PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
|
|
- Liana Oesman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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) Sstem Komputer STMIK Surabaya Jl. Raya Kedung Baruk 98, Surabaya Emal : dhama1314@yahoo.com 1), dewa.gederm@gmal.com 2), cluster_sand@yahoo.co.d 3) Atrak Peneltan n berfokus pada optcal character recognton (OCR) untuk tulsan tangan Aksara Jawa Nglegena. Metode pengenalan pola yang dgunakan adalah mult layer perceptron dengan algortma pembelaaran back propagaton. Sampel yang dgunakan adalah 100 set sampel untuk pelathan dan 50 set sampel untuk penguan. Bobot akhr yang dhaslkan telah mampu mengenal sampel pelathan sebesar 100%, dan sampel penguan sebesar 38,1%. Kata kunc: Aksara Jawa Nglegena, pengenalan pola, mult layer perceptron, back propagaton, optcal character recognton. 1. Pendahuluan Indonesa adalah negara yang memlk bermacammacam 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. Aksara Jawa terdr dar konsonan dasar, vokal, angka, pasangan, pangkon, dan tanda baca. Bentuk Aksara Jawa yang palng dasar adalah aksara konsonan dasar, yang dsebut dengan Aksara Jawa Nglegena. Aksara Jawa Nglegena terdr dar 20 huruf yang masng-masng huurfnya mewakl suku kata dengan buny tertentu, sepert yang dtunukkan pada Gambar 1. Wbowo dan Wrakusuma [1] mencoba membuat aplkas optcal character recognton (OCR) untuk mengubah tulsan Aksara Jawa yang ada pada dokumen-dokumen kuno tersebut menad teks dgtal menggunakan model mult layer perceptron (MLP). Aksara Jawa yang dgunakan hanya 5 huruf, Ha, Na, Ca, Ra, dan Ka. Seluruh sampel yang dadkan bahan pelathan dapat dkenal. Akan tetap, dar 25 sampel baru yang du hanya 14 sampel yang berhasl dkenal dengan benar. Sedangkan Hasbuan [2] menggunakan self organzng map (SOM) untuk melakukan pengenalan pola pada huruf cetak Aksara Jawa dengan rata-rata tngkat keberhaslannya mencapa 75,5%. Basu dan Das sudah berhasl mengenal pola tulsan tangan untuk [3] angka dan [4] huruf Bangla, serta [5] angka Arab menggunakan MLP dengan rata-rata tngkat keberhaslan d atas 75%. Namun yang mereka gunakan adalah ctra tulsan yang sudah dekstrak crnya. 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. Mult layer perceptron (MLP) adalah pengembangan dar model perceptron yang dkembangkan oleh Rosenblatt [6] 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 2. Proses perhtungan dar setap neuronnya sama dengan perceptron, sepert pada Persamaan 1. Snyal output neuron (v) kemudan dmasukkan ke dalam sebuah fungs aktvas. [7] Dalam hal n fungs aktvas yang dgunakan adalah fungs bnary sgmod dengan fungs sepert pada Persamaan 2 dengan bentuk pada Gambar 3 [8]. Gambar 1. Aksara Jawa Nglegena 3.8-1
2 STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 Gambar 2. Model Mult Layer Perceptron y f v 1 1 e v... (2) v x w b k n v n x k 0 Gambar 3. Fungs Sgmod 1 k w 1 (, k ) b... (1) : Snyal output yang dhaslkan neuron : Snyal nput untuk neuron : Bobot/snaps yang menghubungkan neuron dengan neuron-neuron d layer sebelumnya : Bas : Indeks layer dar neuron : Indeks neuron pada layer ke- : Indeks neuron pada layer sebelumnya (-1) : Jumlah neuron pada layer ke- 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 [9]. Untuk mengubah bobot-bobot tu dengan algortma back propagaton, dgunakan Persamaan 3. w 1 (, k ) w 1 (, k ) y... (3) 1 k Gambar 4. Dagram Blok Sstem 3.8-2
3 STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 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) 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 (), turunan pertama untuk fungs sgmod dar Persamaan 2 dapat dlhat pada Persamaan 6. 