PERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI
|
|
- Sri Rachman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ISSN JURNAL LINK Vol 16/No. 1/Februari 212 PERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI Ronny Susetyoko 1, Elly Purwantini 2 1,2 Departemen Teknik Elektro, Politeknik Elektronika Negeri Surabaya 1 rony@eepis-its.edu, 2 elly@eepis-its.edu Abstrak Beberapa parameter yang diukur untuk menentukan kehandalan suatu metode klasifikasi adalah waktu komputasi dan kinerja hasil klasifikasi. Dalam pengklasifikasian data, jumlah data pembelajaran yang digunakan seringkali sangat terbatas, namun jumlah dimensi () sangat tinggi. Pada penelitian ini digunakan analisis komponen utama untuk mereduksi dimensi. Dataset yang berdimensi tinggi dipartisi menjadi beberapa himpunan bagian (subset). Variabel baru dibentuk berdasarkan komponen utama pertama dari setiap subset. Kinerja teknik ini diujikan pada beberapa sumber data dan metode klasifikasi. Hasil penelitian ini adalah pada metode - dan, jumlah berpengaruh secara linier terhadap waktu pembelajaran. Sedangkan metode BPNN1 dan BPNN2, jumlah berpengaruh secara linier maupun kuadratik terhadap waktu pembelajaran. Kinerja hasil klasifikasi data learning pada data EMG dan data sonar, metode BPNN1 dan BPNN2 jauh lebih tinggi persentasenya dibandingkan dengan metode - dan. Sedangkan kinerja hasil klasifikasi data non-learning sangat rendah, yaitu berkisar 25,% - 66,67%. Hal ini disebabkan oleh keragaman nilai koefisien variasi dataset yang sangat besar, yang mana mengindikasikan bahwa data tidak berdistribusi Normal dan mempunyai variansi yang sangat besar. Kata kunci : klasifikasi, komponen utama, reduksi dimensi, total variasi, persamaan regresi 1. Pendahuluan Beberapa parameter yang diukur untuk menentukan kehandalan suatu metode klasifikasi adalah waktu komputasi dan kinerja hasil klasifikasi. Klasifikasi pola atau data yang mempertimbangkan beberapa fitur merupakan permasalahan yang banyak digunakan dalam berbagai aplikasi. Dalam pengolahan citra maupun pengolahan sinyal seringkali pengelompokan maupun pengklasifikasian dilakukan hanya didahului dengan transformasi data saja tanpa melakukan ekstraksi fitur. Selain itu, sampel sebagai data pembelajaran yang digunakan seringkali sangat terbatas. Menurut Borries, G.F.V (28), algoritma pengelompokan yang berkembang sekarang ini mempunyai performa yang relatif rendah ketika diaplikasikan pada kasus data berdimensi tinggi dengan ukuran sampel kecil. Performa yang rendah ini diindikasikan pada stabilitas hasil dan akurasi yang rendah pada data non-normal. Dalam penelitiannya, Borries menggunakan statistik non parametrik yaitu uji rank (rank test) untuk mengetahui homogenitas distribusi dalam sebuah kelompok dari setiap. Qiau dkk. (29), menggunakan Fisher s Linear Discriminant Analysis (FLDA) untuk mereduksi dimensi (ekstraksi fitur). Penelitian tersebut mengembangkan metode pemilihan incorporating secara otomatis dalam FLDA. FLDA dan nilai eigen digunakan sebagai regulator untuk memperoleh vektor-vektor sparse linear discriminant yaitu vektor-vektor diskriminan yang hanya mempunyai sejumlah kecil elemenelemen tidak nol. Metode ini efektif untuk kasus data berdimensi tinggi dengan ukuran sampel kecil. Sedangkan Hoyle, DC. (28), menggunakan pemilihan dimensi secara otomatis yang didasarkan pada aproksimasi Laplace untuk pembuktian model yang bertujuan menentukan jumlah sinyal komponen utama dalam dataset. Metode yang dikembangkan dalam penelitian ini digunakan untuk pengklasifikasian data berdimensi yang tinggi dengan ukuran sampel yang sangat kecil. Analisis komponen utama (Principal Component Analysis / PCA) digunakan untuk mereduksi dimensi. Dataset yang berdimensi tinggi dipartisi menjadi beberapa himpunan bagian (subset). Variabel baru yang terbentuk berdasarkan komponen utama pertama dari setiap subset digunakan untuk pengklasifikasian. Selanjutnya dilakukan analisis kinerja reduksi dimensi berdasarkan waktu komputasi dan validitas hasil klasifikasi. Waktu komputasi dapat dilihat dari kebutuhan waktu untuk mereduksi dimensi dan kebutuhan waktu pembelajaran. 6-1
2 2. Analisis Komponen Utama Analisis komponen utama (PCA) adalah teknik yang digunakan untuk menyederhanakan suatu data, dengan cara mentransformasi linier sehingga terbentuk sistem koordinat baru dengan variansi maksimum. PCA dapat digunakan untuk mereduksi dimensi suatu data tanpa mengurangi karakteristik data tersebut secara signifikan. Metode ini mengubah dari sebagian besar asli yang saling berkorelasi menjadi satu himpunan baru yang lebih kecil dan saling bebas (tidak berkorelasi lagi). [6] Komponen utama adalah kombinasi linierkombinasi linier tertentu dari dimensi acak ( 1,2,,). Secara geometris kombinasi linier ini merupakan sistem koordinat baru yang didapat dari rotasi sistem semula. Koordinat baru tersebut merupakan arah dengan variabilitas maksimum dan memberikan kovariansi yang lebih sederhana. Analisis komponen utama lebih baik digunakan jika - asal saling berkorelasi Analisis komponen utama merupakan penyelesaian masalah