PROTOTYPE APLIKASI UNTUK MENGUKUR KEMATANGAN BUAH APEL BERDASAR KEMIRIPAN WARNA
|
|
- Irwan Johan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PROTOTYPE APLIKASI UNTUK MENGUKUR KEMATANGAN BUAH APEL BERDASAR KEMIRIPAN WARNA Catur Iswahyud Program Stud Teknk Informatka, Fakultas Teknolog Industr Insttut Sans & Teknolog AKPRIND Yogyakarta Emal : catur@akprnd.ac.d ABSTRACT Industral processng of agrcultural and plantaton s growng rapdly. One of the stages n the processng of plantaton products are sortng based on product qualty (eg frut maturty). Separaton process of agrcultural and plantaton products are generally hghly dependent on human percepton of color composton factor whch s owned mages (of frut). Human percepton of an mage tend to be domnated by factors owned by the color composton mage. Hstogram can detect mage that have smlar color composton. Measurng the level of smlarty s done by calculatng the dstance between hstograms. The composton of colors can be dsplayed n the form of a hstogram that represents the dstrbuton of the number of pxels for each ntensty of colors n the mage. In determnng the level of rpeness of apples, t can be determned based on the color composton. The comparson parameter s the color hstogram of the rpe frut. Whle the query s the apple that would be hstogram and then compared. Image smlarty detecton system that has been made to fnd a smlarty between mages based on the value of the dstance between hstogram. The nformaton generated n the form of percentage of smlarty and classfcaton of maturty whch ncludes raw to mature frut. The evdenced from the results of experments on programs that have been made showed that the mage that have smlar color dstrbuton of the mage has the exact same dstance dfference equals zero. Keywords : mage processng, color hstogram, color composton, euclde INTISARI Industr pengolahan hasl pertanan dan perkebunan sangat berkembang pesat. Salahsatu tahap dalam proses pengolahan hasl perkebunan adalah pemlahan produk berdasar kualtasnya (msalnya tngkat kematangan buah). Proses pemlahan produk hasl pertanan dan perkebunan umumnya sangat bergantung pada perseps manusa terhadap faktor komposs warna yang dmlk ctra (buah-buahan). Perseps manusa terhadap suatu ctra cenderung ddomnas oleh faktor komposs warna yang dmlk ctra. Dengan hstogram dapat dcar ctra yang memlk kemrpan komposs warna. Pengukuran tngkat kemrpan dlakukan dengan menghtung jarak antar hstogram. Komposs warna dapat dtamplkan dalam bentuk hstogram yang merepresentaskan dstrbus jumlah pksel untuk tap ntenstas warna dalam ctra. Dalam penentuan tngkat kematangan buah apel, dapat dtentukan berdasarkan komposs warnanya. Sebaga pembandng adalah hstogram warna buah yang sudah matang. Sedangkan query berupa buah apel yang akan dbuat hstogram kemudan dbandngkan. Sstem deteks kemrpan ctra yang telah dbuat dapat menemukan kemrpan antar ctra berdasarkan nla jarak antar hstogramnya. Informas yang dhaslkan berupa prosentase kemrpan dan penggolongan kematangan buah yang melput mentah, mengkal, dan matang. In dbuktkan dengan hasl percobaan pada program yang telah dbuat menunjukkan bahwa ctra yang memlk kemrpan dstrbus warna ctra yang sama perss memlk selsh jarak sama dengan nol. Kata kunc : pengolahan ctra, hstogram, komposs warna, euclde Jurnal Teknolog, Volume 3 Nomor 2, Desember 200,
