Pengembangan Metode Pengelompokan Obyek Penutup Lahan Dan Parameter Sosial-Ekonomi Untuk Daerah Kalimantan Barat
|
|
- Sri Indradjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Pengembangan Metode Pengelompokan Obyek Penutup Lahan Dan Parameter Sosal-Ekonom Untuk Daerah Kalmantan Barat Oleh: W. Setawan, A. Murn, B. Kusumoputro, dan D. Hardanto. PENDAHULUAN Peneltan n bertuuan untuk melakukan perenanaan pemanfaatan lahan berdasarkan analss potensal lahan dan konds sosal-ekonom. Sumber data yang akan dgunakan adalah data sensor Landsat ETM (Land Satellte Enhaned Themat Mapper yang terdr dar 7 band multspektral dan band pankromatk serta data sosal-ekonom yang dkumpulkan dar lapangan. Analss utama yang akan dlakukan adalah untuk tuuan perenanaan area hutan, permukman, dan daerah pessr. Tga dasar pertmbangan telah dadkan dasar dalam pendekatan pengembangan metode pengelompokan. Ketga dasar pertmbangan tersebut melput: ( penggunaan pendekatan kombnas metode klasfkas tanpa pengarahan (unsupervsed dan dengan pengarahan (supervsed; ( penggunaan pendekatan arngan syaraf truan untuk metode klasfkas; dan ( penggunaan asums dstrbus Gaussan untuk data Landsat ETM. Dasar pertmbangan yang pertama adalah penggunaan kombnas pengenalan obyek tanpa pengarahan (unsupervsed dan pengelompokan obyek dengan pengarahan (supervsed. Pengguna paket komersal sepert ER Mapper dan ERDAS uga serng menggunakan pendekatan kombnas n melalu fasltas lusterng (unsupervsed dan fasltas klasfkas dengan set sample pembelaaran (supervsed sepert metode maxmum-lkelhood atau metode mnmum-dstane. Menurut pengalaman, pendekatan n memang dapat memperbak hasl klasfkas yang hanya menggunakan pendekatan supervsed. Dasar pertmbangan yang kedua adalah penggunaan arngan syaraf truan (artfal neural network. Metode klasfkas (pengelompokan dengan neural network dplh, karena danggap dapat lebh bak dalam menyelesakan masalah-masalah unertantes dbandngkan metode yang konvensonal sepert pendekatan statstk. Jarngan Self-Organzng Mapper (SOM merupakan pendekatan unsupervsed, mempunya kemampuan yang epat untuk konvergen tetap kurang mempunya
2 kemampuan pengenalan. Sebalknya arngan Bak Propagaton (BP merupakan pendekatan supervsed yang lambat konvergen tetap mempunya kemampuan pengenalan yang lebh tngg. Dasar pertmbangan yang ketga adalah penggunaan model Gaussan untuk data tra sensor optk. Ctra Landsat ETM termasuk sensor optk dan pengklasfkas Gaussan maxmum lkelhood telah seara luas dgunakan. Metode pengelompokan data sosal-ekonom yang dusulkan adalah metode hbrda arngan SOM (Self-Organzng Map yang bersfat unsupervsed dan arngan BP (Bak Propagaton yang bersfat supervsed. Jarngan BP n menggunakan keluaran dar SOM sebaga sampel-sampel yang sudah dkelompokkan. Metode pengelompokan yang dgunakan untuk klasfkas tra Landsat ETM adalah arngan PNN (Probablst Neural Network dengan model Gaussan yang doptmsas dengan algortma EM (Expetaton-Maxmum. Sebaga perbandngan metode hbrda SOM-BP uga dgunakan untuk klasfkas tra Landsat ETM. 2. PERMASALAHAN DAN TUJUAN PENELITIAN Tuuan peneltan n adalah menghaslkan suatu sstem perenanaan tata wlayah dan pengembangan daerah dengan analss ambang batas yang berdasarkan analss potensal lahan dan potensal sosal ekonom. Fokus peneltan pada perode tahun 2003/2004 adalah pengembangan metode klasfkas penutup lahan untuk tra Landsat ETM dan metode klasfkas parameter sosal ekonom. Fokus peneltan pada perode tahun 2004/2005 adalah menerapkan atau melakukan valdas metode tersebut sesua dengan kelas obyek penutup lahan yang dbutuhkan untuk analss. Pada proses valdas dan penyempurnaan sstem akan dtentukan obyekobyek yang ngn dkenal dan sampel-sampel yang lebh akurat dan dperoleh dar pakar. Selan tu pada stud lebh lanut dharapkan data untuk parameter sosal ekonom sudah terseda. Pengembangan arngan hbrda SOM dan BP akan dgunakan untuk klasfkas parameter sosal ekonom dan untuk klasfkas tra Landsat ETM. Sedangkan arngan PNN Gaussan-EM akan dgunakan untuk
3 klasfkas tra Landsat ETM. Analss knera dan tngkat generalsas metode akan dlakukan dengan ndkator kesalahan klasfkas berdasarkan user s auray, produer s auray dan statstk Kappa. 3. METODE KLASIFIKASI DATA BERDASARKAN JARINGAN HIBRIDA SOM-BP Untuk mendapatkan keuntungan-keuntungan dar Self-Organzed Mapper (SOM dan Bak Propagaton (BP agar arngan dapat epat konvergen dan mempunya kemampuan pengenalan yang tngg, maka akan dgunakan suatu arngan yang terdr dar modul yang self-organzed dan modul bak propagaton sebaga supervsor. Berkut dbahas arstektur arngan hbrda SOM-BP serta ara bekeranya. Pelathan dan pengenalan mash belum dlakukan dengan data sebenarnya, karena data belum terseda. Renananya data sosal ekonom yang akan dgunakan melput data tenaga kera, parameter ekonom dan parameter lngkungan. Data yang sementara dgunakan adalah data serupa yang terdr dar 6 (enam parameter yang melput data sosal, ekonom dan lngkungan. 3.. Konsep Jarngan Self-Organzng Mapper (SOM Jarngan SOM merupakan arngan neural buatan yang banyak dterapkan pada persoalan klasterng dengan kemampuan melakukan pembelaaran dalam tempo yang sngkat. Dalam persoalan klasterng, arngan SOM standar tdak mengenal kemampuan beradaptas dengan pola masukan. Setap pola masukan akan dpaksa untuk masuk ke salah satu klaster yang telah ada walaupun sebenarnya pola masukan baru auh dar klaster yang ada. Berkut dbahas arstektur, proses pembelaaran dan algortma arngan SOM Arstektur Jarngan SOM Arstektur arngan SOM dapat dgambarkan dengan skema dagram pada Gambar berkut n.
4 X W Y X Y J Xn W nm Y m Gambar. Arstektur arngan SOM. Jarngan SOM merupakan arngan laps tunggal yang mem-punya satu laps hubungan bobot (W. Neuron dapat dbedakan atas neuron masukan (X yatu neuron yang menerma snyal dar luar dan neuron keluaran (Y yang merupakan neuron respon dar arngan. Setap vektor masukan berkorespondens dengan satu neuron keluaran dan menympan karakterstk atau sfat tertentu yang dmlk vektor masukan tersebut. Pada suatu saat hanya ada satu neuron keluaran yang aktf, sedangkan neuron keluaran yang lan bersfat pasf. Neuron yang aktf dsebut dengan neuron pemenang. Pada arngan SOM standar, umlah neuron d laps keluaran dtentukan lebh dulu, dan tergantung pada umlah klaster yang dngnkan, sepert algortme K-Mean lusterng. Pada peneltan n umlah klaster dlakukan seara adaptf dengan menentukan suatu parameter nla ambang arak antar klaster. Nla ambang n berpengaruh pada umlah klaster yang akan dperoleh Pembelaaran Jarngan SOM Pembelaaran pada arngan SOM merupakan pembelaaran kompets. Dalam pembelaaran n, neuron-neuron keluaran berkompets dantara
5 mereka untuk menad neuron pemenang. Berbeda dengan pembelaaran supervs dmana semua neuron keluaran aktf bersama-sama, pada pembelaaran kompets hanya satu neuron yang aktf pada satu saat. Setap neuron seara khusus mempelaar suatu set pola tertentu dan menad pendeteks karakterstk pola tersebut. Msalkan neuron yang menad pemenang adalah neuron ke-, nla aktvas neuron (y lebh besar dbandng neuron lannya untuk suatu pola masukan x. Jka sebuah neuron tdak merespon terhadap suatu pola tertentu (neuron yang kalah, pembelaaran tdak dlakukan pada neuron tersebut. Msalkan w menyatakan bobot dar neuron masukan ke neuron keluaran, maka koreks bobot ( w yang dterapkan pada bobot w adalah: w 0 x w ka neuron ke menang ka neuron ke kalah Konvergens arngan dapa dengan ara menurunkan nla yang merupakan keepatan pembelaaran arngan untuk setap epohnya. Karena hanya ada satu neuron yang aktf pada satu saat, maka harus dtentukan vektor masukan x yang sesua dengan vektor bobot w dengan ara menar arak yang palng mnmum antara vektor bobot dan vektor masukan. Cara untuk menentukan arak yang palng mnmum bermaammaam, dantaranya nner produt dan arak euldean. Nla nner produt (w T x untuk =, 2.., N yang palng maksmum menyatakan smlartas atau kemrpan yang palng tngg antara vektor masukan dengan pusat klaster yang dnyatakan dengan vektor bobot. Hasl nner produt menentukan pada neuron mana proses komputas nla aktvas akan dlakukan. Proses menar nla nner produt yang palng maksmum setara dengan proses menar nla euldean yang palng mnmum. Setap vektor masukan dlokalsas pada suatu wlayah tertentu. Msalkan vektor masukan adalah: x [ x, x2... xp] T p umlah neuron masukan Vektor bobot dar neuron masukan ke neuron keluaran dnyatakan dengan w w, w 2... wn, T umlah neuron keluaran Pada arngan SOM standar basanya dgunakan arak euldean yang palng mnmum (mnmum-euldean dstane norm. Msalkan (x menyatakan neuron yang palng sesua untuk vektor masukan x, seara matemats dapat dnyatakan : n
6 ( x arg mn x( n w N,, 2,..., dmana. menyatakan euldean norm dar argumen vektor Algortma Pengklasfkas SOM Seara rngkas algortma arngan SOM dapat drn sebaga berkut: Langkah 0: Insalsas bobot-bobot w (basanya random antara 0 s/d 0.5 Langkah : Jka konds hent gagal, lakukan langkah 2-8. Langkah 2: Untuk setap vektor masukan x, lakukan langkah 3 sampa 5 Langkah 3: Untuk setap, htung: D( w x Langkah 4: Temukan ndeks sehngga D( mnmum Langkah 5: Untuk setap neuron dan untuk semua neuron : w 2 ( baru w ( lama x w ( lama Langkah 6: Perbak keepatan pembelaaran (mula dengan 0.5 dan turunkan 0.0 Langkah 7: Kurang radus ketetanggaan klaster bla dperlukan Langkah 8: Tes konds hent 3.2. Konsep Jarngan Bak Propagaton (BP Propagas balk adalah salah satu ens pembelaaran untuk arstektur arngan perseptron laps amak. Arstektur arngan perseptron laps amak, mempunya lebh dar satu laps tersembuny, namun yang akan dbarakan dsn hanya dengan satu laps tersembuny. Berkut dbahas arstektur, proses pembelaaran dan algortma arngan BP Arstektur Jarngan BP Arstektur arngan BP daoat dgambarkan dengan skema sepert dapat dlhat d Gambar 2.
7 X V Z W Y X Z Y k X n V nm Z p W nm Y m Gambar 2. Arstektur Jarngan BP Pembelaaran Jarngan BP Proses pembelaaran BP terdr dar 3 fase: fase mau, 2 fase balk, dan 3 fase memperbak bobot. Setap neuron masukan (X menerma snyal masukan dan menyebarkannya ke setap neuron pada laps tersembuny (Z Zp. Setap neuron pada laps tersembuny menghtung aktvasnya dan mengrm snyalnya (z ke setap neuron keluaran. Neuron keluaran(yk menghtung aktvasnya (yk membentuk respon arngan terhadap suatu pola masukan yang dberkan. Selama pembelaaran, setap neuron keluaran membandngkan aktvasnya (yk dengan target (tk besar kesalahan aktvas arngan terhadap target. Berdasarkan kesalahan n, faktor k (k= m dhtung. k dgunakan untuk mendstrbuskan kesalahan pada neuron keluaran Yk ke semua neuron pada laps sebelumnya (laps tersembuny. k uga akan dgunakan untuk memperbak bobot antara laps keluaran dan laps tersembuny. Dengan ara yang sama, faktor (= p dhtung untuk setap unt pada laps tersembuny Z. Tdak perlu untuk mempropagaskan balk kesalahan sampa pada laps masukan, tap dgunakan untuk memperbak bobot antara laps tersembuny dan laps masukan. Setelah semua faktor dtentukan, bobot
8 untuk semua laps dperbak seara serentak. Perbakan bobot wk (dar neuron d laps tersembuny ke neurn d laps keluaran berdasarkan faktor k dan aktvas (z laps tersembuny. Perbakan bobot v (dar neuron masukan ke neuron laps tersembuny berdasarkan faktor dan aktvas x dar neuron masukan Metode Gradent Desent Jarngan propagas balk mempunya paradgma pembelaaran dengan pengarahan dan algortma koreks kesalahan. Setap pola masukan mempunya pasangan dengan suatu target yang telah dtentukan. Ide pembelaaran pada arngan propagas balk membuat keluaran arngan menad semrp mungkn dengan targetnya, atau kesalahan (perbedaan antara keluaran arngan dan target menad sekel mungkn. Metode yang dgunakan untuk memperbak bobot dsebut metode gradent desent. Dengan metode n, kesalahan merupakan fungs dar bobot. Bobot yang dubah seara teratf akan menyebabkan kesalahan makn kel. Dperlukan untuk menar bobot dmana nla kesalahan palng mnmum. Jka bobot lebh dar satu maka ddapatkan rata-rata kesalahan (meansquared error. Untuk satu pola masukan p, ddapatkan kesalahan sebesar Ep yang merupakan fungs bobot, maka kesalahan untuk semua pola adalah E= Ep(w, w2 wn, basanya ddefnskan sebaga kuadrat selsh antara keluaran (yp dan target (tp.
9 Meansquared error (E E mn 0 w akhr w(n Maka : E Gambar 3 : Grafk Kesalahan 2 p n t p y p 2 Dalam menar ttk terendah dar kurva kesalahan, koreks bobot adalah gradent kurva dengan arah yang berlawanan dengan vektor bobot. Ddefnskan: w : konstanta postf. E w
10 Konvergens Algortma propagas balk adalah pendekatan turunan pertama dar tehnk steepest desent, dmana a tergantung pada graden permukaan kesalahan pada ruang bobot pada satu waktu tertentu. Algortma bersfat stohast, sehngga a enderung beralan zgzag untuk menar arah yang benar dalam menentukan permukaan kesalahan yang palng mnmum. Pembelaaran propagas balk merupakan aplkas metode statstk yang dsebut stohast approxmaton yang sfatnya adalah konvergens yang lambat dan mengakbatkan komputas menad mahal. Ada 2 hal yang menyebabkan kelambatan n:. Pemlhan permukaan kesalahan agak datar terhadap dmens bobot. 2. Arah vektor graden negatf yang auh dar permukaan kesalahan mnmum Loal Mnma Selan memlk sfat kelambatan dalam proses pembelaaran, unuk kera propagas balk uga dpengaruh oleh keberadaan lokal mnma dan global mnma. Lokal mnma yatu keadaan dmana bobot bernla mnmum akan tetap perubahan kel pada bobot akan menambah fungs kesalahan. Sedangkan global mnma yatu sekumpulan bobot yang bernla lebh kel dar lokal mnma namun arngan sepert mengalam sangkutan. Sampa saat n belum ada peneltan yang dapat mengatas lokal mnma maupun global mnma Algortma Jarngan BP Seara rngkas algortma BP dapat drn sebaga berkut: Langkah 0: Insalsas bobot Langkah : Jka konds hent tdak terpenuh, lakukan langkah 2-9 Langkah 2: Untuk setap pola nput, lakukan step 3 8 Feedforward: Pembelaaran pada layer Langkah 3: Setap neuron masukan (X = n menerma snyal masukan x dan menyebarkannya ke semua neuron pada laps tersembuny.
11 Langkah 4: Setap neuron pada laps tersembuny (Z, = p menumlahkan bobot-bobot snyal masukan, n dan menerapkannya pada fungs aktvas untuk menghtung snyal keluarannya, z f ( z _ n dan mengrm snyal n ke semua neuron pada laps keluaran Langkah 5: Setap neuron keluaran (Yk, k= m menumlahkan bobot snyal yang masuk, Bakpropagas error y _ n z _ n k x v dan mengaplkaskan fungs aktvasnya untuk menghtung snyal yang akan dkeluarkannya yk f ( y _ nk Langkah 6: Setap neuron keluaran (Yk, k= m menerma sebuah pola target yang berhubungan dengan pola masukan pelathan dan menghtung kesalahan nformas dengan mengalkan dengan turunan fungs aktvasnya k ( tk yk f '( y _ nk menghtung koreks bobot (yang akan dgunakan untuk memperbak wk nant, k dan mengrm k ke neuron laps tersembuny Langkah 7: Setap neuron tersembuny (Z, = p menumlahkan bobot setap neuron yang yang telah dkal dengan kesalahan nformasnya, m p z w k z k w k _ n w k k
12 Langkah 7 (lanutan: mengalkan dengan turunan fungs aktvasnya untuk menghtung kesalahan nformasnya, _ n menghtung koreks bobotnya (yang akan dgunakan untuk memperbak v nant Perbak bobot untuk proses selanutnya v x f '( z _ n Langkah 8: Setap neuron keluaran (Yk, k= m memperbak bobotnya (=0 p w ( new w ( old k k w k Setap neuron tersembuny (Z, = p memperbak bobotnya v ( new v ( old Langkah 9: Lakukan penguan konds hent. v 3.3. Konsep Jarngan Hbrda SOM dan BP Jarngan hbrda SOM dan BP pertama kal dperkenalkan oleh Myanaga et al., 998. Masalah yang dhadap pada peneltan tersebut adalah teradnya pembengkakan dalam hal umlah neuron klaster, sehngga menyultkan proses bak propagaton. Pada arngan SOM standar, umlah neuron d laps keluaran dtentukan lebh dulu, dan tergantung pada umlah klaster yang dngnkan, sepert algortme K-Mean lusterng. Pada peneltan n umlah klaster tdak dbatas. Untuk menghndar teradnya pembengkakan umlah neuron klaster, dgunakan pendekatan umlah neuron hdden yang lebh besar dar suatu konstanta k dkal umlah neuron masukan. Pada peneltan n mula-mula k dber harga 2 dan dtambah sampa dperoleh hasl keteltan yang ukup bak. Hasl ekspermen menunukkan bahwa k = 5 telah memberkan hasl yang bak. Jarngan hbrda n terdr dar 2 (dua laps, yatu: Laps pertama merupakan self-organzed layer (bagan SOM untuk data masukan
13 Laps kedua merupakan supervsed layer (bagan BP yang menentukan kelas suatu pola Pada konsep arngan hbrda SOM-BP, penggunaan arngan SOM dmaksud untuk melakukan proses pengelompokan tahap awal. Hasl pengelompokan n seolah-olah dgunakan sebaga sample untuk proses klasfkas dengan pendekatan supervsed dengan arngan BP. Hal tersebut dlakukan dengan menggunakan laps keluaran dar SOM sebaga laps tersembuny dar arngan BP. Arstektur arngan hbrda SOM-BP dapat dgambarkan sebaga Gambar 4. Neuron Neuron Pola atau Neuron Masukan Neuron Klaster Keluaran Neuron Tersembuny X V Z W Y X Z Y k X n V nm Z p W nm Y m SOM Gambar 4. Jarngan Hbrda SOM-BP. BP Laps Pertama (Self-Organzed Network / SOM Penambahan dan penghapusan suatu neuron pola (klaster berkatan dengan perepatan konvergens. Msalkan vektor data masukan dapat dnyatakan sebaga: x t [ x ( t, x ( t,... x n ( t] ( 2 dengan t suatu waktu nstan, n umlah sensor (atau feature yang dgunakan, dan T artnya transpose. T
14 Setap neuron klaster pada SOM menympan 3 (tga buah nformas, yatu: q Jumlah keanggotaan Pusat klaster y (t Pusat matrks varan kesalahan (error S (t dengan e x ( t y ( t adalah perbedaan antara nla data masukan dan nla pusat klaster dan p adalah umlah klaster, maka S ( t dag[ 2 2, ( t,,2( t,..., p ( t] 2 Tngkat keserupaan (smlarty value antara data masukan dan pusat klaster dapat dnyatakan dengan arak Mahalanobs M sebaga berkut: ( t exp( M 2n T dan M e ( t S e ( t dmana 0 merupakan retfaton fator Laps Kedua (supervsed pereptron / BP Supervsed layer bertugas untuk melakukan proses pengenalan. Laps n mempunya struktur yang sama dengan struktur output dar mult-layered pereptron neural network. Input dar laps n adalah nla smlarty yang dperoleh dar self-organzed layer. Output atvaton dhtung dengan menggunakan sgmod atvaton funton dan besarnya kesalahan (error dtentukan berdasarkan prosedur updatng bobot koneks. Artnya algortme supervsed layer sama dengan algortme bak propagaton untuk layer keluaran. Setelah bobot-bobot d-update pada supervsed layer, vektor klaster pada self-organzed module uga dupdate dengan propagated error dar aktvas neuron output dan vektor target (lhat prnsp algortme BP. Msalkan vektor target pada layer output adalah: g m ( t [ g( t, g 2 ( t,..., g ( t] dmana m adalah umlah kelas yang dtentukan.
15 Masukan ke supervsed layer adalah nla smlarty yang dperoleh dar output SOM ( t [ ( t, 2 ( t,..., m ( t] Neuron atvaton pada layer output dhtung dengan dmana k z m z ( t [ z( t, z2 ( t,..., z ( t] ( t sgmod[ sgmod( f e m f w k ( t ( t k ( t] w adalah bobot koneks antara neuron klaster dan neuron output dan k menyatakan suatu nla ambang Update bobot pada neuron output dan selanutnya mengkut algortme bakpropagaton: 4. METODE KLASIFIKASI DATA BERDASARKAN JARINGAN PNN GAUSSIAN DENGAN OPTIMASI ALGORITME EM 4.. Arstektur Jarngan PNN Gaussan dengan EM Skema arngan Probablst Neural Network (PNN Gaussan dapat dlhat d Gambar 5. Proses optmas dengan algortme Expetaton-Maxmum (EM merupakan sub-sstem dar sstem PNN Gaussan seara keseluruhan. PNN Gaussan yang dterapkan adalah yang ddeskrps oleh Donald et al., 99. Algortme EM yang dterapkan adalah sesua dengan penelasan Dempster et al., 997; Bruzzone et al., 999; dan Jakson et al., 200.
16 Input unt P P P m Q Q Q Pattern unt A Classfaton unt B Deson unt Gambar 5. Skema Jarngan PNN. Algortme PNN standar (Donald et al., 99 dapat delaskan sebaga berkut: Jarngan terdr dar 3 (tga laps, yatu: satu laps unt masukan, satu laps unt pola, dan satu laps unt keluaran Terdapat korespondens satu-satu antara unt pola dan vetor data masukan. Setap unt keluaran menyatakan satu kelas kategor onyek Unt pola terhubung ke unt keluaran ka dan hanya ka data yang bersangkutan termasuk kategor obyek yang sama Insalsas bobot o Vektor bobot dar unt pola ke- d-nsalsas dengan vektor nput ke- yang dnormalsas menad bernla antara 0 dan. o Vektor bobot dar unt keluaran d-nsalsas dengan vetor bernla. Perhtungan aktvas o Aktvas dar unt masukan dtentukan oleh data masukan yang dberkan ke arngan dan telah dnormalsas o Aktvas y dar unt pola dberkan oleh:
17 O exp[( W X / Smoothng parameter dber nla Dmana W adalah bobot hubungan antara unt masukan ke- dengan unt pola ke- dan X adalah aktvas dar nput ke- o Aktvas O dar unt keluaran dberkan oleh: O P( w m W O 2 ] dmana W adalah bobot hubungan antara unt pola ke- dengan unt keluaran ke-, dan m adalah umlah data pelathan per kelas yang destmas oleh w k yang berhubungan dengan unt keluaran k, dan P(w k adalah probabltas awal w k = /K dmana K adalah umlah kelas obyek. o Keputusan arngan adalah kelas yang mempunya unt keluaran dengan aktvas maksmum Pembelaaran Jarngan PNN adalah sebaga berkut: Nla bobot tdak pernah dubah Ketka ada data baru masuk, sebuah unt pola baru dtambahkan dan bobot yang berhubungan d-nsalsas dengan ara datas Pelathan arngan sfatnya nsalsas semua varabel, dan keputusan arngan adalah kelas yang mempunya unt keluaran dengan aktvas maksmum 4.2. Optmsas Dengan Algortma Expetaton- Maxmum (EM Algortme Expetaton-Maxmum (EM merupakan metode teratve untuk mendapatkan estmator maxmum lkelhood dar data pengamatan yang tdak lengkap. Permasalahan yang ngn dselesakan oleh EM adalah mengestmas parameter sehngga memaksmumkan fungs logartma lkelhood log L ( t f ( t. Dalam hal n algortme EM (m akan membangktkan barsan estmas { } { (0 }. dar suatu nla awal
18 Dalam setap teras EM terdr dar 2 (dua tahap, yatu (Dempster et al., 997:. Tahap ekspektas: merupakan perumusan nla ekspektas fungs lkelhood untuk pengamatanyang ukup / lengkap sebaga: ( m ( m E (log L( ( t x, Q(,. Dalam hal n x adalah vetor pengamatan yang tdak lengkap yang bersesuaan dengan t. (m 2. Tahap maksmalsas: nla drumuskan seara teratve, sehngga memaksmumkan Q (, (m. Perumusan nla tergantung pada karaktersas dstrbus ampuran kategor obyek yang teramat. Algortme EM dapat dnyatakan sebaga berkut:. Menentukan estmas awal parameter ; 2. m = 0; 3. Evaluas Q (, (0 (tahap ekspektas (m 4. Tentukan parameter, ( m ( m ( m ( m sehngga Q (, Q(, untuk setap vetor (tahap maksmalsas 5. Jka konvergens terapa, stop, dan estmas. Jka belum lakukan langkah m = m + dan kembal ke langkah 4. (0 (m sebaga hasl Pada peneltan n dlakukan optmsas dengan EM untuk mendapatkan optmum probabltas posteror. Mekansme EM yang dgunakan dapat delaskan sebaga berkut. Dstrbus pengamatan x dnyatakan sebaga (Jakson et al., 200: dengan f ( x,., L f ( x L adalah probabltas pror (,..., L,,..., L merupakan parameter ampuran x = (x,..,x n adalah sample pelathan (,..., L kategor kelas obyek
19 Tahap ekspektas dnyatakan dengan persamaan: ( x L f ( x f ( x dmana adalah probabltas posteror Tahap maksmalsas dnyatakan dengan persamaan arg max( k L k ln f ( x k L n Algortma pelathan adalah sebaga berkut:. Menentukan fator bobot f ( x ( x L f ( x k k 2. Memaksmumkan fungs log lkelhood arg max( k n k ln f ( x k 3. Menentukan klasfkas x arg L maxln( f ( x x arg mn L d ( x dmana d (x adalah T d ( x ( x ( ( x ln
20 m n n x n m ( x n T Proses dlakukan seara teratve sampa nla perbedaan probabltas posteror pada suatu teras dan teras sebelumnya sudah mnmal. 5. PENERAPAN ALGORITME Algortme arngan hbrda SOM-BP dan arngan PNN Gaussan dengan optmas EM dterapkan dengan memanfaatkan alat bantu paket MATLAB Vers 6. Hal n dlakukan karena MATLAB Vers 6 telah banyak memuat fasltas pustaka dasar arngan syaraf truan sepert SOM dan BP. Pengembangan software dlakukan d Komputer PC Pentum IV. 6. HASIL EKSPERIMEN Berkut akan dsampakan hasl ekspermen yang telah dlakukan, terdr dar:. Pengklasfkas arngan hbrda SOM-BP dengan data sementara parameter sosal, ekonom dan lngkungan 2. Pengklasfkas arngan SOM-BP dengan data Landsat ETM daerah Kabupaten Bengkayang 3. Pengklasfkas arngan PNN Gaussan dengan optmas EM dengan data Landsat ETM daerah Kabupaten Bengkayang dan Sambas.
21 6.. Pengelompokan Parameter Sosal Ekonom dengan Jarngan Hbrda SOM-BP Data sementara parameter konstran sosal dan ekonom serta lngkungan dapat dlhat d Tabel. Tabel. Data Sementara Parameter Konstran. Parameter Tolok Ukur Komponen Ekonom Pertumbuhan Ekonom Tenaga Kera Ketersedaan Tenaga Kera Sumber Daya Alam Potens Sumber Daya Alam Sarana dan Prasarana Pasar dan Jarngan Mnat Investas Swasta / BUMN / Koperas / Masyarakat / Pemerntah Lngkungan Dampak Lngkungan. Produk Domestk Regonal Brutto 2. Daya tark nvestas. Jumlah 2. Mobltas. Lahan untuk pengembangan 2. Ar, eners, sda lannya. Aksesbltas pasar 2. Jarngan alan lokal Investas yang ada. Degradas Lngkungan 2. Gangguan permukman Karakterstk dar arngan yang dgunakan adalah sebaga berkut: Neuron masukan : 6 buah Neuron pola : 47 buah Neuron keluaran : 5 buah Tabel 2. Data Keteltan Hasl Klasfkas Data Sosal Ekonom dengan SOM-BP. Kelas Kelas- Kelas-2 Kelas-3 Kelas-4 Kelas-5 Pksel Produer s Auray Kelas Kelas Kelas Kelas Kelas Pksel Overall User s Auray Auray (OA = % PA avr= 9.778% UA avr= %
22 6.2. Klasfkas Ctra Landsat ETM dengan Jarngan Hbrda SOM-BP Gambar 6 menunukan salah satu band (yatu band 5 dar data Landsat ETM daerah kabupaten Bengkayang, Kalmantan, yang dgunakan untuk ekspermen. Kelas- Kelas-2 Kelas-3 Kelas-4 Kelas-5 Gambar 6. Ctra Landsat ETM Band 5 daerah kabupaten Bengkayang. Jumlah sample pelathan dplh seara manual dan vsual berdasarkan petunuk nformas pendukung dar pakar atau dar peta yang ada. Ukuran endela sample adalah 0 x 0 pksel per kelas obyek penutup lahan. Untuk melakukan proses pelathan dan pengenalan telah dambl 25% (25 pksel dar sample untuk pelathan dan 75% (375 pksel untuk proses pengenalan. Karakterstk dar arngan SOM-BP yang dgunakan adalah sebaga berkut: Neuron masukan : 2 buah Neuron pola : 89 buah Neuron keluaran : 5 buah
23 Tabel 3. Data Keteltan Hasl Klasfkas Data Landsat ETM daerah kabupaten Bengkayang dengan arngan hbrda SOM-BP. Kelas Kelas- Kelas-2 Kelas-3 Kelas-4 Kelas-5 Pksel Produer s Auray Kelas Kelas Kelas Kelas Kelas Pksel Overall User s Auray Auray (OA PA avr = 95,30% UA avr = 95.20% Hasl dar proses klasfkas tra adalah suatu gambar tematk yang terdr dar pewlayahan obyek-obyek penutup lahan. Gambar tematk yang dperoleh dar ekspermen n dapat dlhat pada Gambar 7 (ada kesalahan pengrman gambar dan akan dperbak. Gambar 7. Ctra tematk Landsat ETM daerah kabupaten Bengkayang.
24 6.3. Klasfkas Ctra Landsat ETM dengan Jarngan PNN Gaussan Dengan Optmas Algortme EM Jumlah sample pelathan dplh seara manual dan vsual berdasarkan petunuk nformas pendukung dar pakar atau dar peta yang ada. Sampel yang dgunakan untuk proses pelathan dan proses pengenalan pada ekspermen n sama dengan sample yang dgunakan pada ekspermen pada bagan 6.2 dan dapat dlhat pada Gambar 6. Jarngan PNN dengan model Gaussan tanpa optmas atau dengan optmas algortme EM mempunya karakterstk sebaga berkut: Neuron masukan : 2 buah Neuron pola : 25 buah Neuron keluaran : 5 buah Tabel 4. Data Keteltan Hasl Klasfkas Data Landsat ETM daerah kabupaten Bengkayang dengan arngan PNN Gaussan. Kelas Kelas- Kelas-2 Kelas-3 Kelas-4 Kelas-5 Pksel Produer s Auray Kelas Kelas Kelas ,3 Kelas Kelas Pksel Overall Auray User s Auray (OA = 96.0% PA avr = 96,6% UA avr = 96,0% Tabel 5. Data Keteltan Hasl Klasfkas Data Landsat ETM daerah kabupaten Bengkayang dengan PNN Gaussan optmas algortme EM. Kelas Kelas- Kelas-2 Kelas-3 Kelas-4 Kelas-5 Pksel Produer s Auray Kelas Kelas Kelas Kelas Kelas Pksel Overall User s Auray Auray (OA = % PA avr = 98.9% UA avr = 98.9%
25 Gambar 8. Ctra tematk Landsat ETM daerah kabupaten Bengkayang, hasl klasfkas PNN Gaussan dengan optmas algortme EM. Ekspermen dengan data lan, yatu data Landsat ETM daerah kabupaten Sambas uga telah dlakukan. Ctra masukan dan daerah sampel yang dambl dapat dlhat d Gambar 9. Perbandngan umlah sampel pelathan dan testng adalah 25% dan 75%. Karakterstk dar arngan PNN Gaussan dengan optmas EM yang dgunakan adalah sebaga berkut: Neuron masukan : 2 buah Neuron pola : 50 buah Neuron keluaran : 6 buah
26 Ar Mangrove Pemukman Hutan- Hutan- Beluka Gambar 9. Ctra Landsat ETM daerah kabupaten Sambas. Tabel 6. Data Keteltan Hasl Klasfkas Data Landsat ETM daerah kabupaten Sambas dengan PNN Gaussan optmas algortme EM Obet Class Produer s Auray - PA (% 2, , , , , , User s Aura y - UA (% Overall Auray OA (% = 93.99% PA =94.9 9% UA =94.0 0%
27 Gambar 0. Gambar Tematk Landsat ETM daerah kabupaten Sambas. 7. KESIMPULAN Dar hasl ekspermen dapat dberkan beberapa rekomendas sebaga berkut:. Jarngan hbrda SOM dan BP dapat drekomendaskan sebaga metode pengelompokan parameter sosal, ekonom dan lngkungan. 2. Jarngan SOM dapat dgunakan seara terpsah untuk membantu memberkan nla kwanttas terhadap kualtas atau konds sosal, budaya dan lngkungan. 3. Jarngan PNN Gaussan dengan optmas EM dapat dgunakan sebaga alternatf yang bak untuk klasfkas tra Landsat ETM
BAB 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 terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB 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 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 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 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 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB 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 terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
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 terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN :
JURNA MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN : 1410-8518 MASAAH RUTE TERPENDEK PADA JARINGAN JAAN MENGGUNAKAN AMPU AU-INTAS Stud Kasus: Rute Peralanan Ngesrep Smpang ma Eko Bud
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBab V Aliran Daya Optimal
Bab V Alran Daya Optmal Permasalahan alran daya optmal (Optmal Power Flow/OPF) telah menjad bahan pembcaraan sejak dperkenalkan pertama kal oleh Carpenter pada tahun 196. Karena mater pembahasan tentang
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih 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 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 terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciBAB IV APLIKASI. Pada bagian ini akan dibahas bagaimana contoh mengestimasi. parameter model yang diasumsikan memiliki karateristik spasial lag
BAB IV APLIKASI Pada bagan n akan dbahas bagamana contoh mengestmas parameter model yang dasumskan memlk karaterstk spasal lag sekalgus spasal error. Estmas dlakukan dengan menggunakan software Evews 3
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciBAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
Lebih 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 terperinciMETODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciSEARAH (DC) Rangkaian Arus Searah (DC) 7
ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan
Lebih terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
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 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 terperinciKritikan Terhadap Varians Sebagai Alat Ukur
Krtkan Terhadap Varans Sebaga Alat Ukur Varans mengukur penympangan pengembalan aktva d sektar nla yang dharapkan, maka varans mempertmbangkan juga pengembalan d atas atau d bawah nla pengembalan yang
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
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 terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinci2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil
.1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 23-32, April 2001, ISSN :
JRNAL MATEMATIKA DAN KOMPTER Vol 4 No 1, 3-3, Aprl 1, ISSN : 141-51 KAJIAN DISKRETISASI DENGAN METODE GALERKIN SEMI DISKRET TERHADAP EFISIENSI SOLSI MODEL RAMBATAN PANAS TANPA SK KONVEKSI Suhartono dan
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Bab n akan menjelaskan latar belakang pemlhan metode yang dgunakan untuk mengestmas partspas sekolah. Propns Sumatera Barat dplh sebaga daerah stud peneltan. Setap varabel yang
Lebih terperinciSIMULASI OPTIMASI ALIRAN DAYA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAYA OPERASI
ISSN: 1693-6930 167 SIMULASI OPTIMASI ALIRAN DAA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAA OPERASI Subyanto Teknk Elektro Fakultas Teknk Unverstas Neger Semarang Gedung E6 Lt. Kampus Sekaran
Lebih terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciPENENTUAN DENSITAS PERMUKAAN
PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan
Lebih terperinciPENGURUTAN DATA. A. Tujuan
PENGURUTAN DATA A. Tuuan Pembahasan dalam bab n adalah mengena pengurutan data pada sekumpulan data. Terdapat beberapa metode untuk melakukan pengurutan data yang secara detl akan dbahas ddalam bab n.
Lebih terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciMETODE PENELITIAN. digunakan untuk mengetahui bagaimana pengaruh variabel X (celebrity
37 III. METODE PENELITIAN 3.1 Jens dan Sumber Data Jens peneltan yang dgunakan adalah peneltan deskrptf, yang mana dgunakan untuk mengetahu bagamana pengaruh varabel X (celebrty endorser) terhadap varabel
Lebih terperinciMANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN
MANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN By: Rn Halla Nasuton, ST, MT MERANCANG JARINGAN SC Perancangan jarngan SC merupakan satu kegatan pentng yang harus
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu
Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan
Lebih terperinciBOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL
BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL Analss sumbangan sektor-sektor ekonom d Bal terhadap pembangunan ekonom nasonal bertujuan untuk mengetahu bagamana pertumbuhan dan
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
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 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 terperinciBAB II KAJIAN TEORI. 2.1 Pendahuluan. 2.2 Pengukuran Data Kondisi
BAB II KAJIAN TEORI 2.1 Pendahuluan Model penurunan nla konds jembatan yang akan destmas mengatkan data penurunan konds jembatan dengan beberapa varabel kontnu yang mempengaruh penurunan kondsnya. Data
Lebih terperinciPost test (Treatment) Y 1 X Y 2
BAB III METODOLOGI PENELITIAN A. Metode Peneltan Metode Peneltan adalah cara lmah untuk memaham suatu objek dalam suatu kegatan peneltan. Peneltan yang dlakukan n bertujuan untuk mengetahu penngkatan hasl
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER
UNIVERSITAS DIPONEGORO 013 ISBN: 978-60-14387-0-1 FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI MAHASISWA FSM UNIVERSITAS DIPONEGORO SEMASTER PERTAMA DENGAN MOTODE REGRESI LOGISTIK BINER Saftr Daruyan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber
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 terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan quas expermental dengan one group pretest posttest desgn. Peneltan n tdak menggunakan kelas pembandng namun sudah menggunakan
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinci