KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN
|
|
- Ivan Tanuwidjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN Abstra Nama: Moh. Bagus Had S (Nrp ) Dosen Pembmbng: Drs. Nurul Hdayat M.Kom Jurusan Matemata Faultas Matemata dan Ilmu Pengetahuan Alam Insttut Tenolog Sepuluh Nopember Surabaya 2010 Emal: just_bagus@yahoo.com Bometra merupaan cabang dar matemata terapan yang membahas tentang dentfas ndvdu berdasaran cr-cr bologs yang bersfat un. Cr-cr tersebut tda mudah denal oleh omputas sehngga perlu dcar suatu metode yang tepat untu menggal nformas dar cr-cr tersebut. Salah satu bdang dar bometra adalah pengenalan suara. Peneltan n menggunaan metode lastersas Partcle Swarm Optmzaton (PSO) pada tahap pengelompoan cr sstem pengenalan suara. Data yang aan dlauan proses lastersas adalah data magntude hasl proses estmas Trspetrum. Proses lastersas bertujuan untu mencar data magntude pewal dar masng-masng laster untu djadan masuan pada laps nput dar Jarngan Syaraf Truan Learnng Vector Quantzaton (JST-LVQ) pada tahap lasfas. Dar uj coba yang dlauan, adanya perbedaan jumlah laster tda mempengaruh hasl pengenalan secara sgnfan. Perubahan tngat pengenalan yang cuup sgnfan terjad pada saat adanya penambahan jumlah referens d dalam proses pembelajaran. Seman banya jumlah referens suara yang dlauan proses pembelajaran, seman menngat pula hasl pengenalan sstem. Uj coba dlauan terhadap 10 ata dar pembcara yang sama, 1 ata dar 20 pembcara yang berbeda, dan 20 ata dar pembcara yang berbeda. Dengan mengambl lma referens untu masng-masng ata, metode Partcle Swarm Optmzaton mampu mengenal ata yang d ucapan hngga 81% Kata Kunc: Trspetrum, Partcle Swarm Optmzaton, Learnng Vector Quantzaton 1. Pendahuluan Sstem pengenalan suara adalah bagan dar bometra yang merupaan cabang matemata terapan yang muncul dan berembang pada era globalsas. Bdang garap bometra adalah mengdentfas ndvdu berdasaran cr-cr fsologs dan tngah lau yang dml oleh ndvdu tersebut. Salah satu cr yang dapat dgunaan untu mengdentfas ndvdu adalah melalu suara ucapan. Saat n, aplas dar system pengenalan suara sudah banya dpasaran secara omersal. Aplas n membantu manusa dalam melauan peerjaan hususnya yang berhubungan dengan pengendalan dan pengontrolan erja sumber daya. Dalam melauan pengendalan erja, cara n lebh memeberan emudahan ja dbandngan dengan cara yang lan, msalnya dengan mengetan perntah dar eyboard. Hal n darenaan suara merupaan alat omunas yang sangat sederhana dan bersfat alam sehngga memudahan manusa dalam memberan perntah. Suara dapat djadan sebaga penanda ndvdu, arena setap ndvdu mempunya araterst suara yang spesf. Hal tu dsebaban oleh adanya perbedaan spetrum suara, perbedaan freuens dan ampltudo dantara ndvdu. Dalam membangun sstem
2 pengenalan suara, secara umum terdapat empat tahapan yang harus dlauan (Amn, 2006), yatu auss data suara, estmas snyal suara, pengelompoan cr, serta lasfas snyal suara. Data snyal suara dperoleh dengan bantuan alat peream sepert mrofon (snyal analog) dan emudan dubah menjad snyal dgtal dengan bantuan sound card pada Personal Computer (PC) (Adpranata,1999). Pada tahap pra pengolahan, dlauan proses estmas snyal suara yang emudan menghaslan data magntude dan fase. Dengan adanya magntude dan fase snyal suara, maa pola atau araterst dar ata yang ducapan dapat detahu. Proses estmas snyal suara dengan menggunaan estmas Bspetrum dan Trspetrum serta analssnya sudah dtelt dan dmplementasan (Rduwan,2007). Dar hasl yang dperoleh pada peneltan tersebut, menunjuan bahwa estmas trspetrum mempunya presentase pengenalan yang lebh bagus ja dbandngan dengan estmas bspetrum pada pengenalan ndvdu. Dalam proses lasfas suara, data yang dgunaan merupaan data magntude hasl prapengolahan dengan estmas trspetrum. Mengngat bahwa data yang ddapatan dar hasl prapengolahan mash berada dalam jumlah yang banya, maa hal n sangat berpengaruh terhadap lamanya proses lasfas. Untu tu, dperluan suatu metode lastersas untu mendapatan data magntude pewal dar masng-masng elompo (laster) sehngga dperoleh data yang lebh sedt untu dlauan proses lasfas. Pada tugas ahr n, dembangan perangat luna pengdentfas ndvdu berbass suara ucapan dengan menggunaan metode lastersas Partcle Swarm Optmzaton (PSO) pada tahap lastersasnya. Hasl lastersas yang dperoleh dar metode tersebut aan dgunaan sebaga nputan pada tahap lasfas menggunaan Jarngan Saraf Truan Lernng Vetor Quantzaton (JST- LVQ). Manfaat yang ddapat dar tugas ahr n antara lan, dapat dgunaan : 1. Untu membangun sstem eamanan menggunaan pengenalan ndvdu berbass suara ucapan. 2. Untu membuat peralatan eletron otomats yang cara erjanya berdasaran suara ucapan. 3. Untu mengembangan robot yang bsa dontrol menggunaan suara ucapan. 4. Sebaga referens dan sarana nformas dalam melauan lastersas data menggunaan metode PSO. Sedangan batasan masalah yang dgunaan sebaga acuan, antara lan : 1. Pengucapan ata satu persatu dan dlauan dengan suara normal. 2. Keadaan ruangan untu pengamblan ucapan dalam eadaan normal dan danggap tda ada nose. 3. Data yang dproses adalah data estmas yang dperoleh dar hasl proses estmas trspetrum terhadap data auss snyal suara. 4. Proses pereaman dan estmas snyal suara aan memanfaatan hasl yang sudah derjaan oleh Amn, (2006) dan Rduwan, (2007). 2. Estmas Trspetrum Estmas Trspetrum merupaan proses estmas snyal suara yang ddasaran pada orelas tga parameter freuens yatu f 1, f 2, dan f 3. Daerah estmas Trspetrum merupaan ruang tga dmens yang dbentu oleh vetor freuens f 1, f 2 dan f 3. Pada setap oordnat ( f 1, f 2, f 3 ) tersebut terdapat nla trspetrumnya, sehngga hasl estmas trspetrum dapat dataan berada dalam ruang empat dmens. Hasl estmas Trspetrum tersebut berupa magntude dan fase yang merupaan hasl transformas dar hasl estmas trspetrum tu sendr yang berbentu omples dalam oordnat artesus, edalam oordnat utub yang berbentu besaran magntude dan fase. Nla magntude hasl estmas trspetrum selanjutnya dlauan proses lastersas, dengan format eluaran dar hasl estmas adalah ( f 1, f 2, f 3, Magntude). 3. Partcle Swarm Optmzaton (PSO) Dalam lastersas PSO, satu partcle dalam swarm menunjuan suatu solus yang mungn dalam lastersas. Oleh arena tu, swarm merupaan umpulan solus yang mungn dalam lastersas untu seumpulan data. Jara rata-rata suatu data e pusat laster dgunaan sebaga ftness value untu mengevaluas solus yang dberan oleh tap partel.