2 PENDAHULUAN Industr pengolahan hasl pertanan dan perkebunan sangat berkembang pesat. Salahsatu tahap dalam proses pengolahan hasl perkebunan adalah pemlahan produk berdasar kualtasnya (msalnya tngkat kematangan buah). Proses pemlahan produk hasl pertanan dan perkebunan umumnya sangat bergantung pada perseps manusa terhadap faktor komposs warna yang dmlk ctra (buah-buahan). Perkembangan lmu pengetahuan dan teknolog pengolahan ctra dgtal memungknkan untuk memlah produk pertanan dan perkebunan tersebut secara otomats dengan bantuan aplkas pengolah ctra. Relevans s (content) dokumen ctra relatf lebh kompleks dbandngkan dengan dokumen teks karena dpengaruh faktor perseps seseorang terhadap suatu ctra. Untuk menyederhanakan hal tersebut, dalam sstem temu-balk dokumen ctra berdasarkan s atau Content-Based Image Retreval (CBIR) pada umumnya dgunakan deskrps ctra yang bersfat obyektf yatu berupa low-level feature melput komposs warna, tekstur atau bentuk yang dmlk ctra. Perseps manusa terhadap suatu ctra cenderung ddomnas oleh faktor komposs warna yang dmlk ctra. Dengan hstogram dapat dcar ctra yang memlk kemrpan komposs warna. Pengukuran tngkat kemrpan dlakukan dengan menghtung jarak antar hstogram. Komposs warna dapat dtamplkan dalam bentuk hstogram yang merepresentaskan dstrbus jumlah pksel untuk tap ntenstas warna dalam ctra. Dalam penentuan tngkat kematangan buah (msalnya apel), dapat dtentukan berdasarkan komposs warnanya. Sebaga pembandng adalah hstogram warna buah yang sudah matang. Sedangkan query berupa buah apel yang akan dbuat hstogram kemudan dbandngkan. Peneltan n bertujuan untuk membuat prototype aplkas untuk mengukur tngkat kematangan buah apel berdasarkan kemrpan hstogram warnanya. Informas yang dhaslkan berupa prosentase kemrpan dan penggolongan kematangan buah yang melput mentah, mengkal, dan matang. Ctra Dgtal Ctra adalah representas, kemrpan, atau mtas dar suatu objek. Ctra sebaga keluaran suatu sstem perekaman data dapat bersfat optk berupa foto, bersfat analog berupa snyal-snyal vdeo sepert gambar pada montor televs, atau bersfat dgtal yang dapat langsung dsmpan pada suatu meda penympan (Sutoyo, 2009). Ctra dgtal adalah ctra yang dapat dolah oleh komputer. Yang dsmpan dalam memor komputer hanyalah angka-angka yang menunjukkan besar ntenstas pada masng-masng pksel. Karena berbentuk data numers, maka ctra dgtal dapat dolah dengan komputer. Komponen Ctra Dgtal Setap ctra dgtal memlk beberapa karakterstk, antara lan ukuran ctra, resolus, dan format nlanya. Umumnya ctra dgtal berbentuk perseg panjang yang memlk lebar dan tngg tertentu. Ukuran n basanya dnyatakan dalam banyaknya ttk atau pxel, sehngga ukuran ctra selalu bernla bulat. Komputer dapat mengolah syaratsyarat elektronka dgtal yang merupakan kumpulan snyal bner (bernla 0 atau ). Untuk tu, ctra dgtal harus mempunya format tertentu yang sesua sehngga dapat merepresentaskan obyek penctraan dalam bentuk kombnas data bner. Pada umumnya, untuk penampl secara vsual, nla data dgtal tersebut merepresentaskan warna dar ctra yang dolah, dengan demkan format data ctra dgtal berhubungan erat dengan warna. Format ctra dgtal yang banyak dpaka adalah