PROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM
|
|
- Sukarno Sumadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Konferens Nasonal Sstem dan Informata 2009; Bal, November 14, 2009 PROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM Tjoorda Agung Bud W., 1, Mela Rahmawat 2, Retno Nov Dayawat, 3, Ade Romadhony 4 1,2,3.4 Faultas Informata Insttut Tenolog Telom, Bandung 1 co@ttelom.ac.d, 2 vo_rahma@yahoo.co.d, 3 rv@ttelom.ac.d, 4 ade@ttelom.ac.d ABSTRACT Dgtal mage can be consdered as one of many nformaton storage meda that has a unque characterstc and rch nformaton. Image processng becomes a very nterestng topc to explore. The result of mage processng process can become an nput to another advance process such as pattern recognton, mage annotaton, and mage analyss. In ths context mage processng can be regarded as pre-processng stage. In some cases, an advance process needs an mage that has a hgh resoluton and contans more nformaton. However, there s condton where we only have mage data wth low resolutons. Image wth low resoluton can be processed to become hgh resoluton mage data usng an upscalng technque. In ths research we bult an up-scalng process to reconstruct and estmate hgh resoluton mages based on Dscrete Wavelet Transform (DWT) technque. The research ndcated that the up-scalng process based on Dscrete Wavelet Transform (DWT) technque s affected by the estmaton of sub-band technque and wavelet flter used. Result of the research shows that the up-scalng process based on Dscrete Wavelet Transform (DWT) technque can produce an mage wth hgh resoluton and has a good qualty whch s ndcated by a hgh PSNR smulaton value. Keywords: Dscrete Wavelet Transform, Up-scalng, Estmaton, Interpolaton 1. Pendahuluan Ctra dgtal merupaan salah satu meda penympan nformas yang sangat un dan aya aan berbaga jens nformas. Tentu saja perlu dlauan suatu proses untu mengambl nformas tersebut. Sebelum dmasuan dalam proses yang lebh lanjut pada umumnya data ctra aan mengalam proses pre-processng dengan tujuan untu menghaslan suatu data ctra yang sesua dengan ebutuhan. Dalam beberapa asus teradang dbutuhan data ctra dgtal yang meml resolus tngg dengan harapan nformas yang terandung pada ctra dapat dproses dengan lebh ba, namun data ctra dgtal yang ada ternyata meml resolus yang rendah. Untu tu dperluan suatu proses untu mengubah ctra beresolus rendah menjad ctra beresolus tngg dengan asums bahwa andungan nformas dalam ctra beresolus tngg aan lebh ba dan lebh banya. Proses pengubahan resolus ctra dar resolus rendah menjad ctra beresolus tngg dsebut dengan proses up-scalng, dmana ctra resolus rendah aan dpetaan e dalam ctra yang beruuran lebh besar dengan mengestmas nla pxelpxel baru dar nla pxel-pxel yang detahu pada ctra beresolus rendah. Salah satu cara melauan upscalng adalah menggunaan nterpolas dmana metode nterpolas yang ada sepert blnear melauan nterpolas pada doman spasal dengan mengnterpolas secara merata pada semua bagan onten ctra sehngga bagan ctra yang meml sfat husus sepert tep (frewens tngg ctra) dperlauan sama. Dalam peneltan n dlauan up-scalng pada ctra dengan menerapan nterpolas pada doman frewens, dmana proses nterpolas dlauan secara terpsah pada bagan ctra yang berfrewens rendah dan berfrewens tngg, dengan menerapan metode Dscrete Wavelet Transform. Metode Dscrete Wavelet Transform aan merepresentasan data ctra sebaga ombnas lnear dar fungs bass wavelet dengan empat buah oefsen subband, yatu oefsen aprosmas (frewens rendah) yang merupaan gambaran ctra dalam bentu resolus lebh rendah serta tga buah oefsen detl (frewens tngg). Permasalahan utama dalam proses up-scalng dengan menggunaan metode DWT adalah meansme estmas eempat sub-band yang dbutuhan untu menghaslan suatu ctra baru dengan resolus yang lebh tngg. Dengan ten estmas yang tepat, maa dlauan proses up-scalng aan menghaslan data ctra resolus tngg dengan ualtas yang ba., dmana penentuan ualtas dlauan menggunaan nla PSNR dar smulas pengujan yang dlauan. 2. Landasan Teor 2.1 Ctra Dgtal Ctra merupaan fungs ontnyu dar ntenstas cahaya pada bdang dua dmens [8]. Intenstas cahaya merupaan hasl al antara jumlah pancaran (llumnas) cahaya yang dterma obje dengan derajat emampuan obye memantulan cahaya. Ctra dgtal umumnya drepresentasan dalam bentu matrs 2 dmens dengan uuran NxM. Elemen terecl dalam ctra dgtal (elemen matrs) dsebut pxel. Setap nla pxel pada ctra merepresentasan nla ntenstas cahaya. Pada gambar 1, f(x, merupaan nla fungs ntenstas pxel pada tt (x,. 95
2 Konferens Nasonal Sstem dan Informata 2009; Bal, November 14, 2009 Gambar 1. Representas Ctra Dgtal Nla fungs ntenstas f(x, meml rentang nla yang dsebut sala eabuan, yatu: l mn < f ( x, < lmax atau 0 f ( x, L 1 (1) Dmana: f(x,: nla ntenstas I max = L: nla max ntenstas (sala eabuan) I mn : nla mn ntenstas 2.2 Proses Interpolas Interpolas merupaan metode untu mereonstrus pon data baru dar pon data yang telah detahu dengan fungs hampran tertentu. Nla hasl nterpolas merupaan nla estmas. Pada umumnya nterpolas terbag menjad nterpolas adaptve dan non-adaptve. Pada nterpolas non-adaptve, proses omputas dlauan merata pada semua pxel, contoh metode n d antaranya nearest neghbor, nterpolas blnear, dan nterpolas bcubc. Sedangan pada nterpolas adaptve proses omputas dlauan berdasaran rtera onten tertentu, msalnya memperlauan proses yang berbeda pada freuens tngg dan freuens rendah pada ctra. 2.3 Transformas Wavelet Wavelet merupaan seumpulan fungs bass tertentu dalam rentang watu ontnyu. Fungs bass dapat merepresentasan semua fungs yang dapat terbentu d ruang fungs tersebut. Wavelet merupaan fungs bass yang dapat merepresentasan sebuah fungs sebaga ombnas lnear dar fungs bass wavelet tersebut. Secara matemats dapat drumusan: f ( t) = a ψ ( t) (2) dmana merupaan ndex, a oefsen, dan ψ merupaan fungs bass. Sepert halnya dalam ruang vetor 2D, sebuah tt atau gars dapat drepresentasan sebaga bentu ombnas lnear dar bass-bass yang merentang ruang 2D, salah satunya bass [0 1] T dan [1 0] T. Msal ombnas lnear untu merepresentasan tt atau vetor [4 5] T, [4 5] T = 4[1 0] T + 5[0 1] T, dmana 4 dan 5 merupaan oefsen serta [0 1] T dan [1 0] T adalah bass yang merentang ruang 2D. Bass wavelet berasal dar fungs sala yang dtranslasan dan dsalaan. Berdasaran fungs sala tersebut wavelet meml nama yang berbeda-beda, sepert Daubeches, Coflets, dan Symlet [1,2,4]. Dar fungs sala tersebut dapat dbentu fungs wavelet pertama atau serng dsebut mother wavelet. Dengan mendlasan (meregangan atau memampatan) dan mentranslasan (menggeser) mother wavelet aan dbentu wavelet-wavelet berutnya. Berut edua fungs sala tersebut: Dmana: φ (t) : fungs sala, ψ (t) : fungs wavelet h, g : oefsen fungs, ( 2t ) φ ( t ) = 2 h * φ(2t ) (3) ψ ( t ) 2 ( 1) g1 φ(2t ) (4) = φ : fungs dsalaan 2 dan dtranslas sebesar, 2 menjaga normalsas fungs sala dar pensalaan fator 2. Sgnal atau ctra sebaga sebuah fungs terhadap watu atau space, dapat drepresentasan sebaga ombnas lnear dar fungs sala dan fungs wavelet, secara matemats drumusan sebaga berut: f ( t) = c( ) φ ( t) + d( j, ) ψ ( ) (5) = j= 0 = j, t 96
3 Konferens Nasonal Sstem dan Informata 2009; Bal, November 14, 2009 dmana φ (t) adalah fungs bass sala dan ψ (t) fungs bass wavelet. c() dan d(j,) adalah oefsen. Dalam penerapannya edua fungs bass tersebut dwalan oleh oefsen fungs bass yang serng dsebut oefsen flter lowpass ( h ) dan flter hghpass ( g ). Setap jens wavelet meml nla oefsen flter yang berbeda. 2.4 Dscrete Wavelet Transform Transformas merupaan proses perubahan fungs atau sgnal dar suatu bentu e bentu lan untu memperoleh nformas yang dbutuhan yang tda dapat dlhat dengan mudah dalam bentu awal. Msalnya suatu sgnal dar doman watu dtransformas e dalam sgnal berdoman frewens untu memsahan frewens tngg dan frewens rendah dar sgnal. Dengan DWT sebuah ctra yang berdoman space dapat dtransformas menjad empat buah subband yang meml resolus lebh rendah dar ctra tersebut, dan setap subband meml nformas frewens tertentu dan nformas loas eberadaan frewens tersebut. Keempat subband tersebut adalah subband aprosmas (Ca), subband detl horzontal (Ch), subband detl vertal (Cv), dan subband detl dagonal (Cd). Subband aprosmas merupaan subband yang meml nformas sebagan besar dar ctra dan meml tamplan mendeat ctra asl, sedangan subband detl Ch, Cv, dan Cd merupaan subband yang meml nformas frewens tngg dar ctra (tep) pada arah horzontal, vertal, dan dagonal. Proses transformas dar ctra menjad eempat subband tersebut dnamaan proses deomposs (analyss), sedangan proses transformas bal untu merubah embal eempat subband menjad ctra semula dsebut reonstrus (synthess). Gambar 2 memperlhatan proses DWT pada 2D (ctra) [6]. Deomposs Reonstrus f Barss L 2 H 2 Kolom L H L H Ca Ch Cv Cd 2 2 Kolom L H L H 2 2 Barss L H f Gambar 2. Transformas Wavelet Dsrt 2.5 Pea Sgnal to Nose Rato PSNR merupaan nla perbandngan antara nla masmum pxel ctra dengan MSE. MSE merupaan nla rata-rata error antara ctra awal dengan ctra hasl. Untu ctra 8-bt nla pxel masmum adalah 255. Untu PSNR, rtera ualtas gambar aan seman bagus ja hasl PSNR seman besar. PSNR dnyataan dalam satuan decbel (db). Nla mnmum PSNR pada nterpolas mash dataan ba adalah sebesar 30dB. Secara matemats drumusan sebaga berut: PSNR = 10log db (6) 10 MSE 1 MSE = MN M N [ I( x, I'( x, ] x= 1 y= 1 Dmana: M,N : Lebar dan tngg ctra I(x, : Nla ntenstas ctra awal/asl pada poss (x, I (x, : Nla ntenstas ctra hasl pada poss (x, Nla 255 : nla masmum pxel 3. Rancangan Sstem Untu menguur peformans dar metode up-scalng yang dgunaan aan dbangun sebuah sstem smulas dmana data ctra yang dml aan d down-scallng emudan d up-scalng dan dhtung nla PSNR yang dhaslan. Secara gars besar proses yang aan dlauan dalam peneltan n adalah sebaga berut: 1. Mengambl data ctra target 2. Melauan downscalng terhadap ctra target menjad ctra uj 3. Melauan proses estmas atau perraan nla oefsen aprosmas (Ca) dan oefsen detl (Ch,Cv,Cd). 4. Melauan up-scalng dengan reonstrus ctra dar eempat oefsen (Ca, Ch,Cv,Cd). 5. Melauan perhtungan PSNR dar hasl up-scalng Proses yang meml pengaruh cuup sgnfasn hasl dar proses up-scalng adalah proses estmas oefsen sub-band. Adapun tahap estmas aan dbag menjad 2, yatu: 1. Estmas oefsen aprosmas (Ca) 2. Estmas oefsen detl (Ch,Cv,Cd) 2 (7) 97
4 Konferens Nasonal Sstem dan Informata 2009; Bal, November 14, Estmas oefsen aprosmas (Ca) Estmas oefsen aprosmas (Ca) dlauan dengan melauan proses denormalsas terhadap ctra uj yatu mengalan nla setap pxel pada ctra uj dengan scalng factor (s) dmana s>=1 [3]. Setelah ddapat, nla tersebut dsmpan pada varabel Ca sebaga oefsen aprosmas untu djadan nputan pada tahap reonstrus DWT. 3.2 Estmas oefsen detl (Ch,Cv,Cd) Koefsen detl (Ch,Cv,Cd) sebaga nformas frewens tngg destmas dar ctra uj sebaga data ctra nputan. Dalam proses estmas oefsen detl n dlauan beberapa ops metode yang berbeda, dantaranya : a. Wavelet Zero Paddng (WZP), dmana nla oefsen etga subband detl dasumsan bernla 0 dengan uuran setap subband sama dengan ctra uj. Pada ops n semua nla pxel pada etga subband detl dset dengan 0 (nol). Ketga subband Ch,Cv,Cd meml uuran sama dengan uuran Ca, dan menjad nputan reonstrus DWT. b. Upsamplng-deomposs DWT, dmana nla oefsen etga subband detl ddapat dar up-samplng terhadap nformas frewens tngg (subband detl) yang dml ctra uj. Subband detl ctra uj merupaan hasl deomposs DWT terhadap ctra uj dengan mendrop oefsen Ca. Selanjutnya etga oefsen detl menjad nputan proses reonstrus DWT [6,7]. c. Estmas dengan blnear-deomposs DWT, dmana nla oefsen etga subband detl dperoleh dengan cara mengnterpolas blnear terhadap nformas frewens tngg yang dml ctra uj sebaga hasl deomposs DWT pada ctra uj sepert pada ops metode (b). d. Estmas dengan bcubc-deomposs DWT, dmana nla oefsen etga subband detl dperoleh dengan cara mengnterpolas bcubc terhadap nformas frewens tngg yang dml ctra uj sebaga hasl deomposs DWT pada ctra uj sepert pada ops metode (b). Setelah nla eempat oefsen dperoleh maa aan dlauan proses reonstrus ulang (IDWT-Invers Dscrete Wavelet Transform). Meansme detal dar proses estmas dan up-scalng yang dlauan dapat dlhat pada Gambar 3.a. Proses pengujan aan dlauan pada 8 buah gambar (Gambar 3.b) yang dategoran menjad: ctra gelap, ctra terang, dan ctra normal [5]. 3.3 Senaro Pengujan Untu menentuan performans sstem aan dlauan smulas dmana ctra asl aan d down-scalng dengan fator 0.5 emudan haslnya aan d up-scalng dengan fator 2. Dalam peneltan n terdapat 3 buah senaro pengujan melput: 1. Proses estmas Ca, dengan tujuan menemuan fator sala yang sesua (up-scalng 2x dan 4x) 2. Proses estmas Ch,Cv,Cd, dlauan dengan cara: a. Wavelet Zero Paddng (WZP) b. Upsamplng-deomposs DWT c. Estmas dengan blnear-deomposs DWT d. Estmas dengan bcubc-deomposs DWT 3. Penentuan jens flter wavelet yang sesua: Bor2.2, Bor4.4, Bor3.1 [1,4] 4. Perbandngan dengan metode onvensonal yatu nterpolas blnear dan nterpolas bcubc Peformans sstem untu setap senaro pengujan dnla dengan menggunaan PSNR hasl smulas. Gambar 3. (a) Gambaran Proses Estmas dan Up-Scalng, (b) Ctra Uj Yang Dgunaan 4. Hasl Peneltan Berdasaran senaro pengujan untu proses estmas Ca, dperoleh hasl sepert yang terlhat pada Gambar 4. Dar Gambar 4.a dan 4.b terlhat bahwa untu proses estmas nla Ca, fator sala denormalsas yang memberan nla 98
5 Konferens Nasonal Sstem dan Informata 2009; Bal, November 14, 2009 PSNR smulas terba adalah 2 untu up-scalng 2x dan 4 untu up-scalng 4x, sesua dengan scalng factor yang dngnan. Hasl pengujan untu proses estmas oefsen Ch, Cv, Cd dapat dlhat pada Gambar 5. Berdasaran hasl pengujan pada Gambar 5.a terlhat bahwa untu semua gambar uj penerapan metode WZP untu meansme estmas Ch, Cv, Cd menghaslan nla PSNR yang terba dengan rata-rata PSNR smulas sebesar Db. Hal n menunjuan bahwa untu menghaslan gambar yang ba maa estmas nla Ch, Cv, Cd harus sangat tepat dengan ata lan bla ta tda tahu sebanya mengeset nla oefsen dengan 0 untu memperecl error. Gambar 4.(a) Graf PSNR Pengujan Nla Fator Sala pada Estmas Ca up-scalng 2x (b) Graf PSNR Pengujan Nla Fator Sala pada Estmas Ca up-scalng 4x Untu pengujan jens flter wavelet yang dgunaan, dar hasl pengujan dtemuan bahwa penggunaan flter wavelet BIOR 4.4 aan memberan hasl up-scalng yang lebh ba. Hal n terlhat pada Gambar 5.b dmana nla PSNR yang dhaslan dengan menggunaan flter wavelet BIOR 4.4 meml rata-rata tertngg. Selan nla PSNR yang lebh ba, hal lan yang perlu dperhatan adalah masalah watu pemrosesan, dmana proses flterng merupaan proses onvolus yang memaan banya watu. Flter BIOR4.4 memberan hasl yang palng ba tetap membutuhan watu yang lebh lama dbandngan dengan BIOR2.2 dan BIOR3.1. Flter BIOR3.1 meml panjang oefsen palng ecl yatu 4 sehngga meml watu omputas palng ecl, dan BIOR4.4 meml oefsen palng panjang 9/7 sehngga meml omputas watu palng besar. Sedangan watu proses BIOR2.2 meml panjang oefsen 5/3 berada pada pertengahan edua flter lannya. Gambar 5. (a) Graf PSNR Pengujan Proses Estmas Ch,Cv,Cd Dengan up-scalng 2x (b) Graf PSNR Pengujan Penentuan Jens Flter pada Proses up-scalng 2x Untu senaro perbandngan dengan metode up-samplng yang lan yatu: nterpolas blnear dan nterpolas bcubc dapat dlhat pada Gambar 6. Kedua metode onvensonal tu aan dbandngan dengan metode up-scalng DWT dengan onfguras: 1. Fator sala denormalsas Estmas Ca sama dengan fator sala yang dngnan 2. Estmas Ch,Cv,Cd menggunaan WZP 3. Flter yang dgunaan adalah BIOR4.4 99
6 Konferens Nasonal Sstem dan Informata 2009; Bal, November 14, 2009 Proses down-scallng pada fator sala 2 dlauan dan menggunaan ten nearest-neghbor dmana aan mempertahanan nla palng pojo r atas. Dar hasl percobaan dtemuan bahwa bla dbandngan dengan nterpolas blnear dan nterpolas bcubc metode up-scalng dengan DWT memberan hasl yang lebh ba (dapat dlhat dar graf PSNR pada Gambar 6). Gambar 6. Graf PSNR Perbandngan DWT, Blnear dan Bcubc 5. Kesmpulan Dar hasl pengujan dan peneltan yang telah am lauan maa dapat dsmpulan bahwa metode up-scalng dengan menggunaan Dscrete Wavelet Transform (DWT) dapat dgunaan untu menghaslan ctra beresolus tngg dengan ualtas yang ba. Dalam melauan proses melauan estmas Ca dtemuan bahwa fator sala denormalsas yang dgunaan sebanya sesua dengan target sala yang dngnan. Secara umum dtemuan bahwa senaro dgunaan untu melauan estmas Ch, Cv, Cd belum dapat menngatan hasl PSNR dar gambar. Apabla metode estmas Ch, Cv, Cd belum mampu melauan estmas yang ba maa sebanya dgunaan meansme WZP. Jens flter wavelet yang menghaslan peformans terba dalam peneltan n adalah flter BIOR 4.4, dmana sfat b-orthogonal dar flter n memberan efe yang ba terhadap meansme reonstrus. 6. Saran Pengembangan Peneltan lebh lanjut dapat dlauan dengan mencoba jens flter wavelet yang lan, arena mash banya flter famly wavelet yang belum dujan. Dapat dlauan analsa ualtas ctra hasl selan PSNR sebab PSNR pada umumnya hanya menentuan ualtas tamplan, sedangan dalam beberapa proses lanjutan teradang membutuhan nformas yang lan sepert emampuan mempertahanan ss, bentu, dan batas area. Daftar Pustaa [1] Acharya, Tnu., P.S. Tsa. (2007). Computatonal Foundaton of Image Interpolaton Algorthms. ACM Sggraph Computer Graphcs, Vol.8. [2] Acharya. Tnu, P.S. Tsa. (2006). Image Up-Samplng usng Dscrete Wavelet Transform. [3] Dum, Eml. Sonja GRGIC. Mslav GRGIC. (2007). The use of Wavelets n mage Interpolaton Possbltes and Lmtatons. Radoengneerng. Vol.16., No.4. [4] Getreuer, Pascal. (2004). Flter Coeffcent to Popular Wavelet, Matlab Central. [5] Gonzalez. Rafael C. (2002). Dgtal Image Processng second Edton. Prentce Hall. Upper Saddle Rver. New Jersey. [6] Gopnath. Ramesh A, C. Ddney Burrus, Hatao G. (1998). Introducton to Wavelets and Wavelet Transforms A prmer. Prentce Hall. Upper Saddle Rver. New Jersey. [7] Knebuch, K., Muresan, D. D., Pars, T. W. (2001). Image nterpolaton usng wavelet-based Hdden Marov Trees. In Proceedngs of IEEE Inter.Conf. Acoustcs, Speech, and Sgnal Processng May 2001, vol. 3, pp [8] Mallat S. (1999). A wavelet Tour a Sgnal Processng. 2nd edton. Academc Press. 100
BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciRestorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization
Restoras Ctra Dengan Menggunaan Metode Iteratf Lanczos Hybrd Regularzaton Yudh Purwananto, Rully Soelaman, Alfa Masjta Rahmat Jurusan Ten Informata, Faultas Tenolog Informas Insttut Tenolog Sepuluh Nopember
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
Lebih terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN WATERSHED DAN ITENSITAS FILTERING SEBAGAI PRE PROCESSING
SEGMENTASI CITRA MENGGUNAKAN WATERSHED DAN ITENSITAS FILTERING SEBAGAI PRE PROCESSING Murnto 1), Agus Harjoo 2) 1) Mahasswa S3 Ilmu Komputer UGM, Dosen jurusan Ten Informata UADYogyaarta 2) Dosen Faultas
Lebih terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
Lebih terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciPRA-PEMROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING
PRA-PEMROSESAN DATA LUARAN GCM CSIRO-M3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING Vvn Mandasar (306 00 069), Dr Ir Setawan, M S (960030 9870 00) Mahasswa Jurusan
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA. Ten Pengodean Vdeo Konvensonal Ten pengodean vdeo onvensonal coco dgunaan untu televs dgtal, penympanan dgtal dan vdeo streamng dmana nformas sumber dodean seal dan ddeodean beberapa
Lebih terperinciKOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda
KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,
Lebih terperinciANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING
Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata
Lebih terperinciREKONSTRUKSI CITRA PADA SUPER RESOLUSI MENGGUNAKAN PROJECTION ONTO CONVEX SETS
REKONSTRUKSI CITRA PADA SUPER RESOLUSI MENGGUNAKAN PROJECTION ONTO CONVEX SETS Nama Mahasswa : Achmad Bryand NRP : 1207 100 006 Jurusan : Matematka FMIPA-ITS Dosen Pembmbng : 1. Dr. Imam Mukhlash, S.S,
Lebih terperinciIDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER
IDENIFIKASI SISEM NONLINIE DENGAN MENGGUNAKAN ECUEN NEUAL NEOK DAN ALGOIMA DEAD-ZONE KALMAN FILE ully Soelaman, angga fa Faultas enolog Informas Insttut enolog Sepuluh Nopember Kampus Keputh, Suollo, Surabaya
Lebih 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 terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciBAB 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 terperinciAnalisis Persebaran Seismisitas Wilayah Sumatera Selatan Menggunakan Metode Double Difference
B-54 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Prnt) Analss Persebaran Sesmstas Wlayah Sumatera Selatan Menggunaan Metode Double Dfference Dew Fajryyatul Mauldah, Bagus Jaya Santosa
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 terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d
Lebih terperinciEman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK
PENGGUNAAN MODEL REGRESI LINEAR BERGANDA PADA PROGRAM PENGGEMUKAN SAPI PO ( PERANAKAN ONGOLE) SERTA ANALISIS BCR ( BENEFIT COST RATIO ) PENGGUNAAN PAKAN BAHAN KERING Eman Lesmana, Raman Jurusan Matemata
Lebih terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih 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 terperinciImplementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0
Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,
Lebih terperinciIMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN
SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas,
Lebih terperinciTEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA
IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan
Lebih terperinciPengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis
Konferens Nasonal Sstem & Informata 05 STMIK STIKOM Bal, 9-0 Otober 05 Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Two-Dmensonal Lnear Dscrmnant Analyss Ftr Damayant Prod Manajemen Informata,
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data
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 terperinciPENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI
PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION Oleh : SOEMARTINI JURUSAN STATISTIKA FAKULTAS MATEMATIKA dan ILMU PENGETAHUAN ALAM UNIVERSITAS PADJADJARAN JATINANGOR 008 DAFTAR ISI Hal DAFTAR
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 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 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 terperinciU JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK
Jurusan Ten Spl dan Lngungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SENIN, 4 JANUARI 23 OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara tda boleh menggunaan omputer untu mengerjaan soal- soal ujan
Lebih terperinciBAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah
BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga
Lebih terperinciLucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman
Lucas Theorem Untu Mengatur Penympanan Memor yang Lebh Aman Hendra Hadhl Chor (135 8 41) Program Stud Ten Informata ITB Jalan Ganesha 1, Bandung e-mal: hendra_h2c_mathematcan@yahoo.com; f1841@students.f.tb.ac.d
Lebih terperinciIMPLEMENTASI ANALISIS REGRESI FAKTOR DALAM MENENTUKAN PENGARUH MOTIVASI BELAJAR TERHADAP HASIL BELAJAR MATEMATIKA SISWA KELAS VIII SMPN 20 MALANG
IMPLEMENTASI ANALISIS REGRESI FAKTOR DALAM MENENTUKAN PENGARUH MOTIVASI BELAJAR TERHADAP HASIL BELAJAR MATEMATIKA SISWA KELAS VIII SMPN 0 MALANG Erm Andayan, Swasono Rahardjo, I Nengah Parta Unverstas
Lebih terperinciPengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA
Pengaruh Kelembaban dan Ser Tanah Terhadap Mutu dan Produs Tanaman Tembaau Temanggung dengan Metode MANOVA Mftala Al Rza ), Sutno ), dan Dumal ) ) Jurusan Statsta, Faultas MIPA, Insttut Tenolog Sepuluh
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciPEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION
PEMODELAN INGKA KERAWANAN DEMAM BERDARAH DENGUE DI KABUPAEN LAMONGAN DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION Marsa Rfada 1, Purhad 1) Mahasswa Magster Jurusan Statsta, Insttut
Lebih terperinciAnalisis Variasi Parameter Backpropagation Artificial Neural Network dan Principal Component Analysis Terhadap Sistem Pengenalan Wajah
ELECTRANS, Jurnal Ten Eletro, Komputer dan Informata http://eournal.up.edu/ndex.php/electrans Analss aras Parameter Bacpropagaton Artfcal Neural Networ dan Prncpal Component Analyss Terhadap Sstem Pengenalan
Lebih 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 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 III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciJurnal Einstein 4 (1) (2016): Jurnal Einstein. Available online
Jurnal Ensten 4 () (06): 4-3 Jurnal Ensten Avalable onlne http://jurnal.unmed.ac.d/0/ndex.php/ensten Penguuran Intrus Ar Laut Pada Sumur Gal Dengan Kondutvtmeter D Desa Pematang Guntung Kecamatan Telu
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 terperinciMETODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa
Lebih terperinciKAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR
Berala Fsa ISSN : 1410-966 Vol.8, No.1, Januar 005, hal 7-10 KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR Agus Setyawan Laboratorum Geofsa, Jurusan
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 terperinciPERBANDINGAN KINERJA CITRA WATERMARKING DENGAN MENGGUNAKAN METODE DISCRETE WAVELET TRANSFORM (DWT) DAN DISCRETE COSINUS TRANSFORM (DCT)
36 PERBANDINGAN KINERJA CITRA WATERMARKING DENGAN MENGGUNAKAN METODE DISCRETE WAVELET TRANSFORM (DWT) DAN DISCRETE COSINUS TRANSFORM (DCT) (Baharuddn) *) ABSTRACT The Research we propose s to compare watermarkng
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 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 terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciSistem Pengenalan Wicara Otomatis Menggunakan Discrete Wavelet Neural Network (DWNN)
Sstem Wcara Otomats Menggunakan Dscrete Wavelet Neural Network (DWNN) Yunus Wcaksono S 1, Djoko Purwanto 2, Agus Sgt Pramono 3 1,2 Program Stud Teknk Elektro Insttut Teknolog Sepuluh Nopember Surabaya
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 terperinciPENERAPAN ALGORITMA KOMPRESI JPEG DAN METODE FUZZY C-MEANS PADA KOMPRESI CITRA BERBASIS ENTROPI
PENERAPAN ALGORITMA KOMPRESI JPEG DAN METODE FUZZY C-MEANS PADA KOMPRESI CITRA BERBASIS ENTROPI Dka Asoka Masatu 1, Indah Soesant 2, Hanung Ad Nugroho 3 Abstract Advances n technology demand nformaton
Lebih terperinciImplementasi Metode Backpropagation untuk Mengenali Teks pada Natural Scene Image
Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2527-2533 http://-pt.ub.ac.d Implementas Metode Bacpropagaton untu Mengenal Tes pada Natural Scene
Lebih terperinciPendekatan Hurdle Poisson Pada Excess Zero Data
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 05 Pendeatan Hurdle Posson Pada Excess Zero Data S - 7 Def Yust Fadah, Resa Septan Pontoh Departemen Statsta FMIPA Unverstas Padadaran def.yust@unpad.ac.d
Lebih 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 terperinci4 METODE PENELITIAN. Penelitian ini dilaksanakan selama 6 bulan dimulai dari bulan Juli sampai
4 METODE PENELITIAN 4.1 Watu dan Loas Peneltan Peneltan n dlasanaan selama 6 bulan dmula dar bulan Jul sampa bulan Desember 005 d Kabupaten Indramayu, Provns Jawa Barat yang terleta pada poss geografs
Lebih terperinciPemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a
Pemodelan Anomal Magnet Berbentu Prsma Menggunaan Algortma Geneta Antonus a, Yudha Arman a *, Joo Sampurno a a Jurusan Fsa, FMIPA Unverstas Tanjungpura, Jalan Pro. Dr. Hadar Nawaw, Pontana, Indonesa *Emal
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)
BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Pengetan Reges dan Koelas.. Pengetan Reges Paa lmuan, eonom, psolog, dan sosolog selalu beepentngan dengan masalah peamalan. Peamalan matematyang memungnan ta meamalan nla-nla suatu
Lebih terperinciPerbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield
Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya
Lebih 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 terperinciEstimasi Posisi Magnetic Levitation Ball Menggunakan Metode Akar Kuadrat Ensemble Kalman Filter (AK-EnKF)
R.E.M. (Reayasa Energ Manufatur Jurnal Vol. No. 1 017 ISSN 7-674 (prnt, ISSN 8-373 (onlne Journal Homepage: http://ojs.umsda.ac.d/ndex.php/rem DOI: https://do.org/10.1070/r.e.m.v1.768 Estmas Poss Magnetc
Lebih terperinciPenggunaan Model Regresi Tobit Pada Data Tersensor
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 016 S 15 Penggunaan Model Regres obt Pada Data ersensor Def Yust Fadah 1, Resa Septan Pontoh 1, Departemen Statsta FMIPA Unverstas Padjadjaran def.yust@unpad.ac.d
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciOleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si
Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf
Lebih terperinciJARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU
JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU Ea Saputra LF096585 Jurusan Ten Eletro Faultas Ten Unverstas Dponegoro Abstra Jarngan saraf truan merupaan suatu metode yang salah satunya
Lebih terperinciAnalisis Sensitivitas
Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,
Lebih terperinciPENGENALAN WAJAH BERBASIS METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS
PENGENALAN WAJAH BERBASIS MEODE WO-DIMENSIONAL LINEAR DISCRIMINAN ANALYSIS Ftr Damayant, Agus Zanal Arfn, Rully Soelaman Program Magster en Informata, Insttut enolog Sepuluh Nopember (IS) - Surabaya Kampus
Lebih terperinciFaktor-Faktor Eksternal Pneumonia pada Balita di Jawa Timur dengan Pendekatan Geographically Weighted Regression
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. ) ISSN: 3-98X D-37 Fator-Fator Esternal Pneumona pada Balta d Jawa Tmur dengan Pendeatan Geographcally Weghted Regresson Ftrarma Putr Santoso, Sr Pngt W, dan
Lebih terperinciPENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI
PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI Yunarstanto 1 Irwan Iftad 1 Iwan Ngabd Raharjo 2 Abstract: Producton flow n PT. Tga Seranga Pustaa Mandr
Lebih 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA Pada Bab n aan dpaparan beberapa teor tentang analss dsrmnan dar berbaga sumber sepert: buu, jurnal dan prosdng. Analss dsrmnan adalah salah satu metode dependens dar analss multvarat.
Lebih 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 terperinci