3 Jara rata-rata suatu data e pusat laster pada metode lastersas PSO memenuh persamaan sebaga berut (Cu, 2004): f Nc 1 p j1 d( C,) m N P c j Sedangan untu jara suatu data e pusat laster, memenuh persamaan berut: d m 2 p j p j m 1 d( m,)() m / m m d dengan: N = Jumlah laster c P = Jumlah data yang dml tap laster. d( C,) m j = Jara antara pusat laster dengan data obje d m = Dmens ruang vetor M = Hmpunan data obje, M m, m, m,..., m } { p X = Hmpunan pusat laster (Partel), X { C1, C2, C3,..., C } Algortma Klatersas PSO adalah sebaga berut : A. Insalsas 1. Tahap nsalsas Partel dan Velocty awal: a) Car nla masmum dan mnmum dar data data magntude. max max(m), mn mn(m) b) Insalsas nla awal laster sebanya Nc. C random*(max mn) X C c) Insalsas nla awal velocty sebanya Nc. V random*(max mn) Y V Set nla nerta factor (W), self confdence (C1), swarm confdence (C2). 2. Htung jara tap data magntude terhadap seluruh pusat laster, emudan masuan data magntude tersebut edalam pusat laster terdeatnya. IF d( C 1,) mj d( C,) mj THEN m 1, j m j Else m, j mj (2.1) END IF 3. Htung nla ftness untu tap partel f () X 4. Dapatan Local Best dan Global Best -Local Best (2.2) f ()() p f X p X Global Best g f ( p 0 ) X terba g p0 X B. Optmas terba 1. Update velocty tap v pusat laster g w* v c1* rnd* p x c2* rnd p x 1 * 2. Update poss tap pusat laster x 1 x v 1 3. Htung embal jara tap data magntude terhadap seluruh pusat laster, emudan masuan data magntude tersebut edalam pusat laster terdeatnya. IF d( C 1,) mj d( C,) mj THEN Else m 1, j m, j m j mj END IF 4. Htung nla ftness untu tap partel f () X 5. Update Local Best Dan Global Best -Local Best IF f ()() C f p THEN f ()() p f C
4 p C END IF -Global Best IF f ()() C f p g THEN f ()() p g f C g p C END IF 6. Langah Optmas D ulang hngga rtera eonvergenan terpenuh atau jumlah teras masmal terlampau. 4. Arstetur JST-LVQ Pada tahapan lasfas, data laster dlasfas edalam elas-elas yang sudah dtentuan dengan menggunaan metode Learnng Vector Quantzaton (LVQ). Data suara yang aan dlasfas, data lasternya harus mempunya uuran yang sama sehngga proses lasfas dapat dlauan. Algortma pembelajaran LVQ tersebut adalah sebaga berut (Fausett, 1994) : Arstetur jarngan syaraf truan yang dgunaan dalam peneltan n dpat dlhat pada Gambar 4.1 Gambar 4.1 Arstetur JST-LVQ 5.Metode Peneltan Peneltan yang dlauan n memfousan pada pengembangan sstem pengenalan suara pada tahap pengelompoan cr atau lastersas. Secara umum sstem pengenalan suara yang aan dbuat dalam peneltan n dapat dlha pada dagram alr Gambar 5.1 Gambar 5.1 Bagan Alr Metode Peneltan 6. Uj Coba dan Pembahasan Dalam melauan uj coba perangat luna, dgunaan sebuah noteboo dengan spesfas Processor AMD Turon 64 X2 TL Ghz, Memory DDR MB, VGA NVIDIA GeForce 7000M, Montor 14,1 WXGA Crystal Brte LCD, Mcrophone SONICGEAR dan Loudspeaer Realte HD Audo Output. Sedangan untu perangat luna yang dgunaan adalah sstem opras Wndows XP Profesonal, Vsual Basc 6.0 sebaga tool untu membuat perangat luna.
5 Proses-proses yang ada dalam perangat luna pengenalan suara dantaranya adalah proses pereaman, estmas trspetrum, lastersas PSO, lasfas, testng dan plotng.uj coba yang dlauan pada sstem n menggunaan sampel chun sebesar 128 pada proses estmasnya. Pada proses lastersas dgunaan jumlah laster yatu 8, 16, dan 32. Dan untu proses lasfasnya menggunaan metode JST-LVQ dengan jumlah epoch 100 dengan menggunaan referens sebanya 1, 3, dan 5 referens suara dan nla learnng rate sebesar Proses Kastersas Data Estmas Pada proses lastersas, data hasl estmas trpsetrum yang dsmpan dalam bentu fle dlauan proses lastersas. Proses lastersas dapat dlauan terhadap beberapa data sealgus. Gambar 6.1 merupaan contoh program untu melauan proses lastersas terhadap data hasl estmas trspetrum. Gambar 6.3 Plottng data estmas dan laster PSO untu ata BUKA dengan sample chun 128 laster 16 Gambar 6.4 Plottng data estmas dan laster PSO untu ata BUKA dengan sample chun 128 laster 8. Gambar 6.1 Proses Klastersas Data Berut n dberan gambar-gambar hasl proses lastersas. 6.2 Proses Pembelajaran Data hasl lastersas emudan dlauan proses pembelajaran (tranng) untu mencar bobot yang aan dgunaan sebaga referens pada proses testng. Gambar 6.5 dan Gambar 6.6 merupaan tamplan program yang dgunaan untu proses pembelajaran. Gambar 6.2 Plottng data estmas dan laster PSO untu ata BUKA dengan sample chun 128 laster 32 Gambar 6.5 Proses Penetapan Data Target
6 Gambar 6.8 Dagram Prosentase Pengenalan Sstem Untu Masng-masng Kata; Chun 128, Epoch 100 dan Klaster 16 Gambar 6.6 Proses Klasfas Data Dalam melauan lasfas, data hasl lastersas dgunaan untu mengnsalsas nla bobot dar JST-LVQ. Parameter yang dgunaan dalam pembelajaran n adalah nla masmum epoch dan nla learnng rate. 6.3 Uj pengenalan Suara Dalam uj pengenalan suara, pengujan dlauan terhadap sepuluh jens ata yang berbeda, yatu ATAS, BAWAH, BUKA, KANAN, KIRI, MAJU, MUNDUR, NAIK, TURUN, TUTUP. Sepuluh jens ata tersebut dperoleh dar satu ndvdu. Setap jens ata dambl sebanya sepuluh al. Dalam pengujan n, pember sampel adalah penuls. Hasl dar proses uj pengenalan suara dberan dalam dagarm berut. Gambar 6.7 Dagram Prosentase Pengenalan Sstem Untu Masng-masng Kata; Chun 128, Epoch 100 dan Klaster 8 Gambar 6.9 Dagram Prosentase Pengenalan Sstem Untu Masng-masng Kata; Chun 128, Epoch 100 dan Klaster Uj Pengenalan Indvdu Dalam pengujan n, sampel yang destmas dan dlauan pengenalan dperoleh dar sebuah ata yatu ata BUKA yang ducapan oleh duapuluh ndvdu yang berbeda. Setap ndvdu mengucapan ata BUKA sebanya lmapuluh al. Pada pengujan n, pember sampel berasal dar jens elamn la-la dan perempuan dengan usa yang berbeda beda. Berut n adalah tabel nformas ndvdu yang memberan sampel untu dgunaann pada uj pengenalan ndvdu. Tabel 4.1 Informas Indvdu Pember Sampel Suara No. Nama Kelamn Usa 1 Al L 24 2 Ansa P 18 3 Asworo L 22 4 Bagus L 23 5 Cgyp P 21 6 Darl L 21 7 Ganang L 20 8 Ipn L 19 9 Irvan L Mawa P Nla P Norma P Nove P Paul L Ratna P Sant P Septyan L 20
7 18 Suc P Ugx L Uln P 19 Pada percobaan n dgunaan sampel chun 128 dan epoch 100 serta jumlah laster masng-masng 32 laster dan 16 laster. Berut adalah hasl dar uj pengenalan ndvdu. Gambar 6.10 Dagram Prosentase Pengenalan Sstem Untu Uj Pengenalan Indvdu; du; Chun 128, Epoch 100 dan Klaster 16 Gambar 6.11 Dagram Prosentase Pengenalan Sstem Untu Uj Pengenalan Indvdu; du; Chun 128, Epoch 100 dan Klaster 32 Dar dagarm datas dapat dlhat hat bahwa untu uj pengenalan ndvdu, metode Partcle Swarm Optmzaton meml rata-rata pengenalan dengan nla prosentase pengenalan hanya 55% untu uj coba dengan 5 referens 46% untu uj coba dengan 3 referens dan 41% untu uj coba dengan 1 referens untu laster 32. Sedangan untu laster 16 rata-rata pengenalannya masng-masng 54%, 41% dan 34% untu uj coba dengan 5, 3 dan 1 referens. 