Perbandingan Klasifikasi Tingkat Keganasan Breast Cancer Dengan Menggunakan Regresi Logistik Ordinal Dan Support Vector Machine (SVM)
|
|
- Hengki Darmali
- 7 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL SAINS DAN SENI IS Vo., No., (Sept. 0) ISSN: 30-98X D-30 Perbandngan Kasfas ngat Keganasan Breast Cancer Dengan Menggunaan Regres Logst Ordna Dan Support Vector Machne (SVM) Farz rachman dan Sant Wuan Purnam Statsta, Fautas Matemata dan Imu Pengetahuan Aam, Insttut enoog Sepuuh Nopember J. Aref Rahman Ham, Surabaa 60 E-ma: Abstra Breast Cancer merupaan ens aner ang sangat berbahaa d duna. Setap tahun pendudu d duna menngga abat breast cancer. Indonesa merupaan saah satu negara berembang dengan penderta breast cancer ang bana. Ha n dbutan dengan data Sstem Informas Rumah Sat (SIRS) 007 ang menunuan breast cancer menempat urutan pertama pada pasen rawat nap d rumah sat seuruh Indonesa (6.85%). nggna asus penat n d Indonesa mengharusan penderta breast cancer untu meauan pemersaan tngat eganasan breast cancer dengan memperhatan ens stadum breast cancer. Pada penetan n dauan anass tngat eganasan breast cancer dengan menggunaan regres ogst ordna dan support vector machne (SVM). Berdasaran has penetan dengan metode regres ogst ordna, menunuan varabe ang berpengaruh terhadap tngat eganasan breast cancer adaah uuran tumor dan nodus dengan etepatan asfas tertngg 56.60%. Sedangan etepatan asfas dengan menggunaan SVM etepatan asfas tertngg dengan menggunaan erne RBF dan ponoma mencapa 98.%. Kata Kunc Breast Cancer, Regres Logst Ordna, Support Vector Machne, Kasfas. B I. PENDAHULUAN reast cancer merupaan ens aner ang sangat berbahaa dduna, ba d negara mau atau negara berembang. Setap tahun uta orang d seuruh duna menderta aner dan 7,6 uta d antarana menngga duna, dar umah tersebut dsebaban oeh breast cancer []. Ha n menunuan bahwa breast cancer adaah saah satu aner ganas d duna. Saat n 6 % dar semua ens aner pada wanta dduna adaah breast cancer. Berdasaran data WHO, 69 % dar ematan breast cancer dduna terad d negara berembang []. Indonesa merupaan saah satu negara berembang dengan penderta breast cancer ang bana. Berdasaran data Sstem Informas Rumah Sat (SIRS) tahun 007, breast cancer menempat urutan pertama pada pasen rawat nap d seuruh RS d Indonesa (6,85%). Breast cancer merupaan aner tertngg ang dderta perempuan Indonesa atu 6 per perempuan []. Ha n menunuan bahwa breast cancer adaah penat ang sangat berbahaa d Indonesa. Berdasaran fata tersebut dbutuhan suatu angah strategs untu detes dn breast cancer d Indonesa. Breast cancer merupaan penat ang sangat ganas dan detahu secara past penebabna. nggna asus breast cancer Indonesa mengharusan penderta breast cancer untu meauan pemersaan ntensf terat dentfas penatna. Untu wanta ang postf terangt breast cancer, dan sudah meauan tahap pengobatan, maa detes eganasan breast cancer secara beraa sangat pentng. Saah satu cara untu mendetes tngat eganasan breast cancer adaah dengan prognoss. Prognoss adaah "tebaan terba" tm meds daam menentuan sembuh atau tdana pasen dar penat breast cancer. Prognoss mem manfaat membantu memh terap ang tepat, memungnan omparas berbaga terap d antara seumah pasen dengan reso eambuhan atau morbdtas ang serupa dan menngatan pengetahuan tentang breast cancer guna mengembangan strateg-strateg baru untu penangananna [3]. Secara umum tngat eganasan breast cancer duur dengan memperhatan stadum penderta breast cancer atu stadum I, II, III, dan IV. Berdasaran uraan tersebut saah satu metode ang bsa dgunaan untu detes tngat eganasan breast cancer adaah SVM (Support Vetor Machne), metode n merupaan metode statst ang bsa dgunaan untu menetuan dentfas breast cancer seteah dauan treatment, dengan memperhatan fator-fator dentfas. Penetan sebeumnna oeh Magoganns dan Zafropoous (007) meauan dagnoss dan prognoss breast cancer dengan menggunaan SVM [4]. Has penetan tersebut menunuan bahwa etepatan asfas menggunaan SVM mencapa 97%. Sedangan pada penetan an oeh Chen, Yang, dan Le (0) ang meauan dagnoss breast cancer menunuan bahwa etepatan asfas mencapa 99.% [5]. Sedangan pada penetan an tentang dagnoss breast cancer dengan menggunaan SSVM mem tngat auras 97.% [6]. Berdasaran atar beaang d atas maa penetan n aan menganass tngat eganasan breast cancer dengan menggunaan metode regres ogst ordna dan Support Vetor Machne (SVM). II. LANDASAN EORI A. Mode Regres Logst Ordna Secara umum regres ogst ordna merupaan saah satu metode statsta untu menganass varabe respon ang mempuna saa data ordna ang mem 3 ategor atau ebh. Pada regres ogst ordna mode berupa umuatf ogt mode. Sedangan untu varabe predtor ang dgunaan berupa data ategor dan atau uanttatf. Sfat
2 JURNAL SAINS DAN SENI IS Vo., No., (Sept. 0) ISSN: 30-98X D-3 ordna dar respon Y pada mode ogt n dtuangan daam peuang umuatf sehngga umuatf ogt mode merupaan mode ang ddapat dengan membandngan peuang umuatf atu peuang urang dar atau sama dengan ategor respon e- pada p varabe predtor ang dnataan daam vetor adaah P( Y ), dengan peuang ebh besar ategor respon e- atu P( Y ) [3]. Sedangan untu na varabe X= [,,..., ] dan parameter β [,,..., p ] dan umuatf e- sebaga berut: ( c ) P( Y ) = r () Seteah dauan transformas ogst menad mode regres ogst (ogt) ordna atau ogt umuatf: p Logt[ P( Y )] o () Dengan na untu =,, p pada setap mode regres ogst ordna adaah sama. Seanutna dauan penasran parameter. Bentu umum dar fungs ehood untu sampe dengan n ndependen observas (, ) adaah n (3) 0 ( β) ( ) ( ) ( 0 ) Dengan na =,, n Persamaan 3 n dengan mengggunaan teras Newton Rhapshon, aan ddapatan tasran parameter. Untu penguan parameter dauan dua a atu u serenta dan u parsa. U serenta dgunaan untu memersa emanaan oefsen secara eseuruhan sebaga berut: H 0 :... p 0 H : pang sedt ada satu 0 dengan =,,..p Statst uang dgunaan adaah statst u G atau ehood rato n n n0 n n n0 n n n n G (4) n ( ˆ ) ( ) Daerah penoaan H 0 adaah a > (, v) dengan db=v. Pada penguan n menebar mengut dstrbus Ch square dengan deraat bebas p [3]. U parsa dauan untu mengu sgnfans parameter terhadap varabe respon. Penguan sgnfans parameter menggunaan u Wad [6] dengan menggunaan hpotess sebaga berut: H 0 : 0 H : 0. Dengan =,,..p Perhtungan u Wad adaah sebaga berut ˆ (5) W SE( ˆ ) Untu daerah penoaan H 0 adaah a W Z / p Seteah dauan u serenta dan parsa, maa dauan u esesuaan mode denan menggunaan u devans. U hpotess ang dgunaan sebaga berut: H 0 : ˆ atau Mode sesua (tda ada perbedaan ang nata antara has observas dengan emungnan has preds mode) H : ˆ atau Mode tda sesua (ada perbedaan ang nata antara has observas dengan emungnan has preds mode). Statst u datas adaah: n ˆ ˆ D n ( )n (6) Dengan ˆ = ˆ ( ) merupaan peuang observas e- pada ategor e-. Deraat bebas u n adaah (J-(p+) ) dmana J merupaan umah ovarat dan p merupaan umah varabe predctor. Interpretas regres ogst ordna dapat deasan dengan odd rato. Na odd rato atu na ang menunuan perbandngan tngat ecenderungan dar dua ategor daam satu varabe predtor dengan saah satu ategorna dadan pembandng atau ategor dasar. B. Support Vector Machne Support Vetor Machne (SVM) meauan suatu ten untu menemuan fungs pemsah ang bsa memsahan dua set data dar dua eas ang berbeda [7]. Metode n merupaan metode earnng machne ang beera atas prnsp Sructura Rs Mnmazaton (SRM) dengan tuuan menemuan hperpane terba ang memsahan dua buah eas pada nput space [8]. Pada dasarna SVM beera dengan prnsp ner casfer, emudan dembangan untu dapat beera pada asus non near dengan menggunaan onsep erne pada ruang era berdmes tngg [8]. Pada asfas near SVM dbag menad ens atu separabe dan nonseparabe. Msaan X mem poa tertentu, atu apaba termasu edaam eas maa dber abe (target) =+ dan = -. Untu tu, abe masng-masng dnotasan {-,+}, =,,... Sehngga data berupa pasangan (, ), (, ),..,(, ). Kumpuan data pasangan n merupaan data bag SVM. Support Vector Machne (SVM) bsa menentuan poa generasas dar X. Pada dasarna SVM merupaan metode untu meauan asfas hmpunan vetor tranng dar dua eas (, ), (, ),..,(, ), dengan R n, {-,}. Pada pemsahan hperpane dengan bentu canonca harus memenuh constrant atau bsa dsebut fungs endaa w b,,..., (7) Hperpane ang memsahan data harus memnmaan φ w w (8) Untu optmas pada persamaan 8, fungs agrange ang dgunaan adaah : Lw, b, w w b (9)
3 JURNAL SAINS DAN SENI IS Vo., No., (Sept. 0) ISSN: 30-98X D-3 Pada persamaan tersebut, na adaah pengganda fungs agrange. Sous dar fungs Lagrange n dapat dperoeh dengan memnmaan L terhadap prma varabes dan memasmaan L terhadap (dua varabes) dan peneesaan dar persamaan sebaga berut: ˆ arg mn. (0), Sehngga persamaan asfas menggunaan persamaan : f sgnw bˆ () Untu mengatas mscassfcaton, formuas ang teah dauan sebeumnna, aan dperuas sehngga dapat dgunaan data non-separabe. Masaah optmas sebeumnna ba pada fungs obetf maupun endaa dmodfas dengan mengut sac varabe ξ>0 ang merupan sebuah uuran esaahan asfas. Berut n merupaan constrant ang sudah dmodfas untu asus non separabe: () w b,,,..., Hperpane atau pemsah ang optma dtentuan dengan vetor w, atu dengan memnmuman fungs: w, w C (3) Dmana C adaah parameter reguas ang dgunaan untu mengontro hubungan antara varabe sac dengan w. Bentu dua dar masaah agrange menad: maw ma(. ) (4), Dengan endaa 0 C,,,... (5) 0 Dan sous dar masaah n: w ˆ dan bˆ w r SVM uga beera pada data non near. Pada dasarna asfas data non near mem optmas persamaan: argmn K, (7), Na K(,) merupaan fungs erne ang menunuan pemetaan non near pada feature space. Persamaan n memberan hard cassfer pada pemsahan hperpane d feature space, dengan persamaan: f sgn bˆ, K (8) SVs Dengan na : w ˆ K, dan SVs b K r, K s, (9) Untu fungs erne ang dapat dpaa pada SVM adaah : s (6). Ponoma: ( +) p. Rada basc functon (RBF): ep ( ) C. SVM Mutcass Pada asus SVM mutcass dapat menggunaan beberapa metode atu satu awan semua (SLA), satu awan satu (SLU) dan one optmzaton probem. Metode ang dgunaan pada penetan n adaah satu awan semua (SLA). Pada metode n untu asfas -eas, menemuan fungs pemsah, dmana adaah banana eas. Msaan fungs pemsah dsebut. Daam metode n dtran dengan semua data dar eas- dengan abe + dan semua data dar eas an dengan abe -. Ja ta mem λ data untu tranng (, ),,(, ) dmana R n, =,,.., λ adaah data nput dan S={,,} eas dar ang bersangutan, fungs pemsah e- meneesaan persoaan optmas berut: mn { ( w ) w C } (0) w, b, Seteah meneesaan persamaan 0, ada fungs pemsah atu w +b,w + b,, w +b..kemudan eas dar suatu data/obe baru dtentuan berdasaran na terbesar dar fungs pemsah = eas = arg maw +b, dmana,.., S D. Breast Cancer Breast cancer merupaan aner tertngg ang dderta perempuan Indonesa atu 6 per perempuan []. Pemersaan paudara sea dn berguna untu memastan bahwa paudara seseorang mash norma. Ba ada eanan sepert nfes, tumor, atau aner dapatdtemuaan ebh awa. Breast cancer ang dobat pada stadum dn emungnan sembuh mendeat 90%. Secara eseuruhan fator ang berpengaruh pada stadum dbag menad tga bagan atu uuran tumor () ang dapat dhat dar uuran dameter tumor, ang edua nodus (N) ang berhubungan dengan eadaan metastase aener asa, dan ang etga adaah metastase (M) ang menunuan atau tda metastase. Usa merupaan saah satu fator reso breast cancer. Pada has mamograf magnant dan bengn merupaan fator ang menunuan na atau tdana breast cancer. Dsampng tu pada penetan Yuh-e ee (0) menerangan bahwa chemoterap sangat menentuan sembuh atau tdana breast cancer [9]. Daam penentuan tngat eganasan dapat dhat dengan stadum penderta breast cancer atu Stadum I dengan peuang untu hdup daam watu 5 tahun sebesar 87%, stadum II peuang untu hdup daam watu 5 tahun sebesar 75%, dan stadum III peuang untu hdup daam watu 5 tahun sebesar 46%. III. MEODOLOGI PENELIIAN A. Sumber Data dan Varabe Penetan Sumber data ang dgunaan penetan n adaah data pasen penderta breast cancer d Rumah Sat X pada tahun 0 berumah 78. Data n merupaan data pasen ang teah meauan bops.
4 JURNAL SAINS DAN SENI IS Vo., No., (Sept. 0) ISSN: 30-98X D-33 Varabe ang dgunaan daam penetan n terdr atas varabe respon (Y) dan varabe predtor (X).Varabe respon ang dgunaan adaah ategor ens stadum penderta breast cancer, ang terdr dar 3 ategor atu: Y = () Stadum I Y = () Stadum II Y = (3) Stadum III Pada penentuan varabe predtor, terebh dahuu dauan onsutas dengan doter dan bdang rset d rumah sat X sehngga ddapatan beberapa varabe predtor pada tabe. Varabe-varabe ang ddapatan pada penetan n, merupaan has dar bops pasen penderta breast cancer. Berut n merupaan varabe predctor tngat eganasan breast cancer. Varabe ang tercantum dbawah n sudah tercantum d form bops. abe. Varabe Predtor Penetan Varabe Kategor Uuran umor (X ) 0=; =; =3; 3=4 Nodus N(X ) Cemotheraph (X 3 ) Magnant/Bengn (X 4 ) Leta Kaner (X 5 ) Usa Pasen (X 6 ) 0=N0; =N; =N; 3=N3; (0) = Chemoterap () =Nochemoterap (0)= Magnant; ()=Bengn (0)=Left/Kr; ()=Rght/Kanan 0=Lebh dar 30 tahun ==urang dar 30 tahun B. Langah Anass Daam meauan penetan harus dauan anass ang tepat. Berut n merupaan angah-angah penetan:. Meauan pengumpuan data seunder penderta breast cancer d rumah sat X sesua varabe predtor dan varabe respon. a. Meneremahan varabe dar bahasa meds menad varabe pada tabe, dengan doter dan tm rset rumah sat b. Meauan pengodngan data. Meauan nterpretas statsta desrptf pasen penderta breast cancer. 3. Meauan asfas tngat eganasan penderta breast cancer dengan menggunaan anass regres ogst ordna: a. Meauan estmas parameter b. Meauan penguan parameter secara serenta dan ndvdu untu mengetahu varabe berpengaruh daam mode. c. Membuat mode ogt d. Meauan penguan esesuaan mode ang teah dperoeh. e. Menghtung etepatan asfas regres ogst ordna 4. Meauan asfas tngat eganasan penderta breast cancer dengan metode Support Vetor Machne. Berut n merupaan agortma metode SVM: a. Meauan transformas data sesua dengan metode SVM mut eas. b. Menentuan fungs pemsah dengan metode mut eas satu awan bana (SLA). c. Menentuan na-na parameter C= 0, 00, dan 000, seagus menentuan fungs erne RBF dengan =,, 3 dan fungs erne ponoma dengan p=,, 3 d. Memh na parameter C terba. e. Menghtung na etepatan asfas terba 5. Meauan perbandngan etepatan asfas antara anass regres ogst ordna dan SVM. IV. HASIL DAN PEMBAHASAN A. Pemodean Breast Cancer Menggunaan Regres Logst Ordna Pasen breast cancer pada penetan n berumah 78. Rata-rata usa pasen breast cancer adaah 5 tahun. Pasen ang mengaam stadum I sebana 6%, stadum II sebana 4% dan staum III sebana 53%. Pada anass dengan menggunaan regeres ogst ordna, terebh dahuu dauan u serenta dan u ndvdu semua varabe predtor atu uuran tumor (X ), Nodus (X ), Chemoterap (X 3 ), Magnant/bengn (X 4 ), eta Kaner (X 5 ), dan Usa pasen (X 6 ). Has dar u n aan dadapatan varabe ang sgnfant. Berdasaran u sgnfans serenta dan ndvdu, dadapatan varabe ang sgnfant atu varabe X, X, dan X 4. Varabe-varabe n aan dgunaan untu membentu mode ahr regres ogst ordna secara serenta. Anass regres ogst secara serenta terhat pada abe. Adapun u hpotess adaah sebaga berut: H 0 : β = β =...= β 6 = 0 H : mnma ada satu β 0 ; =,,..., 6 Daerah rts: oa H 0 a na G > (5%,7) = (4.067) abe. U Serenta Mode G Ch-Square Df Fna Berdasaran abe menunuan bahwa na G sebesar 39.9 ang berart na G> (, df ) esmpuan ang dhasan toa H 0. Ha n menunuan bahwa varabe bebas uuran tumor, nodus, dan magnant/bengn pang tda ada satu ang berpengaruh secara sgnfan terhadap tngat eganasan breast cancer. Langah seanutna dhat secara parsa sgnfans varabe-varabe tersebut: abe 3. U Parsa Regres Logst Ordna Varabe sgnfan Varabe Coef Wad Odds rato Keputusan Const() oa H 0 Const() oa H 0 X (0) oa H 0 X () oa H 0 X () Gaga oa H 0 X (0) oa H 0 X () oa H 0 X 4(0) Gaga oa H 0 Berdasaran has pada abe 3 menunuan varabevarabe ang sgnfan. Has pada abe tersebut uga menunuan bahwa varabe X (uuran tumor) pada ategor
5 JURNAL SAINS DAN SENI IS Vo., No., (Sept. 0) ISSN: 30-98X D-34 edua tda sgnfan. Sehngga mode ogt ang dhasan adaah. Logt : ĝ () = X (0) X ().448X (0) - 0.7X () Logt : ĝ () = X (0) X ().448X (0) -0.7X () Logt untu penderta breast cancer ang menderta stadum I dan Logt untu penderta breast cancer ang menderta stadum II dan stadum I. Berdasaran ogt datas dapat detahu bahwa na odd rato sebesar , ha n menunuan bahwa pasen breast cancer ang uuran tumorna berada pada peuang mengaam stadum I ebh ec a dbandngan dengan pasen dengan uuran tumor bertpe 4. Sedangan breast cancer dengan uuran tumor mem peuang mengaam stadum I ebh ec a dbandngan tumor bertpe 4,. Sedangan untu penderta breast cancer ang nodusna N 0 mem peuang mengaam stadum I ebh ec dbandngan na nodus N. Penderta breast cancer ang nodusna N mem peuang mengaam stadum I ebh ec dbandngan na nodus N Untu na peuang pada pasen pertama, dengan menggunaan fungs ogt dan fungs peuang dengan rumus datas ddapatan na ˆ = , ˆ =. 0-0, dan na ˆ3 = Na tersebut menunuan bahwa untu pasen pertama, mengaam breast cancer stadum I mem peuang sebesar , sedangan peuang menderta breast cancer stadum III sebesar Berdasaran na tersebut menunuan bahwa peuang tertngg pasen pertama aan menderta breast cancer stadum III. Berdassaran u, mode tersebut sudah sesua dengan na P-vaue sebesar 0.37> (0.05). Berut n merupaan etepatan asfas dengan menggunaan regres ogst ordna untu data testng abe 4. Data orgna Ketepatan asfas Preds Stadum I Stadum II Stadum III Stadum I Stadum II Stadum III Ketepatan asfas 56.6% Berdasaran abe 4.9 menunuan bahwa semua data devance stadum I dan stadum II dpreds saah e stadum III, sedangan stadum II dpreds benar stadum III sebana 30 data. Secara eseuruhan has dar preds dengan mengguna-an regres ogst ordna, dmana data tranng ang dgunaan sebana 5 dan data testng ang dgunaan sebana 53 menghasan etepatan asfas sebesar 56.60%. B. Kasfas ngat Keganasan Breast Cancer Dengan Menggunaan Support Vector Machne Anass SVM pada tngat eganasan breast cancer meng-gunaan dua fungs erne atu Ponoma dan Rada Bass Functon. Pada fungs ponoma menggunaan parameter p sebana 3 ens atu p=, p=, dan p=3. Sedangan pada rada bass functon =, =, dan =3. Untu na C ang dbandngan atu C=0, C=00, dan C=000.`Pada anass tngat eganasan breast cancer n menggunaan na C ang berbeda. Dengan memasuan beberapa na p pada fungs erne menggunaan ponoma dan beberapa na pada fungs erne rada bass functon (rbf). Sehngga dapat dbandngan etepatan asfas terba pada anass tngat eganasan breast cancer. abe 5 ngat Auras Kasfas SVM Dengan C=0 Propors Ponoma RBF Berdasaran abe 5 menunuan bahwa na auras tertngg terdapat pada pengeompoan SVM menggunaan data ranng dan estng 70:30, dengan fungs erne ang dpaa ponoma dengan na p=3 dan fungs erne rada bass functon dengan na =. Pada pengeompoan n tngat auras mencapa 98. %. abe 6 ngat Auras Kasfas SVM Dengan C=00 abe 6 menunuan bahwa na auras tertngg pada C=00 sama dengan pengeompoan C=0 atu auras tertngg terdapat pada pengeompoan SVM mengguna-an data ranng dan estng 70:30, dengan fungs erne ang dpaa ponoma dengan na p=3, fungs erne rada bass functon dengan na = dan na =. Pada edua ens pengeompoan n tngat auras mencapa 98. %. Propors P= P= P=3 = = =3 50: : : Propors Ponoma Ponoma abe 7 RBF P= P= P=3 = = =3 50: : : RBF P= P= P=3 = = =3 50: : : ngat Auras Kasfas SVM Dengan C=000 abe 7 menunuan bahwa na auras tertngg pada C=000 sama dengan pengeompoan C=0 atu auras tertng-g terdapat pada pengeompoan SVM menggunaan data ranng dan estng 70:30, dengan fungs erne ang dpaa ponoma dengan na p=3, fungs erne rada bass functon dengan na =, =, =3. Keempat ens pengeompoan n tngat aurasna sama atu mencapa 98. %. Seanutna membandngan metode regres ogst ordna dan metode Support Vector Machne. Na preds tngat eganasan breast cancer pada regres ogst
6 JURNAL SAINS DAN SENI IS Vo., No., (Sept. 0) ISSN: 30-98X D-35 ddapatan dar na peuang tertngg pada masng-masng ategor. Dan asfas pada support vector machne (SVM) dperoeh dar hperpane ang memsahan ategor tngat eganasan breast cancer. abe 8. Perbandngan asfas regres ogst ordna dan SVM menggunaan Prop. Regres Log. Ordna Ponoma p=,,3 dan rbf =,,3 Ponoma dengan P=,,3 RBF dengan =,, : : : abe 8 menunuan bahwa etepatan asfas dengan menggunaan support vector machne (SVM) ebh ba a dbandngan dengan regres ogst ordna. Ha n bsa dhat dar na etepatan asfas breast cancer, pada regres ogst ordna etepatan asfas tertngg 56.60% dengan propors data tranng dan testng 70:30. Untu SVM etepatan asfas rata-rata tertngg mencapa 98.% atu pada data tranng dan testng 70:30 dengan menggunaan erne ponoma p= dan RBF. [7] V. N. Vapn, he Nature of Statstca Learnng heor, New Yor: Sprnger (999). [8] A. S. Nugroho, A. B. Wtarto, dan D Handoo (003). Support Vetor Machne eor dan Apas daam Bonformata [Onne]. Avaabe: [9] Yuh-Jee Lee, Support Vetor machnes n data mnng, Madson: Unverst of Wsconsn (00). V. KESIMPULAN/ RINGKASAN Berdasaran has asfas tngat eganasan breast cancer dengan menggunaan regers ogst ordna dan Support Vector Machne (SVM) menghasan esmpuan bahwa Mode Logt dar regres ogst ordna adaah ĝ () = X (0) X ().448X (0) - 0.7X () dan ĝ () = X (0) X ().448X (0) - 0.7X (). Dar mode tersebut ddapatan etepatan asfas tngat eganasan breast cancer tertngg 56.60%. Kasfas dengan menggunaan SVM menggunaan fungs erne rada bass functon (RBF) dan Ponoma menghasan etepatan asfas tertngg mencapa 98.%. Has tersebut menunuan bahwa SVM mem etepatan asfas ebh ba a dbandngan dengan regres ogst ordna DAFAR PUSAKA [] WHO (005). Data penderta breast cancer d duna [Onne]. Avaabe: detecton/breastcancer/en/nde.htm. [] Dnas Kesehatan Nasona (007). Data penderta breast cancer d Indonesa [Onne]. Avaabe: [3] m doter RS Onoog, Breast Phscan Course, Surabaa: RS Onoog Surabaa (003). [4] Ias Magoganns, Eas Zafropoous, dan Ioanns Anagnostopouos, An Integent Sstem for Automated Breast Cancer Dagnoss and Prognoss Usng SVM Based Cassfers, Apped Integence, Vo. 30, No. (009) [5] Hu-Lng Chen, Bo Yang, Je Lu, dan Da-You Lu, A support vetor machne Cassfer wth rough set-based feature seecton for breast cancer dagnoss, Epert Sstems wth Appcatons, Vo. 38, No. 7 (0) [6] D. W. Hosmer dan Lemenshow, Apped Logst Regresson, USA: John We and Sons (000).
Nilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4
Statsta, Vo. 7 No. 2, 65 71 Nopember 27 Na Krts Permutas Esa untu Anova Satu Arah Krusa-Was pada Kasus Banyanya Sampe, = 4 Inne Maran, Yayat Karyana, dan Aceng Komarudn Mutaqn Jurusan Statsta FMIPA Unsba
Lebih terperinciπ(x) JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-112
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. ) ISSN: 3-98X D- Analss Pemaaan Kemoterap pada Kasus Kaner Payudara dengan Menggunaan Metode Regres Logst Multnomal (Stud Kasus Pasen d Rumah Sat X Surabaya)
Lebih terperincie + Dengan menggunakan transformasi logit dari π(x), maka model regresi fungsi logit dapat didefinisikan sebagai berikut (2) π(x) e
ANALISIS PEMAKAIAN KEMOTERAPI PADA KASUS KANKER PAYUDARA DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL (STUDI KASUS PASIEN DI RUMAH SAKIT X SURABAYA Aref Yudssanta, dan Dra. Madu Ratna, M.S Jurusan
Lebih terperinciKata kunci: system fuzzy, inflasi
Pemodean Tngat Infas d Indonesa dengan -- gus aman bad & uhson PEODEL TIGKT IFLSI DI IDOESI DEG EGGUK SISTE FUZZY Oeh: gus aman bad Staf pengajar d FIP Unverstas eger Yogaarta uhson Staf Pengajar Fautas
Lebih terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciSISTEM DETEKSIRETINOPATI DIABETIKA MENGGUNAKAN SUPPORT VECTOR MACHINE
Vo 3, No 3Desember 03 ISSN 088-30 SISEM DEEKSIREINOPAI DIABEIKA MENGGUNAKAN SUPPOR VECOR MACHINE Wahyud Setawan, Ftr Damayant Manaemen Informata, Unverstas runooyo J. Raya eang PO. BOX, Kama, Bangaan,Madura
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciSTUDI KOMPARASI METODE KLASTERISASI DATA K-MEANS DAN K-HARMONIC MEANS
STUDI OMPARASI METODE LASTERISASI DATA -MEANS DAN -HARMONIC MEANS I Made Wdartha Jurusan Imu omputer, Fautas Matemata dan Imu Pengetahuan Aam, Unverstas Udayana ema : madewdartha@cs.unud.ac.d Abstra Saah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciPendekatan Hurdle Poisson Pada Excess Zero Data
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 05 Pendeatan Hurdle Posson Pada Excess Zero Data S - 7 Def Yust Fadah, Resa Septan Pontoh Departemen Statsta FMIPA Unverstas Padadaran def.yust@unpad.ac.d
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciPENGENALAN CITRA WAJAH MENGGUNAKAN METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE
Vo. 5, No. 3, Januar 00 IN 06-0544 PENGENAAN CIA WAJAH MENGGUNAKAN MEODE WO-DIMENIONA INEA DICIMINAN ANAYI DAN UPPO VECO MACHINE * Ftr Damayant, Agus Zana Arfn, uy oeaman Program Magster en Informata,I
