ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
|
|
- Ratna Gunawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data rs dapat dlauan dengan menggunaan metode Bacpropagaton Artfcal Neural Networ (ANN). ANN dbuat menyerupa sstem syaraf manusa, dsebut uga Jarngan Syaraf Truan (JST). Dengan beberapa parameter pada Bacpropagaton, dapat detahu araterst Bacpropagaton sehngga dapat memperecl error dan epoch, serta memperbesar Recognton Rate. Hasl percobaan menunuan hubungan antara parameter alpha, oefsen momentum, dan umlah neuron hdden layer terhadap error, epoch, dan Recognton Rate yang dperoleh. Kata Kunc: ANN, bacpropagaton, epoch, error, JST, recognton rate. Abstract Pattern recognton of Irs data can be done by usng Bacpropagaton Artfcal Neural Networ (ANN). ANN s made to resemble the human neural system. By varyng some parameters on bacpropagaton, bacpropagaton characterstcs s nown to mnmze errors and epoch and enlarge Recognton Rate. The expermental results show the relatonshp between the parameters alpha, coeffcent of momentum, and the number of hdden layer neurons aganst error, epoch, and the recognton rate obtaned. Keywords: ANN, Bacpropagaton, epoch, error, JST, Recognton Rate. Tanggal Terma Nasah : Tanggal Persetuuan Nasah : 3 Februar 205 PENDAHULUAN Salah satu cabang dar Artfcal Intellgence adalah apa yang denal dengan Jarngan Saraf Truan (Artfcal Neural Networ). Jarngan syaraf truan telah dembangan sea tahun 940. Pada tahun 943, Mc. Culloch dan W.H. Ptts memperenalan pemodelan matemats neuron. Tahun 949, Hebb mencoba menga proses belaar yang dlauan oleh neuron. Teor n denal sebaga Hebban Law. Tahun 958, Rosenblatt memperenalan onsep perseptron suatu arngan, yang terdr dar beberapa lapsan yang salng berhubungan melalu umpan mau (feed foward). Konsep n dmasudan untu memberan lustras tentang dasar-dasar ecerdasan
2 secara umum. Hasl era Rosenblatt yang sangat pentng adalah perceptron convergence theorem (tahun 962), yang membutan bahwa bla setap perseptron dapat memlahmlah dua buah pola yang berbeda, maa slus pelathannya dapat dlauan dalam umlah yang terbatas. Fsher telah melauan peneltan terhadap speses bunga Irs. Irs dataset dperenalan sebaga contoh untu analss dsrmnan. Data melaporan empat araeterst, yatu sepal wdth, sepal length, petal wdth, dan petal length dar tga speses bunga Irs. Speses bunga Irs tersebut adalah Irs Setosa, Irs Verscolor, dan Irs Vrgnca []. Pengenalan pola bunga Irs dapat dlauan dengan menggunaan ANN Bacpropagaton. Dataset dar bunga Irs dapat dlasfasan terhadap setap speses bunga Irs tersebut. Dengan deman, lasfas speses, dalam hal n bunga Irs, dapat dlauan secara lebh mudah dengan menggunaan metode ANN Bacpropagaton. 2 KONSEP DASAR 2. Pengertan Bacpropagaton Jarngan Syaraf Truan (JST) merupaan salah satu sstem pemrosesan nformas atau data yang ddesan dengan menru cara era ota manusa dalam menyelesaan suatu masalah dengan melauan proses belaar melalu perubahan bobot snapssnya. Salah satu metode yang dgunaan dalam JST adalah Bacpropagaton. Bacpropagaton adalah algortma pembelaaran untu memperecl tngat error dengan cara menyesuaan bobotnya berdasaran perbedaan output dan target yang dngnan. Bacpropagaton uga merupaan sebuah metode sstemat untu pelathan multlayer JST. Bacpropagaton meml tga layer dalam proses pelathannya, yatu nput layer, hdden layer, dan output layer, dmana bacpropagaton n merupaan perembangan dar sngle layer networ (Jarngan Lapsan Tunggal) yang meml dua layer, yatu nput layer dan output layer [2]. Dengan adanya hdden layer pada bacpropagaton dapat menyebaban tngat error pada bacpropagaton lebh ecl dbandng tngat error pada sngle layer networ. Hal n darenaan hdden layer pada bacpropagaton berfungs sebaga tempat untu meng-update dan menyesuaan bobot, sehngga ddapatan nla bobot yang baru yang bsa darahan mendeat dengan target output yang dngnan. 2.2 Arstetur Bacpropagaton Arstetur algortma bacpropagaton terdr dar tga layer, yatu nput layer, hdden layer, dan output layer. Pada nput layer tda terad proses omputas, hanya terad pengrman snyal nput e hdden layer [3]. Pada hdden dan output layer terad proses omputas terhadap bobot dan bas, serta dhtung pula besarnya output dar hdden dan output layer tersebut berdasaran fungs atvas. Dalam algortma bacpropagaton n dgunaan fungs atvas sgmod bner, arena output yang dharapan bernla antara 0 sampa. 2
3 Y Y Y m w 0 w w w p w o W W W p w 0m W m Wm W pm Z Z Z p V 0 V V V n V o V V V n V 0p V p V p V np X X X n Gambar. Arstetur ANN bacpropagaton dengan: V = Bobot pada lapsan tersembuny (hdden layer) V o = Bas pada lapsan tersembuny (hdden layer) W = Bobot pada lapsan eluaran (output layer) W o = Bas pada lapsan eluaran (output layer) X = Lapsan masuan (Input Layer) Y = Lapsan eluaran (Output Layer) Z = Lapsan tersembuny (Hdden Layer) 2.2 Algortma Bacpropagaton 2.2. Insalsas Bobot Terdapat dua cara untu mengnsalsas bobot, yatu nsalsas secara random dan nsalsas dengan menggunaan Nguyen-Wdrow. Insalsas aca merupaan cara yang palng serng dgunaan dalam nsalsas bobot. Pada nsalsas bobot secara random, bobot dnsalsas secara aca tanpa menggunaan fator sala [4]. Pada nsalsas Nguyen-Wdrow, nsalsas dlauan dengan memodfas nsalsas aca dengan menggunaan fator sala β dengan tuuan untu mempercepat proses pelathan. Algortma nsalsas dengan Nguyen-Wdrow adalah sebaga berut: a. Menentuan besarnya sala β n 0.7(p)...() dengan p: umlah unt hdden dan n: umlah unt nput. b. Insalsas bobot V secara random dengan nla nsalsas V adalah c. Menghtung besarnya magntude bobot V V (2) p 2 V ( V )...(3) 3
4 d. Meng-update bobot V. V V V... (4) e. Mengatur nla bas V o sebesar V...(5) o Proses Feed Forward dan Bacpropagaton Pada dasarnya proses algortma bacpropagaton terdr dar omputas mau (feed forward) dan omputas bal (bacpropagaton). Algortma proses feed forward adalah sebaga berut: a. Unt nput (X, =,2,..,n). Menerma nput X 2. Mengrmannya e semua unt layer d atasnya (Hdden layer). b. Unt Hdden (Z, =,2,.,n). Menghtung semua snyal nput dengan bobotnya: z _ n V X V...(6) 2. Menghtung nla atvas setap unt hdden sebaga output unt hdden 3. Mengrm nla atvas e unt output. Z c. Unt Output (Y, =,2,..,n). Menghtung semua snyal nput-nya dengan bobotnya: o f ( z _ n )...(7) z _ n e y _ n W Z W...(8) 2. Menghtung nla atvas setap unt output sebaga output arngan. o Y f ( y _ n )...(9) y _ n e Algortma proses bacpropagaton-nya adalah sebaga berut : a. Unt Output (Y, =,2,..,m). Menerma pola target yang bersesuaan dengan pola nput 2. Menghtung nformas error: T Y ) f '( y _ n )...(0) ( 3. Menghtung besarnya ores bobot unt output: W E( W W 4. Menghtung besarnya ores bas output: ) z... () W 0...(2) 4
5 5. Mengrman e unt-unt yang ada pada layer d bawahnya, yatu e hdden layer. b. Unt Hdden (Z, =,2,.,p). Menghtung semua ores error: 2. Menghtung nla atvas ores error: _ n W...(3) _ n f '( z _ n )...(4) 3. Menghtung ores bobot unt hdden: V E( V ) V X... (5) 4. Menghtung ores error bas unt hdden: V 0...(6) c. Update bobot dan bas. Unt Output (Y, =,2,,m) Meng-update bobot dan basnya ( = 0,,p): W W W W 0 W0 W 0 2. Unt hdden (Z, =,,p) Meng-update bobot dan basnya ( = 0,,n): V V V V 0 V0 V 0... (7)... (8) Stoppng Condton Terdapat dua onds stoppng pada algortma bacpropagaton n, yatu: a. Error < Error masmum Error adalah perbedaan yang terad antara output terhadap target yang dngnan. Proses ANN aan berhent a besarnya error yang terad telah bernla lebh ecl dar nla error masmum yang telah dtetapan. Besarnya nla error dhtung dengan menggunaan fungs error uadrats. 2 E 0.5 ( T Y )...(9) 0 b. Epoch > Epoch masmum Epoch adalah suatu langah yang dlauan dalam pembelaaran pada ANN. Ja besarnya epoch lebh besar dar besarnya epoch masmum yang telah dtetapan, maa proses pembelaaran aan berhent. Kedua onds stoppng d atas dgunaan dengan loga OR. Jad onds stoppng terad a besarnya Error < Error masmum atau Epoch > Epoch masmum. 5
6 2.3 Fator-Fator Dalam Pembelaaran Bacpropagaton Beberapa fator yang mempengaruh eberhaslan algortma bacpropagaton, antara lan:. Insalsas bobot Bobot awal menentuan apaah arngan aan mencapa global mnma atau local mnma esalahan, dan seberapa cepat arngan aan onvergen. 2. Lau pembelaaran (alpha) Lau pembelaaran merupaan parameter arngan dalam mengendalan proses penyesuaan bobot. Nla lau pembelaaran yang optmal bergantung pada asus yang dhadap. Lau pembelaaran yang terlalu ecl menyebaban onvergens arngan menad lebh lambat, sedangan lau pembelaaran yang terlalu besar dapat menyebaban etdastablan pada arngan. 3. Momentum (mu) Momentum dgunaan untu mempercepat pelathan arngan. Metode momentum melbatan penyesuaan bobot dtambah dengan fator tertentu dar penyesuaan sebelumnya. Penyesuaan n dnyataan sebaga berut: w z w w v 0 0 z v X X v w0...(20) v 0 Dengan menggunaan persamaan 7, 8, dan 20, update bobot dengan momentum drumusan sebaga berut: W W z W W V 0 0 W V V V 0 z X 0 X W V V 0 0 (2) 3 PEMBAHASAN Jarngan syaraf truan dgunaan untu memodelan suatu syaraf bolog pada ota manusa. Sebaga contoh, dberan graf sepert pada Gambar 2. JST n dgunaan untu membuat sebuah perbedaan yang dtanda dengan sebuah trendlne pada Gambar 2. Dengan deman, anng besar dan snga ecl berdasaran cr-cr yang dberan dapat denal. Gambar 2. Metode ANN untu pengenalan pola antara Snga Kecl dan Anng Besar 6
7 Peneltan n menggunaan data IRIS (data bunga Irs) dengan 50 data dan tga pembagan elas. Bacpropagaton dgunaan untu mengolah data bunga dar tga elas tersebut sehngga speses bunga dapat denal. Pada data tersebut, terdapat 50 data yang dbag menad tga elas, yatu elas, elas 2, dan elas 3, dengan target yang berbeda untu masng-masng elas. Data tersebut berbentu matrs bars dengan bentu 50 x 5 dengan olom 4 sebaga dmens - 4 dan olom 5 merupaan olom yang menunuan elas data tersebut. Target untu masng-masng elas tersebut bernla satu. Data tranng yang dgunaan adalah 70% dar data IRIS. Percobaan n meml varable terat (yang aan damat), yatu nla presentase tngat Recognton Rate, nla error, dan epoch. Varabel bebas yang dubah adalah alpha, oefsen momentum, dan umlah hdden layer. Nla awal untu masng-masng parameter adalah sebaga berut. alpha = 0.2; hdden neuron = 2; oef. Momentum=0.2; epoch max= 0000; error mn= 0.0; metode nsalsas = nguyen wdrow. (a) (b) (c) Gambar 3. (a) Flowchart Input Data, (b) Flowchart Nguyen Wdrow, (c) Flowchart ANN Bacpropagaton Pada peneltan n, dberan flowchart untu mengambl data dar fle excel menad matrs d Matlab (Gambar 3.a). Untu nsalsas nguyen wdrow, dberan flowchart sepert Gambar 3.b. ANN Bacpropagaton dberan flowchart sepert Gambar 3.c. 7
8 Dengan flowchart yang telah dberan, dbuat program dalam software Matlab dalam bentu mfles. Keluaran dar program tersebut adalah data dan graf. 4 HASIL PENELITIAN Peneltan yang telah dlauan melput varas alpha, momentum, dan hdden layer. Hasl peneltan dberan sebaga berut. 4. Pengaruh Perubahan Alpha (Lau Pembelaaran) Pada percobaan n dlauan varas alpha dar 0, sampa dengan 0,9 dengan penambahan 0, dan hal n dlauan sebanya 0 al percobaan. Nla parameterparameter lannya dberan nla awal. Hasl percobaannya adalah sebaga berut. Table. Percobaan dengan varas alpha alpha perc e- perc e-2 perc e-3 perc e-4 perc e-5 perc e-6 perc e-7 perc e-8 perc e-9 perc e-0 rata RR rata watu (sec) rata epoch Dar data d atas terlhat bahwa alpha 0,7 dan 0,9 meml rate recognton yang sama. Dengan nla alpha 0,9 yang terlalu besar, dhawatran aan membuat sstem dvergen dan membuat error mencapa local mnma. Gambar 4 mendesrpsan local mnma dan global mnma. Dengan deman, alpha yang meml Recognton Rate masmal adalah 0.7. Gambar 4. Graf Error terhadap teras 8
9 4.2 Pengaruh Perubahan Mu (Momentum) Pada percobaan n dlauan varas mu dar 0, sampa dengan 0,9 dengan penambahan 0,. Hal n dlauan sebanya 0 al percobaan. Nla parameterparameter lannya dberan nla awal. Hasl percobaannya adalah sebaga berut. Table 2. Percobaan dengan varas oefsen momentum mu perc e- perc e-2 perc e-3 perc e-4 perc e-5 perc e-6 perc e-7 perc e-8 perc e-9 perc e-0 rata RR rata watu (sec) rata epoch Dar data d atas terlhat bahwa mu 0,7 meml Recognton Rate yang palng besar walaupun watu dan epoch-nya buan yang terecl. Pada nla mu 0,7, sstem terlhat menghaslan error yang lebh stabl dbandngan yang lan. Oleh arena tu, dgunaan onstanta momentum sebesar 0, Pengaruh Perubahan Jumlah Unt Hdden Layer Pada percobaan n dlauan varas umlah unt hdden layer dan hal n dlauan sebanya 0 al percobaan. Nla parameter-parameter lannya dberan nla awal. Hasl percobaannya adalah sebaga berut. Table 3. Percobaan dengan varas umlah unt hdden layer hdden perc e- perc e-2 perc e-3 perc e-4 perc e-5 perc e-6 perc e-7 perc e-8 perc e-9 perc e-0 rata RR rata watu (sec) rata epoch KESIMPULAN Dar percobaan yang telah dlauan, dperoleh esmpulan sebaga berut:. Seman besar alpha, seman cepat proses dlauan. Selan tu, sstem meml epoch yang seman ecl, dan Recognton Rate yang seman besar. Dar percobaan varas alpha, alpha dengan Recognton Rate yang terba adalah alpha 0,7 dan 0,9. Namun, dplh nla alpha 0,7 arena alpha tda boleh bernla terlalu besar untu menghndar error yang atuh d local mnma. 2. Seman besar oefsen momentum, seman besar Recognton Rate. Pada percobaan varas oefsen momentum, dperoleh oefsen momentum 0,7 dengan Recognton Rate yang terba, yatu 96,
10 3. Seman banya umlah neuron pada hdden layer, seman ecl epoch dan error. Dengan deman, seman besar Recognton Rate yang dperoleh. Pada percobaan varas umlah unt hdden layer, dperoleh umlah hdden layer 2 sebaga umlah hdden layer yang meml Recognton Rate yang terba, yatu 94, Pengenalan pola dapat dlauan dengan menggunaan metode ANN Bacpropagaton. 6 REFERENSI [] Fsher, R. A. "The Use of Multple Measurements n Taxonomc Problems." 936: [2] Kusumadew, Sr. "Analss Jarngan Syaraf Truan dengan Metode Bacpropagaton untu Mendetes Gangguan Psolog." Meda Informata, 2004: -4. [3] Kusumoputro, Benyamn. Jarngan Neural Buatan, Ed.. Jaarta: Unverstas Indonesa, 200. [4] Marzu. "Multlayer Neural Networ and the Bacpropagaton Algorthm." Lecture Materal. Kuala Lumpur: UTM, n.d. 0
Analisis Variasi Parameter Backpropagation Artificial Neural Network dan Principal Component Analysis Terhadap Sistem Pengenalan Wajah
ELECTRANS, Jurnal Ten Eletro, Komputer dan Informata http://eournal.up.edu/ndex.php/electrans Analss aras Parameter Bacpropagaton Artfcal Neural Networ dan Prncpal Component Analyss Terhadap Sstem Pengenalan
Lebih 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 VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
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 terperinciIMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN
E-Jurnal Matemata Vol. 5 (4), November 2016, pp. 126-132 ISSN: 2303-1751 IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN I Made Dw Udayana Putra 1, G. K. Gandhad
Lebih terperinciImplementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0
Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,
Lebih 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 terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciBAB 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 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 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 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 terperinciImplementasi Metode Backpropagation untuk Mengenali Teks pada Natural Scene Image
Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2527-2533 http://-pt.ub.ac.d Implementas Metode Bacpropagaton untu Mengenal Tes pada Natural Scene
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS 1 Ihwannul Kholis, 2 Ahmad Rofii. 1 Universitas 17 Agustus 1945 Jaarta,
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 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 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 terperinciSISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS
Jurnal Teni dan Ilmu Komputer SISTEM PENGENALAN AJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETORK DAN PRINCIPAL COMPONENT ANALYSIS FACE RECOGNITION SYSTEM USING BACKPROPAGATION ARTIFICIAL
Lebih terperinciJARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU
JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU Ea Saputra LF096585 Jurusan Ten Eletro Faultas Ten Unverstas Dponegoro Abstra Jarngan saraf truan merupaan suatu metode yang salah satunya
Lebih terperinciBAB V 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 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 terperinciIDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER
IDENIFIKASI SISEM NONLINIE DENGAN MENGGUNAKAN ECUEN NEUAL NEOK DAN ALGOIMA DEAD-ZONE KALMAN FILE ully Soelaman, angga fa Faultas enolog Informas Insttut enolog Sepuluh Nopember Kampus Keputh, Suollo, Surabaya
Lebih terperinciBAB 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 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 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 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 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 terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciSISTEM JARINGAN SYARAF KABUR SKRIPSI. Diajukan untuk Memenuhi Salah Satu Syarat. Memperoleh Gelar Sarjana Sains. Program Studi Matematika
SISTEM JARINGAN SYARAF KABUR SKRIPSI Dauan untu Memenuh Salah Satu Syarat Memperoleh Gelar Sarana Sans Program Stud Matemata Dsusun oleh: Ssra Mardawat NIM : 0534006 PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
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 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 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 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 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 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 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 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 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 terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciBab III. 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 terperinciPengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis
Konferens Nasonal Sstem & Informata 05 STMIK STIKOM Bal, 9-0 Otober 05 Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Two-Dmensonal Lnear Dscrmnant Analyss Ftr Damayant Prod Manajemen Informata,
Lebih 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 terperinciPerbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield
Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya
Lebih 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 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 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 terperinciANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR
Jurnal Teknik dan Ilmu Komputer ANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR PARAMETER VARIATION ANALYSIS OF LEARNING VECTOR QUANTIZATION
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 terperinciIV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN
69 IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN Dtnau dar sfat hubungan antar persamaan terdapat dua ens model persamaan yatu model persamaan tunggal dan model sstem persamaan. Model persamaan tunggal adalah
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 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 terperinciKLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN
KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN Abstra Nama: Moh. Bagus Had S (Nrp 1205 100 037) Dosen Pembmbng:
Lebih 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 terperinciPENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI
PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI Yunarstanto 1 Irwan Iftad 1 Iwan Ngabd Raharjo 2 Abstract: Producton flow n PT. Tga Seranga Pustaa Mandr
Lebih 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 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 terperinciOleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si
Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf
Lebih 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 terperinciIMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN
SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas,
Lebih 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. 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 terperinciPenggunaan Sifat Pengingat Asosiatif Pada Jaringan Syaraf Tiruan Hopfield Diskret Untuk Pemulihan Data
Penggunaan Sfat Pengngat Asosatf Pada Jarngan Syaraf Truan Hopfeld Dskret Untuk Pemulhan Data Recoverng Data Usng Assocatve Memores of Dscrete Hopfeld Neural Netorks Agung Mubyarto Program Stud Teknk Elektro
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
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 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 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 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 terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
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 terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
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 terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih 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 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 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 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 terperinciTEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA
IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan
Lebih 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 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 terperinciPERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
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 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 terperinciANALISA UNJUK KERJA SISTEM V-BLAST PADA KANAL FREQUENCY SELECTIVE FADING DALAM RUANGAN DENGAN MENGGUNAKAN MODULASI J-ary QAM
Analsa Unju Kerja Sstem I Gst. Ag. Km. Dafar Djun H. ANALISA UNJUK KEJA SISEM V-BLAS PADA KANAL FEQUENCY SELECIVE FADING DALAM UANGAN DENGAN MENGGUNAKAN MODULASI J-ary QAM I Gust Agung Komang Dafar Djun
Lebih 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 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 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 terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM PRAKIRAAN HUJAN HARIAN DI DAERAH KUTA SELATAN PROVINSI BALI
Vol. 7, No.1, Aprl 2014 ISSN 1979-5661 PENERAPAN JARINGAN SYARAF TIRUAN DALAM PRAKIRAAN HUJAN HARIAN DI DAERAH KUTA SELATAN PROVINSI BALI Ida Bagus Gede Bayu Pryanta, I Gede Sant Astawa Jurusan Ilmu Komputer,
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 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 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 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 terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL
Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: 979-756-061-6 Yogyakarta, 18 Jun 2005 PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL Setyo Nugroho
Lebih terperinciEstimasi Reliabilitas Pengukuran Dalam Pendekatan Model Persamaan Struktural
Estmas Relabltas Penguuran Dalam Pendeatan Model Persamaan Strutural Wahyu Wdharso Unverstas Gadjah Mada Pendeatan analss data peneltan dengan menggunaan persamaan model strutural (SEM telah banya dgunaan
Lebih 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 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 terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciRestorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization
Restoras Ctra Dengan Menggunaan Metode Iteratf Lanczos Hybrd Regularzaton Yudh Purwananto, Rully Soelaman, Alfa Masjta Rahmat Jurusan Ten Informata, Faultas Tenolog Informas Insttut Tenolog Sepuluh Nopember
Lebih 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 terperinciDiagram Kontrol Fuzzy Multinomial Untuk Data Linguistik
Prosdng Statsta ISSN: 2460-6456 Dagram Kontrol Fuzzy Multnomal Untu Data ngust 1 Amy Amallya Azzah, 2 Suwanda Idrs, 3 snur Wachdah 1,2,3 Prod Statsta, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas
Lebih terperinci