6.5 Uj Pengenalan Nama Pengujan n menggunaan an sampel nama yang dperoleh dar suara duapuluh ndvdu yang berbeda. Setap ndvdu mengucapan namanya sebanya lmapuluh al. Dalam pengujan n, pember sampel berasal dar jens elamn la-la dan perempuan dengan usa yang berbeda beda. Berut n adalah tabel nformas ndvdu yang memberan sampel untu dgunaan pada uj pengenalan nama ndvdu Tabel 4.2 Informas Indvdu Pember Sampel Suara No. Nama Kelamn Usa 1 Ajeng P 20 2 Apang L 21 3 Asworo L 22 4 Bagus L 23 5 Cgyp P 21 6 Darl L 21 7 Ganang L 20 8 Ipn L 19 9 Iwan L Nla P Norma P Nove P Paul L Ry L Sant P Septyan L Satra L Ugx L Uln P Vna P 20 Pada percobaan n dgunaan sampel chun 128 dan epoch 100 serta jumlah laster masng-masng 32 laster dan 16 laster. Berut adalah hasl dar uj pengenalan nama. Gambar 6.12 Dagram Prosentase Pengenalan Sstem Untu Uj Pengenalan Nama; Chun 128, Epoch 100 dan Klaster 32
8 1. Untu menghaslan laster yang lebh optmal, perlu dembangan dengan melauan penggabungan metode lastersas. 2. Untu menghaslan tngat pengenalan yang lebh bagus, perlu dembangan untu memaa metode Jarnganan Syaraf Truan yang lan. Gambar 6.13 Dagram Prosentase Pengenalan Sstem Untu Uj Pengenalan Nama; Chun 128, Epoch 100 dan Klaster 32 Dar uj coba datas, ddapat nformas bahwa untu uj pengenalan nama, metode Partcle Swarm Optmzaton meml rata-rata pengenalan dengan nla prosentase pengenalan hanya 66% untu ujcoba dengan 5 referens dan 46% untu uj coba dengan 3 referens dan 38% untu uj coba dengan 1 referens untu laster 32. Sedangan untu laster 16 rata-rata pengenalannya masng-masng 59%, 43% dan 41% untu uj coba dengan 5, 3 dan 1 referens. 7. Penutup 7.1. Kesmpulan Dar hasl uj coba yang dlauan, dapat dambl esmpulan sebaga berut. 1. Algortma Partcle Swarm Optmzaton telah drancang dan dmplementasan e dalam bentu perangat luna yang mampu melauan proses lastersas data suara hasl estmas. 2. Rancangan algortma lasfas telah berhasl dmplementasan e dalam bentu perangat luna yang mampu melauan proses lasfas data suara hasl lastersas. 3. Sebuah sstem perangat luna pengdentfas suara telah berhasl dbuat dar hasl ntegras program mula dar proses pereaman hngga lasfas dengan menggunaan Vsual Basc Penggunaan metode Partcle Swarm Optmzaton untu lastersas dan JST- hasl LVQ untu lasfas memberan pengenalan yang relatv bagus. Dengan hasl rata-rata pengenalan mencapa 81%. 7.2 Saran Berdasaran hasl yang sudah dcapa pada peneltan n, terdapat beberapa hal yang perlu dpertmbangan untu pengembangan peneltan n, antara lan sebaga berut DAFTAR PUSTAKA Adpranata, R Pengenalann suara manusa dengan metode jarngan saraf truan bac propagaton berbass PC. Unverstass Krsten Petra. Amn, M.S Pengelompoan Cr dan Klasfas Snyal Suara Menggunaan Metode Kuantsas Vetor MSA-RLS dan Jarngan Syaraf Truan LVQ. Surabaya: Jurusan Matemata, Insttut Tenolog Sepuluh Nopember. Cu, X., Poto, T.E. Document Custerng usng Partcle Swarm Optmzaton. Oa Rdge : Appled Software Engnerng Research Group Computatonal Scences and Engnerng Dvson, Oa Rdge Natonal Laboratory. TN Faradsa, R Perbandngan Hasl Optmas Partcle Swarm Optmzaton (PSO) dan Genetc Algorthm (GA) Pa da Fungs Rosenbroc (BANANA FUNCTION). Surabaya : Jurusan Matemata, Insttut Tenolog Sepuluh Nopember. Fausett, L Fundamentals of Neural Networs: Archtectures, Algorthms, and Applcatons. Prentce Hall Internatonal, Inc. Jumad, A Perbandngan Antara Metode Klastersas RLS dan Fuzzy Clusterng pada Sstem Pengenalan Indvdu Berbass Suara Ucapan. Surabaya : Jurusan Matemata, Insttut Tenolog Sepuluh Nopember. Rduwan, M.A Pembuatan Perangat Luna Pengestmas Snyal Suara Berbass Vsual. Surabaya: Jurusan Matemata, Insttut Tenolog Sepuluh Nopember.
FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciPengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis
Konferens Nasonal Sstem & Informata 05 STMIK STIKOM Bal, 9-0 Otober 05 Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Two-Dmensonal Lnear Dscrmnant Analyss Ftr Damayant Prod Manajemen Informata,
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING
Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata
Lebih terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciOPTIMASI PENJADWALAN MATA KULIAH DI JURUSAN TEKNIK INFORMATIKA PENS DENGAN MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)
OPTIMASI PENJADWALAN MATA KULIAH DI JURUSAN TEKNIK INFORMATIKA PENS DENGAN MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) Dan Aran, Arna Fahrza,S.Kom,M.Kom, Ira Prasetyanngrum,S.S,M.T 3 Mahasswa
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciPENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciPerbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield
Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya
Lebih terperinciMETODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa
Lebih terperinciImplementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0
Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciMETODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
TESIS METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS Oleh : I Made Wdartha NRP. 5109201009 Dosen Pembmbng : Dr. Agus Zanal Arfn, S.Kom, M.Kom Anny Yunart, S.Kom, M.Comp.Sc
Lebih terperinciIMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN
E-Jurnal Matemata Vol. 5 (4), November 2016, pp. 126-132 ISSN: 2303-1751 IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN I Made Dw Udayana Putra 1, G. K. Gandhad
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciIDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER
IDENIFIKASI SISEM NONLINIE DENGAN MENGGUNAKAN ECUEN NEUAL NEOK DAN ALGOIMA DEAD-ZONE KALMAN FILE ully Soelaman, angga fa Faultas enolog Informas Insttut enolog Sepuluh Nopember Kampus Keputh, Suollo, Surabaya
Lebih terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciJARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU
JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU Ea Saputra LF096585 Jurusan Ten Eletro Faultas Ten Unverstas Dponegoro Abstra Jarngan saraf truan merupaan suatu metode yang salah satunya
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciBAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
Lebih terperinciPemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a
Pemodelan Anomal Magnet Berbentu Prsma Menggunaan Algortma Geneta Antonus a, Yudha Arman a *, Joo Sampurno a a Jurusan Fsa, FMIPA Unverstas Tanjungpura, Jalan Pro. Dr. Hadar Nawaw, Pontana, Indonesa *Emal
Lebih terperinciImplementasi Metode Backpropagation untuk Mengenali Teks pada Natural Scene Image
Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2527-2533 http://-pt.ub.ac.d Implementas Metode Bacpropagaton untu Mengenal Tes pada Natural Scene
Lebih terperinciAnalisa dan Penerapan Metode Particle Swarm Optimization Pada Optimasi Penjadwalan Kuliah
Jurnal Teknk Informatka, Vol 1 September 2012 Analsa dan Penerapan Metode Partcle Swarm Optmzaton Pada Optmas Penjadwalan Kulah Rasha Ashla Rachman 1), Dadang Syarf 2), Rka Perdana Sar 3) 1) Program Stud
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciBAB 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 terperinciAPLIKASI JARINGAN SARAF TIRUAN REKUREN PADA IDENTIFIKASI SISTEM NONLINIER DENGAN ALGORITMA OPTIMAL BOUNDED ELLIPSOID
APLIKASI JARINGAN SARAF IRUAN REKUREN PADA IDENIFIKASI SISEM NONLINIER DENGAN ALGORIMA OPIMAL BOUNDED ELLIPSOID Rully Soelaman, Mohammad Azs Efend Faultas enolog Informas, Insttut enolog Sepuluh Nopember
Lebih terperinciOptimasi Baru Program Linear Multi Objektif Dengan Simplex LP Untuk Perencanaan Produksi
JURNA INFORMATIKA, Vol.4 No.2 September 27, pp. 222~229 ISSN: 2355-6579 E-ISSN: 2528-2247 222 Optmas Baru Program near Mult Objetf Dengan Smplex P Untu Perencanaan Produs Maxs Ary Am BSI Bandung e-mal:
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)
BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciPENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK.
PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. Fanny Ayu Octavana dan Dra. Luca Ardnant, MT. Jurusan Statsta, Faultas Matemata dan Ilmu
Lebih terperinciIMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN
SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas,
Lebih terperinciKOMPARASI HASIL BELAJAR SISWA DENGAN MEDIA MACROMEDIA FLASH DAN MICROSOFT POWERPOINT YANG DISAMPAIKAN MELALUI PENDEKATAN CHEMO-EDUTAINTMENT
Sgt Pratmoko, dkk. Komparas Hasl Belajar Sswa... 99 KOMPARASI HASIL BELAJAR SISWA DENGAN MEDIA MACROMEDIA FLASH DAN MICROSOFT POWERPOINT YANG DISAMPAIKAN MELALUI PENDEKATAN CHEMO-EDUTAINTMENT Sgt Pratmoko,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA Pada Bab n aan dpaparan beberapa teor tentang analss dsrmnan dar berbaga sumber sepert: buu, jurnal dan prosdng. Analss dsrmnan adalah salah satu metode dependens dar analss multvarat.
Lebih terperinciAPLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)
APLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) Irfrans Kusmarna, Luh Kesuma Wardhan 2, Muhammad Safrzal 3,3 Jurusan Teknk Informatka, Fakultas Sans dan Teknolog,
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih terperinciPENGENALAN WAJAH BERBASIS METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS
PENGENALAN WAJAH BERBASIS MEODE WO-DIMENSIONAL LINEAR DISCRIMINAN ANALYSIS Ftr Damayant, Agus Zanal Arfn, Rully Soelaman Program Magster en Informata, Insttut enolog Sepuluh Nopember (IS) - Surabaya Kampus
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciPenggunaan Model Regresi Tobit Pada Data Tersensor
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 016 S 15 Penggunaan Model Regres obt Pada Data ersensor Def Yust Fadah 1, Resa Septan Pontoh 1, Departemen Statsta FMIPA Unverstas Padjadjaran def.yust@unpad.ac.d
Lebih terperinciAnalisis Variasi Parameter Backpropagation Artificial Neural Network dan Principal Component Analysis Terhadap Sistem Pengenalan Wajah
ELECTRANS, Jurnal Ten Eletro, Komputer dan Informata http://eournal.up.edu/ndex.php/electrans Analss aras Parameter Bacpropagaton Artfcal Neural Networ dan Prncpal Component Analyss Terhadap Sstem Pengenalan
Lebih terperinciOptimisasi Operasi Sistem Tenaga Listrik dengan Konstrain Kapabilitas Operasi Generator dan Kestabilan Steady State Global
Optmsas Operas Sstem Tenaga Lstr dengan Konstran Kapabltas Operas Generator dan Kestablan Steady State Global Johny Custer,, Indar Chaerah Gunadn, Ontoseno Penangsang 3, Ad Soeprjanto 4,,3,4 Jurusan Ten
Lebih terperinciANALISA TENTANG PENGARUH PANJANG SINYAL SUARA DATA PRIMER TERHADAP KINERJA SISTEM IDENTIFIKASI PEMBICARA
ANALISA ENANG PENGARUH PANJANG SINYAL SUARA DAA PRIMER ERHADAP KINERJA SISEM IDENIFIKASI PEMBICARA Nurul Hdayat ) Ars jahyanto ) ) Jurusan Matematka FMIPA Insttut eknolog Sepuluh Nopember ) Jurusan Sstem
Lebih terperinciKOMBINASI INERTIA WEIGHT DAN CONSTRICTION FACTOR PADA PARTICLE SWARM OPTIMIZATION SEBAGAI SOLUSI PEMBANGKITAN EKONOMIS PADA SISTEM TENAGA IEEE 26 BUS
ISSN 1412 3762 http://jurnal.up.edu/electrans ELECTRANS, VOL.12, NO.2, SEPTEMBER 2013, 151-160 KOMBINASI INERTIA WEIGHT DAN CONSTRICTION FACTOR PADA PARTICLE SWARM OPTIMIZATION SEBAGAI SOLUSI PEMBANGKITAN
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: madha@stkom.edu 2) S1
Lebih terperinciPENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI
PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION Oleh : SOEMARTINI JURUSAN STATISTIKA FAKULTAS MATEMATIKA dan ILMU PENGETAHUAN ALAM UNIVERSITAS PADJADJARAN JATINANGOR 008 DAFTAR ISI Hal DAFTAR
Lebih terperinciKOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda
KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)
Lebih terperinciAnalisis Persebaran Seismisitas Wilayah Sumatera Selatan Menggunakan Metode Double Difference
B-54 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Prnt) Analss Persebaran Sesmstas Wlayah Sumatera Selatan Menggunaan Metode Double Dfference Dew Fajryyatul Mauldah, Bagus Jaya Santosa
Lebih terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN WATERSHED DAN ITENSITAS FILTERING SEBAGAI PRE PROCESSING
SEGMENTASI CITRA MENGGUNAKAN WATERSHED DAN ITENSITAS FILTERING SEBAGAI PRE PROCESSING Murnto 1), Agus Harjoo 2) 1) Mahasswa S3 Ilmu Komputer UGM, Dosen jurusan Ten Informata UADYogyaarta 2) Dosen Faultas
Lebih terperinciAnalisis Perbandingan Economic Dispatch Pembangkit Menggunakan Metode Lagrange dan CFPSO
91 Analss Perbandngan Economc Dspatch Pembangt Menggunaan Metode Lagrange dan CFPSO Kharudn Syah, Harry Soeotjo Dachlan, Rn Nur Hasanah, dan Mahfudz Shdq Abstra -Pada pengoperasan pembangt tenaga lstr,
Lebih terperinciPEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION
PEMODELAN INGKA KERAWANAN DEMAM BERDARAH DENGUE DI KABUPAEN LAMONGAN DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION Marsa Rfada 1, Purhad 1) Mahasswa Magster Jurusan Statsta, Insttut
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciIDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY
Anfudn Azz dan Tanzl Kurnawan, Identfkas Pola Jar IDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY (Frnger Prnt Pattern Identfcaton by Bdrectonal Assocatve Memory
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciEman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK
PENGGUNAAN MODEL REGRESI LINEAR BERGANDA PADA PROGRAM PENGGEMUKAN SAPI PO ( PERANAKAN ONGOLE) SERTA ANALISIS BCR ( BENEFIT COST RATIO ) PENGGUNAAN PAKAN BAHAN KERING Eman Lesmana, Raman Jurusan Matemata
Lebih terperinciPROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM
Konferens Nasonal Sstem dan Informata 2009; Bal, November 14, 2009 PROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM Tjoorda Agung Bud W., 1, Mela
Lebih terperinciU JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK
Jurusan Ten Spl dan Lngungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SENIN, 4 JANUARI 23 OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara tda boleh menggunaan omputer untu mengerjaan soal- soal ujan
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciAlgoritma Clustering Fuzzy Hibrida untuk Klasifikasi Citra Inderaja
Algortma Clusterng Fuzzy Hbrda untu Klasfas Ctra Inderaja Agus Zanal Arfn Ten Informata FTI ITS Surabaya E-mal : agusza@ts-sby.edu Telp. (031)5933928 Abstra Proses lasfas merupaan proses untu mendapatan
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciOleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si
Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciKAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR
Berala Fsa ISSN : 1410-966 Vol.8, No.1, Januar 005, hal 7-10 KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR Agus Setyawan Laboratorum Geofsa, Jurusan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah
BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga
Lebih terperinciPENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY
PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY I Made Wdartha Program Stud Teknk Informatka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana emal : madewdartha@cs.unud.ac.d
Lebih terperinciPRA-PEMROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING
PRA-PEMROSESAN DATA LUARAN GCM CSIRO-M3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING Vvn Mandasar (306 00 069), Dr Ir Setawan, M S (960030 9870 00) Mahasswa Jurusan
Lebih terperinciPENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD
Semnar Nasonal Sstem dan Informatka 2007; Bal, 6 November 2007 PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD Nur Hasanah ) Istkhomah 2) Taufq Hdayat 3) Sr Kusumadew 4) Jurusan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciBAB III METODE PENELITIAN
A III METODE PENELITIAN A. Tempat dan Watu Peneltan. Tempat Peneltan Obje dalam peneltan n adalah Kelas VIII M.Ts. Neger onang yang terleta d Kecamatan onang Kabupaten Dema.. Watu Peneltan Peneltan dlasanaan
Lebih terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d
Lebih terperinci