SEGMENTASI CITRA MENGGUNAKAN WATERSHED DAN ITENSITAS FILTERING SEBAGAI PRE PROCESSING

Ukuran: px
Mulai penontonan dengan halaman:

Download "SEGMENTASI CITRA MENGGUNAKAN WATERSHED DAN ITENSITAS FILTERING SEBAGAI PRE PROCESSING"

Transkripsi

1 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 MIPA UGM Yogyaarta e-mal : 1) murntousno@yahoo.com 2) e-mal : aharjoo@ugm.ac.d Abstra Segmentas merupaan langah pertama dan menjad unc. Segmentas ctra merupaan suatu ten pengelompoan (clusterng) untu ctra. Dengan ata lan, merupaan suatu proses pembagan ctra e dalam wlayah (regon) yang mempunya esamaan ftur antara lan : tngat eabuan (gray scale), testure(texture), warna(color), geraan)moton).metode yang termasu dalam segmentas ctra antara lan : transformas watershed (Watershed Transformato). Metode yang ddasaran pada watershed telah dembangan dalam beberapa tahun belaangan n. Secara umum, transformas watershed dapat delompoan dalam segmentas sebaga metode yang ddasaran pada wlaya (regon). Transformas watershed merupaan salah satu metode yang cuup ba untu mendapatan suatu obje hasl segmentas. Tetapa metode n mempunya satu elemahan yatu adanya segmentas yang berlebhan (over segmentaton). Maa dar tu sebelum melauan transformas perlu dlauan suatu pre processng dan salah satu ten yang dgunaan adalah nose reducton. Nose Reducton merupaan suatu proses mengurang nose dar suatu sgnal, basanya muncul sebaga abat adanya pensamplngan yang urang bagus atau abat saluran transms pada saat pengrman data. Beberapa jens nose yang basanya djumpa adalah salt and pepper, mpulse, dan Gaussan. Terdapat dua macam nose reducton pada ntensty flterng, yatu hgh pass flterng dan low pass flterng.dalam peneltan n dembangan suatu penggabungan antara ntenstas flterng sebaga preprocessng ctra dan transformas watershed untu menghaslan segmentas dengan ualtas yang lebh ba. Dar hasl peneltan ddapatan bahwa penggunaan pre processng sebelum tranformas watershed dapat mengurang over segmentas yang berlebhan. Kata unc : Intenstas Flterng,, Segmentas Ctra, Transformas Watershed. 1. PENDAHULUAN Pemrosesan ctra dgtal memerluan satu proses pre processng yang selanjutnya aan dgunaan untu proses yang lan. Proses tersebut adalah segmentas. Segmentas merupaan langah pertama dan menjad unc yang pentng dalam suatu pengenalan obje (object recognton). Proses segmentas merupaan suatu proses untu memsahan antara satu obye dengan obye lannya. Dengan proses segmentas masng-masng obye pada ctra dapat dambl secara terpsah sehngga dapat dgunaan sebaga masuan proses yang lan. Segmentas ctra merupaan suatu ten pengelompoan (clusterng) untu ctra. Dengan ata lan, merupaan suatu proses pembagan ctra e dalam wlayah (regon) yang mempunya esamaan ftur antara lan : tngat eabuan (gray scale), testure(texture), warna(color), geraan)moton). Pengelompoan vsual manusa sudah dpelajar secara ntensf oleh psolog Gestalt ( Werthemer, 1938). Ada beberapa fator yang menjadan pengelompoan perceptual manusa yatu : smlarty, proxmty, contnuty, symmetry, parallelsm, closure, dan famlarty. Dalam Computer Vson beberapa fator tersebut djadan sebaga panduan untu beberapa metode pengelompoan. Pengelompoan dalam Computer Vson palng banya dpelajar adalah dalam hal segmentas ctra. Segmentas ctra merupaan peerjaan dasar yang pentng, dlauan untu memsahan obje, yang selanjutnya aan dgunaan dalam proses analss ctra. Beberapa metode yang termasu dalam segmentas ctra yatu : metode pengelompoan (Clusterng Methods), Hstogram-Based Methods, Edge Detecton Methods, Regon Growng Methods, Level Set Methods, Graph Parttonng Methods, Watershed Transformaton, Model based segmentaton, Mult-scale segmentaton, Semautomatc segmentaton. Metode yang ddasaran pada watershed telah dembangan dalam beberapa tahun belaangan n. Secara umum, transformas watershed dapat delompoan dalam segmentas sebaga metode yang ddasaran pada wlaya (regon). Transformas watershed merupaan salah satu metode yang cuup ba untu mendapatan suatu obje hasl segmentas. Tetapa metode n mempunya satu elemahan yatu adanya segmentas yang berlebhan (over segmentaton) dar yang dharapan. Maa dar tu sebelum melauan transformas perlu dlauan suatu pre processng dan salah satu ten yang dgunaan adalah nose reducton. Segmentas berlebhan merupaan masalah utama yang dhadap pada segmentas dengan menggunaan algortma watershed. Segmentas berlebhan berart hasl yang ddapatan terlalu banya fragmen. Nose reducton merupaan suatu proses mengurang nose dar suatu sgnal, basanya muncul sebaga abat adanya pensamplngan yang urang bagus atau abat saluran transms pada saat pengrman data. Beberapa jens nose A-43

2 yang basanya djumpa adalah salt and pepper, mpulse, dan Gaussan. Nose adalah tt-tt pada ctra yang sebenarnya buan merupaan bagan dar ctra, melanan ut tercampur pada ctra arena suatu sebab. Terdapat dua macam nose reducton pada ntenstas flterng, yatu hgh pass flterng dan low pass flterng. Dalam peneltan n dembangan suatu penggabungan antara nose reducton sebaga preprocessng ctra dan transformas watershed untu menghaslan segmentas dengan ualtas yang lebh ba. 2. TINJAUAN PUSTAKA 2.1. Segmentas Ctra ( Image Segmentaton) Terdapat dua pendeatan utama dalam segmentas ctra yatu ddasaran pada tep (edge-based) dan ddasaran pada wlayah (regon-based). Segmentas ddasaran pada tep membag ctra berdasaran dsontnutas d antara sub-wlayah (sub-regon), sedangan segmentas yang ddasaran pada wlayah beerjanya berdasaran eseragaman yang ada pada sub-wlayah tersebut. Hasl dar segmentas ctra adalah seumpulan wlayah yang melngup ctra tersebut, atau seumpulan ontur yang destra dar ctra (pada detes tep). Contoh segmentas dapat dlhat dalam gambar 1. Tap psel dalam suatu wlayah mempunya esamaan araterst atau propet yang dapat dhtung (computed property), sepert : warna (color), ntenstas (ntensty),dan testur (texture). Gambar 1. Ctra asl dan Hasl Segmentas Ctra Segmentas wlayah merupaan pendeatan lanjutan dar detes tep. Dalam detes tep segmentas ctra dlauan melalu dentfas batas-batas obje (boundares of object). Batas merupaan loas dmana terjad perubahan ntenstas. Dalam pendeatan ddasaran pada wlayah, maa dentfas dlauan melalu wlayah yang terdapat dalam obje tersebut. Salah satu cara untu mendefnsan segmentas ctra adalah sebaga berut. Seumpulan wlayah R, R,..., R } merupaan suatu segmentas ctra R e dalam n wlayah ja : n U = = 1 1. R R 2. R I R = φ, { 1 2 n 3. R terhubung, =1,2,,n 4. Terdapat suatu predat P yang merupaan uuran homogentas wlayah (a) P( R ) = TRUE, = 1,2,..., n (b) P RU R ) = FALSE, ( dan R adjacent R 2.2. Transformas Watershed Konsep transformas Watershed adalah dengan menganggap sebuah ctra merupaan bentu tga dmens yatu poss x dan y dengan masng-masng tngatan warna yang dmlnya. Poss x dan y merupaan bdang dasar dan tngat warna pxel, yang dalam hal n adalah ctra abu (gray level) merupaan etnggan dengan anggapan bahwa nla yang man mendeat warna puth mempunya etnggan yang seman tngg. Dengan anggapan bentu topograf tersebut, maa terdapat tga macam tt yatu : 1. Tt yang merupaan mnmum regonal 2. Tt yang merupaan tempat dmana ja setetes ar djatuhan, maa ar tersebut aan jatuh hngga e sebuah mnmum tertentu A-44

3 3. Tt yang merupaan dmana ja ar djatuhan, maa ar tersebut mempunya emungnan untu jatuh e salah satu poss mnmum(tda past jatuh e sebuah tt mnmum, tetap dapat jatuh e tt mnmum tertentu atau tt mnmum yang lan). Untu sebuah mnmum regonal tertentu, seumpulan tt yang memenuh onds (2) dnamaan dengan catchment basn, sedangan seumpulan tt yang memenuh onds (3) dnamaan sebaga gars watershed. Msalan suatu ctra gray level f(x,y) d anggap sebaga permuaan topograf S, d mana tap gray level danggap danggap sebaga emrngan daerah (terran elevaton), dan daerah but bersesuaan dengan wlayah yang dmasud, serta lembah atau basn yang menunjuan suatu mnmum. Msalan tap mnmum ( f ) penuh dengan lubang-lubang dan permuaan topograf S dgambaran secara vertcal e dalam suatu danau, dasumsan dengan ecepatan onstan. Ar aan mengalr dan memenuh permuaan. Selama proses pengsan n, ar aan datang dar dua atau lebh mnma yang berbeda. Bendungan (dam) terbentu apabla ar yang memenuh dar dua catchment basn aan bergabung menjad satu. Ar mengalr mencapa tngat yang dngnan dan berhent mengalr eta bagan atas dar dam terlhat. Gambar berut memperlhatan dua mnma yang dgambaran sebaga dua basn. Dam dtunjuan dengan warna terang d tengah antara dua basn. m Gambar.2. Pengsan permuaan topograf dan pembuatan dam 2.3. Itenstas Flterng Dengan metode ntenstas, nose aan d redus dengan mendetes ntenstas dar setap tt d layar. Cara n aan efetf apabla banya tt nose yang meml warna sama pada tt-tt pada gambar asl. Intenstas flterng aan bagus dgunaan apabla terdapat sedt tt-tt nose yang meml warna sama dengan gambar asl. Terdapat dua macam nose reducton pada ntenstas flterng, yatu hgh pass flterng dan low pass flterng (Nalwan, A., 1997). Hgh pass ntenstas flterng dgunaan ja nose detahu meml ntenstas warna tngg. Msalnya nose berwarna , maa dlauan pendetesan untu setap tt yang meml warna antara 220 hngga 255 aan dtanda sebaga nose. Low pass ntenstas flterng dgunaan pada gambar yang meml ntenstas warna yang rendah. Karena leta nose berada d ntenstas rendah, maa dlauan pencaran pada tt-tt gambar dan emudan aan dtanda sebaga nose. Selanjutnya tt tersebut aan dgant dengan mencar warna rata-rata d setar tt tersebut. 3. METODE PENELITIAN Subje peneltan n adalah melauan proses segmentas menggunaan transformas watershed dan ntenstas flterng sebaga pre processng pada ctra dgtal. Dalam peneltan n menggunaan data ctra berupa fle ctra berestens *.bmp, *.jpg. Metode yang dgunaan untu melauan pre processng adalah nose reducton dengan menggunaan ntenstas flterng. Intenstas flterng yang dgunaan dsn adalah lowpass flterng dan hghpass flterng. Transformas watershed selanjutnya dgunaan untu proses segmentas ctra.secara gars besar proses segmentas ctra menggunaan transformas watershed dan ntenstas flterng sebaga pre processng adalah sebaga berut : A-45

4 Input Ctra Pre Processng Intenstas FIlterng Transformas Watershed Ctra Segmentas Gambar 3. Segmentas ctra ddasaran pada Watershed Input ctra merupaan ctra yang aan dsegmentas. Intenstas flterng merupaan ten nose reducton yang aan dpaa untu menngatan ualtas segmentas. Transformas Watershed. Merupaan metode yang aan dpaa dalam melauan proses segmentas ctra nputan. Ctra Hasl Segmentas. Merupaan hasl dar operas segmentas ctra menggunaan transformas watershed, haslnya aan dlhat apaah menggunaan transformas watershed dan ntenstas flterng aan lebh ba dbandngan dengan hanya menggunaan transformas watershed untu proses segmentas ctra yang dlauan. 4. HASIL DAN PEMBAHASAN Dar peneltan yang dlauan maa terlhat sepert gambar 2 menunjuan proses segmentas menggunaan watershed tanpa ddahulu dengan pre processng, gambar 3 menunjuan proses watershed yang ddahulu dengan proses lowpass flterng, sedangan gambar 4 menunjuan proses segmentas yang ddahulu dengan proses hghpass flterng. Gambar 2. (a). Ctra Lena Asl (b). Ctra Lena Transfomas watershed tanpa pre processng (over segmentas) Gambar 3. (a). Ctra Lena Lowpass (b). Ctra Lena Transfomas watershed dengan pre processng (Lowpass Flterng) A-46

5 Gambar 4. (a). Ctra Lena Hghpass (b). Ctra Lena Transfomas watershed dengan pre processng (Hghpass Flterng) Dar hasl peneltan yang dlauan, terlhat bahwa dengan menggunaan ntenstas flterng sebaga pre processng hasl segmentas ctra lebh ba darpada proses segmentas tanpa menggunaan pre processng. Hal n terlhat dar berurangnya segmen-segmen yang berlebhan sebaga abat dar proses segmentas menggunaan transformas watershed. 5. KESIMPULAN Dar hasl peneltan yang telah dlauan menunjuan bahwa dengan menggunaan transformas watershed, ddapatan hasl segmentas yang berlebhan, untu tu perlu durang segmentas yang berlebhan dengan ddahulu menggunaan proses pre processng. Salah satu proses pre processng yang denalan adalah dengan menggunaan ntenstas flterng, yan hghpass flterng dan lowpass flterng. 6. DAFTAR PUSTAKA Adpranoto, P Kombnas Metode Morphologcal Gradent dan Transformas Watershed pada Proses Segmentas Ctra Dgtal. UK Petra, Surabaya. F. Meyer. Topographc dstance and watershed lnes. Sgnal Processng, 38: , F. Meyer and S. Beucher. Morphologcal segmentaton. Journal of Vsual Communcatons and Image Representaton, 1(1):21 46, Sumengen, B., Manjunath, B,S,.2005, Mult-scale Edge Detecton and Image Segmentaton. ECE Department, UC, Santa Barbara, CA, USA. S. Beucher and C. Lantuejoul. Use of watersheds n contour detecton. In Internatonal Worshop on Image Processng, Real-Tme Edge and Moton Detecton/Estmaton, Rennes, France, June Werthemer,M Laws of organzatons n perceptual forms(partal translaton). In A Sourceboo of Gestalt Psychology, W.Ells (Ed). Harcourt Brace and Company, pp A-47

BAB II TEORI DASAR. Analisis Kelompok

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 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 terperinci

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh

BAB 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 terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

BAB 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 terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created 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 terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)

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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

Probabilitas 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 terperinci

BAB II DIMENSI PARTISI

BAB 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 terperinci

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG

USULAN 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 terperinci

Bab III. Plant Nonlinear Dengan Fase Nonminimum

Bab 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 terperinci

ANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING

ANALISIS 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 terperinci

Implementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0

Implementasi 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 terperinci

Pengolahan lanjut data gravitasi

Pengolahan 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 terperinci

Karakterisasi Matrik Leslie Ordo Tiga

Karakterisasi 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 terperinci

EKSPEKTASI SATU PEUBAH ACAK

EKSPEKTASI 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 terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)

FUZZY 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 terperinci

Histogram Citra. Bab Membuat Histogram

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 terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah

BAB 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)

BAB 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 terperinci

Implementasi Metode Backpropagation untuk Mengenali Teks pada Natural Scene Image

Implementasi 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 terperinci

PEMODELAN 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 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 terperinci

KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR

KAJIAN 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 terperinci

Pengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis

Pengenalan 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 terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)

BAB 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 terperinci

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode

BAB 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 terperinci

Restorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization

Restorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization Restoras Ctra Dengan Menggunaan Metode Iteratf Lanczos Hybrd Regularzaton Yudh Purwananto, Rully Soelaman, Alfa Masjta Rahmat Jurusan Ten Informata, Faultas Tenolog Informas Insttut Tenolog Sepuluh Nopember

Lebih terperinci

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN

INVERS 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 terperinci

U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK

U 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 terperinci

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil

STATISTIKA. 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 terperinci

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD

PENGUJIAN 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 terperinci

Pemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a

Pemodelan 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 terperinci

BAB 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. 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 terperinci

BAB IV HASIL ANALISIS

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

Lebih terperinci

PROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM

PROSES 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 terperinci

Analisis Persebaran Seismisitas Wilayah Sumatera Selatan Menggunakan Metode Double Difference

Analisis 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 terperinci

SEGMENTASI CITRA BERWARNA MENGGUNAKAN ALGORITMA JSEG

SEGMENTASI 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 terperinci

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar

VI. 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 terperinci

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah

BAB 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 terperinci

ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS

ANALISIS 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 terperinci

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

KOLINEARITAS 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 terperinci

METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND

METODE 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 terperinci

SEGMENTASI BERBASIS REGION PADA CITRA BERWARNA UNTUK KEPERLUAN TEMU KEMBALI CITRA PADA EVENT OLAH RAGA LAPANGAN HIJAU

SEGMENTASI 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 terperinci

Pengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA

Pengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA Pengaruh Kelembaban dan Ser Tanah Terhadap Mutu dan Produs Tanaman Tembaau Temanggung dengan Metode MANOVA Mftala Al Rza ), Sutno ), dan Dumal ) ) Jurusan Statsta, Faultas MIPA, Insttut Tenolog Sepuluh

Lebih terperinci

PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI

PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI Yunarstanto 1 Irwan Iftad 1 Iwan Ngabd Raharjo 2 Abstract: Producton flow n PT. Tga Seranga Pustaa Mandr

Lebih terperinci

Algoritma Clustering Fuzzy Hibrida untuk Klasifikasi Citra Inderaja

Algoritma 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 terperinci

PENERAPAN 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. 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Pengetan Reges dan Koelas.. Pengetan Reges Paa lmuan, eonom, psolog, dan sosolog selalu beepentngan dengan masalah peamalan. Peamalan matematyang memungnan ta meamalan nla-nla suatu

Lebih terperinci

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN

Benyamin 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 terperinci

Perbandingan Penggunaan Beberapa Metode Deteksi Tepi Pada Pengolahan Citra Radiologi Fraktur Tulang

Perbandingan Penggunaan Beberapa Metode Deteksi Tepi Pada Pengolahan Citra Radiologi Fraktur Tulang PRISMA FISIKA, Vol. V,. 3 (4), Hal. 7- ISSN : 337-84 Perbandngan Penggunaan Beberapa Metode Deteks Tep Pada Pengolahan Ctra Radolog Fraktur Tulang Ray Andre Junor a, Nurhasanah a*, Iklas Sanubary a a Prod

Lebih terperinci

PENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA

PENERAPAN 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 terperinci

PRESENTASI TUGAS AKHIR KI091391

PRESENTASI 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 terperinci

ALGORITMA THRESHOLDING ADAPTIF UNTUK BINERISASI CITRA DOKUMEN BERWARNA

ALGORITMA 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 terperinci

IMPLEMENTASI SEGMENTASI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING BERBASIS SIMILARITAS MAKSIMAL

IMPLEMENTASI 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 terperinci

BAB III METODE PENELITIAN

BAB 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 terperinci

SEGMENTASI BERDASARKAN FITUR TEKSTUR MENGGUNAKAN METODE WAVELET HIDDEN MARKOV TREE PADA CITRA BATIK. Murinto 1, Eko Aribowo 2

SEGMENTASI BERDASARKAN FITUR TEKSTUR MENGGUNAKAN METODE WAVELET HIDDEN MARKOV TREE PADA CITRA BATIK. Murinto 1, Eko Aribowo 2 Yogyakarta,15 November 214 SEGMENTASI BERDASARKAN FITUR TEKSTUR MENGGUNAKAN METODE WAVEET HIDDEN MARKOV TREE PADA CITRA BATIK Murnto 1, Eko Arbowo 2 1,2, Program Stud Teknk Informatka, Fakultas Teknolog

Lebih terperinci

III FUZZY GOAL LINEAR PROGRAMMING

III 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 terperinci

Analisis Variasi Parameter Backpropagation Artificial Neural Network dan Principal Component Analysis Terhadap Sistem Pengenalan Wajah

Analisis 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 terperinci

BAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB

BAB 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

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,

Lebih terperinci

Perbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield

Perbandingan 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 terperinci

Jurnal Einstein 4 (1) (2016): Jurnal Einstein. Available online

Jurnal Einstein 4 (1) (2016): Jurnal Einstein. Available online Jurnal Ensten 4 () (06): 4-3 Jurnal Ensten Avalable onlne http://jurnal.unmed.ac.d/0/ndex.php/ensten Penguuran Intrus Ar Laut Pada Sumur Gal Dengan Kondutvtmeter D Desa Pematang Guntung Kecamatan Telu

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 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 terperinci

ANALISIS REGRESI. Catatan Freddy

ANALISIS 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 terperinci

IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN

IMPLEMENTASI 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 terperinci

Bab 2 AKAR-AKAR PERSAMAAN

Bab 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 terperinci

BAB I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.

Lebih terperinci

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman Lucas Theorem Untu Mengatur Penympanan Memor yang Lebh Aman Hendra Hadhl Chor (135 8 41) Program Stud Ten Informata ITB Jalan Ganesha 1, Bandung e-mal: hendra_h2c_mathematcan@yahoo.com; f1841@students.f.tb.ac.d

Lebih terperinci

P i KULIAH KE 3 METODA KELOMPOK (COHORT SURVIVAL METHOD) METODE ANALISIS PERENCANAAN - 1 TPL SKS DR. Ir. Ken Martina K, MT.

P i KULIAH KE 3 METODA KELOMPOK (COHORT SURVIVAL METHOD) METODE ANALISIS PERENCANAAN - 1 TPL SKS DR. Ir. Ken Martina K, MT. ROGRAM STUDI ERENCANAAN WILAYAH DAN KOTA METODE ANALISIS ERENCANAAN TL SKS DR Ir Ken Martna K, MT KULIAH KE METODA KELOMOK (COHORT SURVIVAL METHOD) Merupaan salah satu metode proyes pendudu endudu delompoan

Lebih terperinci

Implementasi Algoritma Radix Sort dalam Berbagai Kasus Bilangan Dibandingkan Algoritma Pengurutan yang lain

Implementasi Algoritma Radix Sort dalam Berbagai Kasus Bilangan Dibandingkan Algoritma Pengurutan yang lain Abstra Implementas Algortma Radx Sort dalam Berbaga Kasus Blangan Dbandngan Algortma Pengurutan yang lan Dean Fathony Alfatwa, Ere Rahman Syah P 2, Fahrs Mumtaza Ahsan 3 Departemen Ten Informata, Insttut

Lebih terperinci

IMAGE 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 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 terperinci

Faktor-Faktor Eksternal Pneumonia pada Balita di Jawa Timur dengan Pendekatan Geographically Weighted Regression

Faktor-Faktor Eksternal Pneumonia pada Balita di Jawa Timur dengan Pendekatan Geographically Weighted Regression JURNAL SAINS DAN SENI ITS Vol., No., (Sept. ) ISSN: 3-98X D-37 Fator-Fator Esternal Pneumona pada Balta d Jawa Tmur dengan Pendeatan Geographcally Weghted Regresson Ftrarma Putr Santoso, Sr Pngt W, dan

Lebih terperinci

(M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY

(M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY Unverstas Padjadjaran, 3 November 00 (M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY Anndya Aprlyant Pravtasar

Lebih terperinci

Bab III Model Estimasi Outstanding Claims Liability

Bab III Model Estimasi Outstanding Claims Liability Bab III Model Estmas Outstandng Clams Lablty. Model ELRF Suatu model yang dgunaan untu menasr outstandng clams lablty, tda cuup hanya melbatan data pada run-off trangle saa. Sebab, pembayaran lam d masa

Lebih terperinci

PEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION

PEMODELAN 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 terperinci

KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN

KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN Abstra Nama: Moh. Bagus Had S (Nrp 1205 100 037) Dosen Pembmbng:

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap

BAB 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 terperinci

BAB II TINJAUAN PUSTAKA. Control chart pertama kali dikenalkan oleh Dr. Walter Andrew Shewhart dari

BAB II TINJAUAN PUSTAKA. Control chart pertama kali dikenalkan oleh Dr. Walter Andrew Shewhart dari BAB II TINJAUAN PUSTAKA. Pendahuluan Control chart pertama al denalan oleh Dr. Walter Andrew Shewhart dar Bell Telephone Laboratores Amera Serat pada tahun 94. Control chart adalah sebuah gra yang member

Lebih terperinci

Simulasi Numerik Perambatan Banjir Akibat Keruntuhan Bendungan dengan Metode Volume Hingga-Cell Center

Simulasi Numerik Perambatan Banjir Akibat Keruntuhan Bendungan dengan Metode Volume Hingga-Cell Center Natausumah, d. ISSN 0853-98 Jurnal Teorets dan Terapan Bdang Reayasa Spl Smulas Numer Perambatan Banjr Abat Keruntuhan Bendungan dengan Metode Volume Hngga-Cell Center Abstra Dantje K. Natausumah Kelompo

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 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 terperinci

BAB III MODUL INJEKTIF

BAB III MODUL INJEKTIF BAB III ODUL INJEKTIF Bab n adalah bab yang palng pentng arena bab n bers mula dar hal-hal dasar mengena modul njet sampa sat-sat stmewanya yang tda dml oleh modul lan yang tda njet, yang merupaan ous

Lebih terperinci

PENGENALAN WAJAH BERBASIS METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS

PENGENALAN 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 terperinci

Eman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK

Eman 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 terperinci

DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA

DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,

Lebih terperinci

BAB IV PENGUJIAN DAN ANALISA

BAB 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 terperinci

SEGMENTASI CITRA GIGI BERBASIS THRESHOLD DAN INTEGRAL PROJECTION Agus Zainal Arifin 1, Dini Adni Navastara 1, Prambhudi Lesmonoi.

SEGMENTASI CITRA GIGI BERBASIS THRESHOLD DAN INTEGRAL PROJECTION Agus Zainal Arifin 1, Dini Adni Navastara 1, Prambhudi Lesmonoi. SEGMENTASI CITRA GIGI ERASIS THRESHOLD DAN INTEGRAL PROJECTION Agus Zanal Arfn 1, Dn Adn Navastara 1, Prambhud Lesmono. 1 1 Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember (ITS), Surabaya,

Lebih terperinci

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu

Lebih terperinci

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran

BAB 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 terperinci

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo. BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,

Lebih terperinci

SUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD

SUMBER 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 terperinci

III. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and

III. 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 terperinci

2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil

2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil .1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)

Lebih terperinci

ANALISA UNJUK KERJA SISTEM V-BLAST PADA KANAL FREQUENCY SELECTIVE FADING DALAM RUANGAN DENGAN MENGGUNAKAN MODULASI J-ary QAM

ANALISA UNJUK KERJA SISTEM V-BLAST PADA KANAL FREQUENCY SELECTIVE FADING DALAM RUANGAN DENGAN MENGGUNAKAN MODULASI J-ary QAM Analsa Unju Kerja Sstem I Gst. Ag. Km. Dafar Djun H. ANALISA UNJUK KEJA SISEM V-BLAS PADA KANAL FEQUENCY SELECIVE FADING DALAM UANGAN DENGAN MENGGUNAKAN MODULASI J-ary QAM I Gust Agung Komang Dafar Djun

Lebih terperinci

Estimasi Reliabilitas Pengukuran Dalam Pendekatan Model Persamaan Struktural

Estimasi Reliabilitas Pengukuran Dalam Pendekatan Model Persamaan Struktural Estmas Relabltas Penguuran Dalam Pendeatan Model Persamaan Strutural Wahyu Wdharso Unverstas Gadjah Mada Pendeatan analss data peneltan dengan menggunaan persamaan model strutural (SEM telah banya dgunaan

Lebih terperinci

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan

Lebih terperinci

STUDI PERBANDINGAN PENGENALAN CITRA SENYUMAN BERDASARKAN AESTHETIC DENTISTRY MENGGUNAKAN METODE 2D-PCA DAN METODE 2D-LDA

STUDI PERBANDINGAN PENGENALAN CITRA SENYUMAN BERDASARKAN AESTHETIC DENTISTRY MENGGUNAKAN METODE 2D-PCA DAN METODE 2D-LDA Vol. 5, No. 4, Jul 00 ISSN 06-0544 SUDI PERBNDINGN PENGENLN CIR SENYUN BERDSRKN ESHEIC DENISRY ENGGUNKN EODE D-PC DN EODE D-LD * Rma r ahyunngrum, ** Ftr Damayant Jurusan en Informata, Unverstas runojoyo

Lebih terperinci

PERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT

PERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT PERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT Ngarap Im Man Jurusan Matemata FST BINUS Unversty, Jln.Kebon Jeru Raya no.27 Jaarta Barat 11480, Indonesa

Lebih terperinci