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) ( X Print) D-36
JURNAL SAINS DAN SENI POMIS Vol. 3, No., (04 337-350 (30-98X Prnt D-36 Fator-Fator Yang Mempengaruh ngat Keberhaslan Pemberan Kemoterap Pada Pasen Penderta Kaner Payudara D RSUD Dr.Soetomo Dengan Menggunaan
Lebih terperinciPEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION
PEMODELAN INGKA KERAWANAN DEMAM BERDARAH DENGUE DI KABUPAEN LAMONGAN DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION Marsa Rfada 1, Purhad 1) Mahasswa Magster Jurusan Statsta, Insttut
Lebih terperinciPemodelan Faktor-Faktor Yang Mempengaruhi Tingkat Buta Huruf Kabupaten/kota di Jawa Timur dengan Geographically Weighted Ordinal Logistic Regression
JURNAL SAINS DAN SENI IS Vol., No., (Sept. 0) ISSN: 30-98X D-3 Pemodelan Fator-Fator Yang Mempengaruh ngat Buta Huruf Kabupaten/ota d Jawa mur dengan Geographcally Weghted Ordnal Logstc Regresson Nur Lalyah
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciANALISIS PEMILIHAN CARA KONTRASEPSI DALAM UPAYA PELAKSANAAN PROGRAM KELUARGA BERENCANA DI JAWA TIMUR DENGAN PERMODELAN REGRESI LOGISTIK MULTINOMIAL
ANALISIS PEMILIHAN CARA KONTRASEPSI DALAM UPAYA PELAKSANAAN PROGRAM KELUARGA BERENCANA DI JAWA TIMUR DENGAN PERMODELAN REGRESI LOGISTIK MULTINOMIAL Nama Mahasswa : Respat Yet Wbowo Nrp : 306 00 003 Jurusan
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciBab 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 terperinciBAB III PENGAMBILAN KEPUTUSAN DISPLACED IDEAL. Inti dari pengambilan keputusan adalah memilih alternatif, tentunya harus
40 BAB III PENGAMBILAN KEPUTUSAN DISPLACED IDEAL 3.1. Pengamban Keputusan Int dar pengamban keputusan adaah memh aternatf, tentunya harus aternatf yang terbak (the best aternatve). Tujuan dar anass keputusan
Lebih terperinci2 i. . Kebolehjadian total n set nilai adalah: y terhadap y dicapai jika faktor
Pencocokan Data. Pencocokan Data ke Gars Lurus Msakan kta mempunya n ttk data ekspermenta (, y ) dan dketahu bahwa hubungan teorts antara dan y adaah hubungan near (persamaan gars urus) dengan persamaan:
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinciPenggunaan Model Regresi Tobit Pada Data Tersensor
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 016 S 15 Penggunaan Model Regres obt Pada Data ersensor Def Yust Fadah 1, Resa Septan Pontoh 1, Departemen Statsta FMIPA Unverstas Padjadjaran def.yust@unpad.ac.d
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciKLASIFIKASI CITRA DENGAN SUPPORT VECTOR MACHINE PADA SISTEM TEMU KEMBALI CITRA
Semnar Nasona Sstem dan Informatka 007; Ba, 6 November 007 SNSI07-036 KLASIFIKASI CITRA DENGAN SUPPORT VECTOR MACHINE PADA SISTEM TEMU KEMBALI CITRA Yen Herden, Agus Buono, Vta Yua Noornawat Departemen
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol.3, No. 2, (2014) ISSN: ( Print) D-188
JURNL SINS DN SENI POMITS Vol., No., () ISSN: - (- Prnt) D- Pemodelan Fator-Fator yang Mempengaruh Jumlah Kasus Penyat Tuberuloss d Jawa Tmur dengan Pendeatan Generaled Posson Regresson dan Geographcally
Lebih terperinciKOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda
KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-305
JURNAL SAINS DAN SENI POMITS Vol., No., (013) 337-350 (301-98X Prnt) D-305 Analss Pola Hubungan Kerugan Negara Abat Korups dengan Demograf Koruptor d Jawa Tmur Amla Frda Rahmana, Sant Puter Rahau Jurusan
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
Lebih terperinciPemodelan Peran Perempuan Terhadap Pertumbuhan Ekonomi di Jawa Timur Tahun Menggunakan Regresi Data Panel
JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prnt) D-305 Pemodelan Peran Perempuan Terhadap Pertumbuhan Eonom d Jawa Tmur Tahun 010-014 Menggunaan Regres Data Panel Putr Rachmawat, Wahu
Lebih terperinciKLASTERISASI DATA IRIS MENGGUNAKAN METODE BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
Program Stud MMT-ITS, Surabaya 23 Ju 2011 LASTERISASI DATA IRIS MENGGUNAAN METODE BERBASIS ARTIFICIAL BEE COLONY DAN -HARMONIC MEANS I Made Wdartha, Agus Zana Arfn, Anny Yunart Jurusan Teknk Informatka,
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciBab 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 terperinciPemodelan Persentase Kriminalitas Dan Faktor- Faktor Yang Mempengaruhi Di Jawa Timur Dengan Pendekatan Geographically Weighted Regression (GWR)
JURNAL SAINS DAN SENI POMITS Vol., No.1, (014 7-50 (01-98X Prnt D-18 Pemodelan Persentase Krmnaltas Dan Fator- Fator ang Mempengaruh D Jaa Tmur Dengan Pendeatan Geographcally Weghted Regresson (GWR Pan
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
Lebih terperinciPengaruh 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 terperinciMETODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA Pada Bab n aan dpaparan beberapa teor tentang analss dsrmnan dar berbaga sumber sepert: buu, jurnal dan prosdng. Analss dsrmnan adalah salah satu metode dependens dar analss multvarat.
Lebih terperinciPemodelan Angka Buta Huruf di Kabupaten/Kota se-jawa Timur dengan Metode Geographically Weighted t Regression
JURNAL EKNIK IS Vol. 6, No., (7) ISSN: 337-3539 (3-97 Prnt) D- Pemodelan Anga Buta Huruf d Kabupaten/Kota se-jawa mur dengan Metode Geographcally Weghted t Regresson Nndya Kemala Astut, Purhad, dan Shof
Lebih terperinciFaktor-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 terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di:
ISSN: 339-54 JURNAL GAUSSIAN, Volume 4, Nomor 3, ahun 05, Halaman 639-650 Onlne d: http://ejournal-s.undp.ac.d/ndex.php/gaussan PEMODELAN FAKOR-FAKOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN MANUSIA KABUPAEN/
Lebih terperinciAnalisis Performansi Perusahaan Syariah di Bursa Efek Indonesia (BEI) Menggunakan Metode Discriminant Analysis dan Support Vector Machine (SVM)
Anass Performans Perusahaan Syarah d Bursa Efek Indonesa (BEI) Menggunakan Metode Dscrmnant Anayss dan Support Vector Machne (SVM) ) Nur Syafrda ) Dr. Muhammad Mashur, MT ) ) Mahasswa Statstka Dosen Pembmbng
Lebih terperinciKARAKTERISTIK SISWA KELAS LAYANAN KHUSUS (KLK) DI SURABAYA UTARA. Oleh : Lina Firdausiyah ( )
KARAKTERISTIK SISWA KELAS LAYANAN KHUSUS (KLK DI SURABAYA UTARA Oeh : La Frdausah (36 Pembmbg : Prof. Dra. Susat Luwh, M.Stat, PhD. da Wbawat, S.S., M.S. ABSTRAK Keas Laaa Khusus (KLK merupaa saah satu
Lebih terperinciBAB 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 terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinciBAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
Lebih terperinciANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING
Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata
Lebih terperinciPeramalan Tingkat Suku Bunga Sertifikat Bank Indonesia Berdasarkan Data Fuzzy Time Series Multivariat
Jurna ILU DASAR, Vo. No., Ju 00: 05-05 Peraaan Tngat Suu Bunga Sertfat Ban Indonesa Berdasaran Data Fuzzy Te Seres utvarat Forecastng Interest Rate of Ban Indonesa Certfcate Based on utvarate Fuzzy Te
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
Lebih terperinciANALISIS KARAKTERISTIK MAHASISWA DAN FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP KEPEMILIKAN USAHA MANDIRI MAHASISWA ITS
ANALISIS KARAKTERISTIK MAHASISWA DAN FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP KEPEMILIKAN USAHA MANDIRI MAHASISWA ITS Wasa Yula, Dw Endah Kusrn, S.S., M.S. Mahasswa Jurusan Statsta FMIPA-ITS (305 00 003)
Lebih terperinciANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011).
ANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011). Try Azsah Nurman Dosen Pada Jurusan Matemata, Faultas Sans
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
Lebih terperinciPENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI
PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION Oleh : SOEMARTINI JURUSAN STATISTIKA FAKULTAS MATEMATIKA dan ILMU PENGETAHUAN ALAM UNIVERSITAS PADJADJARAN JATINANGOR 008 DAFTAR ISI Hal DAFTAR
Lebih terperinciFUZZY 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 terperinciPemetaan Angka Gizi Buruk pada Balita di Jawa Timur dengan Geographically Weighted Regression
JURNAL SAINS DAN SENI ITS Vol. 5 No. (06) 337-350 (30-98X Prnt) D-333 Pemetaan Anga Gz Buru pada Balta d Jawa Tmur dengan Geographcally Weghted Regresson Adtya Kurnawat, Mutah Salamah C., dan Shof Andar
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciPENYELESAIAN SISTEM PERSAMAAN TAK LINIER
PENYELESIN SISTEM PESMN TK LINIE Mater Kulah: Pengantar; Iteras Satu Tt; Iteras Newton # PENGNT # erut n adalah contoh seumpulan buah persamaan ta lner smulta dengan buah varabel ang ta detahu:... ( 57...
Lebih terperinciKlasifikasi Jenis dan Fase Parasit Malaria Plasmodium Falciparum dan Plasmodium Vivax Dalam Sel Darah Merah Menggunakan Support Vector Machine
SETRUM Voume, No., Desember 0 ISSN : 30-465 Kasfkas Jens dan Fase Parast Maara Pasmodum Facparum dan Pasmodum Vvax Daam Se Darah Merah Menggunakan Support Vector Machne End Permata, I Ketut Eddy Purnama,
Lebih terperinciPemodelan Penduduk Miskin Di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR)
Pemodelan Pendudu Msn D Jawa Tmur Menggunaan Metode Geographcally Weghted Regresson (GWR) Yuanta Damayant, dan Dr. Vta Ratnasar S.S, M.S Jurusan Statsta, F-MIPA, Insttut Tenolog Sepuluh Nopember (ITS)
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)
BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciCONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA
CONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA LAPORAN PENELITIAN MANDIRI PENELITI RESA SEPTIANI PONTOH NIP : 132 317 117 JURUSAN STATISTIKA
Lebih terperinciPENGENALAN WAJAH BERBASIS METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS
PENGENALAN WAJAH BERBASIS MEODE WO-DIMENSIONAL LINEAR DISCRIMINAN ANALYSIS Ftr Damayant, Agus Zanal Arfn, Rully Soelaman Program Magster en Informata, Insttut enolog Sepuluh Nopember (IS) - Surabaya Kampus
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciPendekatan Regresi Semiparametrik Spline untuk Memodelkan Rata-Rata Umur Kawin Pertama (UKP) di Provinsi Jawa Timur
JURNAL SAINS DAN SENI ITS Vol. 6, No., (07) ISSN: 337-350 (30-98X Prnt) D-9 Pendeatan Regres Semarametr Slne untu Memodelan Rata-Rata Umur Kawn Pertama (UKP) d Provns Jawa Tmur Dhra Audha Pratw, I Nyoman
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 terperinciAnalisis Sensitivitas
Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN REKUREN PADA IDENTIFIKASI SISTEM NONLINIER DENGAN ALGORITMA OPTIMAL BOUNDED ELLIPSOID
APLIKASI JARINGAN SARAF IRUAN REKUREN PADA IDENIFIKASI SISEM NONLINIER DENGAN ALGORIMA OPIMAL BOUNDED ELLIPSOID Rully Soelaman, Mohammad Azs Efend Faultas enolog Informas, Insttut enolog Sepuluh Nopember
Lebih terperinciIDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER
IDENIFIKASI SISEM NONLINIE DENGAN MENGGUNAKAN ECUEN NEUAL NEOK DAN ALGOIMA DEAD-ZONE KALMAN FILE ully Soelaman, angga fa Faultas enolog Informas Insttut enolog Sepuluh Nopember Kampus Keputh, Suollo, Surabaya
Lebih terperinciEndi Permata 1),I Ketut Eddy Purnama 2), Mauridhi Hery Purnomo 3)
Semnar Nasona Teknoog Informas dan Mutmeda 2013 STMIK AMIKOM Yogyakarta, 19 Januar 2013 KLASIFIKASI JENIS DAN FASE PARASIT MALARIA PLASMODIUM FALCIPARUM DAN PLASMODIUM VIVAX DALAM SEL DARAH MERAH MENGGUNAKAN
Lebih terperinciU JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK
Jurusan Ten Spl dan Lngungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SENIN, 4 JANUARI 23 OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara tda boleh menggunaan omputer untu mengerjaan soal- soal ujan
Lebih terperinciPenerapan Kendali Logika Fuzzy+Proportional Integral pada Modul Process Control Simulator PCS 327 MK2
Penerapan Kenda Logka Fuzzy+Proportona Integra pada Modu Process Contro Smuator PCS 327 MK2 Wrastawa Rdwan Jurusan Teknk Eektro Unverstas Neger Gorontao ema : r1space@yahoo.com Abstrak. Respon output yang
Lebih terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d
Lebih terperinciPERBANDINGAN PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN SUPPORT VECTOR MACHINE DAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK
Perbandngan Peramaan Beban I N. Setawan, Wdyad Setawan PERBANDINGAN PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN SUPPORT VECTOR MACHINE DAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK I Nyoman Setawan,
Lebih terperinciEVALUASI KESTABILAN PERALIHAN MESIN TUNGGAL DENGAN METODA RUNGE KUTTA ORDE 4 (Studi Kasus : Sistem Kelistrikan Sumatera)
Vo: 3 No. Maret 04 ISSN: 30-949 EVALUASI KESTABILAN PERALIHAN MESIN TUNGGAL DENGAN METODA RUNGE KUTTA ORDE 4 (Stud Kasus : Sstem Kestran Sumatera) Heru Dbyo Lasono, Arno Rz Ramadhan Jurusan Ten Eetro,
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 terperinciPENERAPAN METODE SUPPORT VECTOR MACHINE PADA DIAGNOSA HEPATITIS
Volume 04, No.01 Februar 2016 PENERAPAN METODE SUPPORT VECTOR MACHINE PADA DIAGNOSA HEPATITIS Raudlatul Munawarah 1, On Soesanto 2, M. Reza Fasal 3 1,3 Prod Ilmu Komputer FMIPA UNLAM, 2 Prod Matematka
Lebih terperinciBAB II STUDI PUSTAKA
Masur Kmsan 5 7 1 BAB II STUDI PUSTAKA 1 Umum Secara umum sstem strutur dbedaan dar egunaan strutur, sepert strutur embatan, gedung, tang, bendungan atau pesawat udara Secara husus penamaan n dbedaan dar
Lebih terperinciPemodelan MGWR Pada Tingkat Kemiskinan di Provinsi Jawa Tengah
Value Added, Vol., No., 5 Pemodelan MGWR Pada Tngat Kemsnan d Provns Jawa Tengah Moh Yamn Darsyah, Rochd Wasono, Monca Frda Agustna 3,,3 Program Stud StatstaUnverstas Muhammadyah Semarang Emal: mydarsyah@unmus.ac.d
Lebih terperinciBAB 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 terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciBab IV Pemodelan dan Perhitungan Sumberdaya Batubara
Bab IV Pemodelan dan Perhtungan Sumberdaa Batubara IV1 Pemodelan Endapan Batubara Pemodelan endapan batubara merupakan tahapan kegatan dalam evaluas sumberdaa batubara ang bertuuan menggambarkan atau menatakan
Lebih terperinci( L ). Matriks varians kovarians dari
LIVIA PUSPA T 677 9.3 METODE KOMPONEN UTAMA Informas yang dbuuhkan daam eknk komponen uama suau daa ddapa dar marks varans kovarans, aau marks koreasnya. Meode komponen uama n, beruuan unuk menaksr parameer
Lebih terperinciLucas 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 terperinciBAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah
BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciPEMODELAN KEJADIAN BALITA GIZI BURUK DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION
PEMODELAN KEJADIAN BALIA GIZI BURUK DI PROVINSI JAWA IMUR DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED REGRESSION Rahandn Luta Lestar 1 dan Sutno 1 Mahasswa Jurusan Statsta, IS, Surabaya Dosen Pembmbng, Jurusan
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciKLASIFIKASI DIATOM MENGGUNAKAN SIGNATURE DAN SUPPORT VECTOR MACHINE
Semnar Nasona Informatka 2012 (semnasif 2012) ISSN: 1979-2328 UPN Veteran Yogyakarta, 30 Jun 2012 KLASIFIKASI DIATOM MENGGUNAKAN SIGNATURE DAN SUPPORT VECTOR MACHINE Nofandr Setyasmara 1,2), Stevanus Hardrstanto
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Analss Model Loglner Untu data yang bersfat ategor dan dapat dbentu pada suatu tabel ontngens, dapat danalss dengan analss odel loglner. Model loglner dgunaan untu enganalss eungnan
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 terperinciP 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 terperinciESTIMASI INTERVAL SPLINE DALAM REGRESI NONPARAMETRIK
Tess ESTIMASI INTERVAL SPLINE DALAM REGRESI NONPARAMETRIK Oleh : MUHAMMAD NAFI NRP.304008 PROGRAM PASCASARJANA PROGRAM STUDI STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI
Lebih terperinciEman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK
PENGGUNAAN MODEL REGRESI LINEAR BERGANDA PADA PROGRAM PENGGEMUKAN SAPI PO ( PERANAKAN ONGOLE) SERTA ANALISIS BCR ( BENEFIT COST RATIO ) PENGGUNAAN PAKAN BAHAN KERING Eman Lesmana, Raman Jurusan Matemata
Lebih terperinci