ctra bner, skala keabuan (grey scale), warna, dan warna berndeks. Ctra Skala Keabuan Ctra skala keabuan member kemungknan warna yang lebh banyak darpada ctra bner, karena ada nla-nla lan d antara nla mnmum (htam) dan nla maksmumnya (puth). Banyaknya kemungknan nla tersebut bergantung pada jumlah bt yang dgunakan. Contohnya untuk skala keabuan 6 bt, maka jumlah kemungknan nlanya adalah 2 6 = 64, dan nla maksmumnya = 3; sedangkan untuk skala keabuan 8 bt, maka jumlah kemungknan nlanya adalah 2 8 = 256, dan nla maksmumnya adalah 2 8 -=255 Ctra Warna (true color) Pada ctra warna, setap ttk mempunya warna yang spesfk yang merupakan kombnasu dar 3 warna dasar, yatu merah, hjau, dan bru. Format ctra n serng dsebut sebaga ctra RGB (red-greenblue). Setap warna dasar memlk ntenstas sendr dengan nla maksmum 255 (8 bt), msalnya warna kunng merupakan kombnas warna merah dan hjau sehngga nla RGBnya adalah , sedangkan warna 08 Iswahyud, Prototype Aplkas Untuk Mengukur Kematangan Buah Apel Berdasar Kemrpan Warna
3 ungu muda memlk nla RGB Dengan demkan, setap ttk pada ctra warna membutuhkan data 3 byte. Jumlah kombnas warna yang mungkn untuk ctra n adalah 2 24 atau lebh dar 6 juta warna atau bsa danggap mencakup semua warna yang ada. Hstogram tngkat keabuan/warna Komposs warna merupakan salah satu ftur yang dapat dgunakan dalam sstem temu-balk ctra. Komposs warna dapat drepresentaskan dalam bentuk hstogram. Hstogram warna merepresentaskan dstrbus jumlah pksel untuk tap ntenstas warna dalam ctra. Untuk mendefnskan hstogram, warna d kuantsas menjad beberapa level dskrt, kemudan untuk tap level tersebut dhtung jumlah pksel yang nlanya sesua (Acharya, 2005) Informas suatu ctra serngkal dapat dwakl oleh hstogram n. Komputas hstogram sangat sederhana dan cepat, serta dapat dlakukan pada saat me-load ctra. Selan tu, manfaat dar penggunaan hstogram ctra yatu dapat menentukan apakah suatu ctra sudah berada dalam jangkauan yang tepat dalam suatu skala keabuan/warna. Kalau belum maka parameter dgtasnya perlu datur lag lebh dlebarkan ataukah lebh dsemptkan. Kuantsas Warna Dalam pembuatan hstogram, nla RGB yang punya range dar 0 sampa 255 akan punya kemungknan kombnas warna sebesar (ddapat dar: 255 x 255 x 255). Pada proses komputas, tentu saja n proses yang menghabskan banyak waktu (tme consumng). Masalah tersebut dapat datas dengan color quantzaton (kuantsas warna), yatu suatu prosedur untuk mengurang kemungknan jumlah warna. Dengan cara n, jumlah warna yang besar tad bsa dkurang, sehngga proses yang dbutuhkan akan semakn mudah. Msalnya nla sebuah pxel RGB adalah (260, 200, 50). Maka setelah melalu kuantsas menjad 64 warna, msalnya, range R: 0-3, range G: 0-3, dan range B: 0-3, nla tu menjad (260 * 4/255, 200 * 4/255, 50 * 4/255) atau (3,3,2 ). Normalsas Penggunaan nla-nla aktual dstrbus warna pada dstogram, mudah untuk dpaham. Namun pemakaan dengan cara n akan menmbulkan masalah jka dterapkan pada gambar yang mempunya ukuran berbeda namun sebenarnya mempunya dstrbus warna yang sama. Sebaga contoh, msalnya ada 3 gambar dengan ukuran berbeda, yatu 5000 pksel, 250 pksel, dan pksel yang terkuantsas menjad 2 warna (htam dan puth). Hstogram 3 gambar tersebut adalah: H A = {2500,2500} H B = {5625, 5625} H C = {0000,0000} Meskpun