumsi tertentu. Tujuan eksplorasi semacam ini tidak hanya untuk memberi keyakinan bahwa data tersebut dapat diwakili oleh suatu model, akan tetapi yang lebih penting adalah dalam mengungkapkan adanya penyimpangan-penyimpangan dari suatu model tertentu dan berusaha untuk mencari cara penyelesaiannya. (Aunuddin,1989) Eksplorasi data secara grafis menjadi alat peraga yang cukup efektif, sederhana dan mudah dipahami oleh siapapun. Untuk struktur data dengan banyak variabel (multivariate) dibutuhkan metode yang sangat representatif, karena pada umumnya struktur data dengan banyak variabel membutuhkan penanganan yang jauh lebih sulit dibanding dengan struktur data 2 atau 3 variabel. jika dalam analisis suatu data langsung dilakukan dengan pengujian hipotesis, maka akan diperoleh kesimpulan yang bias dari data sebenarnya. Contoh di atas adalah gambaran jika seorang peneliti ingin melihat pengaruh variabel bebas terhadap variabel terikat dan tanpa tahu struktur data sebenarnya langsung membuat analisis regresi, maka kesimpulan yang diperoleh akan berbias. (Sumber: Muji Gunarto, 2004. Panduan Penelitian Kuantitatif dengan Aplikasi Program SPSS, Mc Cendekia Research and Statsitics Consulting, Bandung).

Yaitu asumsi normalitas pada analisis univariat (satu variabel). Asumsi normalitas adalah suatu asumsi bahwa data yang akan dianalisis mengikuti suatu distribusi normal pada suatu variabel.Ada beberapa metode yang adapat digunakan untuk melihat kenormalan sebaran data baik secara visual maupun secara inferensial. Metode secara visual dapat dilakukan dengan membuat grafik (histogram) dari data tersebut. Sedangkan secara inferensial dapat dilakukan dengan analisis statistik nonparametrik seperti: 1) Uji Lilliefors, 2) Uji Kolmogorov Smirnov (K-S) atau 3) Uji Normalitas Chi-Kuadrat (X2). Uji Lilliefors dan Uji Kolmogorov Smirnov

dilakukan jika datanya minimal memiliki skala ordinal, sedangkan uji Chi-Kuadrat dapat dilakukan untuk data yang memiliki skala minimal nominal.

Manfaat eksplorasi data adalah akan mempermudah kita dalam membaca suatu data dan memahami data, sehingga data yang berukuran besar dapat disajikan dalam sbuah model yang lebih sederhana. Kita dapat melakukan pengecekan jenis2 data secara statistic dengan mudah dengan bantuan software pengolah data seperti spss, excel dll.kita juga dapat melihat grafik fungsi data yang telah diolah, sehingga akan mempermudah kita dalam memahami deskripsi data tersebut.data juga dapat diolah dalam bentuk table, gambar dan uji statistic langsung. Dengan eksplorasi data tentu akan mempermudah kita dalam melakukan proses uji statistic, karena data telah disajikan secara lebih sederhana. Eksplorasi data juga membantu perencana memahami lebih jauh makana spasial atau keruangan yang terkandung dalam informasi geographis. Dengan eksplorasi data juga dapat di analisis dengan lebih mudah.Selain itu eksplorasi data juga akan membantu kita dalam mengambil sebuah keputusan, karena informasi data dapat kita peroleh dengan cepat. Kemudian data dapat dipaparkan secara baik, jika terjadi perubahan data maka perubahan akan mudah di perbaiki, data akan lebih cepat dan mudah di analis.

Kekurangan eksplorasi data, yaitu dibutuhkannya pengetahuan dan biaya yang cukup besar karena berbasis computer.

• Potential problems with analyses involving missing data. Potensi masalah dengan analisis yang melibatkan data hilang. These can be insidious, in that the unwary user is unlikely to realize that anything is wrong. Ini bisa busuk hati, dalam hal tak awas pengguna tidak akan menyadari bahwa sesuatu adalah salah.
• Lack of flexibility in analyses that can be done due to its expectations regarding the arrangement of data. Kurangnya fleksibilitas dalam analisis yang dapat dilakukan karena harapan tentang pengaturan data. This results in the need to cut/paste/sort/ and otherwise rearrange the data sheet in various ways, increasing the likelyhood of errors. Ini hasil yang harus dipotong / sisipkan / sort / dan lain ulang data Sheet dalam berbagai cara, meningkatkan kemungkinan terjadinya kesalahan.
• Output scattered in many different worksheets, or all over one worksheet, which you must take responsibility for arranging in a sensible way. Output tersebar di berbagai worksheet, atau semua lebih dari satu worksheet, yang harus bertanggung jawab untuk mengatur di jalan masuk akal.
• Output may be incomplete or may not be properly labeled, increasing possibility of misidentifying output. Output mungkin tidak lengkap atau tidak dapat diberi label dengan benar, meningkatkan kemungkinan misidentifying output.
• Need to repeat requests for the some analyses multiple times in order to run it for multiple variables, or to request multiple options. Harus mengulangi permintaan untuk beberapa analisis beberapa kali untuk menjalankannya untuk beberapa variabel, atau meminta beberapa pilihan.
• Need to do some things by defining your own functions/formulae, with its attendant risk of errors. Perlu melakukan beberapa hal dengan mendefinisikan sendiri fungsi / formulae, hadir dengan risiko kesalahan.
• No record of what you did to generate your results, making it difficult to document your analysis, or to repeat it at a later time, should that be necessary. Tidak ada catatan apa yang Anda lakukan untuk hasil Anda, sehingga sulit untuk dokumen analisis Anda, atau untuk mengulang di lain waktu, sebaiknya yang perlu dilakukan.

CONTOH:

Sebuah pabrik sepatu sedang mengembangkan produk sepatu baru. Sebelum meluncurkan produk baru tersebut, divisi pemasaran melakukan riset untuk mengetahui seperti apakah desain dan warna produk yang diminati oleh konsumen, dimana target pasar yang dibidik adalah kelas menengah.

Awalnya bagian Promosi melakukan riset kecil berupa penyebaran kuisioner kepada pelanggan untuk mengetahui penting tidaknya suatu atribut beserta tarafnya. Kemudian diketahui ada 2 atibut yang dinilai berperan mempengaruhi responden (konsumen). Penelitian dilakukan terhadap 2 responden.

setelah dibuat stimuli, ke-2 responden tersebut melakukan ranking terhadap stimuli yang ada. Dimana angka 1 adalah model sepatu yang paling tidak disukai, dan angka terakhir adalah model sepatu yang paling disukai.buatlah dengan analisis konjoin untuk menyimpulkan seperti apa model sepatu yang disukai konsumen?

Atribut	Taraf	Keterangan
Desain	1 2	Bertali Tanpa tali
Warna	1 2 3	Hitam Putih Lainnya (selain hitam dan putih)