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. Tetap, resolusnya uga kurang bak. Dagram blok pada Gambar 4 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 (200 x 150 pksel) yang kemudan dsmpan d fle. Dar proses akuss data ddapatkan umlah ctra sampel yang dgunakan adalah 100 set tulsan tangan Aksara Jawa sehngga total ada 2000 sampel yang akan dgunakan dalam proses pembelaaran. Tetap karena ukurannya yang mash terlalu besar, sampel-sampel tersebut harus melalu tahap pemrosesan awal supaya ukurannya menad lebh kecl. Untuk tu dlakukan proses pengeclan ctra dengan menggunakan skala 10 : 1, sehngga data-data yang akan dgunakan sebaga proses pembelaaran berukuran 20 x 15 pksel (300 data) Sampel-sampel yang telah dkeclkan n dgunakan sebaga data nput pada arngan MLP, yang kemudan hasl dar MLP akan devaluas dengan target dar masngmasng nput. Bla mash ada kesalahan antara hasl MLP dengan target, bobot-bobot yang ada pada MLP akan dsesuakan dengan menggunakan algortma back propagaton hngga haslnya konvergen. Dalam peneltan n, ke-2000 sampel tulsan akan dlathkan menggunakan MLP dan back propagaton dengan kombnas pola nput dan target output sepert pada Tabel 1. Sampel-sampel tersebut akan dadkan sebaga data pembelaaran untuk algortma MLP dan back propagaton dengan proses sepert pada dagram alr proses pelathan d Gambar 5. Pelathan terus dlakukan hngga mencapa batasan nla error tertentu. Hasl yang ddapatkan dar proses pembelaaran tersebut adalah bobot dan konfguras bentuk arngan MLP. Pola Aksara Input Tabel 1. Kombnas Input dan Output Target Neuron Output ke Ha Na Ca Ra Ka Da Ta Sa Wa La Pa Dha Ja Ya Nya Ma Ga Ba Tha Nga Bobot dan arngan n kemudan akan du dengan mencoba mengenal sampel-sampel yang dgunakan sebaga data pembelaaran serta 50 set sampel lan (1000 data) sepert contoh pada Gambar 6 yang dgunakan sebaga data penguan untuk proses evaluas bobot dan arngan yang dhaslkan dar proses pembelaaran. 2. Pembahasan Proses pembelaaran dlakukan dengan konfguras: - Jumlah hdden layer : 2 - Jumlah neuron nput : Jumlah neuron layer 1 : Jumlah neuron layer 2 : 80 - Jumlah neuron output : 5 - Lau pembelaaran (µ) : Error mnmum : 10E -3 - Iteras maksmum : 10E +5 Proses pembelaaran dlakukan sebanyak teras dengan menggunakan 100 set 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, 381 sampel dar 1000 sampel u yang terseda dapat dkenal dengan benar sepert tersa pada Tabel
4 STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 Gambar 6. Contoh 100 dar 1000 Sampel U Tabel 2. Hasl Penguan Sampel U Aksara Berhasl Aksara Berhasl Ha 23 Pa 20 Na 13 Dha 23 Ca 9 Ja 11 Ra 32 Ya 19 Ka 18 Nya 24 Da 22 Ma 21 Ta 20 Ga 19 Sa 19 Ba 7 Wa 8 Tha 22 La 31 Nga 20 TOTAL 381 (a) (b) (c) Gambar 6. Karakter-karakter yang salah dkenal Sampel u yang palng serng salah dkenal adalah aksara Ca, Wa, dan Ba sepert pada Gambar 6. Aksaraaksara tersebut memang memlk kemrpan dengan aksara-aksara lannya. Sebaga contoh, aksara Ca dengan Sa, Wa, dan Dha memlk kemrpan cr d beberapa bagan. 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 [10], sepert ekstraks ftur-ftur khusus yang menad cr pembeda dalam Aksara Jawa. Sehngga dengan demkan proses pengenalan pola dapat dlakukan dengan lebh bak. Gambar 5. Dagram Alr Proses Pelathan 3.8-4
5 STMIK AMIKOM Yogyakarta, 6-8 Februar Kesmpulan Dar proses pembelaaran dengan menggunakan 100 set sampel, bobot dan konfguras arngan yang dhaslkan telah dapat mengenal dengan benar seluruh sampel pembelaaran. D lan phak, tngkat keberhaslan untuk 50 set sampel u adalah 38,1%. Sandy Wrakusuma, memperoleh gelar Sarana Komputer (S.Kom.), Jurusan Sstem Komputer STMIK Surabaya, lulus tahun Memperoleh gelar Magster Teknk (M.T.) Program Pasca Sarana Magster Teknk Elektro Insttut Teknolog Sepuluh Nopember Surabaya, lulus tahun Persentase tngkat keberhaslan n mash terlalu rendah. Hal n dsebabkan karena banyaknya pola huruf-huruf Aksara Jawa yang mrp satu sama lan. Untuk mengatas hal n, selanutnya akan dlakukan peneltan untuk melakukan ekstraks cr yang sesua bag pola-pola huruf Aksara Jawa. Daftar Pustaka [1] Wbowo, M.C. dan Wrakusuma, S., Pengenalan Pola Tulsan Tangan Aksara Jawa Ha Na Ca Ra Ka Menggunakan Mult Layer Perceptron, n Proc. Semnar Nasonal Sstem & Teknolog Informas (SNASTI) 2013, pp. ICCS 27 ICCS 32. Surabaya. Oktober 24, [2] Hasbuan, F.M., dkk., Desan dan Implementas Sstem Peneremah Aksara Jawa ke Huruf Latn Berbass Pengolahan Ctra Dgtal dan Jarngan Saraf Truan Self-Organzng Map (SOM), (onlne) pdf [3] Basu, S., dkk., Handwrtten Bangla Alphabet Recognton usng an MLP Based Classfer, n Proc. 2nd Natonal Conference on Computer Processng of Bangla, pp Dhaka. February, [4] Basu, S., dkk., An MLP Based Approach for Recognton of Handwrtten Bangla Numerals, n Proc. 2nd Indan Internatonal Conference on Artfcal Intellgence, pp Pune. December, [5] Das, N., dkk., Handwrtten Arabc Numeral Recognton usng a Mult Layer Perceptron, Proceedng Natonal Conference on Recent Trends n Informaton Systems, pp [6] Rosenblatt, F., The Perceptron: A Probablstc Model for Informaton Storage and Organzaton n the Bran, n Psychologcal Revew, vol. 5: pp [7] Fausett, L. Fundamentals of Neural Networks. Prentce-Hall, New York [8] Ham, F.M. dan Kostanc, I., Prncples of Neurocomputng for Scence & Engneerng. McGraw-Hll, New York [9] Rumelhart, D.E. dkk., 1986, Learnng Representatons by Back- Propagatng Errors. Nature, vol. 323: hal [10] Chaudhur, B.B. dan Bhattacharya, U., Effcent Tranng and Improved Performance of Multlayer Perceptron n Pattern Classfcaton, n Neurocomputng, vol. 34, pp Bodata Penuls Madha Chrstan Wbowo, memperoleh gelar Sarana Komputer (S.Kom.), Jurusan Sstem Komputer STMIK Surabaya, lulus tahun Sedang menempuh Program Pasca Sarana Magster Teknk Elektro Insttut Teknolog Sepuluh Nopember Surabaya. Saat n menad Dosen d STMIK Surabaya. I Dewa Gede Ra Mardana, memperoleh gelar Sarana Komputer (S.Kom.), Jurusan Sstem Komputer STMIK Surabaya, lulus tahun Memperoleh gelar Master of Engneerng (M.Eng.) Program Pasca Sarana Magster Teknk Elektro Unverstas Gaah Mada Yogyakarta, lulus tahun
6 STMIK AMIKOM Yogyakarta, 6-8 Februar
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
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: madha@stkom.edu 2) S1
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB III 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 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 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 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 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 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 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 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 terperinciANALISIS KEMIRIPAN POLA CITRA DIGITAL MENGGUNAKAN METODE EUCLIDEAN
AALISIS KEMIRIPA POLA CITRA DIGITAL MEGGUAKA METODE EUCLIDEA Eus St ur Asyah1), Abdul Hayat2), Puspa Wdant3), Shnta Yulnda Prasetya4), Helm Iskandar5) 1), 2 ), 3) Komputersas Akuntans AMIK Raharja Informatka
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 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 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBab III 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 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 terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciBAB 3 GAMBARAN UMUM TEMPAT RISET
BAB 3 GAMBARAN UMUM TEMPAT RISET 3. Sejarah dan Kegatan Operasonal Perusahaan 8 3.. Sejarah Perkemangan Kantor Perwaklan Bank Indonesa Wlayah I (Sumut & Aceh) 8 3. Struktur Organsas dan Deskrps Tugas Kantor
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 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 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 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 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 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 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 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 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 terperinciArdi Kurniawan 1), Kusrini 2) Sistem Informasi STMIK AMIKOM Yogyakarta 2)
Semnar Nasonal Teknolog Informas dan Multmeda 2016 STMIK AMIKOM Yogyakarta, 6-7 Februar 2016 ANALISIS DAN PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA GURU (PKG) MENGGUNAKAN METODE SIMPLE ADDITIVE
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 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 terperinciBADAN PUSAT STATISTIK KABUPATEN JAYAPURA
BADAN PUSAT STATISTIK KABUPATEN JAYAPURA BADAN PUSAT STATISTIK KABUPATEN JAYAPURA Sensus Penduduk 2010 merupakan sebuah kegatan besar bangsa Badan Pusat Statstk (BPS) berdasarkan Undang-undang Nomor 16
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 terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB 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 terperinciPENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN
PENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN Handry Wardoyo 1 Jeanny Pragantha Vny Chrstant M. 3 1 3 Teknk Informatka Unverstas Tarumanagara
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 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 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 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 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 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 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 terperinciKonferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 DAFTAR REVIEWER
Konferens Nasonal Sstem & Informatka 2015 STMIK STIKOM Bal, 9 10 Oktober 2015 DAFTAR REVIEWER Dr. Agus Harjoko Prof. Dr. Sr Hartat Dr.-Ing. Reza Pulungan Dr. Djoko Soetarno, DEA Dr. Ir. Rla Mandala, M.Eng
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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Beberapa aplkas sejens yang menjad perbandngan dan referens bag penelt dalam melakukan peneltan n djelaskan dalam bab n. Adtyawan membangun aplkas analss sentmen untuk stus mcrobloggng
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 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 terperinciPERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES
Semnar Nasonal Aplkas Teknolog Informas 007 (SNATI 007) ISSN: 1907-50 Yogyakarta, 16 Jun 007 PERFORMANSI NEURO FUZZY UNTUK PERAMALAN DATA TIME SERIES Arna Farza, Afrda Helen, Annsa Rasyd Polteknk Elektronka
Lebih terperinciAPLIKASI KOHONEN SELF ORGANIZING PADA TRAVELLING SALESMAN PROBLEM (TSP) DENGAN PROGRAM MATLAB
Volume 01, Nomor 01, Agustus 016 ISSN: 58-638 APLIKASI KOHONEN SELF ORGANIZING PADA TRAVELLING SALESMAN PROBLEM (TSP) DENGAN PROGRAM MATLAB Nurul Imamah Ah. 1) 1) Prod Penddkan Matematka, FKIP, Unverstas
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciBAB III METODE PENELITIAN. 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 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciPENJADWALAN PRODUKSI di PT MEUBEL JEPARA PROBOLINGGO
Prosdng Semnar Nasonal Manajemen Teknolog III Program Stud MMTITS, Surabaya 4 Pebruar 2006 PENJADWALAN PRODUKSI d PT MEUBEL JEPARA PROBOLINGGO Mohammad Khusnu Mlad, Bobby Oedy P. Soepangkat, Nurhad Sswanto
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 terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciSeemingly Unrelated Regression (SUR) Penderita Penyakit DBD RS. Wahidin Sudirohusodo Dan RS. Stella Maris Makassar
Vol. 3, o., -5, Jul 6 Seemngl Unrelated Regresson Penderta Penakt DBD RS. Wahdn Sudrohusodo Dan RS. Stella ars akassar A n s a Abstrak Hubungan antar varabel adalah salah satu hal ang selalu menark dalam
Lebih terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih 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 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 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 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 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 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 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 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 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 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 I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas
BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan
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 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 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 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 terperinciEstimasi Variabel Keadaan Gerak Longitudinal Pesawat Terbang Menggunakan Metode Fuzzy Kalman Filter
A-42 JURNAL SAINS DAN SENI IS Vol. 5 No. 2 (216) 2337-352 (231-928X Prnt) Estmas Varabel Keadaan Gerak Longtudnal Pesawat erbang Menggunakan Metode Fuzzy Kalman Flter Res Arumn San, Erna Aprlan, dan Mohammad
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciPERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT
BIAStatstcs (05) Vol. 9, No., hal. -7 PERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT Faula Arna Jurusan Teknk Industr, Unverstas Sultan Ageng Trtayasa Banten Emal : faulaarna@yahoo.com
Lebih terperinci