PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL
|
|
- Suhendra Kusumo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: Yogyakarta, 18 Jun 2005 PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL Setyo Nugroho 1, Agus Harjoko 2 1 Jurusan Teknk Informatka, STMIK STIKOM Balkpapan Jln. Kapten P. Tendean 2A, Balkpapan, Program Pascasarjana Ilmu Komputer, Unverstas Gadjah Mada, Yogyakarta Abstrak Salah satu bagan pentng dalam proses pengenalan wajah adalah mendeteks poss wajah. Dalam makalah n kam merancang dan mengmplementaskan sstem pendeteks poss wajah dengan menggunakan jarngan syaraf truan. Sstem n dlath dengan menggunakan contoh-contoh wajah yang dberkan. Algortma Quckprop dan metode actve learnng dgunakan untuk mempercepat proses pelathan sstem. Dar hasl ekspermen dengan menggunakan 23 fle ctra bers 149 wajah, sstem pendeteks wajah n memberkan hasl detecton rate 71,14% dan false postve 62. Kata kunc: deteks wajah, jarngan syaraf truan, quckprop, actve learnng 1. Pendahuluan Dengan semakn tnggnya kemampuan komputer untuk memproses data dalam jumlah besar dengan kecepatan yang tngg, sstem bometrk semakn banyak daplkaskan dalam kehdupan manusa. Sstem bometrk adalah sstem untuk melakukan dentfkas dengan cara menggunakan cr-cr fsk atau anggota badan manusa, sepert sdk jar, retna mata, suara. Teknolog bometrk n memlk beberapa kelebhan sepert tdak mudah hlang, tdak dapat lupa, tdak mudah dpalsukan, dan memlk keunkan yang berbeda antara manusa satu dengan yang lan. Salah satu cara yang dgunakan dalam sstem bometrk adalah pengenalan wajah. Sstem pengenalan wajah bertujuan untuk mengdentfkas wajah seseorang dengan cara membandngkan wajah tersebut dengan database wajah yang sudah ada. Dalam sstem pengenalan wajah, pendeteksan poss wajah merupakan salah satu tahap yang pentng karena d duna nyata wajah dapat muncul d dalam ctra dengan berbaga ukuran dan poss, dan dengan latar belakang yang bervaras [Hjelmas, 2001]. Dalam makalah n kam merancang dan mengmplementaskan sstem pendeteks wajah manusa yang dapat memberkan output berupa jumlah, poss, dan ukuran wajah manusa yang dtemukan d dalam suatu ctra dgtal. 2. Jarngan Syaraf Truan Jarngan syaraf truan adalah suatu sstem pemrosesan nformas yang cara kerjanya memlk kesamaan tertentu dengan jarngan syaraf bologs [Fausett, 1994]. Jarngan syaraf truan dkembangkan sebaga model matemats dar syaraf bologs dengan berdasarkan asums bahwa: a. Pemrosesan terjad pada elemen-elemen sederhana yang dsebut neuron. b. Snyal dlewatkan antar neuron melalu penghubung. c. Setap penghubung memlk bobot yang akan mengalkan snyal yang lewat. d. Setap neuron memlk fungs aktvas yang akan menentukan nla snyal output. Jarngan syaraf dapat dgolongkan menjad berbaga jens berdasarkan pada arstekturnya, yatu pola hubungan antara neuron-neuron, dan algortma tranngnya, yatu cara penentuan nla bobot pada penghubung. 2.1 Mult-Layer Perceptron Mult-Layer Perceptron adalah jarngan syaraf truan feed-forward yang terdr dar sejumlah neuron yang dhubungkan oleh bobot-bobot penghubung. Neuron-neuron tersebut dsusun dalam lapsan-lapsan yang terdr dar satu lapsan nput (nput layer), satu atau lebh lapsan tersembuny (hdden layer), dan satu lapsan output (output layer). Lapsan nput menerma snyal dar luar, kemudan melewatkannya ke lapsan tersembuny pertama, yang akan dteruskan sehngga akhrnya mencapa lapsan output [Redmller, 1994]. Setap neuron d dalam jarngan adalah sebuah unt pemrosesan sederhana yang menghtung nla aktvasnya yatu s terhadap nput ekstas yang juga dsebut net nput net. net = s w θ (1) j j pred () j d mana pred() melambangkan hmpunan predesesor dar unt, w j melambangkan bobot koneks dar unt j ke unt, dan θ adalah nla bas dar unt. Untuk membuat representas menjad lebh mudah, serngkal bas dgantkan dengan suatu bobot yang terhubung dengan unt bernla 1. Dengan demkan bas dapat dperlakukan secara sama dengan bobot koneks. F-1
2 Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: Yogyakarta, 18 Jun Supervsed Learnng Tujuan pada pembelajaran supervsed learnng adalah untuk menentukan nla bobot-bobot koneks d dalam jarngan sehngga jarngan dapat melakukan pemetaan (mappng) dar nput ke output sesua dengan yang dngnkan. Pemetaan n dtentukan melalu satu set pola contoh atau data pelathan (tranng data set). Setap pasangan pola p terdr dar vektor nput x p dan vektor target t p. Setelah selesa pelathan, jka dberkan masukan x p seharusnya jarngan menghaslkan nla output t p. Besarnya perbedaan antara nla vektor target dengan output aktual dukur dengan nla error yang dsebut juga dengan cost functon: 1 p p 2 E = ( t n sn ) (2) 2 p P n d mana n adalah banyaknya unt pada output layer. Tujuan dar tranng n pada dasarnya sama dengan mencar suatu nla mnmum global dar E. 2.3 Algortma Backpropagaton Salah satu algortma pelathan jarngan syaraf truan yang banyak dmanfaatkan dalam bdang pengenalan pola adalah backpropagaton. Algortma n umumnya dgunakan pada jarngan syaraf truan yang berjens mult-layer feed-forward, yang tersusun dar beberapa lapsan dan snyal dalrkan secara searah dar nput menuju output. Algortma pelathan backpropagaton pada dasarnya terdr dar tga tahapan [Fausett, 1994], yatu: a. Input nla data pelathan sehngga dperoleh nla output b. Propagas balk dar nla error yang dperoleh c. Penyesuaan bobot koneks untuk memnmalkan nla error. Ketga tahapan tersebut dulang terusmenerus sampa mendapatkan nla error yang dngnkan. Setelah tranng selesa dlakukan, hanya tahap pertama yang dperlukan untuk memanfaatkan jarngan syaraf truan tersebut. Secara matemats [Rumelhart, 1986], de dasar dar algortma backpropagaton n sesungguhnya adalah penerapan dar aturan ranta (chan rule) untuk menghtung pengaruh masngmasng bobot terhadap fungs error: s = (3) s dan s j j s = net j net = j f log ( net ) s j (4) dmana w j adalah bobot penghubung dar neuron j ke neuron, s adalah output, dan net adalah jumlah haslkal pada nput dar neuron. 2.4 Algortma Quckprop Pada algortma Quckprop dlakukan pendekatan dengan asums bahwa kurva fungs error terhadap masng-masng bobot penghubung berbentuk parabola yang terbuka ke atas, dan graden dar kurva error untuk suatu bobot tdak terpengaruh oleh bobot-bobot yang lan [Fahlman, 1988]. Dengan demkan perhtungan perubahan bobot hanya menggunakan nformas lokal pada masng-masng bobot. Perubahan bobot pada algortma Quckprop drumuskan sebaga berkut: ( t) ( ) = ( ) + (5) w t ε t * w( t 1) ( t 1) ( t) d mana: w(t) : perubahan bobot w ( t 1) : perubahan bobot pada epoch sebelumnya ε : adalah learnng rate (t) : dervatf error ( t 1) : dervatf error pada epoch sebelumnya Pada ekspermen dengan masalah XOR dan encoder/decoder [Fahlman, 1988], terbukt bahwa algortma Quckprop dapat menngkatkan kecepatan tranng. Ekspermen dar [Schffmann, 1993] juga menunjukkan penngkatan kecepatan tranng dan unjuk kerja yang sgnfkan. 3. Cara Peneltan Dalam peneltan n kam menggunakan data yang terdr dar satu set ctra untuk pelathan (tranng data set) dan satu set ctra untuk pengujan (testng data set). Untuk data pelathan dgunakan ctra wajah berukuran 20x20 pxel sebanyak 3000 buah. Sedangkan untuk ctra non-wajah dperoleh dar fle-fle ctra yang tdak terdapat wajah manusa d dalamnya. Sstem n menggunakan jarngan syaraf truan (JST) dengan jens mult-layer perceptron. Arstektur yang dgunakan dadaptas dar hasl peneltan [Rowley, 1998], namun lebh dsederhanakan. Lapsan nput terdr dar 400 unt nput, yang menerma masukan dar nla grayscale pxel 20x20 dar subctra yang akan ddeteks. Sebelum djadkan nput untuk JST, nla grayscale yang berksar dar 0 sampa 255 dnormalsas menjad antara 1 dan 1. F-2
3 Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: Yogyakarta, 18 Jun 2005 Lapsan output terdr dar sebuah unt dengan nla keluaran berksar antara 1 dan 1. Pada tranng data set ddefnskan nla 1 untuk data wajah dan 1 untuk data non-wajah. Lapsan tersembuny (hdden layer) terdr dar total 25+16=41 unt. Bagan pertama terhubung dengan lapsan nput yang membentuk 25 area berukuran 4x4 pxel. Bagan kedua terhubung dengan lapsan nput yang membentuk 16 area berukuran 5x5 pxel. Secara keseluruhan jarngan n memlk 883 bobot penghubung, sudah termasuk bas. Jarngan n lebh sederhana dbandngkan dengan sstem [Rowley, 1998] yang jumlah bobot penghubungnya mencapa Teknk Actve Learnng Tranng dlakukan secara bertahap dengan menggunakan metode actve learnng [Sung, 1994]. Pada tahap pertama tranng dmula dengan menggunakan sedkt data non-wajah. Pada tahap berkutnya, data tranng non-wajah dtambah sedkt dem sedkt. Namun data tambahan tersebut dseleks hanya untuk data tertentu saja, yatu data yang yang ddeteks sebaga wajah (false postve) pada hasl tranng tahap sebelumnya. Dengan demkan jumlah data tranng yang dgunakan untuk jarngan syaraf truan akan lebh sedkt. Karena data tranng yang dgunakan lebh sedkt, waktu yang dperlukan untuk proses tranng juga akan lebh sngkat. Gambar 1 menunjukkan teknk actve learnng yang dgunakan untuk sstem pendeteks wajah. 3.2 Detektor Wajah Bagan detektor wajah menggunakan arstektur jarngan syaraf yang sama dengan yang dgunakan untuk tranng. Bobot penghubung yang dgunakan dambl dar bobot terakhr yang dhaslkan pada proses tranng. Hasl deteks akan dputuskan sebaga wajah jka output dar JST lebh dar 0, dan dputuskan sebaga non-wajah jka output JST kurang dar atau sama dengan 0. Koleks Contoh Data Non-Wajah Plh random False Postve Hasl Deteks Gambar 1. Teknk Actve Learnng untuk Sstem Pendeteks Wajah 3.3 Ekstraks Subctra Poss wajah bsa berada d mana saja pada ctra yang akan ddeteks. Untuk tu dgunakan wndow berukuran 20x20 pxel yang akan dgeser melalu seluruh daerah ctra. Daerah ctra yang dlewat oleh wndow tersebut akan dperksa satu persatu apakah ada wajah atau tdak d area tersebut. Untuk mengantspas ukuran wajah yang bervaras d dalam ctra yang ddeteks, ctra dperkecl secara bertahap dengan skala perbandngan 1:1,2 sebagamana dlakukan pada [Rowley, 1998]. Pada setap ukuran ctra yang dperkecl, wndow 20x20 pxel akan dgeser melalu seluruh area ctra. 3.4 Preprocessng Koleks Contoh Data Wajah Data Tranng Tranng JST Bobot JST Hasl Tranng Deteks Wajah Sebelum dgunakan sebaga tranng data set, ctra akan melalu tahap-tahap preprocessng berkut: Hstogram Equalzaton, untuk memperbak kontras ctra. Maskng, yatu menghlangkan bagan sudutsudut ctra untuk mengurang varas ctra sehngga memperkecl dmens data. Normalsas, yatu mengkonvers nla ntenstas grayscale ctra sehngga memlk range antara 1 sampa dengan 1. Tahap-tahap preprocessng n juga dgunakan pada saat proses pendeteksan wajah. F-3
4 Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: Yogyakarta, 18 Jun 2005 data set yang dgunakan untuk tranng tdak sama jumlah data yang dgunakan untuk tranng tdak sama Gambar 2. Contoh data wajah yang telah mengalam preprocessng 3.5 Mergng Pada saat dlakukan deteks wajah pada ctra, basanya sebuah wajah akan terdeteks pada beberapa lokas yang berdekatan. Lokas-lokas n dsebut dengan kanddat wajah. Untuk tu perlu dlakukan proses penggabungan (mergng), yatu menyatukan lokas kanddat-kanddat wajah yang berdekatan. Gambar 3. Hasl deteks sebelum dan sesudah proses penggabungan (mergng) 4. Hasl dan Pembahasan Unjuk kerja dar detektor wajah pada umumnya dukur dengan menggunakan dua parameter, yatu detecton rate dan false postve rate [Yang, 2002]. Detecton rate adalah perbandngan antara jumlah wajah yang berhasl ddeteks dengan jumlah seluruh wajah yang ada. Sedangkan false postve rate adalah banyaknya subctra non-wajah yang ddeteks sebaga wajah. Contoh hasl deteks yang dlakukan pada beberapa ctra pengujan dtunjukkan pada gambar 4. Pengujan dlakukan dengan data uj ctra yang berasal dar Massachusetts Insttute of Technology (MIT) yang terdr dar 23 fle ctra yang secara keseluruhan bers 149 wajah (data uj MIT-23). Kumpulan