eigen yang secara matematis ditulis dalam persamaan : Cv = λv 1) yang mana variabilitas suatu dataset yang dinyatakan dalam matriks kovariansi C dapat digantikan oleh suatu scalar tertentu λ tanpa mengurangi variabilitas asal secara signifikan. Diberikan dataset matrik berukuran ( ) yang terdiri dari n observasi ( 1,2,,) dengan dimensi. Algoritma dari analisis komponen utama adalah sebagai berikut : 1) Hitung vektor rata-rata ( 1,2,, dengan = 2) 2) Hitung matriks kovariansi C atau cov() dengan )( ) =(, )= ( 3) 3) Hitung nilai eigen λ dan vektor eigen yang memenuhi persamaan : λ = 4) dan ( λ) = 5) 4) Vektor eigen- vektor eigen yang didapatkan merupakan komponen utama-komponen utama untuk membentuk baru. Variabel baru merupakan perkalian antara vektor eigen dengan matriks a, yaitu matriks yang telah dinormalisasi (adjusted) yang dihitung dengan rumus : = ( ) 6) 5) Sedangkan variansi yang dapat dijelaskan oleh baru ke-i tergantung persentase kontribusi p i dari masing-masing nilai eigen, yang dihitung dengan rumus : = 1% 7) Sedangkan penentuan jumlah baru yang digunakan tergantung persentase kontribusi kumulatif dari kumulatif nilai eigen yang telah diurutkan dari nilai yang terbesar. Nilai persentase kontribusi kumulatif sampai komponen ke r dihitung dengan rumus : = 1% 8) dengan > > > > 3. Teknik Reduksi Dimensi Diberikan dataset matrik berukuran ( ) yang terdiri dari n observasi ( 1,2,, dengan dimensi. Teknik reduksi dimensi mengikuti algoritma sebagai berikut : 1) Lakukan partisi dimensi himpunan menjadi l himpunan bagian, sehingga masing-masing menjadi berukuran dimensi dengan = l. 9) 2) Lakukan untuk setiap subset data dengan dimensi sebagai berikut : i. Hitung matriks kovariansi masing-masing subset menurut persamaan 3). ii. Hitung nilai eigen dan vektor eigen masing-masing subset menurut persamaan 4) dan 5). iii. Ambil vektor eigen dengan nilai eigen terbesar, di mana =max,,,. iv. Lakukan perhitungan observasi baru berukuran ( 1) menggunakan =( ) atau =( ) 1) dengan ( 1,2,,) adalah data normalisasi dan ( 1,2,,) adalah vektor eigen yang mempunyai variansi maksimum. 3) Gabungkan observasi baru menjadi dataset baru berukuran ( l). 4. Percobaan dan Hasil Ada 3 dataset yang diujikan dalam penelitian ini, yaitu : 1. Dataset konvolusi sinyal electromyograph (EMG) pada sudut pergerakan siku 45 º, 9 º, dan 135 º yang digunakan sebagai input robot lengan (Susanti, M., 29) 2. Dataset sonar [7]. 3. Dataset sintetis, yaitu data hasil pembangkitan random Normal berdimensi D = 15 dan data pembelajaran n = 9 observasi, dan 15 observasi untuk validasi, dengan aturan pembangkitan yang disajikan pada Tabel
3 Tabel 1. Pembangkitan Data Sintetis Kelas Dimensi ke Dimensi ke Dimensi ke N(5,.5) N(7,.5) N(3,.5) 2 N(6,.5) N(4,.5) N(8,.5) 3 N(1,.5) N(8,.5) N(6,.5) 4.1 Dataset EMG Pada data EMG, jumlah data pembelajaran n = 3 observasi, jumlah dimensi D = 2 dan data untuk validasi (non learning) sebanyak 18 observasi. Sedangkan metode pengklasifikasian yang digunakan adalah metode Self Organizing Maps (K-), Learning Vector Quantization Neural Network () dan Backpropagation Neural Network (BPNN). Dengan menggunakan software Matlab (R14) Service Pack 3 diperoleh hasil sebagai berikut : a. Total Variasi Pada Tabel 2 dapat dijelaskan bahwa untuk jumlah baru, l antara 5 sampai dengan 1, ratarata total variasi komponen utama pertama masingmasing partisi berkisar 97,31% - 99,99%. Artinya, informasi yang hilang dari hasil reduksi dimensi berkisar antara,1% - 2,69%. Namun untuk jumlah baru, l = 2, rata-rata-total variasi baru hanya sebesar 81,48%. Tabel 2. Rata-rata Total Variasi Rata-rata Simpangan Total baku Total Waktu komputasi, t (detik) (%) (%) asli (2) 1, , 3, ,99,1, ,99,4, ,98,6, ,94,2, ,83,4, ,35 1,21,6 1 98,88,67,8 5 97,31 1,47,6 2 81,48 19,28,22 b. Waktu Komputasi vs Variabel Baru Tabel 3. Model Regresi Waktu Komputasi WakKom =,32 JumVar Noconstant JumVar,32,3 1,74, S =,3482 R 2 = 92,76% Sedangkan hubungan antara waktu komputasi (partisi data dan perhitungan komponen utama) dengan jumlah baru hasil partisi dapat dinyatakan dalam persamaan regresi, disajikan pada Tabel 3. Dari persamaan regresi tersebut dapat dijelaskan bahwa setiap komputasi baru membutuhkan waktu rata-rata selama,32 detik. c. Waktu Pembelajaran Dalam Tabel 4., waktu pembelajaran (WP) metode K- lebih lama dibandingkan dengan metode yaitu sekitar dua kalinya. Sedangkan waktu pembelajaran metode BPNN(1) tidak jauh berbeda dengan metode BPNN(2). Tabel 4. Perbandingan Waktu Pembelajaran Waktu Pembelajaran Metode Klasifikasi (detik) K- asli (2) 114,36 55,36 635,13 627, ,81 29,38 83,67 86, ,97 14,47 12,84 1, ,59 1,25 1,69 1, ,33 8,22 1,23 1, ,48 6,2 1,8,5 5 11,77 5,53,64,36 2 1,8 4,81,92,34 1 9,13 4,5,19,33 5 8,38 4,42,3,31 2 7,81 2,94,28,3 Pada Gambar 1 disajikan diagram pencar antara jumlah terhadap WP masing-masing metode Scatterplot of K-,, BPNN1, BPNN2 vs JumVar 5 K- BPNN JumVar 5 1 BPNN2 Gambar 1. Diagram Pencar WP terhadap 4 Metode Berdasarkan informasi Tabel 4, dilakukan analisis hubungan antara jumlah dengan waktu pembelajaran (WP) dari masing-masing metode. Tabel 5. Model Regresi WP - WP_K- = 9,839 +,526 JumVar Constant 9,839 1,26 9,59, JumVar, ,8, S = 2,8661 R 2 = 99,2%
4 Model regresi WP metode - disajikan pada Tabel 5. Dari table tersebut dapat dijelaskan bahwa setiap kenaikan jumlah, secara ratarata ada kecenderungan kenaikan WP - sebesar,526 detik. Model regresi WP metode disajikan pada Tabel 6. Dari tabel tersebut dapat dijelaskan bahwa setiap kenaikan jumlah, secara rata-rata ada kecenderungan kenaikan WP sebesar,257 detik. Tabel 6. Model Regresi WP WP_ = ,257 JumVar Constant 3, ,73, JumVar, ,7, S = R 2 = 99,7% Model regresi WP metode BPNN1 disajikan pada Tabel 7. Pada metode BPNN1, jumlah berpengaruh secara linier dan kuadratik terhadap WP. Tabel 7. Model Regresi WP BPNN1 WP_BPNN1 = -,129 JumVar +,2JumVar 2 Noconstant JumVar -,129,169 6,9, JumVar 2,2, 22,7, S = 11,4678 R 2 = 99,7% Model regresi WP metode BPNN2 disajikan pada Tabel 8. Demikian juga pada metode BPNN1, jumlah berpengaruh secara linier dan kuadratik terhadap WP. Tabel 8. Model Regresi WP BPNN2 WP_BPNN2 = -,995 JumVar +,2JumVar 2 Constant JumVar -,995,152 6,54, JumVar 2,2. 24,1, S = 1,3259 R 2 = 99,8% d. Hasil Klasifikasi Untuk mengetahui efektifitas dari metode reduksi dimensi dalam data EMG, dilakukan perbandingan persentase hasil klasifikasi yang valid dari asli dan hasil reduksi (masing-masing 1 perulangan). Dari Tabel 9, pada metode K- tidak ada perbedaan persentase hasil klasifikasi yang valid antara asli (2) dengan hasil reduksi yaitu 4%. Pada metode, hasil reduksi lebih efektif dibandingkan asli yang mana persentase hasil klasifikasi yang valid pada asli hanya sebesar 43,33%. Tabel 9. Persentase Hasil Klasifikasi Data Learning K- (2) 4, 43,33 96,67 93,33 1 4, 6, 1, 93,33 5 4, 6, 1, 96, , 6, 96,67 96,67 2 4, 6, 93,33 9, 1 4, 6, 1, 1, 5 4, 56,67 1, 1, 2 4, 6, 1, 1, 1 4, 46,67 1, 1, 5 4, 36,67 1, 1, 2 4, 33,33 1, 1, Sedangkan persentase hasil klasifikasi yang valid pada hasil reduksi dengan l = 5, 25, 2, 1, 2 sebesar 6%. Pada metode BPNN(1) maupun BPNN(2), hasil reduksi juga relatif lebih efektif dibandingkan asli yang mana persentase hasil klasifikasi yang valid pada asli sebesar 96,67% untuk BPNN(1) dan 93,33% untuk BPNN(2). Sedangkan persentase hasil klasifikasi yang valid pada hasil reduksi dengan l = 1, 5, 2, 1, 5, 2 adalah sebesar 1% (untuk kedua metode BPNN). Sedangkan pada Tabel 1., hasil klasifikasi pada data non-learning untuk metode lebih bagus dibandingkan dengan metode yang lain yaitu dengan modus 61,11%. Sedangkan metode K- dan BPNN masing-masing hanya sebesar 38,89% dan 33,33%. Namun tidak ada perbedaan hasil klasifikasi antara asli dengan hasil reduksi. Tabel 1. Persentase Hasil Klasifikasi Data Non-Learning (2) 38,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 61,11 33,33 33, ,89 55,56 33,33 33, ,89 61,11 33,33 33,33 Rendahnya hasil klasifikasi pada data non-learning disebabkan karena nilai koefisien variasi yang sangat besar yaitu antara -715,98 27,25 yang mengindikasikan bahwa data tidak berdistribusi Normal dan mempunyai variansi yang sangat besar. 6-4
5 4.2 Dataset Sonar Pada dataset sonar, jumlah data pembelajaran n = 16 observasi, jumlah dimensi D = 6 dan data untuk validasi (non learning) sebanyak 48 observasi, diperoleh hasil sebagai berikut : a. Total Variasi Tabel 11. Rata-rata Total Variasi Rata-rata Total (%) Simp. baku Total (%) Waktu komputasi, t (detik) asli (6) 1,,, ,54 6,96,5 2 81,74 9,3, ,34 1,4,3 1 7,56 13,42,2 5 62,98 22,73,2 3 57,9 16,66, 2 39,66,88,3 Pada Tabel 11. dapat dijelaskan bahwa, untuk jumlah baru, l =1, 15, 2, 3, rata-rata total variasi komponen utama pertama sebagai baru dari masing-masing partisi masih berkisar 7,56% - 88,54%. Untuk l =2, 3, 5, ratarata total variasi komponen utama pertama sebagai baru dari masing-masing partisi sangat kecil yaitu berkisar 39,66% - 62,98%. Simpangan baku total variasi juga cenderung membesar. Artinya, informasi yang hilang dari hasil reduksi dimensi sangatlah signifikan. Selanjutnya diambil sampel matriks koefisien korelasi dari ke-1 sampai dengan ke-6 disajikan pada Tabel 12. Dari tabel tersebut, matriks koefisien korelasi ke- 1 sampai dengan ke-6 signifikan secara statistik, namun secara umum besarnya koefisien korelasi tidak mendekati 1. Akibatnya total variasi yang dapat dijelaskan berkurang drastis atau persentase informasi data yang hilang sangat besar. Tabel 12. Matriks Koefisien Korelasi (ρ) dari V1 s/d V6 ρ V1 V2 V3 V4 V5 V2,736 (.) V3,572,78 (.) (.) V4,491,67,782 (.) (.) (.) V5,345,42,546,727 (.) (.) (.) (.) V6,239,332,346,353,597 (.) (.) (.) (.) (.) perbandingan persentase hasil klasifikasi yang benar dari asli dan hasil reduksi (masingmasing 1 perulangan). Tabel 13. Persentase Hasil Klasifikasi Data Learning 6 (asli) ,25 1, 1, ,25 1, 1, , 1, 1, ,38 1, 1, ,88 1, 1, ,38 1, 1, ,88 1, 1, ,63 83,75 83,75 Dari Tabel 13., pada metode K-, persentase hasil klasifikasi yang benar hasil reduksi relatif lebih besar (antara 27,5% - 41,88%) dibandingkan dengan asli (27,5%). Pada metode, hasil reduksi tidak jauh berbeda persentase hasil klasifikasi yang valid dengan asli yaitu antara 34,38% - 41,25%. Pada metode BPNN(1) maupun BPNN(2), hasil reduksi mempunyai persentase klasifikasi yang valid yang sama dengan asli yaitu sebesar 1%, kecuali untuk l = 2 hanya sebesar 83,75%. Sedangkan hasil klasifikasi pada data nonlearning (Tabel 14) untuk metode K tidak konsisten, yaitu berkisar antara 1,42% - 6,42%. Untuk metode berkisar antara 31,61% - 36,38%. Sedangkan metode BPNN(1) dan BPNN(2) semuanya sama yaitu sebesar 35,42%, sehingga tidak ada perbedaan hasil klasifikasi antara asli dengan hasil reduksi. Tabel 14. Persentase Hasil Klasifikasi Data Non-Learning (6) 25, 33,58 35,42 35, , 34,45 35,42 35, ,8 36,38 35,42 35, ,16 35,3 35,42 35, ,17 32,27 35,42 35,42 5 6,42 32,5 35,42 35, ,67 31,61 35,42 35,42 2 1,42 32,2 35,42 35,42 b. Hasil Klasifikasi Untuk mengetahui efektifitas dari metode reduksi dimensi dalam dalam dataset sonar, dilakukan 6-5
6 4.3 Dataset Sintetis Pada dataset sintetis, jumlah data pembelajaran n = 9 observasi, jumlah dimensi D = 15 dan data untuk validasi (non learning) sebanyak 15 observasi, diperoleh hasil sebagai berikut : a. Total Variasi Tabel 15. Rata-rata Total Variasi Simp. Rata-rata baku Total Total (%) (%) Waktu komputasi, t (detik) asli (15) 1, -, ,77,87,8 3 99,79,5, ,77,5,5 1 99,36 2,82,3 5 99,19 2,76, ,75,6,9 2 98,35 4,3, ,74,6, ,75 8,51, ,17 7,65, ,74,7,2 2 85,82 1,34,25 Pada Tabel 15. dapat dijelaskan bahwa rata-rata total variasi komponen utama pertama sebagai baru dari masing-masing partisi sangat besar yaitu berkisar 94,17% - 99,79%, kecuali untuk l =2, ratarata total variasi hanya sebesar 85,82%. Simpangan baku total variasi untuk l =5 dan l = 1 lebih besar jika dibandingkan dengan l yang lain, yaitu masingmasing sebesar 7,65% dan 8,51%. Artinya, variabilitas total variasi baru hasil reduksi pada l tersebut sangatlah besar. b. Hasil Klasifikasi Dari Tabel 16., pada metode K-, persentase hasil klasifikasi yang valid pada asli maupun hasil reduksi pada data learning semuanya 1%. Tabel 16. Persentase Hasil Klasifikasi Data Learning BPNN1 BPNN2 (15) 1, 1, 95,56 1, 5 1, 1, 1, 1, 3 1, 1, 1, 1, 15 1, 46,67 1, 1, 1 1, 33,33 1, 1, 5 1, 1, 1, 1, 3 1, 33,33 66,67 1, 2 1, 33,33 1, 1, 15 1, 33,33 66,67 1, 1 1, 33,33 1, 1, 5 1, 33,33 33,33 33,33 3 1, 33,33 33,33 1, 2 1, 6, 1, 66,67 Pada metode, hasil reduksi untuk l = 5, 3, 5 persentase hasil klasifikasi yang benar adalah 1%, selain itu hanya berkisar 33,33% sampai dengan 6,%. Pada metode BPNN1 maupun BPNN2 hampir semua baru hasil reduksi mempunyai persentase hasil klasifikasi sebesar 1%, kecuali pada l = 3, 5, 15, 3 untuk BPNN(1) dan l = 2, 5 untuk BPNN2. Tabel 17. Persentase Hasil Klasifikasi Data Non-Learning BPNN1 BPNN2 (15) 33,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33, ,33 66,67 33,33 33, ,33 66,67 33,33 33, ,33 33,33 33,33 33, ,33 33,33 33,33 33,33 Sedangkan hasil klasifikasi pada data non-learning pada Tabel 17., untuk semua metode hasil klasifikasi sebesar 33,33%, kecuali pada metode untuk l = 5 dan l = 1 sebesar 66,67%. Nilai simpangan baku total variasi pada l tersebut sangatlah besar dibandingkan dengan yang lain. 5. Kesimpulan Dari percobaan dan hasil penelitian ini dapat disimpulkan sebagai berikut : 1. Pada data EMG, rata-rata total variasi pada komponen utama pertama berkisar 81,84% 99,99% dengan simpangan baku maksimum sebesar 1,47%. Pada data sonar simpangan baku relative besar yaitu berkisar antara,88% sampai dengan 22,73%. Sedangkan pada data sintetis, rata-rata total variasi pada komponen utama pertama berkisar 85,82% - 99,77% dengan simpangan baku berkisar,5% - 8,51%. 2. Pada metode - dan, jumlah berpengaruh secara linier terhadap waktu pembelajaran. Sedangkan metode BPNN1 dan BPNN2, jumlah berpengaruh secara linier maupun kuadratik terhadap waktu pembelajaran. Sehingga dapat disimpulkan bahwa reduksi dimensi menggunakan komponen utama data partisi 6-6
7 sangat signifikan mengurangi waktu pembelajaran. 3. Kinerja hasil klasifikasi data learning pada data EMG dan data sonar, metode BPNN1 dan BPNN2 jauh lebih tinggi persentasenya dibandingkan dengan metode - dan. Sedangkan kinerja hasil klasifikasi data non-learning sangat rendah, yaitu berkisar 25,% - 66,67%. Hal ini disebabkan oleh keragaman nilai koefisien variasi dataset yang sangat besar, yang mana mengindikasikan bahwa data tidak berdistribusi Normal dan mempunyai variansi yang sangat besar. 6. Daftar Pustaka: Borries, G.F.V (28): Partition Clustering of High Dimensional Law Sample Size Data Based On P-Value, Kansas State University, Manhattan, Kansas. Hoyle, D.C. (28): Automatic PCA Dimension Selection for High Dimensional Data and Small Size, Journal of Machine Learning Research, 28 ( ). Johnson, R.A. & D.W. Wichern (1988): Applied Multivariate Statistical Analysis, Prentice Hall, Smith,L.I. (22): A Tutorial on Principal Compomponents Analysis, 22. Susianti, M. (29): Identifikasi Sinyal Electromyograph (EMG) Pada Gerak Ekstensi-Fleksi Siku Dengan Metode Konvolusi dan Jaringan Syaraf Tiruan Untuk Input Robot Lengan, Proyek Akhir PENS. Qiao,Z., L. Zhoui and J.Z. Huang (29): Sparse Linear Discriminant Analysis with Applications to High Dimensional Low Sample Size Data, IAENG International Journal of Applied Mathematics, 39:1,IJAM_39_1_6., datase 6-7
Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil
Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil Ronny Susetyoko, Elly Purwantini Politeknik Elektronika Negeri Surabaya
Lebih terperinciMinggu XI ANALISIS KOMPONEN UTAMA. Utami, H
Minggu XI ANALISIS KOMPONEN UTAMA Utami, H Outline 1 Pendahuluan 2 Tujuan 3 Analisis Komponen Utama 4 Contoh Utami, H Minggu XIANALISIS KOMPONEN UTAMA 2 / 16 Outline 1 Pendahuluan 2 Tujuan 3 Analisis Komponen
Lebih terperinciS 10 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis)
PROSIDING ISBN : 978 979 6353 6 3 S 0 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis) Wirayanti ), Adi Setiawan ), Bambang Susanto
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan diuraikan mengenai landasan teori yang akan digunakan dalam bab selanjutnya. 2.1 Matriks Sebuah matriks, biasanya dinotasikan dengan huruf kapital tebal seperti A,
Lebih terperinciPENERAPAN ANALISIS KOMPONEN UTAMA DALAM PENENTUAN FAKTOR DOMINAN YANG MEMPENGARUHI PRESTASI BELAJAR SISWA (Studi Kasus : SMAN 1 MEDAN)
Saintia Matematika Vol. 1, No. 6 (2013), pp. 507 516. PENERAPAN ANALISIS KOMPONEN UTAMA DALAM PENENTUAN FAKTOR DOMINAN YANG MEMPENGARUHI PRESTASI BELAJAR SISWA (Studi Kasus : SMAN 1 MEDAN) Juliarti Hardika,
Lebih terperinciPenggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com
Lebih terperinciKETEPATAN PENGKLASIFIKASIAN FUNGSI DISKRIMINAN LINIER ROBUST DUA KELOMPOK DENGAN METODE FAST MINIMUM COVARIATE DETERMINANT (FAST MCD)
KETEPATAN PENGKLASIFIKASIAN FUNGSI DISKRIMINAN LINIER ROBUST DUA KELOMPOK DENGAN METODE FAST MINIMUM COVARIATE DETERMINANT (FAST MCD) Budyanra Jurusan Statistika, Sekolah Tinggi Ilmu Statistik, Jakarta
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini menjelaskan landasan teori dari metode yang digunakan dalam proses pengenalan wajah, yaitu terdiri atas: metode Eigenface, dan metode Jarak Euclidean. Metode Eigenface digunakan
Lebih terperincialjabar geo g metr me i
Pertemuan 12 & 13 ANALIS KOMPONEN UTAMA & FUNGSI DISCRIMINAN Obyektif : Reduksi variabel Interpretasi Aplikasi AKU dalam Anls Regresi Discrimination Fisher and Classification Classification with two Multivariate
Lebih terperinciAnalisis Komponen Utama (Principal component analysis)
Analisis Komponen Utama (Principal component analysis) A. LANDASAN TEORI Misalkan χ merupakan matriks berukuran nxp, dengan baris-baris yang berisi observasi sebanyak n dari p-variat variabel acak X. Analisis
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang Diagnosis kanker dapat dilakukan berdasarkan struktur morfologisnya, namun hal tersebut mengalami kesulitan karena perbedaan struktur morfologis yang sangat tipis
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciSemakin besar persentase CCR yang dihasilkan, maka tingkat akurasi yang dihasilkan semakin tinggi (Hair et. al., 1995).
3 fungsi diskriminan cukup untuk memisahkan k buah kelompok. Karena fungsi-fungsi diskriminan tidak saling berkorelasi, maka komponen aditif dari V masing-masing didekati dengan khi-kuadrat dengan V j
Lebih terperinciPlot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel
Plot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel Vitawati Bawotong, Hanny Komalig, Nelson Nainggolan 3 Program Studi Matematika, FMIPA, UNSRAT, vbawotong@gmail.com
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE
PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer
Lebih terperinciAnalisis Cluster Average Linkage Berdasarkan Faktor-Faktor Kemiskinan di Provinsi Jawa Timur
Analisis Cluster Average Linkage Berdasarkan Faktor-Faktor Kemiskinan di Provinsi Jawa Timur Qonitatin Nafisah, Novita Eka Chandra Jurusan Matematika Fakultas MIPA Universitas Islam Darul Ulum Lamongan
Lebih terperinciAbstract. Abstrak. Keywords : Principal Component Analysis, Agriculture Production and Plantation
JdC, Vol. 3, No. 2, September, 2014 1 Penggunaan Analisis Komponen Utama Dalam Penggabungan Data Peubah Ganda pada Kasus Produksi Pertanian dan Perkebunan Di Wilayah Bolaang Mongondow Tahun 2008 1 Sunarsi
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciANALISIS KOMPONEN UTAMA PADA PENERAPAN APLIKASI PEMBELAJARAN METODE GLENN DOMAN
ANALISIS KOMPONEN UTAMA PADA PENERAPAN APLIKASI PEMBELAJARAN METODE GLENN DOMAN Anik Rufaidah 1, Muhamad Afif Effindi 2 1 Program Studi Teknik Industri, 2 Program Studi Teknik Informatika Sekolah Tinggi
Lebih terperinciPENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
Lebih terperinci(α = 0.01). Jika D i > , maka x i atau pengamatan ke-i dianggap pencilan (i = 1, 2,..., 100). HASIL DAN PEMBAHASAN
4 karena adanya perbedaan satuan pengukuran antar peubah. 1.. Memastikan tidak adanya pencilan pada data dengan mengidentifikasi adanya pencilan pada data. Pengidentifikasian pencilan dilakukan dengan
Lebih terperinciUJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES
1 Uji Kinerja Face Recognition Menggunakan Eigenfaces UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES ABDUL AZIS ABDILLAH 1 1STKIP Surya, Tangerang, Banten, abdillah.azul@gmail.com Abstrak. Pada paper
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
Lebih terperinciBAB. IX ANALISIS REGRESI FAKTOR (REGRESSION FACTOR ANALYSIS)
BAB. IX ANALII REGREI FAKTOR (REGREION FACTOR ANALYI) 9. PENDAHULUAN Analisis regresi faktor pada dasarnya merupakan teknik analisis yang mengkombinasikan analisis faktor dengan analisis regresi linier
Lebih terperinciSILABUS PERKULIAHAN METODE STATISTIKA MULTIVARIAT 3 SKS KODE :
SILABUS PERKULIAHAN METODE STATISTIKA MULTIVARIAT 3 SKS KODE : JURUSAN PENDIDIKAN MATEMATIKA FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA 2005-2006 MATAKULIAH
Lebih terperinciJURNAL TEODOLITA. VOL. 14 NO. 1, Juni 2013 ISSN DAFTAR ISI
JURNAL TEODOLITA VOL. 14 NO. 1, Juni 2013 ISSN 1411-1586 DAFTAR ISI Perpaduan Arsitektur Jawa dan Sunda Pada Permukiman Bonokeling Di Banyumas, Jawa Tengah...1-15 Wita Widyandini, Atik Suprapti, R. Siti
Lebih terperinciPENGENALAN POLA TANDA TANGAN DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)
PENGENALAN POLA TANDA TANGAN DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) Riza Firdaus Ardiansyah NIM : A11.2009.05106 Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas
Lebih terperinciBAB 3 ALGORITMA PENGENALAN BAB 3 SUDUT FOTO DENGAN DATA SEGITIGA MASING-MASING SUDUT
24 BAB 3 ALGORITMA PENGENALAN BAB 3 SUDUT FOTO DENGAN DATA ALGORITMA RATA-RATA PENGENALAN MASING-MASING SUDUT SUDUT FOTO SERTA DENGAN DATA DATA FUZZY RATA-RATA MASING-MASING SEGITIGA MASING-MASING SUDUT
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Seperti halnya semua algoritma dalam pattern recognition pada real-world domain, Support Vector Machine juga selalu mengalami masalah pada tingginya dimensi data yang
Lebih terperinciMinggu II STATISTIKA MULTIVARIATE TERAPAN
Minggu II STATISTIKA MULTIVARIATE TERAPAN (PENDAHULUAN) Herni U Universitas Gadjah Mada Outline 1 Analisis Statistika Multivariat 2 Contoh Kasus Multivariat 3 Organisasi Data Outline 1 Analisis Statistika
Lebih terperinciBAB 2 DENGAN MENGGUNAKAN INTERPOLASI INTERPOLASI SPLINE LINIER DAN INTERPOLASI SPLINE
8 BAB 2 PENENTUAN SUDUT PANDANG BAB 2 WAJAH TIGA DIMENSI PENENTUAN DENGAN MENGGUNAKAN SUDUT PANDANG INTERPOLASI WAJAH TIGA LINIER DIMENSI DAN DENGAN MENGGUNAKAN INTERPOLASI INTERPOLASI SPLINE LINIER DAN
Lebih terperinciPENERAPAN ANALISIS FAKTOR DAN ANALISIS DISKRIMINAN UNTUK MENENTUKAN KUALITAS PRODUK SUSU BALITA DENGAN GRAFIK KENDALI Z-MR
PENERAPAN ANALISIS FAKTOR DAN ANALISIS DISKRIMINAN UNTUK MENENTUKAN KUALITAS PRODUK SUSU BALITA DENGAN GRAFIK KENDALI Z-MR Inge Ratih Puspitasari, Hendro Permadi, dan Trianingsih Eni Lestari Universitas
Lebih terperinciPengolahan Citra untuk Bidang Pertanian(Menentukan Kematangan Buah) Oleh Nama:Wahyu Abid A. NRP : Kelas :2D4 IT(B)
Pengolahan Citra untuk Bidang Pertanian(Menentukan Kematangan Buah) Oleh Nama:Wahyu Abid A. NRP :2110151042 Kelas :2D4 IT(B) Latar Belakang Buah pisang dan alpukat sangatlah familiar dengan warga asia,
Lebih terperinciIDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI PCA DAN GLCM
1 IDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI DAN Ratna Dwi Jayanti A11.2011.05949 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro, Jl.
Lebih terperinciMenurut Ming-Hsuan, Kriegman dan Ahuja (2002), faktor-faktor yang mempengaruhi sebuah sistem pengenalan wajah dapat digolongkan sebagai berikut:
BAB 2 LANDASAN TEORI Bab ini akan menjelaskan berbagai landasan teori yang digunakan oleh penulis dalam penelitian ini dan menguraikan hasil studi literatur yang telah dilakukan penulis. Bab ini terbagi
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciIDENTIFIKASI FAKTOR PENDORONG PERNIKAHAN DINI DENGAN METODE ANALISIS FAKTOR
Saintia Matematika Vol. 2, No. 1 (2014), pp. 1 11. IDENTIFIKASI FAKTOR PENDORONG PERNIKAHAN DINI DENGAN METODE ANALISIS FAKTOR Aswin Bahar, Gim Tarigan, Pengarapen Bangun Abstrak. Pernikahan dini merupakan
Lebih terperinciKlasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan
Statistika, Vol. 15 No. 2, 87-97 November 215 Klasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan Fitriana A.R. 1, Nurhasanah 2, Ririn Raudhatul
Lebih terperinciPERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI. Abstrak
PERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI Dwi Yuli Rakhmawati, Muhammad Mashuri 2,2) Institut Teknologi Sepuluh Nopember dwiyuli_rakhmawati@yahoo.com,
Lebih terperinciBAB 2 Landasan Teori
BAB 2 Landasan Teori Pengenalan manusia secara otomatis menggunakan mesin merupakan masalah yang menantang dan telah menjadi banyak perhatian selama beberapa tahun terakhir. (Jawad, Syed, dan Farrukh,
Lebih terperinciBAB II TINJAUAN PUSTAKA. Dalam bab ini akan dipaparkan beberapa teori pendukung yang digunakan dalam
BAB II TINJAUAN PUSTAKA Dalam bab ini akan dipaparkan beberapa teori pendukung yang digunakan dalam proses analisis klaster pada bab selanjutnya. 2.1 DATA MULTIVARIAT Data yang diperoleh dengan mengukur
Lebih terperinciJurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
Pengenalan Wajah Menggunakan Metode Adjacent Pixel Intensity Difference Quantization Histogram Generation Oleh : ANDIK MABRUR 1206 100 716 Dosen Pembimbing : Drs. Soetrisno, MI.Komp. Jurusan Matematika
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Aljabar Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemen-elemen yang disusun secara teratur menurut baris dan kolom sehingga
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciImplementasi Principal Komponen Analysis untuk Sistem Balik Citra Digital
Nusantara of Engginering (NoE)/Vol. /No. /ISSN : 8 Implementasi Principal Komponen Analysis untuk Sistem Balik Citra Digital Okfan Rizal Ferdiansyah. Sistem Informasi, Fakultas Teknik Universitas Nusantara
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dalam kehidupan sehari-hari, antrean (queing) merupakan hal yang sering sekali kita jumpai, misalnya ketika membeli karcis, membayar tol, menaiki kendaraan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Lebih terperinciTINJAUAN PUSTAKA Analisis Biplot Biasa
TINJAUAN PUSTAKA Analisis Biplot Biasa Analisis biplot merupakan suatu upaya untuk memberikan peragaan grafik dari matriks data dalam suatu plot dengan menumpangtindihkan vektor-vektor dalam ruang berdimensi
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 BAB II TINJAUAN PUSTAKA Penelitian maupun pembuatan aplikasi mengenai pengenalan karakter / pengenalan pola ataupun yang berhubungan dengan Jaringan Syaraf Tiruan terlebih dengan metode Backpropagation
Lebih terperinciAPLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu
Lebih terperinciPenggunaan Analisis Faktor (Factor Analysis) dengan Aplikasi Program SPSS 11.5
Penggunaan Analisis Faktor (Factor Analysis) dengan Aplikasi Program SPSS 11.5 Oleh: Muji Gunarto (mgunarto@hotmail.com) I. Pendahuluan (Landasan Teori) Analisis faktor adalah salah satu analisis yang
Lebih terperinciTogu P. Marpaung, Normalina Napitupulu, Rachmad Sitepu
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 289 298. ANALISIS FAKTOR YANG MEMPENGARUHI KUNJUNGAN MASYARAKAT KOTA MEDAN KE PERPUSTAKAAN UMUM KOTA MEDAN Togu P. Marpaung, Normalina Napitupulu,
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciREDUKSI DIMENSI INPUT PADA JARINGAN SYARAF PCA-RBF DENGAN SINGULAR VALUE DECOMPOSITION
REDUKSI DIMENSI INPUT PADA JARINGAN SYARAF PCA-RBF DENGAN SINGULAR VALUE DECOMPOSITION Abdul Hakim Maulana, Oni Soesanto, Thresye Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat Email:
Lebih terperinciBAB III ANALISIS FAKTOR. berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal
BAB III ANALISIS FAKTOR 3.1 Definisi Analisis faktor Analisis faktor adalah suatu teknik analisis statistika multivariat yang berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal
Lebih terperinciAnalisis Cluster, Analisis Diskriminan & Analisis Komponen Utama. Analisis Cluster
Analisis Cluster Analisis Cluster adalah suatu analisis statistik yang bertujuan memisahkan kasus/obyek ke dalam beberapa kelompok yang mempunyai sifat berbeda antar kelompok yang satu dengan yang lain.
Lebih terperinciReduksi Data Luaran GCM Stasiun Amahai Dengan Menggunakan Analisis Komponen Utama
Reduksi Data Luaran GCM Stasiun Amahai Dengan Menggunakan Analisis Komponen Utama Ferry Kondo Lembang Jurusan Matematika FMIPA UNPATTI ferrykondolembang@yahoo.co.id Abstrak Reduksi dimensi adalah bagian
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciIMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI
Royani Darma Nurfita, Gunawan Ariyanto, Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI Royani Darma
Lebih terperinciBab 2 LANDASAN TEORI
17 Bab 2 LANDASAN TEORI 2.1 Aljabar Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemen-elemen yang disusun secara teratur menurut baris dan kolom sehingga
Lebih terperinciBab II. Tinjauan Pustaka
Bab II Tinjauan Pustaka 2.1 Penelitian Terdahulu Principal Component Analysis (PCA) merupakan metode dalam statistika yang digunakan untuk mereduksi dimensi input dengan kehilangan informasi yang minimum,
Lebih terperinciSTEGANALISIS UNTUK FILE AUDIO BERFORMAT MP3 DENGAN METODE LEAST SIGNIFICANT BIT (LSB) PADA KLASIFIKASI PRINCIPAL COMPONENT ANALYSIS (PCA)
STEGANALISIS UNTUK FILE AUDIO BERFORMAT MP3 DENGAN METODE LEAST SIGNIFICANT BIT (LSB) PADA KLASIFIKASI PRINCIPAL COMPONENT ANALYSIS (PCA) Vivin Fauziah Ramadhani 1), Bambang Hidayat, 2), Azizah. 3) 1),2),3
Lebih terperinciENKRIPSI DATA HASIL ANALISIS KOMPONEN UTAMA (PCA) ATAS CITRA IRIS MATA MENGGUNAKAN ALGORITMA MD5
MAKALAH SEMINAR TUGAS AKHIR ENKRIPSI DATA HASIL ANALISIS KOMPONEN UTAMA (PCA) ATAS CITRA IRIS MATA MENGGUNAKAN ALGORITMA MD5 Sunaryo 1, Budi Setiyono 2, R. Rizal Isnanto 2 Abstrak - Biometrik merupakan
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis Komponen Utama (AKU, Principal Componen Analysis) bermula dari
BAB 2 LANDASAN TEORI 21 Analisis Komponen Utama 211 Pengantar Analisis Komponen Utama (AKU, Principal Componen Analysis) bermula dari tulisan Karl Pearson pada tahun 1901 untuk peubah non-stokastik Analisis
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
Lebih terperinciHERU SUSANTO Dosen Pembimbing : 1. Dr. Surya Sumpeno, ST., M.Sc. 2. Reza Fuad Rachmadi, ST., MT.
HERU SUSANTO 2209 105 030 Dosen Pembimbing : 1. Dr. Surya Sumpeno, ST., M.Sc. 2. Reza Fuad Rachmadi, ST., MT. LATAR BELAKANG Peran media jejaring sosial pada perkembangan teknologi komunikasi dan informasi;
Lebih terperinciANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR
Jurnal Teknik dan Ilmu Komputer ANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR PARAMETER VARIATION ANALYSIS OF LEARNING VECTOR QUANTIZATION
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST)
Berkala Fisika ISSN : 1410-9662 Vol. 15, No. 1, Januari 2012, hal 15-20 SISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST) Tri Mulyono, Kusworo Adi dan Rahmat Gernowo Jurusan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
60 BAB IV HASIL DAN PEMBAHASAN 41 Hasil Eksperimen E-nose terdiri dari 4 buah sensor gas dimana masing-masing dari sensor tersebut memiliki kepekaan yang berbeda pada saat pendeteksian aroma Jenis teh
Lebih terperinciTransformasi Biplot Simetri Pada Pemetaan Karakteristik Kemiskinan
Transformasi Biplot Simetri Pada Pemetaan Karakteristik Kemiskinan Desy Komalasari Fakultas MIPA, Universitas Mataram e-mail: Desi_its@yahoo.com Mustika Hadijati Fakultas MIPA, Universitas Mataram e-mail:
Lebih terperinciAnalisis Pengelompokan dengan Metode K-Rataan
511 Analisis Pengelompokan dengan Metode K-Rataan Titin Agustin Nengsih Fakultas Syariah IAIN Sulthan Thaha Saifuddin Jambi Abstrak Analisis pengelompokkan adalah salah satu metode eksplorasi data untuk
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciPengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA)
Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA) Erma Rachmawati Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4A3 Pembelajaran Mesin Disusun oleh: Agung Toto Wibowo Said Al Faraby PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperincig(x, y) = F 1 { f (u, v) F (u, v) k} dimana F 1 (F (u, v)) diselesaikan dengan: f (x, y) = 1 MN M + vy )} M 1 N 1
Fast Fourier Transform (FFT) Dalam rangka meningkatkan blok yang lebih spesifik menggunakan frekuensi dominan, akan dikalikan FFT dari blok jarak, dimana jarak asal adalah: FFT = abs (F (u, v)) = F (u,
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Ekstraksi ciri Citra yang digunakan dalam penelitian ini berukuran 150 x 150 pixel, sehingga jika divektorkan akan menghasilkan vektor berukuran 22500. Melalui tahap ekstraksi ciri
Lebih terperinciBAB IV PENGUJIAN DAN ANALISIS
BAB IV PENGUJIAN DAN ANALISIS Bab ini akan membahas tentang pengujian dan analisis sistem. Pada pengujian akan dijelaskan tentang kriteria pengujian serta analisis dari pengujian 4.1. Kriteria Pengujian
Lebih terperinciImplementasi Principal Component Analysis (PCA) Untuk Pengenalan Wajah Manusia
Nusantara of Engineering/Vol. 2/ No. 1/ISSN: 2355-6684 65 Implementasi Principal Component Analysis (PCA) Untuk Pengenalan Wajah Manusia Rina Firliana, Resty Wulanningrum, Wisnu Sasongko Jurusan Teknik
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciAnalisis Reduksi Model pada Sistem Linier Waktu Diskrit
JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (216) 2337-352 (231-928X Print) A-25 Analisis Reduksi Model pada Sistem Linier Waktu Diskrit Yunita Indriana Sari dan Didik Khusnul Arif Jurusan Matematika, Fakultas
Lebih terperinciPEMANFAATAN GUI DALAM PENGEMBANGAN PERANGKAT LUNAK PENGENALAN CITRA WAJAH MANUSIA MENGGUNAKAN METODE EIGENFACES
PEMANFAATAN GUI DALAM PENGEMBANGAN PERANGKAT LUNAK PENGENALAN CITRA WAJAH MANUSIA MENGGUNAKAN METODE EIGENFACES Ni Wayan Marti Jurusan Manajemen Informatika, Fakultas Teknik dan Kejuruan,Universitas Pendidikan
Lebih terperinciTINJAUAN PUSTAKA Analisis Gerombol
3 TINJAUAN PUSTAKA Analisis Gerombol Analisis gerombol merupakan analisis statistika peubah ganda yang digunakan untuk menggerombolkan n buah obyek. Obyek-obyek tersebut mempunyai p buah peubah. Penggerombolannya
Lebih terperinciANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI MAHASISWA
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 ANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI
Lebih terperinciBAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN
BAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN Pengenalan suatu objek tentu saja tidak bisa dilakukan tanpa persiapan sama sekali. Ada beberapa proses yang perlu dilakukan sebelum
Lebih terperinciSISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR. Febrian Ardiyanto NIM :
SISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR Oleh Febrian Ardiyanto NIM : 13203137 PROGRAM STUDI TEKNIK ELEKTRO SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA INSTITUT TEKNOLOGI BANDUNG 2007
Lebih terperinciANALISIS REGRESI LINIER SEDERHANA DENGAN METODE THEIL
ANALISIS REGRESI LINIER SEDERHANA DENGAN METODE THEIL SKRIPSI Oleh : Prayitno Amigoro NIM. J2E 004 242 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciANALISIS FAKTOR YANG MEMPENGARUHI TINGKAT PRODUKSI PADI SAWAH DI KABUPATEN PADANG LAWAS
Saintia Matematika ISSN: 2337-9197 Vol. 2, No. 4 (2014), pp. 323 332. ANALISIS FAKTOR YANG MEMPENGARUHI TINGKAT PRODUKSI PADI SAWAH DI KABUPATEN PADANG LAWAS Ida Yanti Hasibuan, Pengarapen Bangun, Ujian
Lebih terperinciPEMODELAN DAN SIMULASI TINGGI GENANGAN BANJIR DI KECAMATAN GUBENG KOTA SURABAYA MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS
PEMODELAN DAN SIMULASI TINGGI GENANGAN BANJIR DI KECAMATAN GUBENG KOTA SURABAYA MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS Penyusun Tugas Akhir : Ratri Enggar Pawening/5107100613 Pembimbing I Dr. Ir. Joko
Lebih terperinciPENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR ABSTRAK
PENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR Rosihan Ari Yuana Program Studi Pendidikan Matematika Universitas Sebelas Maret ABSTRAK Aplikasi jaringan
Lebih terperinciTINJAUAN PUSTAKA. (statistik) dinamakan galat baku statistik, yang dinotasikan dengan
TINJAUAN PUSTAKA Penduga Titik dan Selang Kepercayaan Penduga bagi parameter populasi ada dua jenis, yaitu penduga titik dan penduga selang atau disebut sebagai selang kepercayaan. Penduga titik dari suatu
Lebih terperinciModel Klasifikasi Trafik Untuk Jaringan 3G Menggunakan Metode Discriminant Analysis
Model Klasifikasi Trafik Untuk Jaringan 3G Menggunakan Metode Discriminant Analysis Fitri Puspitasari Putri, Mieke Yuliana, ST.MT, Ronny Susetyoko Ssi.Msi Jurusan Teknik Telekomunikasi - Politeknik Elektronika
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
Lebih terperinciHASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut:
. Menyiapkan gugus data pencilan dengan membangkitkan peubah acak normal ganda dengan parameter µ yang diekstrimkan dari data contoh dan dengan matriks ragam-peragam yang sama dengan data contoh. Proses
Lebih terperinciPERBANDINGAN KINERJA DIAGRAM KONTROL G DAN DIAGRAM KONTROL S BESERTA APLIKASINYA
Program Studi MMT-ITS, Surabaya 7 Juli 03 PERBANDINGAN KINERJA DIAGRAM KONTROL G DAN DIAGRAM KONTROL S BESERTA APLIKASINYA Marlon Stivo Noya Van Delsen, *) dan Muhammad Mashuri ) ) Jurusan Statistika,
Lebih terperinciJURNAL GAUSSIAN, Volume 2, Nomor 2, April 2013, Halaman Online di:
JURNAL GAUSSIAN, Volume, Nomor, April 013, Halaman 119-18 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN KOEFISIEN KORELASI KANONIK DAN INTERPRETASI FUNGSI KANONIK MULTIVARIAT Muhamad
Lebih terperinci