ketga gambar tersebut mempunya dstrbus warna yang sama, tap mempunya hstogram yang berbeda. In dkarenakan perbedaan ukuran gambar (dan tentu saja jumlah pxel). Oleh karena tu, untuk membuat hstogram tetap sama pada gambar yang mempunya kesamaan dstrbus warna, maka dperlukan suatu normalsas hstogram. Dengan cara n, selama dstrbus warna pada gambar sama, hstogram warnanya akan sama, tdak tergantung lag pada ukuran gambar. Berkut adalah hasl hstogram warna yang sudah ternormalsas: H A = {50%, 50%} H B = {50%, 50%} H C = {50%, 50%} Pengukuran Tngkat Kemrpan Perseps manusa terhadap suatu ctra cenderung ddomnas oleh faktor komposs warna yang dmlk ctra. Kta serng membedakan suatu ctra dengan ctra yang lan berdasarkan komposs warna yang dmlknya. Asums tersebut menjad de dasar pengembangan sstem yang menggunakan komposs warna sebaga ftur yang mewakl suatu ctra. Hstogram warna dar pksel-pksel dalam ctra dapat dgunakan sebaga representas komposs warna yang dmlk ctra. Dengan hstogram dapat dcar ctra yang memlk kemrpan komposs warna. Pengukuran tngkat kemrpan dlakukan dengan menghtung jarak antar hstogram, dhtung dengan rumus jarak Eucldean (Gonzales, 2008):. () dmana H A, H B adalah hstogram ctra A dan ctra B atau dapat dhtung dengan rumus : Jurnal Teknolog, Volume 3 Nomor 2, Desember 200,
4 n d = {( r = r ) + ( g 2 g ) + ( b 2 b )}. (2) dmana : o r, g, dan b adalah komponen RGB dar warna pertama o r 2, g 2, dan b 2 adalah komponen RGB dar warna kedua. Ctra dengan nla jarak yang lebh kecl danggap memlk tngkat kemrpan komposs warna yang lebh tngg atau lebh mrp dbandngkan dengan ctra yang memlk nla jarak yang lebh besar. Selan menamplkan tngkat kemrpan, sstem juga akan menamplkan keterangan kematangan buah berdasar tngkat kemrpan yatu Matang (0-5%), Mengkal (6-25,99%), dan Mentah (>=26%). 2 deteks kemrpan terhadap beberapa ctra query dalam koleks buah apel yang berbeda warnanya. Program yang telah dbuat hanya mampu membandngkan kemrpan warna dua buah ctra. Tamplan Program Pada saat pertama kal aplkas djalankan, akan muncul tamplan sepert nampak pada gambar. Proses Deteks Kemrpan Ctra. Mula 2. Baca ctra dan ctra 2 3. Kuantsas warna ctra dan ctra 2 4. Normalsas ctra dan ctra 2 5. Membuat hstogram warna ctra dan ctra 2 6. Htung jarak antar hstogram 7. Tamplkan prosentase kemrpan 8. Selesa PEMBAHASAN Hasl Perancangan Untuk bahan percobaan dgunakan 6 buah ctra dalam format BMP, 24 bt truecolor, dengan ukuran 256 x 256 pksel dan resolus 72 dp. Tujuan dar aplkas n adalah membandngkan seberapa besar kemrpan dua buah ctra berdasarkan hstogram warnanya. Secara umum, alur dar aplkas n yatu mengambl objek yang berupa ctra untuk dlhat hstogramnya. Sebelum dbuat hstogram dlakukan kuantsas warna dan normalsas. Langkah berkutnya melhat hstogramnya kembal. Proses dlanjutkan dengan membandngkan kedua hstogram warna tad dengan mengukur jarak hstogram menggunakan cara yang serng dgunakan yatu Eucld. Hasl pencaran akan dtamplkan dengan keterangan berupa tngkat kemrpan beserta keterangan kematangan buah. Untuk menguj program, dlakukan percobaan Gambar. Tamplan menu utama aplkas Langkah-langkah untuk melakukan percobaan adalah :. Tekan tombol Ambl Ctra untuk membuka ctra pertama. Secara otomats akan dbuat hstogram warna untuk ctra pertama. Gambar 2. Membuka ctra 2. Tekan tombol Ambl Ctra 2 untuk membuka ctra kedua. Secara otomats pula akan dbuat hstogram warna untuk ctra kedua 0 Iswahyud, Prototype Aplkas Untuk Mengukur Kematangan Buah Apel Berdasar Kemrpan Warna
5 Gambar 4. Kemrpan 2 buah ctra Gambar 3. Membuka ctra 2 3. Langkah berkutnya adalah menghtung kemrpan ctra pertama dan kedua dengan menekan tombol Proses. Jka baru satu ctra yang dbuka atau bahkan belum ada ctra yang dbuka akan muncul perngatan Baru ctra yang dbuka atau Belum ada ctra yang dbuka. Namun, jka ctra dan ctra 2 sudah dbuka maka akan dapat dtamplkan nla kemrpan dua buah ctra tersebut. Uj coba aplkas Hasl percobaan deteks kemrpan pada koleks ctra menunjukkan bahwa ctra yang memlk kemrpan dstrbus warna dengan ctra query memlk nla jarak yang kecl. Semakn besar nla jaraknya maka semakn tdak mrp dstrbus warnanya. Ctra yang sama perss akan menghaslkan nla jarak nol. Penlaan kesesuaan antara nla jarak dengan kemrpan ctra bersfat subyektf, artnya tergantung pada perseps seseorang terhadap ctra. Hasl percobaan n mencar kemrpan dstrbus warna, bukan pada bentuk obyek atau tekstur. Contoh hasl pencaran dsajkan dalam tabel. Jurnal Teknolog, Volume 3 Nomor 2, Desember 200, 07-2
6 KESIMPULAN Sstem deteks kemrpan ctra yang telah dbuat dapat menemukan kemrpan antar ctra berdasarkan nla jarak antar hstogramnya. Ctra yang memlk kemrpan dstrbus warna ctra yang sama perss memlk selsh jarak sama dengan nol. Program yang telah dbuat hanya mampu membandngkan kemrpan warna dua buah ctra. Hasl percobaan n juga hanya mencar kemrpan dstrbus warna, bukan pada bentuk obyek atau tekstur. Sebaga pengembangan peneltan, penuls menyarankan untuk mengntegraskan dengan fasltas pemndaan ctra (buah apel) secara realtme menggunakan peralatan semacam kamera, yang selanjutnya hasl pemndaan dbandngkan dengan database yang bers ctra template. Pengelompokan tdak hanya ddasarkan pada kemrpan warna, namun juga memperhatkan bentuk buah. Sehngga secara otomats buah apel dapat dplah-plah berdasar tngkat kematangannya. DAFTAR PUSTAKA Acharya T., Ray A.K. 2005, Image Processng Prncples and Applcatons, John Wley & Sons, USA Balza A., Kartka F Teknk Pengolahan Ctra menggunakan delph, Ard Publshng, Yogyakarta Gonzalez R.C., Woods R.R, 2008, Dgtal Image Processng, Addson- Wesley Publshng Company Inc., USA Sutoyo, Mulyanto E., dkk, Teor Pengolahan Ctra Dgtal. Penerbt ANDI, Yogyakarta mageprocessngndelph.blogspot.com 2 Iswahyud, Prototype Aplkas Untuk Mengukur Kematangan Buah Apel Berdasar Kemrpan Warna
Histogram Citra. Bab Membuat Histogram
Bab 6 Hstogram Ctra I nformas pentng mengena s ctra dgtal dapat dketahu dengan membuat hstogram ctra. Hstogram ctra adalah grafk yang menggambarkan penyebaran nla-nla ntenstas pxel dar suatu ctra atau
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
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 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 terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
Lebih terperinciANALISIS KEMIRIPAN POLA CITRA DIGITAL MENGGUNAKAN METODE EUCLIDEAN
AALISIS KEMIRIPA POLA CITRA DIGITAL MEGGUAKA METODE EUCLIDEA Eus St ur Asyah1), Abdul Hayat2), Puspa Wdant3), Shnta Yulnda Prasetya4), Helm Iskandar5) 1), 2 ), 3) Komputersas Akuntans AMIK Raharja Informatka
Lebih terperinciBAB 3 METODOLOGI PERANCANGAN
9 BAB 3 METODOLOGI PERANCANGAN Bab n bers penjelasan mengena langkah-langkah perhtungan serta prosedurprosedur yang dgunakan untuk menemukan solus atas rumusan masalah pada Bab. Dalam bab n juga akan dtamplkan
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 terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
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 terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
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 terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciPENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA
MAKALAH SEMINAR TUGAS AKHIR PENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA Suharto Jat Santoso *, Bud Setyono **, R. Rzal Isnanto ** Abstrak - Selama n pengenalan jens kan pada
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 terperinciUKURAN LOKASI, VARIASI & BENTUK KURVA
UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya
Lebih terperinciBAB I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Ctra dgtal merupakan ctra hasl dgtalsas yang dapat dolah pada suatu komputer dgtal [12]. Ctra dgtal tersusun atas sejumlah elemen. Elemen-elemen yang menyusun ctra
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBAB III METODE KOMPRESI DAN DEKOMPRESI. untuk setiap B X. fraktal. Penjelasan dimulai dengan pengenalan Multiple Reduction Copy
BAB III METODE KOMPRESI DAN DEKOMPRESI Kompres ctra fraktal memodelkan ctra sebaga lmt dar suatu proses teras. Jka dberkan suatu ctra A X, metode n akan mencar suatu proses W sedemkan sehngga ttk tetap
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciContoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi.
BAB V TEOEMA-TEOEMA AGKAIA 5. Teorema Superposs Teorema superposs bagus dgunakan untuk menyelesakan permasalahan-permasalahan rangkaan yang mempunya lebh dar satu sumber tegangan atau sumber arus. Konsepnya
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciSEGMENTASI BERBASIS REGION PADA CITRA BERWARNA UNTUK KEPERLUAN TEMU KEMBALI CITRA PADA EVENT OLAH RAGA LAPANGAN HIJAU
EGMENTAI BERBAI REGION PADA CITRA BERWARNA UNTUK KEPERLUAN TEMU KEMBALI CITRA PADA EVENT OLAH RAGA LAPANGAN HIJAU Arf Basof,.Kom, Moch. Harad, T, M.c, Ph.D. Program Magster Bdang Keahlan Jarngan Cerdas
Lebih terperinciPENGENALAN GAMBAR RAMBU-RAMBU LALU- LINTAS DENGAN METODE KUANTISASI RERATA (Identification of Traffic Signs by Using Average Quantification Method)
PENGENALAN GAMBAR RAMBU-RAMBU LALU- LINTAS DENGAN METODE KUANTISASI RERATA (Identfcaton of Traffc Sgns by Usng Average Quantfcaton Method) Tr Harsono 1, Achmad Basuk 2, Nana Ramadjant 2 1 Teknk Elektronka,
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
PENDAHULUAN Latar Belakang Pada saat n penamplan nformas dalam bentuk ctra semakn banyak dbutuhkan Hal n tdak lepas dar karakterstk ctra yang cenderung mudah dpaham Surat kabar, televs, dan stus web d
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciRAY TRACING dan. Oleh : Karmilasari
RAY TRACING dan RADIOSITY Oleh : Karmlasar RAY TRACING vs. RADIOSITY 2 Revew : ILUMINASI Secara umum dlhat dar fsknya, model lumnas menggambaran perpndahan energ dan radas fokus pada sfat sfat cahaya danmateral
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING BERBASIS SIMILARITAS MAKSIMAL
MAKALA EMINAR TUGA AKIR PERIODE JULI 00 IMPLEMENTAI EGMENTAI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING ERAI IMILARITA MAKIMAL Ayu Arta Paramta Relga, andayan Tjandrasa, Anny Yunart 3 Teknk Informatka,
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciSEGMENTASI CITRA BERWARNA MENGGUNAKAN ALGORITMA JSEG
SEGMENTASI CITRA BERWARNA MENGGUNAKAN ALGORITMA JSEG Rully Soelaman 1), Darls Herumurt ), Dyah Wardhan Kusuma. 3) Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember (ITS), Surabaya, 6111, Indonesa
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciBAB 2 LANDASAN TEORI. fungsi f(x,y), dimana x dan y merupakan spatial koordinat, dan tingkatan aplitude
BAB 2 LANDASAN TEORI 2.1 Ctra Menurut Gonzales (2004, p1) Ctra bsa djelaskan sebaga 2 dmens dar fungs f(x,y), dmana x dan y merupakan spatal koordnat, dan tngkatan apltude pada poss n dsebut dengan ntenstas
Lebih terperinciBAB II TINJAUAN TEORETIS
4 BAB II TINJAUAN TEORETIS 2. Ctra Dgtal Ctra dgtal saat n banyak dgunakan dalam berbaga bdang. Mula dar keperluan sehar har sepert cetak foto, pemetaan hutan, dentfkas forensk, rekam meds dengan menggunakan
Lebih terperinciBAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
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 III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
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 terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciPENENTUAN DENSITAS PERMUKAAN
PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
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 terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciPERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM
PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM 1) Membuat dstrbus frekuens. 2) Mengetahu apa yang dmaksud dengan Medan, Modus dan Mean. 3) Mengetahu cara mencar Nla rata-rata (Mean). TEORI PENUNJANG
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciMETODE THRESHOLDING UNTUK SEGMENTASI CITRA TELUR BERBASIS ANDROID
METODE THRESHOLDING UNTUK SEGMENTASI CITRA TELUR BERBASIS ANDROID Fersa Setyanngrum 1, Kartka Frdausy 2 Program Stud Teknk Elektro, Fakultas Teknolog Industr, Unverstas Ahmad Dahlan Jl. Prof. Dr. Soepomo,
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Emprs Pada peneltan n, penelt menggunakan beberapa peneltan terkat yang pernah dlakukan oleh penelt lan sebaga tnjauan stud, yatu sebaga berkut : a. Pornography Detecton
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciSUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD
SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciBAB V TEOREMA RANGKAIAN
9 angkaan strk TEOEM NGKIN Pada bab n akan dbahas penyelesaan persoalan yang muncul pada angkaan strk dengan menggunakan suatu teorema tertentu. Dengan pengertan bahwa suatu persoalan angkaan strk bukan
Lebih terperinciMATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT)
MATERI KULIAH STATISTIKA I UKURAN (Nuryanto, ST., MT) Ukuran Statstk Ukuran Statstk : 1. Ukuran Pemusatan Bagamana, d mana data berpusat? Rata-Rata Htung = Arthmetc Mean Medan Modus Kuartl, Desl, Persentl.
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 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 PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciBab 2 AKAR-AKAR PERSAMAAN
Analsa Numerk Bahan Matrkulas Bab AKAR-AKAR PERSAMAAN Pada kulah n akan dpelajar beberapa metode untuk mencar akar-akar dar suatu persamaan yang kontnu. Untuk persamaan polnomal derajat, persamaannya dapat
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus
Lebih terperinciBAB III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciArdi Kurniawan 1), Kusrini 2) Sistem Informasi STMIK AMIKOM Yogyakarta 2)
Semnar Nasonal Teknolog Informas dan Multmeda 2016 STMIK AMIKOM Yogyakarta, 6-7 Februar 2016 ANALISIS DAN PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA GURU (PKG) MENGGUNAKAN METODE SIMPLE ADDITIVE
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciSEARAH (DC) Rangkaian Arus Searah (DC) 7
ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Sampel yang digunakan dalam penelitian ini adalah data pengujian pada
BAB 5 ASIL DAN PEMBAASAN 5. asl Peneltan asl peneltan akan membahas secara lebh lengkap mengena penyajan data peneltan dan analss data. 5.. Penyajan Data Peneltan Sampel yang dgunakan dalam peneltan n
Lebih terperinciKLASIFIKASI ONLINE CITRA DAUN BERDASARKAN FITUR BENTUK DAN RUAS DAUN
KLASIFIKASI ONLINE CITRA DAUN BERDASARKAN FITUR BENTUK DAN RUAS DAUN Agus Zanal Arfn 1, Bayu Bagus, Dn Adn Navastara 3 Jurusan Teknk Informatka, Fakultas Teknolog Informas Insttut Teknolog Sepuluh Nopember
Lebih terperinciDISTRIBUSI FREKUENSI
BAB DISTRIBUSI FREKUENSI Kompetens Mampu membuat penyajan data dalam dstrbus frekuens Indkator 1. Menjelaskan dstrbus frekuens. Membuat dstrbus frekuens 3. Menjelaskan macam-macam dstrbus frekuens 4. Membuat
Lebih terperinciBAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk
Lebih terperinciBAB III METODE PENELITIAN. Karangkajen, Madrasah Tsanawiyah Mu'allimaat Muhammadiyah Yogyakarta,
BAB III METODE PENELITIAN A. Tempat dan Waktu Peneltan Peneltan n dlakukan pada 6 (enam) MTs d Kota Yogyakarta, yang melput: Madrasah Tsanawyah Neger Yogyakarta II, Madrasah Tsanawyah Muhammadyah Gedongtengen,
Lebih terperinciPENERAPAN ALGORITMA KOMPRESI JPEG DAN METODE FUZZY C-MEANS PADA KOMPRESI CITRA BERBASIS ENTROPI
PENERAPAN ALGORITMA KOMPRESI JPEG DAN METODE FUZZY C-MEANS PADA KOMPRESI CITRA BERBASIS ENTROPI Dka Asoka Masatu 1, Indah Soesant 2, Hanung Ad Nugroho 3 Abstract Advances n technology demand nformaton
Lebih terperinciPEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Studi Kasus : Metode Secant)
PEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Stud Kasus : Metode Secant) Melda panjatan STMIK Bud Darma, Jln.SM.Raja No.338 Sp.Lmun, Medan Sumatera Utara Jurusan Teknk Informatka e-mal : meldapjt.78@gmal.com
Lebih terperinciPENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT
PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos Pabelan
Lebih terperinciALGORITMA THRESHOLDING ADAPTIF UNTUK BINERISASI CITRA DOKUMEN BERWARNA
Vol. 2, No. 2 Desember 2011 ISSN 2088-2130 ALGORITMA THRESHOLDING ADAPTIF UNTUK BINERISASI CITRA DOKUMEN BERWARNA Eka Mala Sar Rochman 1), Ratna Nur Tara Shanty 2), Dyah S Rahayu 3) Unverstas Trunojoyo
Lebih terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciBAB III PROSEDUR PENELITIAN. penelitian, hal ini dilakukan untuk kepentingan perolehan dan analisis data.
BAB III PROSEDUR PENELITIAN A. Metode Peneltan Metode peneltan harus dsesuakan dengan masalah dan tujuan peneltan, hal n dlakukan untuk kepentngan perolehan dan analss data. Mengena pengertan metode peneltan,
Lebih terperinciPERBANDINGAN PEMILIHAN TAPIS PENGHAPUS DERAU PADA CITRA BERDASAR SIFAT STATISTIS, PSNR, DAN INDEKS KUALITAS
PERBADIGA PEMILIHA TAPIS PEGHAPUS DERAU PADA CITRA BERDASAR SIFAT STATISTIS, PSR, DA IDEKS KUALITAS Bernadetta Dyah Susant Wdoretno ), Achmad Hdayatno ), R. Rzal Isnanto ) Jurusan Teknk Elektro Fakultas
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinci