PEMAMPATAN DATA CITRA BERWARNA DENGAN ALIHRAGAM WAVELET
|
|
- Sudirman Gunardi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PEMAMPATA DATA CITRA BERWARA DEGA ALIHRAGAM WAVELET HAAR Yul Astran*, Achmad Hdayatno**, R.Rzal Isnanto** Abstrak- Selama n belum pernah dlakukan peneltan mengena pemampatan data ctra berwarna menggunakan alhragam wavelet Haar dengan penyandan Hufman. Oleh karena tu, pada tugas akhr n dbuat perangkat lunak sstem pemampat data ctra berwarna dengan alhragam wavelet Haar dan penyandan Huffman. Langkah-langkah pada peneltan n antara lan : penerapan dekomposs ctra menggunakan metode dekomposs baku alhragam wavelet Haar dmens, pengenolan, kuantsas, dan penyandan koefsen ctra dengan metode penyandan Huffman, merekonstruks ctra dar koefsen ctra termampat, mengukur knera sstem pemampatan ctra menggunakan parameter PSR, ndeks kualtas, dan raso pemampatan. Dar hasl peneltan dapat dsmpulkan bahwa dekomposs baku alhragam wavelet Haar hanya bsa bekera dengan bak pada ctra dengan ukuran x M. la raso pemampatan yang dhaslkan alhragam wavelet Haar dengan penyandan Huffman auh besar ka dbandngkan raso pemampatan yang hanya menggunakan penyandan Huffman. Jka ctra u mempunya detl yang lebh seragam akan dperoleh raso pemampatan yang semakn besar, begtu uga ndeks kualtas yang dperoleh akan semakn besar. Pengenolan koefsen yang bernla kecl menghaslkan raso pemampatan yang semakn besar sedangkan ndeks kualtas yang dperoleh semakn kecl. Kata-kunc - alhragam wavelet Haar, dekomposs, rekonstruks, pengenolan, penyandan Huffman, ndeks kualtas. I. PEDAHULUA. Latar Belakang Karakterstk nformas dgtal, termasuk ctra dgtal antra lan : lebh mudah untuk dolah, dsmpan dan ddstrbuskan. Akan tetap perubahan snyal nformas dar bentuk analog ke bentuk dgtal menyebabkan penngkatan kebutuhan lebar bdang (bandwth) dan memor yang cukup besar, oleh karena tu dperlukan teknk untuk memampatkan umlah bt data dgtal tersebut. Salah satu cara untuk memampatkan data ctra dgtal adalah dengan alhragam wavelet Haar. Secara umum metode alhragam wavelet Haar untuk pemampatan ctra adalah dengan mendekomposs nla pksel dar ctra, yatu dengan menghtung rata-rata dar nla pksel secara berpasangan secara rekursf dan uga menghtung koefsen detlnya (koefsen selsh). Semakn besar resolus ctra maka nla koefsen detlnya akan semakn kecl, sehngga memungknkan untuk mengenolkan (zerong) koefsen detl yang bernla kecl dan menghaslkan galat yang kecl pada ctra rekonstruksnya sehngga memungknkan pemampatan ctra secara berug. * Mahasswa Teknk Elektro Unverstas Dponegoro ** Dosen Teknk Elektro Unverstas Dponegoro Untuk mengetahu knera sstem pemampat ctra yang menggunakan alhragam wavelet Haar, maka perlu dbuat suatu perangkat lunak menggunakan alhragam wavelet Haar dan penyandan Huffman. Knera sstem pemampat n dukur dengan menghtung parameterparameter raso pemampatan, PSR,dan ndeks kualtas.. Tuuan Tuuan penyusunan Tugas Akhr n adalah untuk memampatkan data ctra berwarna dengan menggunakan alhragam wavelet Haar sehngga dhaslkan berkas ctra berwarna dengan umlah bt yang lebh sedkt dengan kualtas ctra termampat yang bagus..3 Batasan Masalah Adapun yang menad batasan masalah dalam Tugas Akhr n adalah:. Proses pemampatan data ctra dgtal pada tugas akhr n adalah : mendekomposs ctra menggunakan dekomposs baku alhragam wavelet Haar dmens, zerong, penyandan Huffman, rekonstruks baku ctra dmens.. Jens ctra yang dgunakan dalam penguan adalah ctra berwarna, dengan ekstens.bmp 4 bt dengan ukuran ctra x M pksel, M dan adalah blangan bulat > 0. Pengolahannya pada ctra tunggal tak bergerak. 3. Analss unuk-kera pemampatan ctra yang telah dbuat dengan parameter raso pemampatan, PSR, dan ndeks kualtas Wang-Bovk. 4. Program bantu yang dgunakan untuk membuat smulas tugas akhr n adalah bahasa pemrograman Vsual C++. II. DASAR TEORI. Warna YIQ Warna-warna yang kelhatan pada dasarnya tersusun dar tga warna prmer merah, hau, dan bru. Industr pertelevsan dan vdeo telah melakukan peneltan untuk menghaslkan model perseps warna yang seragam untuk mendapatkan kualtas kompres yang tngg. Dua model yang dkembangkan oleh ndustr vdeo adalah YIQ dan YUV. YUV dgunakan oleh standar Betamax, PAL, dan SECAM (televs Eropa), sedangkan YIQ dgunakan pada standar TSC (televs Amerka). Pada dasarnya YIQ adalah YUV dengan optmalsas faktor penskalaan untuk mengurang bandwdth, dengan Y adalah nla lumnans ctra sedangkan I dan Q adalah nla kromats ctra. Untuk mengubah nla RGB menad YIQ adalah sebaga berkut: Y 0,99 0,587 0,4 R I 0,595 0,74 0,3 G () Q 0, 0,53 0,3 B Halaman dar 7
2 Untuk merekonstruks nla YIQ kembal ke nla RGB adalah dengan nvers matrks pada persamaan (), dperoleh persamaan sebaga berkut. R 00, 0, 957 0, 6 Y G 0 0, 73 0, 647 I () B 0, , 700, Q. Alhragam Wavelet Haar Analss dengan wavelet Haar yatu, pertama-tama anggap suatu ctra dengan resolus pksel sebaga fungs kotak dengan nterval setengah terbuka [0, ], (fungs dengan nterval setengah terbuka [a, b] adalah fungs yang terdr atas semua nla x pada rentang a x b ). Kemudan dmsalkan V 0 adalah ruang vektor (vector space) dar fungs tersebut (ruang vektor adalah sekumpulan dar vektor yang ddalamnya bsa dlakukan penambahan dan perkalan skalar). Dar keterangan d atas, bsa danalogkan bahwa ctra dengan pksel adalah fungs kotak dengan nterval [0, ½] dan [½, ], dan dnotaskan V sebaga ruang vektor dar fungs tersebut. Jad, V adalah ruang vektor yang terdr atas subnterval. Fungs bass dar ruang V adalah fungs penskalaan. Karena vektor n adalah fungs yang terdefns pada nterval unt, maka setap vektor V terdapat dalam vektor V +. Sebaga contoh, ctra dengan fungs yang terdr atas bass bsa danalss menggunakan fungs 4 bass, dengan setap nterval pada fungs yang pertama berhubungan dengan pasangan nterval yang kedua. x x = 0,,,... - (3) dengan untuk 0 x x 0 untuk yang lan Tahap selanutnya adalah pendefnsan perkalan dalam sebaga syarat analss multresolus, msalkan W adalah komplemen ortogonal dar V pada V +, maka: xv x d x W V W 0 (4) 0 Sekumpulan fungs yang bebas secara lner dar W dsebut wavelet x. Fungs bass mempunya propert yang pentng, yatu:. Fungs bass dar W, bersama dengan fungs bass dar V membentuk bass untuk V +.. Setap fungs bass dar W adalah ortogonal dengan semua fungs bass dar V. Wavelet yang berhubungan dengan bass kotak dsebut wavelet Haar, dengan : x x = 0,,... - (5) dengan untuk 0 x x untuk / x 0 untuk yang lan * Mahasswa Teknk Elektro Unverstas Dponegoro ** Dosen Teknk Elektro Unverstas Dponegoro Wavelet Haar selan mempunya sfat ortogonal uga u x mempunya sfat normalsa. Suatu fungs dkatakan ternormalsas ka dnormalsas dengan defns: x x x x u u =. Bass Haar bsa (5) (6) dengan konstanta dplh untuk memenuh u u = dar standar perkalan dalam. Cara kera wavelet Haar dalam pemrosesan snyal dapat dlustraskan sebaga berkut, msalnya terdapat sebuah snyal atau ctra dgtal berdmens satu dengan resolus 4, yatu : [ ]. Untuk mengurakannya menad deret Haar, mula-mula dhtung nla rataratanya sepasang dem sepasang, sehngga dperoleh : [ 8 4 ], untuk dapat memperoleh ctra semula, perlu dcatat koefsen detl yang memuat nformas yang dlakukan. Ctra semula dapat dperoleh dengan cara menambah dan mengurang nla rata-rata tad dengan koefsen detl n. Pada contoh, 9 dan 7 dapat dperoleh kembal dar 7 dengan cara menambah dan mengurangnya dengan. Jad, koefsen detl pertama adalah. Sementara tu 3 dan 5 dapat dperoleh kembal dar 4 dengan cara menambah dan mengurangnya dengan. Jad, koefsen detl kedua adalah -. Selanutnya, dhtung lag nla rata-rata dar 8 dan 4 sehngga dperoleh 6, dan dcatat koefsen detlnya, yatu. Tabel Hasl dekomposs penuh ctra empat pksel. Resolus Rerata Koefsen detl 4 [ ] _ [8 4] [ -] [6] [] Jad, dengan meggunakan wavelet Haar, ctra dgtal [ ] dtransformaskan menad deret [6 -]. Dengan defns propert wavelet, koefsen baru yang tenormalsas dperoleh dengan membag setap koefsen yang lama sesua dengan superscrptnya yatu dbag dengan. Jad dar contoh dekomposs pada Tabel ddapat koefsen yang tdak ternormalsas [6 -], setelah dnormalsas menad [6 ]..3 Zerong Tuuan pemampatan data ctra berug dengan alhragam wavelet Haar adalah untuk menyakan ctra dengan fungs bass yang lebh sedkt. Salah satu cara untuk mendapatkan fungs bass yang lebh sedkt adalah dengan meng-nol-kan (zerong) koefsen hasl dekomposs ctra yang bernla kecl sehngga. Berkut adalah langkah-langkah zerong untuk memampatkan ctra:. Data ctra yang telah dperoleh ddekomposs dengan alhragam wavelet Haar -D.. Penentuan ambang untuk proses zerong dengan galat yang mash dapat dtolerans. 3. Koefsen dekomposs yang berada d bawah nla ambang dnolkan. Halaman dar 7
3 Pada TA n nla ambang untuk masng-masng koefsen YIQ adalah sebaga berkut.. Untuk koefsen Y : dar 0,050 sampa 0,050. Untuk koefsen I : dar 0,50 sampa 0,50 3. Untuk koefsen Q : dar 0,50 sampa 0,50 Penentuan nla ambang pengenolan n berbeda karena, mata manusa lebh peka terhadap perubahan Y (lumnans / kecerahan) dbandngkan perubahan koefsen I dan Q (nla kromats ctra)..4 Kuantsas dan Dekuantsas Koefsen ctra hasl alhragam wavelet membutuhkan ruang yang lebh besar untuk menympan darpada pksel-pksel ctra basa, oleh karenanya dbutuhkan proses kuantsas. Kuantsas secara sederhana merupakan proses untuk mengurang umlah bt yang dbutuhkan untuk menympan sebuah nla blangan bulat dengan mengurang keteltan blangan bulat. Kuantsas yang dgunakan pada tugas akhr n adalah kuantsas skalar seragam, yatu mengolah tap pksel sendr-sendr menad nla yang dharapkan. Proses kuantsas pada TA n sangat sederhana, yatu mengubah koefsen teralhragam yang berupa blangan desmal menad blangan bulat. Tetap terlebh dulu koefsen teralhragam n dkalkan dengan blangan 0 untuk ukuran ctra lebh kecl atau sama dengan 56 x 56 pksel, sedangkan ctra yang berukuran lebh besar dkalkan dengan blangan 00. Proses pengalan dengan blangan 0 atau 00 bertuuan agar atau angka yang berada d belakang koma koefsen teralhragam tdak kut terpotong saat proses pembulatan, sehngga nformas yang hlang tdak terlalu banyak. Proses dekuantsas adalah kebalkan dar proses kuantsas. Dekuantsasnya dlakukan dengan membag koefsen hasl kuantsas dengan blangan 0 untuk ctra berukuran sama atau lebh kecl dengan 56 x 56 pksel, sedangkan ctra yang berukuran lebh besar dbag dengan blangan 00. Hasl proses dekuantsas berupa blangan desmal dengan atau angka dbelakang koma yang besarnya mendekat nla koefsen teralhragam mula-mula..5 Penyandan Huffman Sand Huffman menggunakan panang sand yang berbeda-beda dan terdr atas bt 0 dan untuk menyandkan karakter atau smbol lan. Sand Huffman menyandkan karakter yang serng muncul dengan panang sand yang lebh kecl sedangkan untuk karakter yang arang muncul dengan sand yang panang. Algortma Huffman adalah algortma kompres statstk yang uga menghtung sand prefks, artnya sand yang satu bukan merupakan prefks sand yang lan. Algortma Huffman memula perhtungan sand dengan menghtung statstk semua karakter, kemudan memaka satstk tersebut untuk menghtung sebuah pohon bner yang dsebut Huffman tree. Contoh : akan dsandkan karakter-karakter dar udul tugas akhr n yatu PEMAMPATA DATA CITRA BERWARA DEGA ALIHRAGAM * Mahasswa Teknk Elektro Unverstas Dponegoro ** Dosen Teknk Elektro Unverstas Dponegoro WAVELETE HAAR, dar udul tersebut dperoleh sandnya pada Tabel sebaga berkut. Tabel Sand hasl penyandan Huffman Karakter Kode Karakter Kode C W 0 B M 000 V D 000 R 000 G 000 T 00 H 00 E 00 I 000 Spas 0 L 00 A P 00.6 Krtera Penlaan Ctra Krtera penlaan ctra sangat berguna dalam mengukur kualtas ctra hasl dan uga untuk mengetahu unuk kera dar proses pemampatan ctra. Krtera penlaan ctra yang dgunakan pada tugas akhr n adalah PSR (Peak Sgnal to ose Rato), MSE (Mean Square Error), raso kompres, dan ndeks kualtas yang dhtung menggunakan persamaan (7), (8), (9), dan (0) berkut. MSE M M x0 y0 f x, y gx, y (7) R PSR 0 log 0, MSE R = 55 (8) Ukuran ctra asl Raso kompres Ukuran ctra termampat (9) dengan : f(x,y) = la ntenstas ctra asl pada koordnat (x,y) g(x,y) = la ntenstas ctra rekonstruks pada koordnat (x,y) M = Banyaknya pksel vertkal pada ctra = Banyaknya pksel horsontal pada ctra R = la maksmal ntenstas ctra. dengan x Q x y y xy Q 4 xy xy (0) x y x y x, y x x y (), y y y x x y y () (3) = umlah pksel pada ctra asl dan ctra yang du = ndeks kualtas ctra = rerata ctra asl = rerata ctra yang du x = varans ctra asl y = varans ctra yang du. Cakupan yang dnamk dar Q adalah [-, ]. Harga yang terbak adalah, dperoleh ka dan hanya ka y = x untuk semua =,,...,. Halaman 3 dar 7
4 III. PERACAGA PERAGKAT LUAK Perancangan perangkat lunak program pemampatan ctra pada tugas akhr n menngunakan bahasa pemrograman Vsual C++. Perangkat lunak yang akan drancang terdr dar bagan, yatu pemampatan dan pengawamampatan dengan dagram alr sepert dtunukkan pada Gambar. adalah alhragam wavelet Haar dmens, pada TA n yang dgunakan adalah alhragam baku. Untuk mendapatkan dekomposs baku dar sebuah ctra, peratama-tama htung koefsen dekomposs dmens setaap bars pksel dar ctra. Kemudan hasl dar dekomposs bars dhtung lag koefsen dekomposs dmens untuk tap kolom, akhrnya dperoleh sebuah nla yang merupakan rata-rata dar seluruh nla pksel, sedangkan yang lannya berupa koefsen detl dar ctra. IV. HASIL PEELITIA DA PEMBAHASA 4. Hasl Peneltan Hal yang dtelt dalam TA n adalah unuk kera sstem pemampat ctra yang menggunakan alhragam wavelet dan pengkodean Huffman untuk berbaga masukan ctra. Ctra masukan bervaras ukuran dan detlnya Gambar Dagram alr Pemampatan Pengawamampatan Dagram alr untuk dekomposs dan rekonstruks koefsen ctra dtunukkan pada Gambar berkut. 4. Pembahasan Hasl Peneltan Pada pembahasan hasl peneltan n selan dbahas unuk kera sstem pemampata ctra, uga dbahas mengena pengaruh masng-masng proses pemampatan ctra. Gambar 3 adalah ctra-ctra yang dgunakan pada pembahasan hasl peneltan. Karena keterbatasan tempat semuanya dsakan dalam ukuran 8 x 8 pksel. k g sampa g rc rc c ' c' g c ' c' g ' c rc g g g (c) (d) k rc' rc Gambar Dagram alr Dekomposs Rekonstruks Dagram alr dekomposs dan rekonstruks pada Gambar d atas adalah algortma untuk data dmens ( bars pada data matrks ctra). Karena data ctra berupa matrks dmens, maka algortma yang dgunakan * Mahasswa Teknk Elektro Unverstas Dponegoro ** Dosen Teknk Elektro Unverstas Dponegoro (e) Gambar 3 Ctra-ctra yang dgunakan untuk memudahkan pembahasan Lena.bmp Ascent.bmp (c)autum.bmp (d) Pohon.bmp (e) Eltel.bmp Halaman 4 dar 7
5 4.. Raso Pemampatan Perhtungan raso pemampatan ctra bertuuan untuk membandngkan ukuran ctra hasl pemampatan terhadap ukuran ctra asl sebelum dmampatkan. Tabel 3 berkut akan menyakan raso pemampatan untuk berbaga ctra dengan berbaga detl dan ukuran. Tabel 3 Hasl raso pemampatan untuk berbaga ctra Ctra Ukuran Raso Pemampatan Puth.bmp 8 x 8 3,997 Puth.bmp 56 x 56 3,9979 Lena.bmp 56 x 56 3,4904 Ascent.bmp 56 x 56 3,8797 Autum.bmp 56 x 56 3,73 Pohon.bmp 56 x 5,563 Eltel.bmp 04 x 04 3,96 Dar Tabel 4 terlhat bahwa untuk ctra yang sama (ctra Puth.bmp), ternyata ctra yang berukuran lebh besar, raso pemampatannya lebh besar. Hal n terad karena ctra yang mempunya umlah pksel yang lebh banyak koefsen hasl alhragam wavelet-nya semakn kecl dan semakn seragam. Dar Tabel 4 uga terlhat untuk ctra dengan detl yang lebh seragam, yatu ctra Ascent.bmp dperoleh raso pemampatan yang lebh besar dar ctra dengan detl yang tdak terlalu seragam, msalnya ctra Pohon.bmp. Hal n terad karena koefsen detl alhragamnya lebh kecl dan lebh seragam. Jka koefsen detl yang dperoleh banyak yang bernla kecl, akan memungknkan pengenolan yang lebh banyak. Dan ka koefsen detlnya lebh seragam, ketka dsandkan dengan sand Huffman akan dperoleh sand yang lebh mampat karena sand Huffman akan menyandkan data yang kemunculannya banyak dengan sand yang lebh pendek. 4.. PSR dan Indeks Kualtas Umumnya untuk membandngkan ctra asl dan ctra yang telah dolah dgunakan MSE (Mean Square Error), tetap karena MSE bergantung pada umlah pksel maka dgunkan PSR (Peak Sgnal to ose Raso). Untuk pengukuran dengan ndeks kualtas, akan dperoleh hasl dalam rentang [-, ]. Harga terbak dperoleh ketka nla ndeks kualtas adalah. Tabel 4 menunukkan hasl pengukuran kualtas ctra. Tabel 4 Pengukuran kualtas ctra Ctra PSR Indeks kualtas Ascent.bmp (56 x 56) 34,858 db 0,99 Lena.bmp (56 x 56) 30,7869 db 0,9879 Autum.bmp (56 x 56) 7,7369 db 0,9643 Pohon.bmp (56 x 5) 30,3676 db 0,9900 Eltel.bmp (04 x 04) 30,39 db 0,993 Hasl pengukuran kualtas ctra untuk pemampatan data ctra dengan alhragam wavelet Haar pada tugas akhr n memberkan hasl yang cukup bak, terlhat dengan nla ndeks kualtas ctra yang mendekat. Untuk pengukuran dengan PSR (ctra Pohon.bmp dan Eltel.bmp), ternyata ketka PSR-nya lebh besar * Mahasswa Teknk Elektro Unverstas Dponegoro ** Dosen Teknk Elektro Unverstas Dponegoro (ctra Pohon.bmp) tdak berart ndeks kualtasnya lebh besar. Hal n terad karena pada perhtungan PSR besarnya snyal maksmum R adalah 55 bukan dar nla snyal maksmum yang sebenarnya pada data ctra Dekomposs dan Rekonstruks Proses dekomposs dan rekonstruks pada program bantu tugas akhr adalah dekomposs dan rekonstruks penuh, sehngga untuk masng-masng Y, I, dan Q hasl dar proses dekomposs adalah nla berupa rata-rata dar semua data ctra dan data ctra yang lan adalah koefsen detl (selsh) dar data ctra. Tabel 5 berkut menamplkan perbandngan raso pemampatan dan ndeks kualtas ketka program pemampat ctra hanya menggunakan metode penyandan Huffman tanpa menggunakan alhragam wavelet Haar dengan raso pemampatan dan ndeks kualtas ketka program menggunakan alhragam wavelet Haar dan penyandan Huffman. Tabel 5 Perbandngan raso pemampatan. Tanpa Alhragam Dengan Alhragam Ctra Wavelet Haar Wavelet Haar Raso Indeks Raso Indeks Pemampatan Kualtas Pemampatan kualtas Lena.bmp,039 3,4904 0,9879 Ascent.bmp,037 3,8797 0,99 Autum.bmp,0507 3,73 0,9643 Pohon.bmp,0578,563 0,9900 Eltel.bmp,075 3,96 0,993 Dar Tabel 5 terlhat bahwa dengan menggunakan alhragam wavelet Haar dan penyandan Huffman dhaslkan raso pemampatan yang auh lebh kecl dbandngkan sstem pemampat yang hanya menggunakan metode penyandan Huffman saa. Hal n terad karena adanya kecenderungan nla detl (selsh nla antara pksel) hampr seragam dan lebh kecl (memungknkan pengenolan yang lebh banyak), sehngga penyandan nla detl n menyebabkan berkas menad lebh mampat. Tetap, ndeks kualtas yang dperoleh lebh kecl dar sstem yang hanya menggunakan metode penyandan Huffman (dperoleh ndeks kualtas =, karena merupakan ens pemampatan tak berug). Tetap karena ndeks kualtas yang dhaslkan mash mendekat nla, maka alhragam wavelet Haar n tetap boleh dgunakan. Lebh lanut akan dbahas mengena pengaruh aras dekomposs dengan membandngkan pengukuran unuk kera sstem pemampat dengan beberapa level dekomposs. Tabel 6 berkut menamplkan pengaruh perubahan aras dekomposs ctra Lena.bmp (56 x 56 pksel). Tabel 6 Pengaruh level dekomposs pada unuk kera sstem Aras Dekomposs Raso Pemampatan PSR (db) Indeks Kualtas Dekomposs x 3,3985 3,46 0,989 Dekomposs 3x 3,4593 3,047 0,9886 Dekomposs 4x 3,474 30,96 0,9883 Dekomposs penuh 3, ,7869 0,9879 Halaman 5 dar 7
6 Dar Tabel 6 terlhat bahwa ketka level dekomposs semakn besar maka kualtas ctra hasl pemampatan semakn kecl dengan semakn menurunnya nla ndeks kualtas dan PSR. Tetap dengan semakn besarnya level dekomposs dperoleh raso pemampatan yang semakn besar. Hal n terad karena apabla aras dekomposs besar maka koefsen detl hasl alhragam yang dperoleh semakn kecl dan lebh seragam. Proses dekomposs dan rekonstruks dengan alhragam wavelet Haar adalah dengan menghtung data secara berpasang-pasangan, ad dperlukan data dengan umlah, dengan adalah blangan bulat. Oleh karena tu pada tugas akhr n program bantu akan beralan dengan bak ka ctra masukan yang akan dmampatkan mempunya ukuran x M. Gambar 4 berkut menamplkan hasl pemampatan untuk ctra Pantngsmall.bmp (40 x 40 pksel), dsakan dalam ukuran 0 x 0 pksel. Gambar 4 Rekonstruks ctra yang tdak berukuran x M Gambar asl ctra Pantngsmall.bmp (40 x 40 pksel) Gambar rekonstruks ctra Pantngsmall.bmp (40 x 40 pksel). Gambar 4d atas menunukan kualtas ctra pemampatan yang elek. Hal n terad karena ketka ukuran ctra tdak dengan ukuran x M akan terdapat koefsen yang tdak terhtung karena tdak ada pasangannya Kuantsas dan Dekuantsas Kuantsas secara sederhana merupakan proses untuk mengurang umlah bt yang dbutuhkan untuk menympan sebuah nla blangan bulat. Tabel 7 berkut menunukkan perbandngan unuk kera sstem dengan dan tanpa kuantsas. Tabel 7 Perbandngan unuk kera sstem dengan dan tanpa kuantsas. Metode Kuantsas Raso Pemampatan PSR (db) Indeks Kualtas Langsung 7,8744 0,95 0,8955 dbulatkan Perkalan blangan 3, ,487 0,9866 Tanpa kuantsas,8 3,067 0,9906 Dar Tabel 7 d atas terlhat bahwa dengan adanya kuantsas, dperoleh raso pemampatan yang lebh besar. Tetap ndeks kualtas yang dperoleh lebh kecl, hal n terad karena adanya nformas yang hlang saat pembulatan. Ketka data langsung dbulatkan, dperoleh * Mahasswa Teknk Elektro Unverstas Dponegoro ** Dosen Teknk Elektro Unverstas Dponegoro raso pemampatan yang besar tap ndeks kualtasnya palng kecl. Hal n terad karena banyak sekal nformas yang hlang, sehngga pada TA n dgunakan kuantsas dengan perkalan blangan 0 atau Zerong Dengan zerong dharapkan akan semakn banyak koefsen hasl dekomposs yang bernla nol, sehngga setelah melalu proses penyandan Huffman akan dperoleh umlah bt hasl penyandan yang lebh sedkt.. Tabel 8 Perbandngan unuk kera sstem dengan dan tanpa zerong. Gambar Tanpa zerong Dengan zerong Ascent.bmp (56 x 56) Autum.bmp (56 x 56) Pohon.bmp (56 x 5) Eltel.bmp (04x 04) Raso pemampatan : 3,9568 PSR : 35,93 db Indeks kualtas : 0,994 Raso pemampatan : 3,0658 PSR : 9,3678 db Indeks kualtas : 0,9780 Raso pemampatan :,8636 PSR : 45,3399 db Indeks kualtas : 0,9997 Raso pemampatan : 3,609 PSR : 4,609 db Indeks kualtas : 0,9999 Raso pemampatan : 3,8797 PSR : 34,858 db Indeks kualtas : 0,99 Raso pemampatan : 3,73 PSR : 7,7369 db Indeks kualtas : 0,9643 Raso pemampatan :,563 PSR : 30,3676 db Indeks kualtas : 0,9900 Raso pemampatan : 3,96 PSR : 30,39 db Indeks kualtas : 0,993 Tabel 8 menunukkan bahwa sstem pemampat dengan menggunakan proses zerong akan memperkecl ukuran data ctra termampat, n dtunukkan dengan semakn besarnya nla raso pemampatan. Tetap kualtas ctra termampat menurun, n dtunukkan dengan semakn keclnya nla ndeks kualtas ctra dan PSR. Gambar 5 berkut akan menyakan perbedaan kualtas ctra rekonstruks ka nla ambang zerong drubah untuk ctra Ascent.bmp, dsakan dalm ukuran 8 x 8 pksel. Gambar 5 Perbandngan ctra rekonstruks karena perubahan nla Y Hanya I dan Q yang dperbesar Y, I, dan Q dperbesar Dar Gambar 5 terlhat bahwa perubahan nla Y lebh berpengaruh terhadap kualtas ctra yang dperoleh. Hal n terad karena mata manusa lebh peka terhadap Halaman 6 dar 7
7 perubahan lumnans/kecerahan darpada perubahan koefsen kromats/warna ctra. V. PEUTUP 5. Kesmpulan Berdasarkan hasl peneltan dapat dambl beberapa kesmpulan sebag berkut.. Raso pemampatan pada sstem pemampat ctra yang menggunakan alhragam wavelet Haar dengan penyandan Huffman lebh besar ka dbandngkan sstem pemampat yang hanya menggunakan metode penyandan Huffman.. Dengan menggunakan alhragam wavelet Haar dan metode penyandan Huffman dperoleh ukuran kualtas ctra yang bagus, bak PSR maupun ndeks kualtasnya. la PSR yang dperoleh 30 db, sedangkan nla ndeks kualtas yang dperoleh mendekat. 3. Untuk ctra dengan detl yang seragam dperoleh raso pemampatan yang lebh besar, sedangkan untuk ctra yang mempunya detl tdak seragam dperoleh raso pemampatan yang lebh kecl. 4. Untuk ctra yang sama yang dperbesar sehngga umlah pkselnya bertambah dperoleh raso pemampatan yang semakn besar. 5. Semakn besar aras dekomposs maka raso pemampatan yang dhaslkan semakn besar, tetap ukuran kualtas ctra semakn kecl. 6. Dengan menggunakan alhragam wavelet Haar baku dperoleh hasl yang elek untuk ctra yang tdak berukuran x M pksel, dengan dan M adalah blangan bulat postf. 7. Besarnya nla ambang untuk koefsen Y akan sangat berpengaruh terhadap kualtas ctra rekonstruks,ka nla ambang Y besar akan dhaslkan kualtas ctra rekonstruks yang elek. 5. Saran Beberapa saran yang dapat dberkan untuk peneltan selanutnya sebaga berkut.. Perlu pengembangan lebh lanut terhadap program aplkas n agar dapat dgunakan untuk memampatkan ctra berapapun ukuran ctra, msalnya dengan membag-bag ctra menad ukuran 8 x 8 pksel, sepert pada proses kuantsas standar JPEG.. Perlu pengembangan lebh lanut pada saat kuantsas, sehngga dperoleh koefsen hasl kuantsas yang mempunya umlah bt memor yang kecl, msalnya tetap 8 bt. 3. Perlu peneltan lanutan dengan menggunakan metode penyandan yang lan, msalnya artmatka, embedded zero-tree, dan yang lan. Juga perlu dlakukan peneltan dengan menggunakan ens wavelet yang lan, msalnya wavelet Smlet. Selanutnya haslnya dbandngkan dengan peneltan yang telah dlakukan, agar dperoleh algortma yang palng efektf untuk pemampatan ctra. * Mahasswa Teknk Elektro Unverstas Dponegoro ** Dosen Teknk Elektro Unverstas Dponegoro DAFTAR PUSTAKA []. Burrus, C.S., R.A., Gopnath and H.Guo, Introducton to Wavelets and Wavelet Transforms, Prentce Hall. Inc. ew Jersey, 998. []. Jan, A.K., Fundamentals of Dgtal Image Processng, Prentce Hall of Inda, ew Delh, 989. [3]. Kadr, A., Panduan Pemrograman Vsual C++, And, Yogyakarta, 004. [4]. asuton, E. dan Indra Yatn B, Algortma dan Struktur Data dengan C++, Graha Ilmu, Yogyakarta, 005. [5]. elson, Mark and J.L. Gally, The Data Compresson Book Second Edton, M&T Books, ew York, 996. [6]. Stolntz, Erc J., Wavelet For Computer Graphc, Morgan Kaufman Publsher, Inc., 996. [7]. Rahmawat, Indah, Pemampatan Data Ctra Dgtal Aras Keabuan dengan Alhragam Wavelet Paket Melalu Penyandan Huffman Menggunakan Delph, Skrps Mahasswa S- Teknk Elektro Unverstas Dponegoro, Semarang, 005. BIODATA MAHASISWA Yul Astran (LF000654) dlahrkan d Temanggung, 4 Aprl 98. Menempuh penddkan d MI Muhamadyah Danureo lulus tahun 994, kemudan melanutkan ke SLTP Temanggung lulus tahun 997, dlanutkan lag d SMU Temanggung lulus tahun 000, dan sampa saat n mash menyelesakan stud S d Jurusan Teknk Elektro Fakultas Teknk Unverstas Dponegoro Semarang Konsentras Elektronka Telekomunkas. Pembmbng I Menyetuu dan mengesahkan Achmad Hdayatno, S.T., M.T. IP Tanggal Pembmbng II R. Rzal Isnanto, S.T., M.M., M.T. IP Tanggal. Halaman 7 dar 7
BAB 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 I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Ctra dgtal merupakan ctra hasl dgtalsas yang dapat dolah pada suatu komputer dgtal [12]. Ctra dgtal tersusun atas sejumlah elemen. Elemen-elemen yang menyusun ctra
Lebih 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 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 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 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 terperinciPERBANDINGAN PEMILIHAN TAPIS PENGHAPUS DERAU PADA CITRA BERDASAR SIFAT STATISTIS, PSNR, DAN INDEKS KUALITAS
PERBADIGA PEMILIHA TAPIS PEGHAPUS DERAU PADA CITRA BERDASAR SIFAT STATISTIS, PSR, DA IDEKS KUALITAS Bernadetta Dyah Susant Wdoretno ), Achmad Hdayatno ), R. Rzal Isnanto ) Jurusan Teknk Elektro Fakultas
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. 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. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciBAB 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 terperinciPENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA
MAKALAH SEMINAR TUGAS AKHIR PENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA Suharto Jat Santoso *, Bud Setyono **, R. Rzal Isnanto ** Abstrak - Selama n pengenalan jens kan pada
Lebih 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 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 terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
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 terperinciHistogram Citra. Bab Membuat Histogram
Bab 6 Hstogram Ctra I nformas pentng mengena s ctra dgtal dapat dketahu dengan membuat hstogram ctra. Hstogram ctra adalah grafk yang menggambarkan penyebaran nla-nla ntenstas pxel dar suatu ctra atau
Lebih 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
PENDAHULUAN Latar Belakang Pada saat n penamplan nformas dalam bentuk ctra semakn banyak dbutuhkan Hal n tdak lepas dar karakterstk ctra yang cenderung mudah dpaham Surat kabar, televs, dan stus web d
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 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. 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 terperinciALJABAR LINIER LANJUT
ALABAR LINIER LANUT Ruang Bars dan Ruang Kolom suatu Matrks Msalkan A adalah matrks mnatas lapangan F. Bars pada matrks A merentang subruang F n dsebut ruang bars A, dnotaskan dengan rs(a) dan kolom pada
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 terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih 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 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 terperinciSUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD
SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya
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 VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB 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 terperinciPERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih 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 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 terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
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 terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
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 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 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 terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
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 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
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 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 terperinciMATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT)
MATERI KULIAH STATISTIKA I UKURAN (Nuryanto, ST., MT) Ukuran Statstk Ukuran Statstk : 1. Ukuran Pemusatan Bagamana, d mana data berpusat? Rata-Rata Htung = Arthmetc Mean Medan Modus Kuartl, Desl, Persentl.
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 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 terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
Lebih terperinciUKURAN LOKASI, VARIASI & BENTUK KURVA
UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih 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 terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian merupakan cara atau langkah-langkah yang harus
BAB III METODE PENELITIAN Metode peneltan merupakan cara atau langkah-langkah yang harus dtempuh dalam kegatan peneltan, sehngga peneltan yang dlakukan dapat mencapa sasaran yang dngnkan. Metodolog peneltan
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciBAB III METODE PENELITIAN. menggunakan strategi pembelajaran mind mapping dalam pendekatan
35 BAB III METODE PENELITIAN A. Jens dan Desan Peneltan Jens peneltan n adalah kuas ekspermen. Pada peneltan n terdapat dua kelompok subjek peneltan yatu kelompok ekspermen yang dberkan suatu perlakuan
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 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 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 III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih terperinciGambar 3.1 Diagram alir penelitian
BAB 3 METODE PENELITIAN 3.1 Dagram Alr Peneltan Materal Amorph Magnetk (Fe 73 Al 5 Ga 2 P 8 C 5 B 4 S 3 ) Ekspermen DfraksNeutron (I vs 2theta) Smulas Insalsas atom secara random Fungs struktur, F(Q) Perhtungan
Lebih terperinciBAB 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 III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinciPENELUSURAN KERAGAMAN DALAM BLOK PADA RANCANGAN ACAK KELOMPOK DENGAN INTERGRADIEN. Rita Rahmawati Program Studi Statistika FMIPA UNDIP
PENELUSURAN KERAGAMAN DALAM BLOK PADA RANCANGAN ACAK KELOMPOK DENGAN INTERGRADIEN Rta Rahmawat Program Stud Statstka FMIPA UNDIP Abstrak Dalam Rancangan Acak Kelompok Lengkap (RAKL), asums terpentng adalah
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 terperinciBAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
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 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 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 terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciPERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM
PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM 1) Membuat dstrbus frekuens. 2) Mengetahu apa yang dmaksud dengan Medan, Modus dan Mean. 3) Mengetahu cara mencar Nla rata-rata (Mean). TEORI PENUNJANG
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
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 terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih 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 1 Ruang Vektor. R. Leni Murzaini/0906577381
Bab 1 Ruang Vektor Defns Msalkan F adalah feld, yang elemen-elemennya dnyatakansebaga skalar. Ruang vektor atas F adalah hmpunan tak kosong V, yang elemen-elemennya merupakan vektor, bersama dengan dua
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih terperinciBAB 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 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 terperinciBAB III METODE PENELITIAN. pretest postes control group design dengan satu macam perlakuan. Di dalam
BAB III METODE PEELITIA A. Bentuk Peneltan Peneltan n merupakan peneltan ekspermen dengan model pretest postes control group desgn dengan satu macam perlakuan. D dalam model n sebelum dmula perlakuan kedua
Lebih terperinciBAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciBAB III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
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. 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 IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
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 terperinci