ctra n pertama kal dpublkaskan pada [Sung, 1994]. Pada data uj n dperoleh hasl detecton rate sebesar 71,14% dan false postves sebanyak 62. Hasl n dperoleh dar tranng yang menggunakan 3000 data wajah dan 5200 data nonwajah yang dperoleh melalu metode actve learnng. Tabel 1 menunjukkan hasl deteks yang pernah dlakukan oleh para penelt lan dengan menggunakan data uj MIT-23. Perbandngan n tdak bsa djadkan patokan mutlak untuk menympulkan bahwa satu metode lebh bak dar metode yang lan, karena faktor-faktor berkut [Hjelmas, 2001]: Gambar 4. Contoh hasl deteks wajah pada beberapa ctra uj yang juga dgunakan pada [Sung, 1994] Tabel 1. Beberapa hasl deteks wajah pada data uj MIT-23 Metode Detecton False Rate Postve Support vector machnes (SVM) (Osuna, 1997) 74,2% 20 Dstrbuton-based dan clusterng (Sung, Poggo, 79,9% ) Neural Networks (Rowley, 1998) 84,5% 8 Kullback relatve nformaton (Lew, Hujsmans, 1996) 94,1% Pengaruh Jumlah Data Tranng Tabel 2 menunjukkan pengaruh jumlah data tranng yang dgunakan terhadap hasl deteks. Tabel n berdasarkan hasl deteks pada suatu ctra bers 15 wajah dan memlk total wndow. Terlhat bahwa semakn banyak data tranng nonwajah yang dgunakan, semakn kecl angka false F-4
5 Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: Yogyakarta, 18 Jun 2005 postve yang dhaslkan. Hal n menunjukkan bahwa dengan data yang semakn lengkap, hasl belajar sstem akan semakn bak. Tabel 2. Pengaruh Jumlah Data Tranng pada Unjuk Kerja Deteks Wajah Jumlah data tranng Detecton Rate False Postve wajah nonwajah total / / / / / / / / / / / / / / / / Pengaruh Algortma Quckprop pada Kecepatan Tranng Tabel 3 menunjukkan perbandngan waktu tranng yang dperlukan antara tranng yang menggunakan algortma backpropagaton standar dengan tranng yang menggunakan algortma Quckprop. Ekspermen dlakukan dengan menggunakan 2000, 3000, dan 4000 data. Untuk setap proses tranng, teras dhentkan pada saat nla error mencapa 0,05. Terlhat bahwa untuk jumlah data tranng yang semakn besar, algortma Quckprop memberkan penngkatan kecepatan yang sgnfkan. Tabel 3. Pengaruh Algortma Quckprop pada Kecepatan Tranng Jumlah Waktu tranng (detk) data Error Backprop tranng standar Quckprop , , , Pengaruh Metode Actve Learnng Tabel 4 menunjukkan perbandngan antara hasl tranng yang menggunakan metode actve learnng untuk memlh contoh data non-wajah, dengan hasl tranng yang menggunakan data nonwajah yang dplh secara random. Pada ekspermen pertama dgunakan 6000 data yang terdr dar 3000 data wajah dan 3000 data non-wajah. Sedangkan pada ekspermen kedua dgunakan 8200 data yang terdr dar 3000 data wajah dan 5200 data nonwajah. Terlhat bahwa teknk actve learnng memberkan hasl yang lebh bak. In berart bahwa teknk actve learnng dapat memlh data yang benar-benar perlu, sehngga dapat memnmalkan jumlah data tranng yang dgunakan. Tabel 4. Hasl Perbandngan Knerja antara Metode Actve Learnng dengan Random Data 5. Kesmpulan Dar peneltan n dapat dambl kesmpulan bahwa jarngan syaraf truan dengan jens mult layer perceptron dapat dgunakan untuk melakukan deteks wajah pada ctra dgtal. Pada sstem pendeteks wajah yang berbass contoh, knerja hasl deteks yang ddapatkan sangat tergantung dar kualtas dan kuanttas dar data contoh yang dberkan. Untuk tranng dengan jumlah data yang besar, algortma Quckprop memberkan penngkatan kecepatan tranng yang sgnfkan. Metode actve learnng dapat dgunakan untuk memlh data contoh yang lebh tepat, sehngga memnmalkan jumlah data tranng yang dgunakan. Daftar Pustaka Random Data Jumlah Data Tranng Detecton Rate False Postve Actve Learnng Detecton Rate False Postve ,42% ,14% ,76% ,14% 62 [1] S.E. Fahlman, An Emprcal Study of Learnng Speed n Back-Propagaton Networks, Techncal Report CMU-CS , Carnege Mellon Unversty, USA, [2] L. Fausett, Fundamentals of Neural Networks: Archtectures, Algorthms, and Applcatons, Prentce-Hall Inc., USA, [3] E. Hjelmas, B.K. Low, Face Detecton: A Survey, Computer Vson and Image Understandng. 83, pp , [4] H. Rowley, S. Baluja, T. Kanade, Neural Network-Based Face Detecton, IEEE Trans. Pattern Analyss and Machne Intellgence, vol. 20, no. 1, [5] D.E. Rumelhart, G.E. Hnton, R.J. Wllams, Learnng Internal Representatons by Error Propagaton, Parallel Dstrbuted Processng, chapter 8, MIT Press, Cambrdge, MA, [6] W. Schffmann, M. Joost, R. Werner, Comparson of Optmzed Backpropagaton Algorthms, Proc. of the European Symposum on Artfcal Neural Networks (ESANN) 93, Brussels, F-5
6 Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: Yogyakarta, 18 Jun 2005 [7] K.K. Sung, Learnng and Example Selecton for Object and Pattern Detecton, AITR 1572, Massachusetts Insttute of Technology AI Lab, [8] K.K. Sung, T. Poggo, Example-Based Learnng for Vew-Based Human Face Detecton, Techncal Report AI Memo 1521, Massachusetts Insttute of Technology AI Lab, [9] M.H. Yang, D. Kregman, N. Ahuja, Detectng Faces n Images: A Survey, IEEE Trans. Pattern Analyss and Machne Intellgence, vol. 24, no. 1, F-6
SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL
1 SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (Human Face Detection System on Digital Images) Setyo Nugroho 1, Agus Harjoko 2 Program Studi Ilmu Komputer Program Pascasarjana Universitas Gadjah
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 VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih 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 terperinciRANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN
RANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN Erfant Fatkhyah Jurusan Teknk Informatka, Fakultas Teknolog Industr, Insttut Sans & Teknolog AKPRIND Yogyakarta Emal: erfunthye@yahoocod
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. 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 terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)
Lebih 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 terperinciPENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD
Semnar Nasonal Sstem dan Informatka 2007; Bal, 6 November 2007 PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD Nur Hasanah ) Istkhomah 2) Taufq Hdayat 3) Sr Kusumadew 4) Jurusan
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciKrisantus Sembiring. Selasa, 11 September /1/2008 1
Penerapan Teknk Support Vector Machne untuk Pendeteksan Intrus pada Jarngan Sdang IF40Z2-Tugas Akhr II Krsantus Sembrng 13503121 Selasa, 11 September 2007 2/1/2008 1 Latar Belakang Pentngnya pendeteksan
Lebih terperinciIDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY
Anfudn Azz dan Tanzl Kurnawan, Identfkas Pola Jar IDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY (Frnger Prnt Pattern Identfcaton by Bdrectonal Assocatve Memory
Lebih 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 terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: madha@stkom.edu 2) S1
Lebih 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 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 terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
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 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 terperinciPengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Prnt) 1 Pengenalan Karakter Tulsan Tangan Angka dan Operator Matematka Berdasarkan Zernke Moments Menggunakan Support Vector Machne
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 terperinciMETODE PENELITIAN. dalam penelitian ini adalah siswa kelas XI IPA 2 Tahun Pelajaran
III. METODE PENELITIAN A. Settng Peneltan Peneltan n menggunakan data kuanttatf dengan jens Peneltan Tndakan Kelas (PTK). Peneltan n dlaksanakan d SMAN 1 Bandar Lampung yang beralamat d jalan Jend. Sudrman
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
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 terperinciHybrid intelligent system adalah kombinasi lebih dari dua teknologi cerdas.
Teny Handhayan Pendahuluan Hybrd ntellgent system adalah kombnas lebh dar dua teknolog cerdas. Contohnya kombnas Neural Network dengan Fuzzy membentuk Neuro-fuzzy system Perbandngan Expert Systems, Fuzzy
Lebih terperinciBab III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
Lebih terperinciPENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN
PENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN Oleh : And Prasojo (L2F098584) Jurusan Teknk Elektro Fakultas Teknk Unverstas Dponegoro Jl. Prof. H. Sudarto, S.H., Tembalang, Semarang e-mal
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 terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE M. Fachrurroz, M.T. 1, Nov Yuslan, M.T. 2 1,2 Jurusan Teknk Informatka Fakultas Ilmu Komputer, Unverstas Srwjaya 1 obetsobets@gmal.com,
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 terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
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 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 terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
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 terperinciMetode Ekstraksi Data Untuk Pengenalan Huruf Dan Angka Tulisan Tangan Dengan Menggunakan Jaringan Syaraf Buatan Propagasi Balik
Porceedng of Semanr on Intellgent Technology and Its Applcatons (SITIA 2002) Insttut Teknolog Sepuluh Nopember, Surabaya, May 7 th, 2002 Metode Ekstraks Data Untuk Pengenalan Huruf Dan Angka Tulsan Tangan
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
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 terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
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 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 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 terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
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 I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciPengenalan Tanda Tangan Dengan Metode Principal Component Analysis (PCA) Dan Jaringan Syaraf Tiruan (JST)
1 Pengenalan Tanda Tangan Dengan Metode Prncpal Component Analyss (PCA) Dan Jarngan Syaraf Truan (JST) Hann Prastka 1, Rahmat Suhatman 2, Warna Nengsh 3 Program Stud Teknk Informatka dan Multmeda, Polteknk
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 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 terperinciSistem Pengenalan Wicara Otomatis Menggunakan Discrete Wavelet Neural Network (DWNN)
Sstem Wcara Otomats Menggunakan Dscrete Wavelet Neural Network (DWNN) Yunus Wcaksono S 1, Djoko Purwanto 2, Agus Sgt Pramono 3 1,2 Program Stud Teknk Elektro Insttut Teknolog Sepuluh Nopember Surabaya
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
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 terperinciKonferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 DAFTAR REVIEWER
Konferens Nasonal Sstem & Informatka 2015 STMIK STIKOM Bal, 9 10 Oktober 2015 DAFTAR REVIEWER Dr. Agus Harjoko Prof. Dr. Sr Hartat Dr.-Ing. Reza Pulungan Dr. Djoko Soetarno, DEA Dr. Ir. Rla Mandala, M.Eng
Lebih terperinciGambar 3.1 Diagram alir penelitian
BAB 3 METODE PENELITIAN 3.1 Dagram Alr Peneltan Materal Amorph Magnetk (Fe 73 Al 5 Ga 2 P 8 C 5 B 4 S 3 ) Ekspermen DfraksNeutron (I vs 2theta) Smulas Insalsas atom secara random Fungs struktur, F(Q) Perhtungan
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 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 terperinciPengenalan Pola Senyum Menggunakan Backpropagation Berbasis Ekstraksi Fitur Principal Component Analysis (PCA)
Pengenalan Pola Senyum Menggunakan Backpropagaton Berbass Ekstraks Ftur Prncpal Component Analyss (PCA) Rma Tr Wahyunngrum 1, Rza Mashta Wat 2, Aer Rachmad 3 Program Stud Teknk Informatka, Unverstas Trunojoyo
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 II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
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 terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Kamus Buku acuan yang memuat kata dan ungkapan, basanya dsusun menurut abjad berkut keterangan tentang makna, pemakaan, atau terjemahannya, kamus juga dsebut buku yang memuat
Lebih terperinciPENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY
PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY I Made Wdartha Program Stud Teknk Informatka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana emal : madewdartha@cs.unud.ac.d
Lebih terperinciPERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES
Semnar Nasonal Aplkas Teknolog Informas 007 (SNATI 007) ISSN: 1907-50 Yogyakarta, 16 Jun 007 PERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES Arna Farza, Afrda Helen, Annsa Rasyd Polteknk Elektronka
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 terperinciε 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 terperinciAplikasi Pengenalan Ucapan Dengan Jaringan Syaraf Tiruan Propagasi Balik Untuk Pengendalian Robot Bergerak
Aplkas Pengenalan Ucapan Dengan Jarngan Syaraf Truan Propagas Balk Untuk Pengendalan Robot Bergerak Mahmud Irfandy (LF 4 49) Jurusan Teknk Elektro, Fakultas Teknk, Unverstas Dponegoro, Semarang, Indonesa
Lebih terperinciIII PEMODELAN MATEMATIS SISTEM FISIK
34 III PEMODELN MTEMTIS SISTEM FISIK Deskrps : Bab n memberkan gambaran tentang pemodelan matemats, fungs alh, dagram blok, grafk alran snyal yang berguna dalam pemodelan sstem kendal. Objektf : Memaham
Lebih terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
Lebih terperinciISSN: Kata kunci: pengenalan tulisan tangan, ekstraksi ciri, jaringan saraf tiruan.
ISSN: 1693-6930 17 PENGARUH KOMPLEKSITAS EKSTRAKSI CIRI PADA SISTEM PENGENALAN TULISAN TANGAN DINAMIS (Influence of Feature Etracton Complet n Onlne Handwrtng Recognto Abdul Fadll Program Stud Teknk Elektro,
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 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 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 terperinciJaringan Syaraf Tiruan (Artificial Neural Networks)
Jarngan Syaraf Truan (Artfcal Neural Networks) BAB I PENDAHULUAN. Searah JST JST : merupakan cabang dar Kecerdasan Buatan (Artfcal Intellgence ) JST : menru cara kera otak mahluk hdup yatu sel syaraf (neuron)
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
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 terperinciHistogram 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 terperinciPengenalan Wajah Menggunakan Pseudo-2D Hidden Markov Model
Pengenalan Wajah Menggunakan Pseudo-2D Hdden Markov Model Anak Agung Gde Agung 1, Fazmah Arf Yulanto 2, Warh Maharan 3 1 Program Stud Komputersas Akuntans Polteknk Telkom, Bandung 2,3 Fakultas Teknk Informatka,
Lebih terperinciSistem Kriptografi Stream Cipher Berbasis Fungsi Chaos Circle Map Dengan Pertukaran Kunci Diffie-Hellman
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Sstem Krptograf Stream Cpher Berbass Fungs Chaos Crcle Map Dengan Pertukaran Kunc Dffe-Hellman A-6 Muh. Fajryanto 1,a), Aula Kahf 2,b), Vga Aprlana
Lebih terperinciBAB 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 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 terperinciBAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas
BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan
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 II TINJAUAN PUSTAKA. George Boole dalam An Investigation of the Laws of Thought pada tahun
BAB II TINJAUAN PUSTAKA 2.1 Aljabar Boolean Barnett (2011) menyatakan bahwa Aljabar Boolean dpublkaskan oleh George Boole dalam An Investgaton of the Laws of Thought pada tahun 1954. Dalam karya n, Boole
Lebih terperinciPERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT
BIAStatstcs (05) Vol. 9, No., hal. -7 PERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT Faula Arna Jurusan Teknk Industr, Unverstas Sultan Ageng Trtayasa Banten Emal : faulaarna@yahoo.com
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
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 terperinciHUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT
HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT ABSTRAK STEVANY HANALYNA DETHAN Fakultas Ekonom Unv. Mahasaraswat Mataram e-mal : stevany.hanalyna.dethan@gmal.com
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 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 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 terperinci