PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
|
|
- Susanti Lesmono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: 2) S1 Sstem Komputer, STIKOM Surabaya, emal: Atract: Ths research s focus on optcal character recognton (OCR) for handwrtten 5 basc consonant from Javanese character called Aksara Jawa Nglegena conssts of Ha, Na, Ca, Ra, and Ka. The pattern recognton method used s mult layer perceptron wth back propagaton as the learnng algorthm. 75 samples was used as the learnng data and 25 samples used for testng data. The fnal weght produced could recognze all the learnng samples correctly and 56% testng samples. Keywords: Javanese character, pattern recognzng, mult layer perceptron, back propagaton, optcal character recognton Indonesa adalah negara yang memlk bermacam-macam suku dan budaya. Masng-masng suku dan budaya d Indonesa memlk cr khas, tak terkecual dengan bentuk tulsan. Salah satu suku d Indonesa yang memlk cr khas dalam tulsan adalah suku Jawa yang hurufnya dsebut dengan Aksara Jawa. Pada zaman dahulu, Indonesa dkuasa oleh keraaan-keraaan yang berpusat d Pulau Jawa. Sehngga banyak manuskrp-manuskrp kuno yang dtuls dalam Aksara Jawa. Selan dtuls d kertas, meda yang dgunakan antara lan adalah batu, lempengan logam, kayu, kult, dan meda lan yang past bersfat non-dgtal (hard copy). Agar arsp-arsp tersebut dapat dsmpan d komputer, dlakukan dgtalsas dengan cara melakukan scan. Hasl scan n adalah gambar dgtal arsp tersebut yang sudah a dsmpan d komputer. Namun demkan, arsp tersebut oleh komputer danggap sebaga sebuah gambar, sehngga tulsan yang ada d dalamnya tdak dapat dakses sebaga teks. Agar komputer dapat mengenal gambar tulsantulsan d dalam arsp tersebut sebaga teks, dperlukan aplkas optcal character recognton (OCR). OCR dlakukan dengan menggunakan metode pengenalan pola. Salah satunya adalah dengan menggunakan model mult layer perceptron (MLP). Hasbuan (2011) menggunakan self-organzng map (SOM) untuk pengenalan pola Aksara Jawa. Namun obek yang dgunakan adalah huruf cetak. Sedangkan Basu (2005) melakukan peneltan serupa pada huruf dan angka Bangla tulsan tangan. Dan d tahun 2006, Das melakukan hal yang sama dengan huruf Arab. Peneltan n menggunakan MLP dengan algortma pembelaaran error back propagaton untuk melakukan pengenalan pola terhadap pola Aksara Jawa berdasarkan ctra hasl tulsan tangan. Huruf yang dkenal adalah 20 ens huruf dasar Aksara Jawa modern. METODE PENELITIAN Dagram blok pada Gambar 1 menunukkan model yang akan dgunakan. Obek yang dgunakan adalah ctra dar tulsan tangan. Ctra tulsan tangan dakuss langsung dar responden menggunakan dgtal pen. Ctra tersebut dtulskan secara vrtual ke dalam sebuah obek kanvas yang memlk resolus pksel (160 x 160 pksel) yang kemudan dsmpan d fle. Dar proses akuss data ddapatkan umlah ctra sampel yang dgunakan adalah 15 set tulsan tangan Aksara Jawa huruf Ha, Na, Ca, Ra, dan Ka sehngga total ada 75 sampel yang akan dgunakan dalam proses pembelaaran. Tetap karena ukurannya yang mash terlalu besar, sampel-sampel tersebut harus melalu tahap pemrosesan awal supaya ukurannya SNASTI 2013, ICCS - 27
2 menad lebh kecl. Untuk tu dlakukan proses pengeclan ctra dengan menggunakan skala 10 : 1, sehngga data-data yang akan dgunakan sebaga proses pembelaaran berukuran 16 x 16 pksel (256 data). Gambar 2. Aksara Jawa Nglegena Sampel-sampel yang telah dkeclkan n dgunakan sebaga data nput pada arngan mult layer perceptron, yang kemudan hasl dar MLP akan devaluas dengan target dar masng-masng nput. Bla mash ada kesalahan antara hasl MLP dengan target, bobot-bobot yang ada pada MLP akan dsesuakan dengan menggunakan algortma back propagaton hngga ddapatkan hasl yang sesua. Aksara Jawa Carakan (Abad/Aksara Jawa) adalah huruf yang dgunakan dalam eaan bahasa Jawa yang pada dasarnya terdr atas dua puluh aksara pokok yang bersfat slabk (kesukukataan). (Darusuprapta, dkk., 2002). Bentuk kontemporer Aksara Jawa terbentuk seak masa Keraaan Mataram pada abad ke-17. Gambar 1. Dagram Blok Sstem Selan dua puluh aksara pokok tersebut, Aksara Jawa uga memlk kelompok huruf kaptal, vokal, angka, pasangan, pangkon, dan tanda baca. Bentuk dasar Aksara Jawa dsebut dengan Aksara Jawa Nglegena dengan bentuk sepert yang dtunukkan pada Gambar 2. Dalam laporan n, yang akan dkenal adalah 5 buah dar 20 buah huruf konsonan dasar (Aksara Jawa Nglegena), yatu huruf Ha, Na, Ca, Ra, dan Ka. Mult Layer Perceptron Mult layer perceptron (MLP) adalah pengembangan dar model perceptron yang dkembangkan oleh Rosenblatt pada tahun Perceptron memlk keterbatasan hanya dapat menyelesakan masalah-masalah yang lner, sedangkan MLP dapat dgunakan untuk menyelesakan masalah yang lebh kompleks. Pada dasarnya, MLP adalah perceptron yang memlk layer atau lapsan tambahan d antara layer nput (neuron X ) dan layer output (neuron Y ) yang dsebut dengan hdden layer. Bentuk arngan umum MLP dapat dlhat pada Gambar 3. Proses perhtungan dar setap neuronnya sama dengan perceptron, sepert pada Persamaan 1.Snyal output neuron (v) kemudan dmasukkan ke dalam sebuah fungs aktvas. (Fausett, 2006) (Ham & Kostanc, 2001) SNASTI 2013, ICCS - 28
3 Dalam hal n fungs aktvas yang dgunakan adalah fungs bnary sgmod dengan fungs sepert pada Persamaan 2 dengan bentuk pada Gambar 4. v n x k0 k w (, k ) b Gambar 3. Model Mult Layer Perceptron (Fausett, 2006)... (1) v : Snyal output yang dhaslkan neuron x : Snyal nput untuk neuron w : Bobot/snaps yang menghubungkan neuron dengan neuron-neuron d layer sebelumnya b : Bas : Indeks layer dar neuron : Indeks neuron pada layer ke- k : Indeks neuron pada layer sebelumnya (-1) n : Jumlah neuron pada layer ke- y f v 1 1 e v... (2) Gambar 4. Fungs Sgmod Error Back Propagaton Meskpun dgunakan dalam arngan saraf truan, back propagaton sendr bukanlah sebuah arngan saraf truan. Back propagaton adalah sebuah algortma pembelaaran untuk arngan saraf truan sehngga ddapatkan kombnas nla bobot-bobot antar neuron yang sesua. Metode pembelaaran back propagaton adalah pembelaaran berdasarkan contoh. Selama proses pembelaaran, algortma n perlu untuk dberkan pasangan-pasangan nput dan output. Masng-masng pasang berupa satu set pola nput beserta output yang dharapkan terhadap pola tersebut. Back propagaton akan menggunakan output yang dharapkan tersebut serta output yang dhaslkan oleh arngan saraf truan untuk mengubah nla bobot-bobot yang ada dalam arngan saraf truan. (Rumelhart, 1986) Untuk mengubah bobot-bobot tu dengan algortma back propagaton, dgunakan Persamaan 3. (, k ) w (, k ) y... (3) w k SNASTI 2013, ICCS - 29
4 Pada algortma back propagaton, pon yang pentng adalah bagamana mendapatkan δ. D mana nla δ untuk neuron-neuron d layer output adalah hasl perhtungan error dar tap-tap neuron. Sehngga δ dapat dhtung dengan Persamaan 4. Sedangkan untuk neuron-neuron d layer yang lan, δ dapat dhtung dengan Persamaan 5. Dengan g() adalah turunan pertama dar f (). Sedangkan parameter µ adalah lau pembelaaran yang menentukan kecepatan proses pembelaaran hngga dapat mendekat nla bobot yang optmal. Semakn besar nla µ, semakn cepat prosesnya. Namun ka terlalu besar, resolusnya uga kurang bak. (Fausett, 2006) out out out t y g( y )... (4) (, p) 1 h w k, h g( y )... (5) g ( y) f ( y) 1 f ( y)... (6) Dalam peneltan n, 75 sampel tulsan tangan yang terdr dar aksara Ha, Na, Ca, Ra, dan Ka akan dlathkan menggunakan MLP dan back propagaton dengan kombnas pola nput dan target output sepert pada Tabel 1. Sampel-sampel tersebut kemudan akan dadkan sebaga data pembelaaran untuk algortma MLP dan back propagaton dengan proses sepert pada dagram alr pada Gambar 5. Hasl yang ddapatkan dar proses pembelaaran tersebut adalah bobot dan konfguras bentuk arngan MLP. Tabel 1. Kombnas Input dan Output Pola Aksara Target Neuron Output ke- Input Ha Na Ca Ra Ka Bobot dan arngan n kemudan akan du dengan mencoba mengenal sampel-sampel yang dgunakan sebaga data pembelaaran serta 5 set sampel lan (25 data) yang dgunakan sebaga data penguan untuk proses evaluas bobot dan arngan yang dhaslkan dar proses pembelaaran. HASIL DAN PEMBAHASAN Proses pembelaaran dlakukan dengan konfguras sebaga berkut: - Jumlah hdden layer : 2 - Jumlah neuron nput : Jumlah neuron layer 1 : 80 - Jumlah neuron layer 2 : 80 - Jumlah neuron output : 5 - Lau pembelaaran (µ) : Error mnmum : 10E -4 - Iteras maksmum : 10E +5 Proses pembelaaran dlakukan sebanyak teras dengan menggunakan 75 sampel nput dengan nla error akhr sebesar In berart bahwa proses pembelaaran selesa hngga target error mnmum terhadap data sampel terpenuh. Bobot dan arngan yang dhaslkan kemudan dgunakan untuk melakukan proses pengenalan terhadap sampel pembelaaran dan sampel u. Dar penguan n ddapatkan hasl bahwa seluruh sampel pembelaaran yang dcoba untuk dkenal ulang berhasl dkenal dengan benar. Sedangkan untuk sampel u, 14 sampel dar 25 sampel u yang terseda dapat dkenal dengan benar. Beberapa contoh sampel u yang serng salah dkenal adalah pada aksara Ha, Na, dan Ka. Bla dperhatkan pada Gambar 6, ketga aksara tu memang memlk beberapa kemrpan dar bentuk dan polanya. SNASTI 2013, ICCS - 30
5 (a) (b) (c) Gambar 6. Karakter-karakter yang salah dkenal Gambar 5. Dagram Alr Sstem (a) Gambar (b) Gambar dkenal sebaga dkenal sebaga (c) Gambar dkenal sebaga atau Karakter-karakter dalam Aksara Jawa memang memlk pola-pola yang rumt dan banyak d antaranya yang hanya memlk sedkt perbedaan. Akan lebh bak bla ada nformas yang dtambahkan pada pola nput (Chaudur, 2000), sepert ekstraks ftur-ftur khusus yang menad cr pembeda dalam Aksara Jawa. Sehngga dengan demkan proses pengenalan pola dapat dlakukan dengan lebh bak. SIMPULAN Optcal character recognton untuk Aksara Jawa dapat dlakukan dengan metode pengenalan pola menggunakan MLP dan back propagaton. Dar proses pembelaaran dengan menggunakan 75 sampel, bobot dan konfguras arngan yang dhaslkan telah dapat mengenal dengan benar gambar yang dgunakan untuk sampel pembelaaran sebesar 100%, dan untuk 25 gambar yang dgunakan sebaga sampel u sebesar 56%. Kegagalan dalam mengenal dengan benar dsebabkan karena kemrpan bentuk yang ada pada huruf Ha, Na, dan Ka. Sehngga akan lebh bak bla dlakukan pre-processng untuk mengekstrak fturftur pada Aksara Jawa. SNASTI 2013, ICCS - 31
6 RUJUKAN Basu, S., dkk., 2005a, Handwrtten Bangla Alphabet Recognton usng an MLP Based Classfer, Proceedng of the 2nd Natonal Conference on Computer Processng of Bangla, hal Dhaka. Basu, S., dkk., 2005b, An MLP Based Approach for Recognton of Handwrtten Bangla Numerals, Proceedng 2nd Indan Internatonal Conference on Artfcal Intellgence, hal Pune. Chaudhur, B.B. dan Bhattacharya, U., 2000, Effcent Tranng and Improved Performance of Multlayer Perceptron n Pattern Classfcaton, Neurocomputng, vol. 34, hal Darusuprapta, dkk., 2002, Pedoman Penulsan Aksara Jawa, Yayasan Pustaka Nusatama, Yogyakarta. Das, N., dkk., 2006, Handwrtten Arabc Numeral Recognton usng a Mult Layer Perceptron, Proceedng Natonal Conference on Recent Trends n Informaton Systems, hal Fausett, L Fundamentals of Neural Networks. Prentce-Hall, New York. Ham, F.M. dan Kostanc, I., 2001, Prncples of Neurocomputng for Scence & Engneerng. McGraw-Hll, New York. Rosenblatt, F., 1958, The Perceptron: A Probablstc Model for Informaton Storage and Organzaton n the Bran, Psychologcal Revew, vol. 5: hal Rumelhart, D.E. dkk., 1986, Learnng Representatons by Back-Propagatng Errors. Nature, vol. 323: hal SNASTI 2013, ICCS - 32
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciIDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY
Anfudn Azz dan Tanzl Kurnawan, Identfkas Pola Jar IDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY (Frnger Prnt Pattern Identfcaton by Bdrectonal Assocatve Memory
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih 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 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 terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciRANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN
RANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN Erfant Fatkhyah Jurusan Teknk Informatka, Fakultas Teknolog Industr, Insttut Sans & Teknolog AKPRIND Yogyakarta Emal: erfunthye@yahoocod
Lebih terperinciBAB II LANDASAN TEORI. bahasa Jawa yang pada dasarnya terdiri atas dua puluh aksara pokok (nglegena),
BAB II LANDASAN TEORI 2.1 Aksara Jawa Carakan (Abjad/Aksara Jawa) adalah huruf yang digunakan dalam ejaan bahasa Jawa yang pada dasarnya terdiri atas dua puluh aksara pokok (nglegena), yang ditunjukkan
Lebih terperinciPENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD
Semnar Nasonal Sstem dan Informatka 2007; Bal, 6 November 2007 PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD Nur Hasanah ) Istkhomah 2) Taufq Hdayat 3) Sr Kusumadew 4) Jurusan
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB 3 METODOLOGI PERANCANGAN
9 BAB 3 METODOLOGI PERANCANGAN Bab n bers penjelasan mengena langkah-langkah perhtungan serta prosedurprosedur yang dgunakan untuk menemukan solus atas rumusan masalah pada Bab. Dalam bab n juga akan dtamplkan
Lebih terperinciPengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Prnt) 1 Pengenalan Karakter Tulsan Tangan Angka dan Operator Matematka Berdasarkan Zernke Moments Menggunakan Support Vector Machne
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciPRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel
PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciMetode Ekstraksi Data Untuk Pengenalan Huruf Dan Angka Tulisan Tangan Dengan Menggunakan Jaringan Syaraf Buatan Propagasi Balik
Porceedng of Semanr on Intellgent Technology and Its Applcatons (SITIA 2002) Insttut Teknolog Sepuluh Nopember, Surabaya, May 7 th, 2002 Metode Ekstraks Data Untuk Pengenalan Huruf Dan Angka Tulsan Tangan
Lebih terperinciPENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN
PENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN Oleh : And Prasojo (L2F098584) Jurusan Teknk Elektro Fakultas Teknk Unverstas Dponegoro Jl. Prof. H. Sudarto, S.H., Tembalang, Semarang e-mal
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL
Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: 979-756-061-6 Yogyakarta, 18 Jun 2005 PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL Setyo Nugroho
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciPERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
Lebih terperinciAplikasi Pengenalan Ucapan Dengan Jaringan Syaraf Tiruan Propagasi Balik Untuk Pengendalian Robot Bergerak
Aplkas Pengenalan Ucapan Dengan Jarngan Syaraf Truan Propagas Balk Untuk Pengendalan Robot Bergerak Mahmud Irfandy (LF 4 49) Jurusan Teknk Elektro, Fakultas Teknk, Unverstas Dponegoro, Semarang, Indonesa
Lebih terperinciHybrid intelligent system adalah kombinasi lebih dari dua teknologi cerdas.
Teny Handhayan Pendahuluan Hybrd ntellgent system adalah kombnas lebh dar dua teknolog cerdas. Contohnya kombnas Neural Network dengan Fuzzy membentuk Neuro-fuzzy system Perbandngan Expert Systems, Fuzzy
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciBAB III 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 terperinciSIMULASI OPTIMASI ALIRAN DAYA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAYA OPERASI
ISSN: 1693-6930 167 SIMULASI OPTIMASI ALIRAN DAA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAA OPERASI Subyanto Teknk Elektro Fakultas Teknk Unverstas Neger Semarang Gedung E6 Lt. Kampus Sekaran
Lebih terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBab III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
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 terperinciINTEGRASI EKSTRAKSI FITUR LOCAL BINARY PATTERN DAN GRAY-LEVEL COOCCURENCE METRIX UNTUK PENGENALAN EKSPRESI MULUT PEMBELAJAR
ISSN prnt 087-1716 ISSN onlne 548-7779 ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017 INTEGRASI EKSTRAKSI FITUR LOCAL BINARY PATTERN DAN GRAY-LEVEL COOCCURENCE METRIX UNTUK PENGENALAN EKSPRESI MULUT PEMBELAJAR
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciStrategi Pemilihan Kalimat pada Peringkasan Multi Dokumen
JURNAL TEKNIK ITS Vol. 5, No. 2, (2016) ISSN: 2337-3539 (2301-9271 Prnt) A-924 Strateg Pemlhan Kalmat pada Perngkasan Mult Dokumen Satro Verdanto, Agus Zanal Arfn, dan Dana Purwtasar Jurusan Teknk Informatka,
Lebih terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
Lebih terperinciPENGURUTAN DATA. A. Tujuan
PENGURUTAN DATA A. Tuuan Pembahasan dalam bab n adalah mengena pengurutan data pada sekumpulan data. Terdapat beberapa metode untuk melakukan pengurutan data yang secara detl akan dbahas ddalam bab n.
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciJaringan Syaraf Tiruan (Artificial Neural Networks)
Jarngan Syaraf Truan (Artfcal Neural Networks) BAB I PENDAHULUAN. Searah JST JST : merupakan cabang dar Kecerdasan Buatan (Artfcal Intellgence ) JST : menru cara kera otak mahluk hdup yatu sel syaraf (neuron)
Lebih terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih terperinciBAB 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 terperinciANALISIS ALGORITMA BAYESIAN TERHADAP BASIS KASUS UNTUK KERUSAKAN PERSONAL COMPUTER (PC)
ANALISIS ALGORITMA BAYESIAN TERHADAP BASIS KASUS UNTUK KERUSAKAN PERSONAL COMPUTER (PC) Dna Maulna Sstem Informas STMIK AMIKOM Yogyakarta emal : dna.m@amkom.ac.d Abstract Personal Computer ( PC ) s a set
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 terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciPengenalan Pola Senyum Menggunakan Backpropagation Berbasis Ekstraksi Fitur Principal Component Analysis (PCA)
Pengenalan Pola Senyum Menggunakan Backpropagaton Berbass Ekstraks Ftur Prncpal Component Analyss (PCA) Rma Tr Wahyunngrum 1, Rza Mashta Wat 2, Aer Rachmad 3 Program Stud Teknk Informatka, Unverstas Trunojoyo
Lebih terperinciPERHITUNGAN PENILAIAN MAHASISWA TERHADAP MENGAJAR DOSEN BERBASIS KASUS MENGGUNAKAN ALGORITMA BAYESIAN
JURNAL DAI IN: - Vol. No. JUNI ERHITUNGAN ENILAIAN MAHAIWA TERHADA MENGAJAR DOEN BERBAI KAU MENGGUNAKAN ALGORITMA BAYEIAN Ern enwat TMIK AMIKOM Yogyakarta ern.s@amkom.ac.d ABTRAKI roses belaar mengaar
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
Lebih 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 terperinciISSN: Kata kunci: pengenalan tulisan tangan, ekstraksi ciri, jaringan saraf tiruan.
ISSN: 1693-6930 17 PENGARUH KOMPLEKSITAS EKSTRAKSI CIRI PADA SISTEM PENGENALAN TULISAN TANGAN DINAMIS (Influence of Feature Etracton Complet n Onlne Handwrtng Recognto Abdul Fadll Program Stud Teknk Elektro,
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
65 BAB IMPLEMENTASI DAN EVALUASI. Penyaan Data Hasl Peneltan Data-ata hasl peneltan yang gunakan alam pengolahan ata aalah sebaga berkut: a. ata waktu kera karyawan b. ata umlah permntaan konsumen c. ata
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih 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 terperinciPEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Studi Kasus : Metode Secant)
PEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Stud Kasus : Metode Secant) Melda panjatan STMIK Bud Darma, Jln.SM.Raja No.338 Sp.Lmun, Medan Sumatera Utara Jurusan Teknk Informatka e-mal : meldapjt.78@gmal.com
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciPENGENALAN POLA BERBASIS JARINGAN SYARAF TIRUAN DALAM ANALISA CT SCAN TUMOR OTAK BELIGNA
PENGENALAN POLA BERBASIS JARINGAN SYARAF TIRUAN DALAM ANALISA CT SCAN TUMOR OTAK BELIGNA Mke Susmkant Pusat Pengembangan Informatka Nuklr BATAN Kawasan PUSPIPTEK, Gd. 71, Serpong, Tangerang Emal : mke@batan.go.d
Lebih terperinciPemilihan Playlist dengan Mengenali Ekspresi Wajah Pengguna menggunakan Neural Network Backpropagation
Pemlhan Playlst dengan Mengenal Ekspres Wajah Pengguna menggunakan Neural Network Backpropagaton Pen Rahayu Polteknk elektronka Neger Surabaya rara_cemota@yahoo.com Nana Ramadajnt Polteknk elektronka Neger
Lebih terperinciPEMILIHAN LAHAN TERBAIK UNTUK TANAMAN KELAPA SAWIT MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING
Semnar Nasonal Inovas Dan Aplkas Teknolog D Industr 2017 ISSN 2085-4218 ITN Malang, 4 Pebruar 2017 PEMILIHAN LAHAN TERBAIK UNTUK TANAMAN KELAPA SAWIT MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING Helza
Lebih terperinciPENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY
PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY I Made Wdartha Program Stud Teknk Informatka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana emal : madewdartha@cs.unud.ac.d
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih 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 terperinciAPLIKASI FUZZY NEURAL NETWORK (FNN) PADA SISTEM KONTROL DENGAN WAKTU TUNDA
APLIKASI FUZZY NEURAL NETWORK (FNN) PADA SISTEM KONTROL DENGAN WAKTU TUNDA Mukhtar Hanaf Program Stud Teknk Informatka Unverstas Muhammadah Magelang Jl. Maend. Bambang Soegeng Km.5 Mertoudan Magelang 56172
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciPengenalan Tutur Vokal Bahasa Indonesia Menggunakan Metode Multi Layer Perceptron
Pengenalan Tutur Vokal Bahasa Indonesa Menggunakan Metode Mult Laer Perceptron Rsk Va Yulantar, Rsanur Hdaat, Oas Wahunggoro, Anan Nugroho Departemen Teknk Elektro dan Teknk Informas Fakultas Teknk Unverstas
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciDISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA
DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,
Lebih terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciBAB III METODOLOGI PENELITIAN. dalam situs BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal dari dua
BAB III METODOLOGI PENELITIAN 3.1. Ruang Lngkup Peneltan Reksadana yang dgunakan dalam peneltan n adalah reksadana yang terdaftar dalam stus BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciBAB I PENDAHULUAN. banyak kemungkinan tulisan dengan huruf yang khas mempunyai histories
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Keberadaan sebuah tulisan bagi masyarakat, merupakan hal yang penting untuk berkomunikasi dengan orang lain selain dengan bahasa (lisan). Disisi lain banyak
Lebih terperinciSifat-sifat Operasi Perkalian Modular pada Graf Fuzzy
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 07 Sfat-sfat Operas Perkalan Modular pada raf Fuzzy T - 3 Tryan, ahyo Baskoro, Nken Larasat 3, Ar Wardayan 4,, 3, 4 Unerstas Jenderal Soedrman transr@yahoo.com.au
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciPenggunaan Sifat Pengingat Asosiatif Pada Jaringan Syaraf Tiruan Hopfield Diskret Untuk Pemulihan Data
Penggunaan Sfat Pengngat Asosatf Pada Jarngan Syaraf Truan Hopfeld Dskret Untuk Pemulhan Data Recoverng Data Usng Assocatve Memores of Dscrete Hopfeld Neural Netorks Agung Mubyarto Program Stud Teknk Elektro
Lebih terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih 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 terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciSTRATEGI PEMILIHAN KALIMAT PADA PERINGKASAN MULTI DOKUMEN
STRATEGI PEMILIHAN KALIMAT PADA PERINGKASAN MULTI DOKUMEN Satro Verdanto, Agus Zanal Arfn, dan Dana Purtasar Jurusan Teknk Informatka, Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember (ITS)
Lebih terperinciMODEL PENGENALAN TERBAIK DENGAN TREE-AUGMENTED NETWORK (TAN) DAN ESTIMATOR MAXIMUM LIKELIHOOD (ML) BERDASARKAN FITUR OBJEK
MOEL PENGENALAN TERBAIK ENGAN TREE-AUGMENTE NETWORK (TAN) AN ESTIMATOR MAIMUM LIKELIHOO (ML) BERASARKAN FITUR OBJEK Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam Neger (UIN)
Lebih terperincitoto_suksno@uny.ac.d Economc load dspatch problem s allocatng loads to plants for mnmum cost whle meetng the constrants, (lhat d http://en.wkpeda.org/) Economc Dspatch adalah pembagan pembebanan pada pembangktpembangkt
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan quas expermental dengan one group pretest posttest desgn. Peneltan n tdak menggunakan kelas pembandng namun sudah menggunakan
Lebih terperinciBAB 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 terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Mutu sekolah merupakan hasl yang dcapa oleh knera sekolah. Dalam bdang akademk, mutu sekolah dkatkan dengan mutu lulusan sekolah. Indkator mutu lulusan sekolah umumnya menggunakan
Lebih terperinciPENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT
PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos Pabelan
Lebih terperinciAngsorul Anam 1, Susijanto Tri Rasmana 2, Madha Christianto Wibowo 3
PENGAMBILAN FITUR ANGKA JAWA MENGGUNAKAN SHADOW FEATURE EXTRACTION Angsorul Anam 1, Susijanto Tri Rasmana 2, Madha Christianto Wibowo 3 Jurusan Sistem Komputer Institut Bisnis dan Informatika Surabaya
Lebih terperinciPeramalan Beban Listrik Jangka Pendek Melalui Pendekatan Statistik dan Soft Computing
KNIA 20 A Peramalan Beban Lstrk Jangka Pendek Melalu Pendekatan Statstk dan Soft Computng Ade Gafar Abdullah, Yad Mulyad, Program Stud eknk Elektro FPK Unverstas Penddkan Indonesa Abstrak Makalah n memaparkan
Lebih terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinci