Linear Discrimant Model
|
|
- Yulia Tedja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 (update 1 Februari 01) Lecture 3 Linear Discrimant Model
2 Learning a Class from Examples (Alpaydin 009) Class C of a family car Prediction: Is car x a family car? Knowledge extraction: What do people expect from a family car? Output: Positive (+) and negative ( ) examples Input representation: x 1 : price, x : engine power
3 Training set X X x t { t,r } t1 r 1if 0 if x ispositive x isnegative x x x 1
4 p price p AD e engine power e 1 1
5 1if h says x ispositive h( x) 0 if h says x isnegative Error of h on H E( h X) t t 1 h x r t1
6 most specific hypothesis, S most general hypothesis, G h H, between S and G is consistent and make up the version space (Mitchell, 1997)
7 Choose h with largest margin
8 Vapnik Chervonenkis dimension (VC Dimension) is a measure of the capacity of a statistical classification algorithm, defined as the cardinality of the largest set of points that the algorithm can shatter. It is a core concept in Vapnik Chervonenkis theory, and was originally defined by Vladimir Vapnik and Alexey Chervonenkis.
9 A classification model f with some parameter vector θ is said to shatter a set of data points (x 1,x,,x ) if, for all assignments of labels to those points, there exists a θ such that the model f makes no errors when evaluating that set of data points. Example : VC Dimension for linear classifier 3 points shattered 4 points impossible
10 points can be labeled in ways as +/ H shatters if there exists h H consistent for any of these: VC(H ) = An axis-aligned rectangle shatters 4 points only!
11 Use the simpler one because Simpler to use (lower computational complexity) Easier to train (lower space complexity) Easier to explain (more interpretable) Generalizes better (lower variance - Occam s razor) simpler explanations are more plausible and any unnecessary complexity should be shaved off.
12 Andaikan diberikan data training yang linearly separable menjadi dua kelas, yaitu A dan B. Terdapat banyak sekali hyperplane yang memisahkan kedua kelas dari data. Mana yang dipilih? Bagaimana menemukan hyperplane terbaik yang memisahkan kedua himpunan dengan margin terbesar? Margin: jarak hyperplane ke titik terdekat dari kedua himpunan Dalam dimensi, hyperplane garis Dalam 3 dimensi, hyperplane bidang
13 Persamaan hyperplane (garis) g: w 1 x 1 +w x +b=0 Agar g memisahkan kelas A dan B, maka dapat dipilih w 1,w dan b sehingga w 1 x 1 +w x +b>0 utk (x 1,x ) A w 1 x 1 +w x +b<0 utk (x 1,x ) B Andaikan (x 1+,x + ) dan (x 1-,x - ) masing-masing titik terdekat dari kelas A dan B terhadap g.tanpa mengurangi keumuman, dapat dipilih: w 1 x 1+ +w x + +b=1 dan w 1 x 1- +w x - +b=-1 dan w 1 x 1 +w x +b 1 utk (x 1,y 1 ) A w 1 x 1 +w x +b -1 utk (x 1,y 1 ) B
14 J Maka jarak garis g ke titik (x 1+,x + ) dan (x 1-,x - ) adalah w1 x1 w x b 1 w1 x1 w x b w w w w w w Definisikan: y f ( x, x ) sign( x, x ) i ( i) ( i) ( i) ( i) 1 1 ( i) ( i) 1, untuk ( x1, x ) A ( i) ( i) 1, untuk ( x1, x ) B maka (w 1 x 1 +w x +b)y i 1, untuk I = 1,,,
15 Masalah Penentuan Hyperplane terbaik: Arg Max st.. wb, w ( i) ( i) w 1 ( w x w x b) y 1, i 1,,.., i Ekivalen dengan 1 Arg Min w w wb, st.. ( i) ( i) ( w x w x b) y 1, i 1,,.., i
16 Persamaan hyperplane g: w T x+b=0 Agar g memisahkan kelas A dan B, maka dapat dipilih w 1,w dan b sehingga w T x +b>0 utk x A w T x +b<0 utk x B Andaikan x + dan x - masing-masing titik terdekat dari kelas A dan B terhadap g.tanpa mengurangi keumuman, dapat dipilih: w T x + +b =1 dan w T x - +b = -1 dan w T x +b 1 utk x A w T x +b -1 utk x B
17 Maka jarak g ke titik x +,x + dan x - adalah J T T w x b 1 1 w x b w w w w w w w Definisikan: i T T T y f x sign x ( i) ( i) ( ) ( ) 1, untuk x 1, untuk x () i () i A B maka (w T x +b)y i 1, untuk i = 1,,,
18 Masalah Penentuan Hyperplane terbaik: 1 Arg Max wb, w st.. T () i ( ) i 1, 1,,.., w x b y i Ekivalen dengan Arg Min st.. wb, 1 T w w T () i ( ) i 1, 1,,.., w x b y i
19 Solusi x yang memaksimumkan/ meminimumkan fungsi f(x) yang memenuhi kendala g(x) = 0 diperoleh dari solusi persamaan f(x) = g(x) Contoh: Carilah nilai maksimum/minimum untuk fungsi f(x,y) = x +y yang memenuhi x-y = 1 Titik kritis diperoleh dari x = y = - x-y = 1 Diperoleh x = ½, y=-½, = 1 atau x- = 0 y + = 0 x-y = 1
20 Cari nilai maksimum/minimum f(x,y,z) = x + y +3z yang memenuhi x + y = dan y +z = 1 g 1 (x,y,z) = x + y - =0 g (x,y,z) = y + z 1 = 0 Solusi masalah maks/minimum diperoleh dari: f(x,y,z) = 1 g 1 (x,y,z) + g (x,y,z)
21 Solusi x yang memaksimumkan/meminimumkan fungsi f(x) yang memenuhi kendala g(x) = 0 diperoleh dari solusi persamaan f(x) = g(x) Versi lain: L(x, ) = f(x)+g(x) Solusi masalah maksimum/minimum diperoleh dari L(x, ) = 0 L dikenal sebagai Lagrangian
22 Solusi masalah optimasi (primal) Min f(x), x s.t. g(x) 0 dan h(x)=0 Feasible Domain D={x g(x)0, h(x)=0} Lagrangian L(x,, ) = f(x)+g(x)+ h(x) Dual Problem Max (, ) s.t. 0 (, ) = inf x L(x,, ) Untuk setiap titik feasible x, (, ) L(x,, ) f(x) Duality Gap = f(x) - (, ) Dengan memaksimumkan (, ) terhadap dan, akan meminimumkan duality gap. Khususnya, Jika g dan h fungsi Affine, yaitu g(x) = Ax b ( A matriks, b vektor) maka duality gap menjadi 0. Artinya, solusi masalah primal ekivalen dengan solusi masalah dual.
23 Solusi masalah optimasi (primal) Min x +y, s.t. x-y 1 Untuk suatu nilai yang diberikan, agar L minimum x + = 0 y - = 0 Lagrangian L(x,y, ) = x +y +(x-y-1) Dual Problem Max () = ¼ + ¼ +(-/-/-1) = - / - s.t. 0 Diperoleh =0, x = 0 dan y = 0 Ini berarti constraint tidak aktif!!!
24 Solusi masalah optimasi (primal) Min x +y, s.t. x-y 1 Agar L minimum x - = 0 y + = 0 Lagrangian L(x,y, ) = x +y -(x-y-1) Dual Problem Max (, ) = ¼ + ¼ -(/+/-1) = - / + s.t. 0 Diperoleh =1, x = 1/ dan y = -1/ Ini berarti constraint aktif, artinya nilai minimum tercapai pada batas constraint.
25 1 Arg Min w w wb, st.. ( i) ( i) L( w, w, b, ) ( w w ) ( w x w x b) yi 1 ( i) ( i) 1 1 i 1 1 i1 () i () i w ix yi 0 1i 1 i 0 i1 i1 i1 w x y 1 ( w x w x b) y 1, i 1,,.., ilai minimum L diperoleh dari : L( w1, w, b, ) 0 yaitu i y i i 0
26 Substitusi ke Lagrangian: 1 ( ) ( i) ( i) ix1 y i ix yi i1 i1 ( i) ( i) ( i) ( i) i ix1 yi x1 ix yi x by j 1 j1 i1 i1 diperoleh 1 ( ) ( i) ( i) ix1 y i ix yi i1 i1 ( i) ( i) ( i) ( i) j ix1 yi x1 ix yi x y j 1 i1 i1 i1
27 1 ( ) Studi Kasus ( i) ( i) ix1 y i ix yi i1 i1 ( i) ( i) ( i) ( i) j ix1 yi x1 ix yi x y j 1 j1 i1 i1 Max st.. i ( ) 0, i1,,..., Cari hyperplane classifier terbaik untuk data training P 1 (1,0), P (0,1), P 3 (,), dan Q 1 (-1,0), Q (0,-1),
28 (1) Generate Dual Problem untuk dataset tersebut () Tentukan nilai alpha[i], i=1,,..,5 yang optimal (Hint: Gunakan gradient ascent dgn tambahan : if alpha < 0 then alpha = 0) (3) Tentukan nilai w1, w dan b
SVM untuk Regresi Ordinal
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciPENDETEKSIAN JENIS DAN KELAS AROMA DENGAN MENGGUNAKAN METODE ONE-VS-ONE DAN METODE ONE-VS-REST
MAKARA, SAINS, VOL. 7, NO.3, DESEMBER 2003 PENDETEKSIAN JENIS DAN KELAS AROMA DENGAN MENGGUNAKAN METODE ONE-VS-ONE DAN METODE ONE-VS-REST Zuherman Rustam 1,3, Benyamin Kusumoputro 2,3 dan Belawati Widjaja
Lebih terperinciSVM untuk Regresi. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciSupport Vector Machine
MMA10991 Topik Khusus Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciSUPPORT VECTOR MACHINE (SVM)
MAKALAH DATA MINING SUPPORT VECTOR MACHINE (SVM) Di Susun Oleh : Nama : RA. Toyyibatul Faihah NRP : 07.04.111.00132 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS TRUNOJOYO 2010 1 PENDAHULUAN 1.1
Lebih terperinciMasalah maksimisasi dapat ditinjau dari metode minimisasi, karena
Lecture 2: Optimization of Function of One Variable A. Pendahuluan Ide dasar dari masalah optimisasi adalah mengoptimumkan (memaksimumkan/ meminimumkan) suatu besaran skalar yang merupakan harga suatu
Lebih terperinciKLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM)
KLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : MEKAR SEKAR SARI NIM. 24010210120008 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciKalkulus Multivariabel I
Maksimum, Minimum, dan Statistika FMIPA Universitas Islam Indonesia Titik Kritis Misalkan p = (x, y) adalah sebuah titik peubah dan p 0 = (x 0, y 0 ) adalah sebuah titik tetap pada bidang berdimensi dua
Lebih terperinciTEKNIK KOMPUTASI TEI 116/A. Jurusan Teknik Elektro dan Teknologi Informasi Universitas Gadjah Mada 2011
TEKNIK KOMPUTASI TEI 116/A Jurusan Teknik Elektro dan Teknologi Informasi Universitas Gadjah Mada 2011 Why teknik komputasi? Komputasi or computation comes from the word compute that is make a mathematical
Lebih terperinciOptimisasi dengan batasan persamaan (Optimization with equality constraints) Mengapa batasan relevan dalam kajian ekonomi?
Optimisasi dengan batasan persamaan (Optimization with equality constraints) Mengapa batasan relevan dalam kajian ekonomi? Masalah ekonomi timbul karena kelangkaan (scarcity). Kelangkaan menyebabkan keputusan
Lebih terperinciMetode Kernel. Machine Learning
MMA10991 Topik Khusus Machine Learning Metode Kernel Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Perkembangan multimedia saat ini sangat cepat. Dengan multimedia, pengguna dapat menyerap informasi dengan lebih mudah, sehingga pemilihan informasi yang tepat menjadi penting. Pemilihan informasi
Lebih terperinciPraktikum Metode Komputasi (Vector Spaces)
Praktikum Metode Komputasi (Vector Spaces) Vina Apriliani January 17, 016 Soal Latihan MATLAB Bab 3 Buku Leon Aljabar Linear Berikut 1 Soal Latihan MATLAB Bab 3 Buku Leon Aljabar Linear yang saya ambil
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Pada bab ini akan dibahas mengenai teori pendukung dan penelitian sebelumnya yang berhubungan dengan metode ekstraksi fitur, serta metode klasifikasi Support Vector Machine dalam
Lebih terperinciFunctions and Graphs Zhafir Aglna Tijani Jadug Norach Agna Parusa. Copyright 2014 Bimbingan Belajar Merlion BBMerlion.com
Functions and Graphs Zhafir Aglna Tijani Jadug Norach Agna Parusa Copyright 014 Bimbingan Belajar Merlion BBMerlion.com 1 FUNCTIONS, INVERSE, AND COMPOSITE Objektif Mengenal konsep dan notasi dari fungsi,
Lebih terperinciPENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 811-820 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA
Lebih terperinciPengantar Support Vector Machine
Pengantar Support Vector Machine Anto Satriyo Nugroho February 8, 2007 1 Pengantar Pattern Recognition (PR) didefinisikan sebagai proses pemetaan suatu data ke dalam konsep tertentu yang telah didefinisikan
Lebih terperinciOPTIMASI PEMROGRAMAN KUADRATIK DENGAN MENGGUNAKAN ALGORITMA PRIMAL-DUAL INTERIOR POINT
TUGAS AKHIR CF 1380 OPTIMASI PEMROGRAMAN KUADRATIK DENGAN MENGGUNAKAN ALGORITMA PRIMAL-DUAL INTERIOR POINT NIKE DWI WINARTI NRP 5202 100 028 Dosen Pembimbing Rully Soelaiman, S.Kom, M.Kom JURUSAN SISTEM
Lebih terperinciHendra Gunawan. 4 April 2014
MA1201 MATEMATIKA 2A Hendra Gunawan Semester II, 2013/2014 4 April 2014 Kuliah yang Lalu 12.1 Fungsi dua (atau lebih) peubah 12.2 Turunan Parsial 12.3 Limit dan Kekontinuan 12.4 Turunan fungsi dua peubah
Lebih terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) 1 Lestari Handayani, 2 Fitriandini Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
Lebih terperinciSKRIPSI. Oleh : PUSPHITA ANNA OCTAVIANI NIM PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM)
PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG SKRIPSI Oleh : PUSPHITA ANNA OCTAVIANI NIM. 24010210120043 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Program Linier Penyelesaian program linear dengan algoritma interior point dapat merupakan sebuah penyelesaian persoalan yang kompleks. Permasalahan dalam program linier mungkin
Lebih terperinciDIKTAT KULIAH KALKULUS PEUBAH BANYAK (IE-308)
DIKTAT KULIAH (IE-308) BAB 4 PENERAPAN TURUNAN PARSIAL Diktat ini digunakan bagi mahasiswa Jurusan Teknik Industri Fakultas Teknik Universitas Kristen Maranatha Ir. Rudy Wawolumaja M.Sc JURUSAN TEKNIK
Lebih terperinciPada dasarnya lebih sulit drpd classifier berdasar teori bayes, terutama untuk data dimensi tinggi.
1 Fokus pd desain fungsi pembeda (discriminant function) atau decision surface scr langsung yang membedakan satu kelas dengan kelas yg lain berdasarkan kriteria yg telah ditentukan. Pada dasarnya lebih
Lebih terperinciDeteksi Mobil Menggunakan Histogram of Oriented Gradient
1 Deteksi Mobil Menggunakan Histogram of Oriented Gradient Cahyo Permata,I Ketut Eddy Purnama dan Muhtadin Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciMODUL 2 OPTIMISASI OPTIMISASI EKONOMI EKONOMI. SRI SULASMIYATI, S.Sos, M.AP. Ari Darmawan, Dr., S.AB, M.AB
MODUL 2 OPTIMISASI OPTIMISASI EKONOMI EKONOMI SRI SULASMIYATI, S.Sos, M.AP Ari Darmawan, Dr., S.AB, M.AB aridarmawan_fia@ub.ac.id Pendahuluan Adanya kebutuhan manusia yang tidak terbatas dan terbatasnya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan Support Vector Backpropagation. Pembahasan bertujuan untuk menguraikan teori dan algoritma yang digunakan dalam
Lebih terperinciPertemuan Minggu ke Bidang Singgung, Hampiran 2. Maksimum dan Minimum 3. Metode Lagrange
Pertemuan Minggu ke-11 1. Bidang Singgung, Hampiran 2. Maksimum dan Minimum 3. Metode Lagrange 1. BIDANG SINGGUNG, HAMPIRAN Tujuan mempelajari: memperoleh persamaan bidang singgung terhadap permukaan z
Lebih terperinciANALISIS PERFORMANSI PERUSAHAAN SYARIAH DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN METODE DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE (SVM)
ANALISIS PERFORMANSI PERUSAHAAN SYARIAH DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN METODE DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE (SVM) NUR SYAFRIDA - 1308 100 065 Pembimbing : Muhammad Mashuri,
Lebih terperinciBab 2: Optimasi Ekonomi. Ekonomi Manajerial Manajemen
Bab 2: Optimasi Ekonomi 1 Ekonomi Manajerial Manajemen 2 Pokok Bahasan Bentuk-Bentuk Hubungan Ekonomi Hubungan Total, Rata-rata dan Marjinal Analisis Optimalisasi Turunan dan Aturan Turunan Optimalisasi
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE REGRESI LINIER
PENGENALAN WAJAH MENGGUNAKAN METODE REGRESI LINIER ABSTRAK Ryan Dharmawan Susanto (0722005) Jurusan Teknik Elektro email : ryan_sesss@yahoo.com Salah satu masalah yang mengganggu dalam pengenalan wajah
Lebih terperinciOFVSBM!OFUXPSL. Latar Belakang
OFVSBM!OFUXPSL Sumber: Tim Machine Learning PENS ITS Latar Belakang Kemampuan manusia dalam memproses informasi, mengenal wajah, tulisan, dsb. Kemampuan manusia dalam mengidentifikasi wajah dari sudut
Lebih terperincig(x, y) = F 1 { f (u, v) F (u, v) k} dimana F 1 (F (u, v)) diselesaikan dengan: f (x, y) = 1 MN M + vy )} M 1 N 1
Fast Fourier Transform (FFT) Dalam rangka meningkatkan blok yang lebih spesifik menggunakan frekuensi dominan, akan dikalikan FFT dari blok jarak, dimana jarak asal adalah: FFT = abs (F (u, v)) = F (u,
Lebih terperinciDUALITAS. Obyektif 1. Memahami penyelesaian permasalahan dual 2. Mengerti Interpretasi Ekonomi permasalahan dual
DUALITAS 3 Obyektif 1. Memahami penyelesaian permasalahan dual 2. Mengerti Interpretasi Ekonomi permasalahan dual Istilah dualitas menunjuk pada kenyataan bahwa setiap Program Linier terdiri atas dua bentuk
Lebih terperinciFPMIPA UPI ILMU KOMPUTER I. TEORI HIMPUNAN
I. TEORI HIMPUNAN 1. Definisi Himpunan hingga dan Tak hingga 2. Notasi himpuanan 3. Cara penulisan 4. Macam-macam Himpunan 5. Operasi Himpunan 6. Hukum pada Operasi Himpunan 7. Perkalian Himpunan (Product
Lebih terperinciWhat Is Greedy Technique
1 What Is Greedy Technique A technique constructing a solution through a sequence of steps, on each step it suggests a greedy grab of the best alternative available in the hope that a sequence of locally
Lebih terperinciPENDETEKSIAN CITRA PALSU DENGAN MENGGUNAKAN WATERMARKS DAN SUPPORT VECTOR MACHINES. Daniel Hutabarat ( )
PENDETEKSIAN CITRA PALSU DENGAN MENGGUNAKAN WATERMARKS DAN SUPPORT VECTOR MACHINES Daniel Hutabarat ( 0522097 ) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Surya
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. ini sehingga dapat dijadikan sebagai landasan berpikir dan akan mempermudah. dalam hal pembahasan hasil utama berikutnya.
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan dijelaskan mengenai teori-teori yang berhubungan dengan pembahasan ini sehingga dapat dijadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciPENCARIAN SOLUSI PEMROGRAMAN NON LINIER MENGGUNAKAN ALGORITMA BRANCH-AND-BOUND
Seminar Nasional Aplikasi Teknologi Informasi 009 (SNATI 009) Yogyakarta, 0 Juni 009 ISSN:1907-50 PENCARIAN SOLUSI PEMROGRAMAN NON LINIER MENGGUNAKAN ALGORITMA BRANCH-AND-BOUND Victor Hariadi Jurusan Teknik
Lebih terperinci04-Ruang Vektor dan Subruang
04-Ruang Vektor dan Subruang Vektor (1) Dosen: Anny Yuniarti, M.Comp.Sc Gasal 2011-2012 Anny2011 1 Agenda Bagian 1: Ruang Vektor Bagian 2: Nullspace of A: Solusi Ax = 0 Bagian 3: Rank dan Row-reduced-form
Lebih terperinciBAB II DASAR TEORI. Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma.
BAB II DASAR TEORI Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma. 2.1. Microsoft Visual Studio Microsoft Visual Studio adalah sebuah software yang
Lebih terperinciDIAGNOSA KERUSAKAN BANTALAN BOLA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
DIAGNOSA KERUSAKAN BANTALAN BOLA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE SKRIPSI Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik Oleh: MUHAMMAD FATHURROHMAN NIM. I0411032 JURUSAN
Lebih terperinciALJABAR LINEAR SUMANANG MUHTAR GOZALI KBK ANALISIS
ALJABAR LINEAR SUMANANG MUHTAR GOZALI KBK ANALISIS UNIVERSITAS PENDIDIKAN INDONESIA BANDUNG 2010 2 KATA PENGANTAR Bismillahirrahmanirrahim Segala puji bagi Allah Rabb semesta alam Shalawat serta salam
Lebih terperinciLINEAR PROGRAMMING-1
/5/ LINEAR PROGRAMMING- DR.MOHAMMAD ABDUL MUKHYI, SE., MM METODE KUANTITATIF Perumusan PL Ada tiga unsur dasar dari PL, ialah:. Fungsi Tujuan. Fungsi Pembatas (set ketidak samaan/pembatas strukturis) 3.
Lebih terperinciVariabel Banyak Bernilai Real 1 / 1
Fungsi Variabel Banyak Bernilai Real Turunan Parsial dan Turunan Wono Setya Budhi KK Analisis dan Geometri, FMIPA ITB Variabel Banyak Bernilai Real 1 / 1 Turunan Parsial dan Turunan Usaha pertama untuk
Lebih terperinciSTATISTIKA TEKNIK LNK2016 CORRELATION & REGRESSION
STATISTIKA TEKNIK LNK2016 CORRELATION & REGRESSION ! Correlation is a statistical method used to determine whether a relationship between variables exists.! Regression is a statistical method used to describe
Lebih terperinciMetode Klasifikasi (SVM Light dan K-NNK. NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech. Jurusan Informatika FMIPA Universitas Syiah Kuala
Metode Klasifikasi (SVM Light dan K-NNK NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech Jurusan Informatika FMIPA Universitas Syiah Kuala www.informatika.unsyiah.ac.id/tfa Alur dan Proses Cleaning Process Dokumen
Lebih terperinciPREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR REGRESSION (SVR) DENGAN ALGORITMA GRID SEARCH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 315-321 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dibahas beberapa pengertian dari optimasi bersyarat dengan kendala persamaan menggunakan multiplier lagrange serta penerapannya yang akan digunakan sebagai landasan
Lebih terperinciBAB II TINJAUAN PUSTAKA. operasi yang mampu menyelesaikan masalah optimasi sejak diperkenalkan di
BAB II TINJAUAN PUSTAKA 2.1 Pemrograman Linier (Linear Programming) Pemrograman linier (linear programming) merupakan salah satu teknik riset operasi yang mampu menyelesaikan masalah optimasi sejak diperkenalkan
Lebih terperinciBAB II KAJIAN PUSTAKA. Pada bab ini akan diberikan landasan teori tentang optimasi, fungsi, turunan,
BAB II KAJIAN PUSTAKA Pada bab ini akan diberikan landasan teori tentang optimasi, fungsi, turunan, pemrograman linear, metode simpleks, teorema dualitas, pemrograman nonlinear, persyaratan karush kuhn
Lebih terperinciChapter 5 GENERAL VECTOR SPACE 5.1. REAL VECTOR SPACES 5.2. SUB SPACES
Chapter 5 GENERAL VECTOR SPACE 5.1. REAL VECTOR SPACES 5.2. SUB SPACES Definisi : VECTOR SPACE Jika V adalah ruang vektor dimana u,v,w merupakan objek dalam V sebagai vektor, dan terdapat skalar k dan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan mengenai teori teori yang berhubungan dengan pembahasan ini sehingga dapat dijadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciDOSEN PEMBIMBING Chastine Fatichah, S.Kom, M.Kom MAHASISWA Yudis Anggara P. ( )
Sidang Tugas Akhir September 2009 Implementasi Metode Ant Colony Optimization untuk Pemilihan Fitur pada Kategorisasi Dokumen Teks DOSEN PEMBIMBING Chastine Fatichah, S.Kom, M.Kom MAHASISWA Yudis Anggara
Lebih terperinciK-Means Clustering. Tim Asprak Metkuan. What is Clustering?
K-Means Clustering Tim Asprak Metkuan What is Clustering? Also called unsupervised learning, sometimes called classification by statisticians and sorting by psychologists and segmentation by people in
Lebih terperinciKontrol Optimum. MKO dengan Mixed Constraints dan Pure State Constraints. Toni Bakhtiar. Departemen Matematika IPB. Februari 2014
Kontrol Optimum MKO dengan Mixed Constraints dan Pure State Constraints Toni Bakhtiar Departemen Matematika IPB Februari 2014 tbakhtiar@ipb.ac.id (IPB) MAT332 Kontrol Optimum Februari 2014 1 / 38 Outline
Lebih terperinciLine VS Bezier Curve. Kurva Bezier. Other Curves. Drawing the Curve (1) Pertemuan: 06. Dosen Pembina Danang Junaedi Sriyani Violina IF-UTAMA 2
Line VS Bezier Curve Kurva Bezier Pertemuan: 06 Dosen Pembina Danang Junaedi Sriyani Violina IF-UTAMA 1 IF-UTAMA 2 Other Curves Drawing the Curve (1) IF-UTAMA 3 IF-UTAMA 4 1 Drawing the Curve (2) Algoritma
Lebih terperinciKeseimbangan Torsi Coulomb
Hukum Coulomb Keseimbangan Torsi Coulomb Perputaran ini untuk mencocokan dan mengukur torsi dalam serat dan sekaligus gaya yang menahan muatan Skala dipergunakan untuk membaca besarnya pemisahan muatan
Lebih terperinciAnalisis Akurasi Support Vector Machine...
ANALISIS AKURASI SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF UNTUK PRAKIRAAN BEBAN LISTRIK HARIAN SEKTOR INDUSTRI Luqman Assaffat 1 * 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciBAB IV EKSPERIMEN. 4.1 Tujuan
BAB IV EKSPERIMEN Pada bab ini dibahas mengenai eksperimen penggunaan SVM dalam pendeteksian intrusi pada jaringan. Pembahasan ini meliputi tujuan yang ingin dicapai melalui eksperimen ini, parameter evaluasi
Lebih terperinciTeori Dualitas dan Penerapannya (Duality Theory and Its Application)
Teori Dualitas dan Penerapannya (Duality Theory and Its Application) Kuliah 6 TI2231 Penelitian Operasional I 1 Materi Bahasan 1 Teori dualitas 2 Metode simpleks dual TI2231 Penelitian Operasional I 2
Lebih terperinciSISTEM DETEKSI PENYAKIT DIABETES MENGGUNAKAN METODE SUPPORT VECTOR MACHINES
IndoMS Journal on Statistics Vol. 2, No. 2 (2014), pp. 27 36 SISTEM DETEKSI PENYAKIT DIABETES MENGGUNAKAN METODE SUPPORT VECTOR MACHINES Abdul Azis Abdillah 1 dan Suwarno 2 1,2 STKIP Surya, 1 Politeknik
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Penelitian ini dilakukan untuk mengetahui gambaran konsep diri pada siswa kelas XII yang mengambil jurusan IPA dan IPS di SMA X Bandung beserta dimensi-dimensi konsep diri serta kaitannya dengan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari-hari baik disadari maupun tidak, sebenarnya orang selalu melakukan optimasi untuk memenuhi kebutuhannya. Tetapi optimasi yang dilakukan masyarakat
Lebih terperinciPROGRAM PECAHAN LINEAR. Erlin Dwi Endarwati 1, Siti Khabibah 2, Farikhin 3. Jl. Prof. H. Soedarto, S.H. Semarang 50275
PROGRAM PECAHAN LINEAR Erlin Dwi Endarwati 1, Siti Khabibah 2, Farikhin 3 1,2,3 Jurusan Matematika FSM Universitas Diponegoro Jl. Prof. H. Soedarto, S.H. Semarang 50275 1 erlin_endarwati@yahoo.co.id, 2
Lebih terperinciBAB 2 PEMROGRAMAN STOKASTIK. 2.1 Program Stokastik Sebagai Suatu Ketidakpastian
BAB 2 PEMROGRAMAN STOKASTIK 2.1 Program Stokastik Sebagai Suatu Ketidakpastian Program stokastik adalah program matematika dimana semua data yang tergabung kedalam tujuan atau batasan berbentuk ketidakpastian
Lebih terperinciEKONOMI PRODUKSI. PERTEMUAN KEDELAPAN: MAKSIMISASI TERKENDALA (Lanjutan)
EKONOMI PRODUKSI Kode PTE-4103 PERTEMUAN KEDELAPAN: MAKSIMISASI TERKENDALA (Lanjutan) Rini Dwiastuti 2007 Sub-pokok Bahasan (Lanjutan) 7. Constrained Revenue Max. 8. Second Order Condition 9. Interpretation
Lebih terperinciTIF APPLIED MATH 1 (MATEMATIKA TERAPAN 1) Week 3 SET THEORY (Continued)
TIF 21101 APPLIED MATH 1 (MATEMATIKA TERAPAN 1) Week 3 SET THEORY (Continued) OBJECTIVES: 1. Subset and superset relation 2. Cardinality & Power of Set 3. Algebra Law of Sets 4. Inclusion 5. Cartesian
Lebih terperinciDIAGNOSA KETIDAKLURUSAN (MISALIGNMENT) POROS MENGGUNAKAN METODE MULTICLASS SUPPORT VECTOR MACHINE (SVM)
DIAGNOSA KETIDAKLURUSAN (MISALIGNMENT) POROS MENGGUNAKAN METODE MULTICLASS SUPPORT VECTOR MACHINE (SVM) SKRIPSI Diajukan sebagai salah satu syarat Untuk memperoleh gelar Sarjana Teknik Oleh: WANTO NIM.
Lebih terperinciBAB II KAJIANPUSTAKA
BAB II KAJIANPUSTAKA 2.1 Klasifikasi Klasifikasi adalah proses pengelompokan data menjadi suatu kelas berdasarkan kesamaan karakteristik pada data data yang ada. Ada 2 jenis metode yang dapat digunakan
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih terperinciABSTRAK. Kata Kunci : klasifikasi, musik digital, jenis musik, support vector machine, fitur ekstraksi, daftar putar musik digital
ABSTRAK Kemudahan dalam mendapatkan musik digital membuat orang-orang dapat memiliki banyaknya koleksi musik digital. Terkadang orang-orang menikmati musik dengan jenis musik tertentu berdasarkan kondisi
Lebih terperinciPertemuan ke 4. Non-Linier Equation
Pertemuan ke 4 Non-Linier Equation Non-Linier Equation Persamaan Kuadrat Persamaan Kubik Metode Biseksi Metode Newton-Rapshon Metode Secant 1 Persamaan Kuadrat Persamaan kuadrat adalah suatu persamaan
Lebih terperinciBAB III PEMBAHASAN. Bab III terbagi menjadi tiga sub-bab, yaitu sub-bab A, sub-bab B, dan subbab
BAB III PEMBAHASAN Bab III terbagi menjadi tiga sub-bab, yaitu sub-bab A, sub-bab B, dan subbab C. Sub-bab A menjelaskan mengenai konsep dasar C[a, b] sebagai ruang vektor beserta contohnya. Sub-bab B
Lebih terperinciSTUDI PERANCANGAN PENGONTROL NEURO-FUZZY PADA PEMBANGKIT LISTRIK TENAGA SURYA
STUDI PERANCANGAN PENGONTROL NEURO-FUZZY PADA PEMBANGKIT LISTRIK TENAGA SURYA T 621.312 44 WIT ABSTRAK Pengontrol neuro-fuzzy (NFC) yang menirukan invers dari sistem dinamik merupakan salah satu alternatif
Lebih terperinciKLASIFIKASI DOKUMEN WEB MENGGUNAKAN VERSION SPACE SUPPORT VECTOR MACHINE
KLASIFIKASI DOKUMEN WEB MENGGUNAKAN VERSION SPACE SUPPORT VECTOR MACHINE Hiskia Edy Pasaribu, Imelda Atastina, dan Shaufiah Fakultas Informatika Institut Teknologi Telkom, Bandung edyking10@yahoo.com,
Lebih terperinciMetode Simpleks (Simplex Method) Materi Bahasan
Metode Simpleks (Simplex Method) Kuliah 03 TI2231 Penelitian Operasional I 1 Materi Bahasan 1 Rumusan Pemrograman linier dalam bentuk baku 2 Pemecahan sistem persamaan linier 3 Prinsip-prinsip metode simpleks
Lebih terperinciEuclidean n & Vector Spaces. Matrices & Vector Spaces
Lecture 9 Euclidean n & Vector Spaces Delivered by: Filson Maratur Sidjabat fmsidjabat@president.ac.id Matrices & Vector Spaces #4 th June 05 (90%*score / 0% extra points for HW-Q) Retake Quiz. Compute
Lebih terperinciMETODE SEQUENTIAL QUADRATIC PROGRAMMING (SQP) PADA OPTIMASI NONLINIER BERKENDALA SKRIPSI
METODE SEQUENTIAL QUADRATIC PROGRAMMING (SQP) PADA OPTIMASI NONLINIER BERKENDALA SKRIPSI Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Program Strata Satu (S1) pada Program Studi Matematika
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 3573
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 3573 DENTIFIKASI UMUR MENGGUNAKAN RONSEN PANORAMIK GIGI DENGAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE
Lebih terperinciIMPLEMENTASI METODE MULTIPLE KERNEL SUPPORT VECTOR MACHINE UNTUK SELEKSI FITUR DARI DATA EKSPRESI GEN DENGAN STUDI KASUS LEUKIMIA DAN TUMOR USUS BESAR
IMPLEMENTASI METODE MULTIPLE KERNEL SUPPORT VECTOR MACHINE UNTUK SELEKSI FITUR DARI DATA EKSPRESI GEN DENGAN STUDI KASUS LEUKIMIA DAN TUMOR USUS BESAR Ariana Yunita 1 Chastine Fatichah 2 Umi Laily Yuhana
Lebih terperinciPENELITIAN OPERASIONAL I (TIN 4109)
PENELITIAN OPERASIONAL I (TIN 4109) Lecture 4 LINEAR PROGRAMMING Lecture 4 Outline: Simplex Method References: Frederick Hillier and Gerald J. Lieberman. Introduction to Operations Research. 7th ed. The
Lebih terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih terperinciSVM untuk Ranking. Model Linear
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciBentuk Standar. max. min
Teori Dualitas 2 Konsep Dualitas Setiap permasalahan LP mempunyai hubungan dengan permasalahan LP lain Masalah dual adalah sebuah masalah LP yang diturunkan secara matematis dari satu model LP primal 3
Lebih terperinciADLN Perpustakaan Universitas Airlangga
PERBANDINGAN METODE GENERALIZED CROSS VALIDATION DAN GENERALIZED MAXIMUM LIKELIHOOD DALAM REGRESI NONPARAMETRIK SPLINE UNTUK MEMPERKIRAKAN JUMLAH LEUKOSIT PADA TERSANGKA FLU BURUNG DI JAWA TIMUR RINGKASAN
Lebih terperinciMATEMATIKA EKONOMI 1 FUNGSI DAN GRAFIK. DOSEN Fitri Yulianti, SP, MSi.
MATEMATIKA EKONOMI 1 FUNGSI DAN GRAFIK DOSEN Fitri Yulianti, SP, MSi. Fungsi Fungsi merupakan hubungan antara dua variabel atau lebih. Variabel dibedakan : 1. Variabel bebas yaitu variabel yang besarannya
Lebih terperinciUML USE CASE DIAGRAM
UML USE CASE DIAGRAM "Get your team up to speed on these requirements so that you can all start designing the system." Happy Monday READING DOCUMENT REQUIREMENT The requirements are still a little fuzzy,
Lebih terperinciPEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG
PEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG T 610.28 PUT Abstrak Penelitian ini bertujuan untuk memperlihatkan suatu metoda pengenalan multi pola dari
Lebih terperinciIMPLEMENTASI DAN ANALISA GRANULAR SUPPORT VECTOR MACHINE DENGAN DATA CLEANING (GSVM-DC) UNTUK SPAM FILTERING
IMPLEMENTASI DAN ANALISA GRANULAR SUPPORT VECTOR MACHINE DENGAN DATA CLEANING (GSVM-DC) UNTUK E-MAIL SPAM FILTERING Moh.Mahsus 1, ZK. Abdurahman Baizal, SSi., M.Kom. 2, Shaufiah, ST., MT. 3 1,3 Program
Lebih terperinciClassification. Decision Tree. Decision Tree. Konsep Decision Tree. Penggunaan Decision Tree. When To Consider Decision Tree?
Classification Decision Tree esi 09 Dosen Pembina : Danang Junaedi IF-UTAMA 1 IF-UTAMA Konsep Decision Tree Decision Tree Mengubah data menjadi pohon keputusan (decision tree) dan aturan-aturan keputusan
Lebih terperinciALGORITMA DOUBLE SCALING UNTUK MENYELESAIKAN PERMASALAHAN MINIMUM COST FLOW DAN IMPLEMENTASINYA PADA PROGRAM KOMPUTER
ALGORITMA DOUBLE SCALING UNTUK MENYELESAIKAN PERMASALAHAN MINIMUM COST FLOW DAN IMPLEMENTASINYA PADA PROGRAM KOMPUTER Agustina Ardhini 1, Sapti Wahyuningsih 2, Darmawan Satyananda 3 Jurusan Matematika,
Lebih terperinciEasy & Simple - Web Programming: Belajar Pemprograman Website Secara Efektif dan Efisien (Indonesian Edition)
Easy & Simple - Web Programming: Belajar Pemprograman Website Secara Efektif dan Efisien (Indonesian Edition) Rohi Abdulloh Click here if your download doesn"t start automatically Easy & Simple - Web Programming:
Lebih terperinciDependent VS independent variable
Kuswanto-2012 !" #!! $!! %! & '% Dependent VS independent variable Indep. Var. (X) Dep. Var (Y) Regression Equation Fertilizer doses Yield y = b0 + b1x Evaporation Rain fall y = b0+b1x+b2x 2 Sum of Leave
Lebih terperinciLAPORAN TUGAS AKHIR. Disusun oleh: Franky
LAPORAN TUGAS AKHIR Analisis Sentimen Menggunakan Metode Naive Bayes, Maximum Entropy, dan Support Vector Machine pada Dokumen Berbahasa Inggris dan Dokumen Berbahasa Indonesia Hasil Penerjemahan Otomatis
Lebih terperinciIMPLEMENTASI METODE SUPPORT VECTOR MACHINE DALAM KLASIFIKASI KUALITAS PRODUK FURNITURE PADA PT. HERDEX SEJAHTERA
IMPLEMENTASI METODE SUPPORT VECTOR MACHINE DALAM KLASIFIKASI KUALITAS PRODUK FURNITURE PADA PT. HERDEX SEJAHTERA Hendra Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang, Indonesia hendra@mhs.dinus.ac.id
Lebih terperinciComparative Statics Slutsky Equation
Comparative Statics Slutsky Equation 1 Perbandingan Statis Perbandingan 2 kondisi ekuilibrium yang terbentuk dari perbedaan nilai parameter dan variabel eksogen Contoh: Perbandingan 2 keputusan konsumen
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Program Integer Program Integer merupakan pengembangan dari Program Linear dimana beberapa atau semua variabel keputusannya harus berupa integer. Jika hanya sebagian variabel
Lebih terperinciOPTIMASI MASALAH TRANSPORTASI MENGGUNAKAN METODE POTENSIAL PADA SISTEM DISTRIBUSI PT. MEGA ELTRA PERSERO CABANG MEDAN SKRIPSI
OPTIMASI MASALAH TRANSPORTASI MENGGUNAKAN METODE POTENSIAL PADA SISTEM DISTRIBUSI PT. MEGA ELTRA PERSERO CABANG MEDAN SKRIPSI DIAH PURNAMA SARI 090803062 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinci