KOMPUTASI JARAK MINIMUM. Mike Susmikanti *
|
|
- Iwan Kurnia
- 7 tahun lalu
- Tontonan:
Transkripsi
1 KOMPUASI JARAK MINIMUM Mike Susmikanti * ABSRAK KOMPUASI JARAK MINIMUM. Perhitungan arak minimum diperlukan pada beberapa aplikasi seperti aplikasi logika samar fuzzy logic, pengolahan citra image processing untuk bidang kedokteran, aringan saraf neural network dan pengolahan sumber bumi khususnya serta sistim informasi geografi umumnya. Metoda arak minimum yang dikemukakan di sini didasarkan pada konsep vektor dan matrik sehingga dapat memudahkan perhitungan dan kesamaannnya dalam ruang dimensi-n untuk banyak data. Pertama-tama dalam hal ini dikemukakan arak antara dua titik, arak antara satu titik dengan titik-titik lain yang membentuk bidang dalam ruang Euclidean-n. Selanutnya perhitungan arak minimum di sini akan memberikan arak terdekat bagi titik tersebut dengan suatu bidang serta posisi dari titik tersebut pada bidang. Konsep arak minimum tersebut di atas dapat digunakan selanutnya untuk persoalan analisis pengelompokan dalam penerapan logika samar menggunakan metoda Mahalanobis Distance. Metoda ini menyarankan penggunaan titik-titik terdekat tetapi masih di dalam anggota kelompok yang sama dengan memperhatikan matrik kovarian karena ada kemungkinan data berasal dari kelompok yang berbeda. ABSRAC MINIMUM DISANCE COMPUAION. Minimum distance calculation is used for many applications such as neural network, fuzzy logic, image processing for medical science, geology source processing and geografy information system. he minimum distance we discuss here is based on the concept of some geometric interpretation of vectors and matrices, that may be helpful in computation and analogy in Euclidean n-space. he first we calculate the distance between two points, the distance between one point and other points in the same plane in Euclidean n-space which are defined as the minimum distances. hen the calculation of minimum distance will give the minimum distance of the point and a plane as well as a position of the point in the plane. he minimum distance concept above can be used in the cluster analysis problem in fuzzy logic application using the Mahalanobis distance method. his method suggests the nearest points but they are still in same subsets with respect to covarian matrix rule, since the data probability come from different subsets. PENDAHULUAN Perhitungan arak minimum dirasakan banyak diperlukan dalam berbagai bidang di antaranya pada tehnik clustering atau pengelompokan yang digunakan pada * Pusat Pengembangan eknologi Informatika dan Komputasi - BAAN
2 sistem aringan saraf neural network, logika samar fuzzy logic dan pengolahan citra image processing untuk bidang kedokteran, pengolahan sumber bumi khususnya dan sistim informasi geografi umumnya dan lain-lain. Adapun analisis pengelompokan yang sifatnya deterministik dapat digunakan metoda statistik, akan tetapi untuk tehnik pengelompokan yang bersifat stochastik dapat digunakan fuzzy logic sebagai suatu pendekatan fungsi. Dalam analisis berikut ini akan digunakan beberapa interpretasi geometrik dari vektor-vektor yang mungkin dapat membantu dalam perhitungan arak minimum minimum distance ini, dan selanutnya dapat diperluas untuk ruang berdimensi n atau ruang-n. Salah satu keunggulan interpretasi geomerik dari vektor-vektor adalah situasi untuk ruang berdimensi dua atau berdimensi tiga secara analog dapat diperluas menadi ruang-n. Interpretasi vektor secara geometrik dalam ruang-n dapat dipandang sebagai suatu titik dalam ruang koordinat-n dan dapat diartikan pula sebagai suatu segmen garis dari titik pusat ke titik tertentu yang direpresentasikan sebagai vektor. Konsep arak minimum tersebut di atas dapat digunakan selanutnya untuk persoalan analisis pengelompokan dalam penerapan logika samar menggunakan metoda Mahalanobis Distance. Metoda ini menyarankan penggunaan titik-titik terdekat tetapi masih di dalam anggota kelompok yang sama dengan memperhatikan matrik kovarian karena ada kemungkinan data berasal dari kelompok yang berbeda. MEODA JARAK MINIMUM Jarak antara dua titik vektor a dan b dalam ruang Euclidean-n didefinisikan sebagai : n d [ atau dapat ditulis dalam bentuk vektor i a i b i ] / d [ a - b a - b ] ½ di mana a a, a,., a n dan b b, b,., b n Kumpulan titik-titik yang melalui titik a dan b dalam ruang Euclidean-n didefinisikan sebagai L { x : x λ b + - λ a ; λ R } Segmen garis yang menghubungkan titik a dan b dalam ruang Euclidean-n adalah kumpulan dari titik-titik l yang didefinisikan dengan : l { x : x λ b + - λ a ; λ }
3 Jarak antara titik p dan suatu garis l yang melalui titik a dan b gambar, di mana titik x pada garis l ialah : D x [ p x p x ] ½. Jarak terdekat dari suatu titik p ke garis l dalam ruang Euclidean-n gambar : D minimum [ p x p x ] / x l p D x D l a b Gambar. Jarak terdekat dari titik p terhadap garis l yang dinyatakan dengan D Bidang yang melalui n titik-titik b, b,., b n sedemikian sehingga matrik B [b, b,., b n ] mempunyai rank n, didefinisikan sebagai kumpulan titik-titik P yaitu : P { Y : Y n i n λ i b i ; i λ i ; λ i R } Bidang dalam ruang Euclidean-n dengan dimensi k yang melalui titik a, a,., a k, O titik pusat, didefinisikan sebagai kumpulan titik-titik P n k : P k n { Y : Y k i λ i a i ; λ i R, i,,., k} Dalam bentuk vektor, persamaan untuk P k n, dapat ditulis Y A λ ; λ R k ; A [ a, a,., a k ],
4 Proyeksi l p gambar didefinisikan sebagai l p { y : y λ c ; λ } X a l L θ l p c b O X Gambar. Proyeksi dari titik a terhadap garis L yang dinyatakan dengan lp. Sudut antara dua segmen garis a dan b dalam ruang Euclidean-n : cos θ a a a b b b. Untuk menghitung l p, diperlukan terlebih dahulu menghitung titik c yaitu titik dengan posisi yang akan menghasilkan arak minimum, dari suatu titik tertentu terhadap titik-titik yang membentuk bidang. Misal c pengganda skalar dari garis b yang dapat dinyatakan sebagai c λ b. Misal d adalah segmen garis dari ke c dan b* adalah unit vektor dengan arah dari O ke b, maka c d b*. a b Dapat diperoleh bahwa : c b. b b Dengan cara yang sama, apabila l adalah segmen garis dari a ke a dalam ruang euclidean-n dan L adalah garis dari b dan b dalam ruang euclidean-n gambar 3, maka proyeksi dari l pada L didefinisikan dengan segmen garis l p dari O ke c adalah : c [ a b a b b b b b ] b b.
5 a l L θ l p c b Gambar 3. Proyeksi segmen garis l pada garis L yang dinyatakan dengan posisi titik c Misal P n k adalah bidang yang melalui titik pusat dan titik b,, b k dalam ruang euclidean-n dan B [ b,, b k ]. Misalkan l adalah segmen garis dari titik n pusat ke titik a. Maka titik c merupakan titik proyeksi dari l pada P k yang dapat ditentukan posisinya dengan perhitungan ; C B B B - B a yang merupakan proyeksi dari titik a ke bidang P k n. itik c merupakan titik akhir dari proyeksi l pada P k n. Sehingga c adalah titik pada P k n yang mempunyai arak minimum dari titik a. Berarti bahwa arak dari suatu titik a ke bidang P k n yang dinyatakan dengan d, dapat didefinisikan sebagai arak minimum dari titik a ke titik c yang terletak pada bidang P k n sebagai d [ a B B B - B a a B B B - B a ] / 3 MAHALANOBIS DISANCE Dalam suatu sistim fuzzy, tehnik pengelompokan dapat memberikan pendekatan untuk data yang samar. Salah satu metoda yang dapat digunakan dalam tehnik pengelompokan yaitu Mahalanobis Distance. Sistem fuzzy merupakan kumpulan yang memenuhi aturan dalam memetakan input menadi output, yang apabila dinyatakan dalam bentuk fungsi merupakan
6 fungsif : X Y. Pola fuzzy dapat didefinisikan sebagai berikut : ika input x adalah pola A maka output y adalah pola B. Ruang Cartesian-product A x B memenuhi berlakunya aturan fuzzy untuk ruang Input-Output : X x Y gambar 4. Aturan fuzzy dapat mempunyai bentuk elipsoida dalam ruang sistim input-output. Sistim fuzzy memberikan pendekatan fungsi yang diwakili oleh grafik. Penyebaran data membentuk bidang elipsoida yang kemungkinan tumpang tindih gambar 4. Y B 3 B B X Gambar 4. Penyebaran data pada ruang Input-Output XXY Sistim Mahalanobis memberikan suatu kumpulan untuk mengetahui apakah sampel data termasuk sebagai anggota kumpulan. Mahalanobis distance menghasilkan gabungan kumpulan data yang memenuhi aturan kovariasi-samar elipsoida. Dapat diperoleh proyeksi pada kumpulan fuzzy yang memenuhi, dengan memperhatikan struktur korelasi diantara input. Bidang elipsoida menentukan keberadaan semua titik z yang memenuhi α z A A A 3 c Eigenvektor dan eigenvalue dari matrik A mendefinisikan bentuk elipsoida dalam ruang input dan output dimensi-q. q n + p, n merupakan umlah input dan p merupakan umlah output. Matrik A dimisalkan matrik positif-definite. α adalah A z c
7 bilangan nyata yang positif, sedangkan c adalah pusat elipsoida. Dalam hal ini dimungkinkan adanya kehilangan struktur korelasi di antara komponen input. Matrik kovariansi K dapat digunakan untuk mengukur penyebaran data. Matrik kebalikan K - membantu mendefinisikan elipsoida E sebagai lokasi semua titik z yang memenuhi : e z m K z m Dengan proyeksi elipsoida pada sumbu x dan x, diperoleh dua vektor yaitu vektor u dan v yang berarak sama dari titik pusat gambar 5. X 3 u v 7 A A Pusat X Gambar 5. Proyeksi Elipsoida pada sumbu X & X. Bentuk elipsoida di atas disarankan dengan Mahalanobis distance sebagai dasar untuk kumpulan fungsi ax yang similar di mana penyebaran datanya kemungkinan saling tumpang tindih. d x n : vektor x m i i i K i m mempunyai sub matrik kovarian dx : arak input vektor x terhadap rata-rata pusat i K x m i m berskala kovariansi
8 PEMBAHASAN Suatu bidang dapat dibentuk dari suatu titik pusat dan dua titik, masing-masing titik b,, yang dinyatakan dalam bentuk vektor b [,,] dan titik b,, yang dinyatakan dalam vektor b [,,]. Kumpulan vektor-vektor b dapat dibentuk menadi matriks B sebagai berikut B Dapat ditentukan persamaan garis l p, sebagai proyeksi dari l pada bidang P 3 dimana l adalah segmen garis dari titik pusat ke titik a,, dengan menggunakan persamaan tersebut di atas. Adapun titik a dapat dinyatakan dalam bentuk vektor a [,,]. Dalam bentuk matrik titik a dapat dinyatakan sebagai berikut a Persamaan garis l p dapat dihitung dengan sebelumnya menentukan terlebih dahulu posisi titik yang merupakan proyeksi dari l pada bidang P 3. Misalkan posisi titik yang 3 merupakan proyeksi dari l pada bidang P dinyatakan sebagai titik c. Maka posisi titik c dapat dihitung dengan menggunakan persamaan sebagai berikut C B B B B
9 Persamaan untuk proyeksi l p adalah : Y.3333λ.6667λ.6667λ λ Jarak terdekat dari titik a terhadap bidang P 3 yang didefinisikan sebagai d yaitu arak minimum dari titik a ke titik c dengan posisi,3333,.6667,.6667, dapat dihitung dengan menggunakan persamaan 3 tersebut di atas. d [{,,.3333,.6667,.6667} {,,.3333,.6667,.6667}] / d [-.3333,.3333, ,.3333,.3333] / d [.3333] / Sehingga diperoleh arak minimum dari titik a ke titik c, adalah : d.58. Misalkan suatu bidang dilalui oleh beberapa titik masing b,,, b,, dan b 3,,. Agar syarat ruang vektor P terpenuhi yaitu mengandung vektor nol, maka salah satu titik harus digeser menadi titik pusat yaitu dimisalkan titik b,, menadi titik pusat O,,. Sehingga titik-titik lain yaitu b menadi b -,, dan b 3 menadi b,,-. Dapat ditentukan arak minimum dari titik a,, terhadap bidang tersebut di atas, yang sebelumnya titik a digeser pula menadi a,,. Dalam bentuk matrik titik a dapat dinyatakan sebagai berikut a Maka posisi titik c dapat dihitung dengan menggunakan persamaan sebagai berikut B B B B
10 C Karena salah satu vektor b digeser sebelumnya, maka hasil posisi titik c harus dikembalikan ke bentuk semula yaitu sebelum digeser. Sehingga posisi titik c menadi; C ,.6667, ,,.6667,.6667,.6667 Diperoleh arak minimum dari titik a ke titik c.6667, adalah : d [{,,-.6667,.6667,.6667} {,,-.6667,.6667,.6667}] / d [.3333,.3333, ,.3333,.3333] / d.58. Untuk persoalan diatas apabila titik a diambil titik lain yaitu a,,, maka titik a sebelumnya digeser menadi a-,,-, karena satu titik b yaitu titik b digeser menadi titik pusat. Dalam bentuk matrik titik a dapat dinyatakan sebagai berikut; a Maka posisi titik c dapat dihitung dengan menggunakan persamaan sebagai berikut; B B B B C
11 Karena salah satu vektor b digeser sebelumnya, maka hasil posisi titik c harus dikembalikan ke bentuk semula yaitu sebelum digeser. Sehingga posisi titik c menadi; C ,.6667, ,,.6667,.6667,.6667 Sehingga diperoleh arak minimum dari titik a ke titik c, adalah : d [{,,-.6667,.6667,.6667} {,,-.6667,.6667,.6667}] / d [{-.6667,-.6667,-.6667} {-.6667,-.6667,-.6667}] / d [.3334] / d.5. Pada permasalahan lain, misalnya ingin ditentukan proyeksi dari a,,- ke a,-, pada bidang P 3 yang dilalui titik O,,, x [,,] dan x [,-,]. Perhitungan diatas dapat digunakan secara umum yaitu dengan sebelumnya membentuk vektor a menadi vektor a a yang diperoleh nilainya adalah a,-,. Konsep ini sama dengan menggeser titik a menadi titik asal atau titik pusat,,. Dalam bentuk matrik titik a dapat dinyatakan sebagai berikut a Maka posisi titik c dapat dihitung dengan menggunakan persamaan sebagai berikut C B B B B Dari perhitungan diatas, diperoleh bahwa proyeksi dari a,,- ke a,-, pada bidang P 3 yang dilalui titik O,,, x [,,] dan x [,-,] adalah titik c dengan posisi c.5,-,.5.
12 Dalam persoalan filter terhadap pengaruh noise untuk suatu alat, yang telah dihitung matrik kovarian dari input data diperoleh K Mahalanobis distance dari titik x, terhadap titik pusat, dengan matrik kovarin di atas diperoleh : d x d x.47,, ,, Mahalanobis distance untuk titik -, terhadap titik pusat, dengan matrik kovarian penyebaran data yang sama, diperoleh : d x, 5, 4 d x.4 4 5,, Jika dilihat secara Ruang-Euclidian posisi titik -, dan titik,, mempunyai arak yang sama dengan titik pusat. Akan tetapi arak mahalanobis untuk titik, lebih kecil dibandingkan arak dari -,. Hal ini disebabkan dengan perhitungan Mahalanobis distance diperhatikan pula faktor penyebaran datanya. Sehingga posisi titik, yang terpilih karena ika dilihat pula dari proyeksi bidang elipsoida, maka titik tersebut termasuk dalam bidang tersebut. KESIMPULAN. Perhitungan arak minimum dapat digunakan pada tehnik clustering pengelompokan dalam logika samar fuzzy logic khususnya, dan pengolahan citra image processing umumnya.. Perhitungan arak di antara dua titik dapat diperluas menadi perhitungan mencari arak minimum dari satu titik ke beberapa titik yang membentuk bidang.
13 3. Apabila l adalah segmen garis dari a ke a dalam ruang euclidean-n dan L adalah garis dari b dan b dalam ruang euclidean-n. Dapat ditentukan proyeksi dari l pada L yang memberikan posisi terdekat dari segmen garis l dan garis L 4. Apabila suatu bidang dilalui oleh beberapa titik dan titik-titik tersebut tidak melalui titik pusat maka agar syarat suatu ruang vektor terpenuhi yaitu harus mengandung vektor nol, maka salah satu titik harus digeser menadi titik pusat, yang diikuti oleh titik-titik lain. Kemudian hasil posisi titik proyeksi harus dikembalikan ke bentuk semula demikian pula titik yang diproyeksikan. 5. Sistim Mahalanobis sangat baik untuk input data yang berkorelasi. 6. Mahalanobis Distance membantu analisis pengelompokan dalam konsep arak minimum untuk data yang berkorelasi, dengan memperhitungkan matrik kovarian. DAFAR PUSAKA. BANDEMER, HANS; GOWALD, SIEGFRIED, Fuzzy Sets, Fuzzy Logic, Fuzzy Methods with Applications, John Wiley & Sons Ltd., England 995. GRAYBILL, FRANGKLIN A., Introduction to Matrices with Application in Statistics, Colorado State University, Wadsworth Publishing Company, Inc., Belmont, California KOSKO, BAR, Fuzzy Engineering, University of Southern California, Prentice-Hall, Inc., New Jersey, ROMLI, UP-LAGG, BPP EKNOLOGI, Clustering Analysis, Lokakarya Komputasi dalam Sains dan eknologi Nuklir VI, BAAN, Jakarta 996
14 DISKUSI M. SYAMSA ARDISASMIA Jika suatu titik-titik terkorelasi kuat, bagaimana pengaruhnya terhadap pengukuran arak Mahalanobis? MIKE SUSMIKANI Jarak Mahalanobis dapat digunakan tergantung pada data. Bilamana sampel data menyebar atau noise, kovariansi dari cluster akan besar. Hal ini akan memberikan elipsoida yang besar. Sebaliknya bila penyebaran data-data menyempit/rapat, kovariansi dari cluster akan kecil berarti elipsoidanya kecil. Penyebaran data dapat merubah ukuran dari bidang elipsoida. Berarti setiap matrik kovariansi membentuk elipsoida. Jadi, ika suatu titik-titik terkorelasi kuat maka arak Mahalanobis akan kecil. MUSANGIMAH Dikatakan bahwa arak minimum banyak diaplikasikan dalam clustering. Dalam clustering secara berhirarki atau non-hirarki arak minimum ini dapat diterapkan untuk memperoleh hasil yang terbaik? MIKE SUSMIKANI Dapat diterapkan pada clustering non-hirarki. Jarak Mahalanobis merupakan pengembangan dari clustering non-hirarki K-mean.
15 DAFAR RIWAYA HIDUP. Nama : MIKE SUSMIKANI. empat/anggal Lahir : Jakarta, November Instansi : PIK - BAAN 4. Pekeraan / Jabatan : Bidang Matematika dan Komputasi/ Pranata Komputer 5. Riwayat Pendidikan : setelah SMA sampai sekarang FMIPA-UI, Jurusan Matematiak Statistika S SIE-IGI, Jurusan Manaemen S 6. Pengalaman Kera : Staf Pengolahan Data Biro Bina Program Ka. Sub. Bidang Statistik, Bidang Analis Sistem Staf Bidang Komputasi Pranata Komputer 7. Organisasi Professional : -
PENYEDERHANAAN PEMETAAN STRUKTUR KETERGANTUNGAN VARIABEL MENGGUNAKAN TEKNIK PRINSIPAL KOMPONEN
ABSTRAK PENYEDERHANAAN PEMETAAN STRUKTUR KETERGANTUNGAN VARIABEL MENGGUNAKAN TEKNIK PRINSIPAL KOMPONEN Mike Susmikanti *) PENYEDERHANAAN PEMETAAN STRUKTUR KETERGANTUNGAN VARIABEL MENGGUNAKAN TEKNIK PRINSIPAL
Lebih terperinciPEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN. Mike Susmikanti *
PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN Mike Susmikanti * ABSTRAK PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN. Pemodelan dalam penelitian berbagai bidang khususnya bidang industri, merupakan kebutuhan
Lebih terperinciKOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 17-22 ISSN: 2303-1751 KOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN I MADE ANOM ARIAWAN 1, I PUTU EKA NILA KENCANA 2, NI LUH PUTU
Lebih terperinciPenggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com
Lebih terperinciStudi Banding antara Metode Minimum Distance dan Gaussian Maximum Likelihood Sebagai Pengklasifikasi Citra Multispektral
JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 2, 26-35, Agustus 2004, ISSN : 40-858 Studi Banding antara Metode Minimum Distance dan Gaussian Maximum Likelihood Sebagai Pengklasifikasi Citra Multispektral
Lebih terperinciFACE RECOGNITION MENGGUNAKAN METODE TWO- DIMENSIONAL PRINCIPAL COMPONENTS ANALYSIS (2DPCA) ABSTRAK
FACE RECOGNITION MENGGUNAKAN METODE TWO- DIMENSIONAL PRINCIPAL COMPONENTS ANALYSIS (2DPCA) Kurnia Novita Mutu (0722029) Jurusan Teknik Elektro email: mutunia@gmail.com ABSTRAK Perkembangan biometrik pada
Lebih terperinciPenerapan Logika Samar dalam Peramalan Data Runtun Waktu
Penerapan Logika Samar dalam Peramalan Data Runtun Waktu Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia hansun@umn.ac.id Abstract Recently, there are
Lebih terperinci(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST
(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST 1Nor Indah FitriyaNingrum, 2 Suwanda, 3 Anna Chadidjah 1Mahasiswa JurusanStatistika FMIPA UniversitasPadjadjaran 2Jurusan Statistika FMIPA Universitas
Lebih terperinciPerbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer
Perbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer R. Muhammad Subekti 1 1. P2TRR BATAN, Kompleks Puspiptek Gedung 31, Serpong, Tangerang 15310 Abstrak Algoritma umum metode
Lebih terperinciVektor-Vektor. Ruang Berdimensi-2. Ruang Berdimensi-3
Vektor-Vektor dalam Ruang Berdimensi-2 dan Ruang Berdimensi-3 Disusun oleh: Achmad Fachrurozi Albert Martin Sulistio Iffatul Mardhiyah Rifki Kosasih Departemen Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 004 Yogyakarta, 19 Juni 004 Klasifikasi Pola Menggunakan Jaringan Probabilistik Sri Kusumadewi Jurusan Teknik Informatika, Universitas Islam Indonesia Jl.
Lebih terperinciKAJIAN TEORI PENYELESAIAN MASALAH JARAK DAN SUDUT PADA BANGUN RUANG DIMENSI TIGA MENGGUNAKAN PENDEKATAN VEKTOR
KAJIAN TEORI PENYELESAIAN MASALAH JARAK DAN SUDUT PADA BANGUN RUANG DIMENSI TIGA MENGGUNAKAN PENDEKATAN VEKTOR Andi Pujo Rahadi FKIP Universitas Advent Indonesia Abstrak Materi utama dalam bab Geometri
Lebih terperinciAljabar Linier Elementer. Kuliah ke-9
Aljabar Linier Elementer Kuliah ke-9 Materi kuliah Hasilkali Titik Proyeksi Ortogonal 7/9/2014 Yanita, FMIPA Matematika Unand 2 Hasilkali Titik dari Vektor-Vektor Definisi Jika u dan v adalah vektor-vektor
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciVektor di ruang dimensi 2 dan ruang dimensi 3
Vektor di ruang dimensi 2 dan ruang dimensi 3 Maulana Malik 1 (maulana.malik@sci.ui.ac.id) 1 Departemen Matematika FMIPA UI Kampus Depok UI, Depok 16424 2014/2015 1/21 maulana.malik@sci.ui.ac.id Vektor
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE
PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer
Lebih terperinciDEKONVOLUSI MENGGUNAKAN METODA NEURAL NETWORK SEBAGAI PRE-PROCESSING UNTUK INVERSI DATA SEISMIK TUGAS AKHIR
DEKONVOLUSI MENGGUNAKAN METODA NEURAL NETWORK SEBAGAI PRE-PROCESSING UNTUK INVERSI DATA SEISMIK TUGAS AKHIR Disusun untuk memenuhi syarat kurikuler Program Sarjana (S1) Program Studi Geofisika Institut
Lebih terperinciIJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: Perancangan Model Matematis Untuk Penentuan Jumlah Produksi di PT. XZY
IJCCS, Vol.x, No.x, July xxxx, pp. ~5 ISSN: 978-52 Perancangan Model Matematis Untuk Penentuan Jumlah Produksi di PT. XZY Dian Eko Hari Purnomo Universitas Sarjanawiyata Tamansiswa, Program Studi Teknik
Lebih terperinciSEBUAH TELAAH ELIPS DAN LINGKARAN MELALUI SEBUAH PENDEKATAN ALJABAR MATRIKS
SEBUAH TELAAH ELIPS DAN LINGKARAN MELALUI SEBUAH PENDEKATAN ALJABAR MATRIKS Rahmat Sagara Sekolah Tinggi Keguruan dan Ilmu Pendidikan Kebangkitan Nasional Sampoerna School of Education Building Jl. Kapten
Lebih terperinciKonsep Dasar. Modul 1 PENDAHULUAN
Modul 1 Konsep Dasar M PENDAHULUAN Drs. Suryo Guritno, M.Stats., Ph.D. ateri yang akan dibahas dalam modul ini adalah konsep-konsep dasar aljabar matriks yang meliputi pengertian matriks, vektor dan skalar;
Lebih terperinciProses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum
Prosiding Penelitian SPeSIA Unisba 2015 ISSN: 2460-6464 Proses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum 1 Fitria Tri Suwarmi, 2 M. Yusuf Fajar,
Lebih terperinciPenerapan Logika Fuzzy Pada Sistem Parkir Truk
Penerapan Logika Fuzzy Pada Sistem Parkir Truk Kuswara Setiawan Program Studi Sistem Informasi Universitas Pelita Harapan Surabaya, Indonesia Abstrak Suatu sistem dinamis dalam kehidupan sehari-hari seringkali
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciMODEL LOGISTIK DENGAN DIFUSI PADA PERTUMBUHAN SEL TUMOR EHRLICH ASCITIES. Hendi Nirwansah 1 dan Widowati 2
MODEL LOGISTIK DEGA DIFUSI PADA PERTUMBUHA SEL TUMOR EHRLICH ASCITIES Hendi irwansah 1 dan Widowati 1, Jurusan Matematika FMIPA Universitas Diponegoro Jl. Prof. H. Soedarto, SH Tembalang Semarang 5075
Lebih terperinciEuclidean n & Vector Spaces. Matrices & Vector Spaces
Lecture 9 Euclidean n & Vector Spaces Delivered by: Filson Maratur Sidjabat fmsidjabat@president.ac.id Matrices & Vector Spaces #4 th June 05 (90%*score / 0% extra points for HW-Q) Retake Quiz. Compute
Lebih terperinciMinggu XI ANALISIS KOMPONEN UTAMA. Utami, H
Minggu XI ANALISIS KOMPONEN UTAMA Utami, H Outline 1 Pendahuluan 2 Tujuan 3 Analisis Komponen Utama 4 Contoh Utami, H Minggu XIANALISIS KOMPONEN UTAMA 2 / 16 Outline 1 Pendahuluan 2 Tujuan 3 Analisis Komponen
Lebih terperinciKLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK
KLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK Sri Kusumadewi Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta cicie@fti.uii.ac.id ABSTRACT More application often used
Lebih terperinciKlasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan
Statistika, Vol. 15 No. 2, 87-97 November 215 Klasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan Fitriana A.R. 1, Nurhasanah 2, Ririn Raudhatul
Lebih terperinciAplikasi Matriks Circulant Untuk Menentukan Nilai Eigen Dari Graf Sikel (Cn)
Aplikasi Matriks Circulant Untuk Menentukan Nilai Eigen Dari Graf Sikel (Cn) T 24 Siti Rahmah Nurshiami dan Triyani Program Studi Matematika, Fakultas Sains dan Teknik Universitas Jenderal soedirman, Purwokerto
Lebih terperinciFuzzy Pattern Recognition. Logika Fuzzy
Fuzzy Pattern Recognition Logika Fuzzy 1 Pengenalan pola (pattern recognition) adalah proses untuk mengidentifikasi struktur yang ada dalam data dengan cara membandingkannya dengan struktur yang telah
Lebih terperinciInterpretasi Geometri Dari Sebuah Determinan
Jurnal Sains Matematika dan Statistika Vol No Juli 5 ISSN 46-454 Interpretasi Geometri Dari Sebuah Determinan Riska Yeni Syamsudhuha M D H Gamal 3 Jurusan Matematika Fakultas Mipa Universitas Riau Jl HR
Lebih terperinciPERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN ABSTRAK
PERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN Jurusan Teknik Elektro, Fakultas Teknik Jl. Prof. Drg. Suria Sumantri
Lebih terperinciPenentuan Daerah Kritis Terbaik dengan Teorema Neyman- Pearson
Vol. 6, No.1, 44-48, Juli 2009 Penentuan Daerah Kritis Terbaik dengan Teorema Neyman- Pearson Georgina M. Tinungki Abstrak Terdapat beberapa metode untuk membangun uji statistik yang baik, diantaranya
Lebih terperinciPenentuan Lokasi SMP Baru di Kabupaten Klungkung dengan Algoritma Fuzzy Subtractive Clustering
Penentuan Lokasi SMP Baru di Kabupaten Klungkung dengan Algoritma Fuzzy Subtractive Clustering I Gede Oka Artawan Jurusan Matematika FMIPA Universitas Udayana, Bukit Jimbaran-Bali e-mail: artawanoka@ymail.com
Lebih terperinciAbstract. Keywords: Artificial Neural Network
Abstract Artificial Neural Network is one of the technologies which have developed because of Information Technology development itself. Nowadays, more and more large companies are implementing Artificial
Lebih terperinciPENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF)
PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF) Disusun oleh : Alvin Silajaya (0922018) Jurusan Teknik Elektro,
Lebih terperinciRuang Vektor Euclid R n
Ruang Vektor Euclid R n Kuliah Aljabar Linier Semester Ganjil 2015-2016 MZI Fakultas Informatika Telkom University FIF Tel-U Oktober 2015 MZI (FIF Tel-U) Ruang Vektor R n Oktober 2015 1 / 38 Acknowledgements
Lebih terperinciTeknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil
Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil Ronny Susetyoko, Elly Purwantini Politeknik Elektronika Negeri Surabaya
Lebih terperinciPENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS
PENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS WULAN ANGGRAENI wulangussetiyo@gmail.com Program Studi Pendidikan Matematika Universitas Indraprasta PGRI Abstract. The purpose of this study was to
Lebih terperinciFuzzy C-means Clustering menggunakan Cluster Center Displacement
Fuzzy C-means Clustering menggunakan Cluster Center Displacement Fitri Hidayah Sundawati 1), Jadi Suprijadi 2), Titi Purwandari 3) 1) Mahasiswa Statistika Terapan, UniversitasPadjadjaran-Indonesia 2) Pengajar
Lebih terperinciPlot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel
Plot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel Vitawati Bawotong, Hanny Komalig, Nelson Nainggolan 3 Program Studi Matematika, FMIPA, UNSRAT, vbawotong@gmail.com
Lebih terperinciS 10 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis)
PROSIDING ISBN : 978 979 6353 6 3 S 0 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis) Wirayanti ), Adi Setiawan ), Bambang Susanto
Lebih terperinciPrincipal Component Analysis
Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Pembimbing: Dr.Ir.Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) Nimas Setya Yaniar 2208.100.616 POSE (posisi
Lebih terperinciTE Teknik Numerik Sistem Linear
TE 9467 Teknik Numerik Sistem Linear Operator Linear Trihastuti Agustinah Bidang Studi Teknik Sistem Pengaturan Jurusan Teknik Elektro - FTI Institut Teknologi Sepuluh Nopember O U T L I N E. Objektif.
Lebih terperinciSTABILISASI SISTEM KONTROL LINIER INVARIANT WAKTU DENGAN MENGGUNAKAN METODE ACKERMANN
Jurnal Matematika UNAND Vol. 2 No. 3 Hal. 34 41 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND STABILISASI SISTEM KONTROL LINIER INVARIANT WAKTU DENGAN MENGGUNAKAN METODE ACKERMANN DIAN PUSPITA BEY
Lebih terperinciTEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR
TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR DWI ACHTI NOVIATUR R. 2208100656 Dosen Pembimbing : Dr. Ir. Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) PIE Problem Representasi Citra
Lebih terperinciGEOMETRI EUKLID VERSUS GEOMETRI SFERIK. Sangadji *
GEOMETRI EUKLID VERSUS GEOMETRI SFERIK Sangadji * ABSTRAK GEOMETRI EUKLID VERSUS GEOMETRI SFERIK. Pada makalah ini akan dibahas hubungan antara formula Pythagoras dan formula sinus dari segitiga pada geometri
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
61 BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis 3.1.1 Analisis Permasalahan Proses Segmentasi citra dapat dilakukan dengan berbagai cara, antara lain dengan metode konvensional secara statistik maupun
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciGUI UNTUK INFERENSI VEKTOR MEAN DAN INFERENSI MATRIKS KOVARIANSI DENGAN MENGGUNAKAN SOFTWARE R
KOMPUTASI GUI UNTUK INFERENSI VEKTOR MEAN DAN INFERENSI MATRIKS KOVARIANSI DENGAN MENGGUNAKAN SOFTWARE R SKRIPSI Disusun oleh YUDHA SUBAKTI J2E009013 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinciSATUAN ACARA PERKULIAHAN
SATUAN ACARA PERKULIAHAN Mata Kuliah : PENGANTAR GRAFIK KOMPUTER & OLAH CITRA Fakultas : Ilmu Komputer Jurusan : S1 Sistem Informasi KODE MATA KULIAH / SKS : AK-011204 / 2 SKS PERTEMUAN POKOK BAHASAN &
Lebih terperinciRuang Norm-n Berdimensi Hingga
Jurnal Matematika Integratif. Vol. 3, No. 2 (207), pp. 95 04. p-issn:42-684, e-issn:2549-903 doi:0.2498/jmi.v3.n2.986.95-04 Ruang Norm-n Berdimensi Hingga Moh. Januar Ismail Burhan Jurusan Matematika dan
Lebih terperinciKata Kunci: Peramalan; metode Automatic Clustering And Fuzzy Logic Relationship Markov Chain;MAPE. 1. PENDAHULUAN
ISSN: 2528-463 PERAMALAN JUMLAH PENDAFTAR MAHASISWA BARU STMIK DUTA BANGSA SURAKARTA MENGGUNAKAN METODE AUTOMATIC CLUSTERING AND FUZZY LOGIC RELATIONSHIP MARKOV CHAIN Nurmalitasari¹ ), Sri Sumarlinda²
Lebih terperinciESTIMASI POSISI ROBOT MOBIL MENGGUNAKAN UNSCENTED KALMAN FILTER. Oleh: Miftahuddin ( )
ESTIMASI POSISI ROBOT MOBIL MENGGUNAKAN UNSCENTED KALMAN FILTER Oleh: Miftahuddin (1206 100 707) Dosen Pembimbing: Subchan, Ph.D Dr. Erna Apriliani, M.Si Abstrak Robot Mobil atau Mobile Robot adalah konstruksi
Lebih terperinciEdisi Juni 2011 Volume V No. 1-2 ISSN SIFAT-SIFAT RUANG HASIL KALI DALAM-n KOMPLEKS
SIFAT-SIFAT RUANG HASIL KALI DALAM-n KOMPLEKS Sri Maryani Program Studi Matematika, Fakultas Sains dan Teknik Universitas Jenderal Soedirman, Purwokerto Email : sri.maryani@unsoed.ac.id Abstract Inner
Lebih terperinciMETODE RCM UNTUK MENCEGAH TIMBULNYA MATRIKS DENGAN BANDED TIDAK BERATURAN PADA MEH. Utaja *
METODE RCM UNTUK MENCEGAH TIMBULNYA MATRIKS DENGAN BANDED TIDAK BERATURAN PADA MEH Utaja * ABSTRAK METODE RCM UNTUK MENCEGAH TIMBULNYA MATRIKS DENGAN BANDED TIDAK BERATURAN PADA MEH. Penyelesaian masalah
Lebih terperinciJurnal Gradien Vol. 10 No. 1 Januari 2014 : 957-962 Analisis Model Regresi Linear Berganda dengan Metode Response Surface * Henoh Bayu Murti, Dian Kurniasari, Widiarti Jurusan Matematika, Fakultas Matematika
Lebih terperinciPERANCANGAN PERANGKAT LUNAK KRIPTOGRAFI VISUAL TANPA EKSPANSI PIKSEL DAN ALGORITMA RLE
PERANCANGAN PERANGKAT LUNAK KRIPTOGRAFI VISUAL TANPA EKSPANSI PIKSEL DAN ALGORITMA RLE Dhina Bangkit Kumalasari Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof.Drg.Suria
Lebih terperinciOPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK ABSTRAK Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Algoritma umum metode propagasi
Lebih terperinciPenerapan Persamaan Aljabar Riccati Pada Masalah Kendali Dengan Waktu Tak Berhingga
Penerapan Persamaan Aljabar Riccati Pada Masalah Kendali Dengan Waktu Tak Berhingga Nilwan Andiraja 1, Zulfikar 2 1,2 Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau Jl.
Lebih terperinciGeometri pada Bidang, Vektor
Prodi Matematika FMIPA Unsyiah September 9, 2011 Melalui pendekatan aljabar, vektor u dinyatakan oleh pasangan berurutan u 1, u 2. Disini digunakan notasi u 1, u 2 bukan (u 1, u 2 ) karena notasi (u 1,
Lebih terperinciPerbandingan Algoritma Golub Kahan dan QR Simetri untuk Dekomposisi Nilai Singular
J. Math. and Its Appl. ISSN: 1829-605X Vol. 3, No. 1, May 2006, 19 25 Perbandingan Algoritma Golub Kahan dan QR Simetri untuk Dekomposisi Nilai Singular Dieky Adzkiya, E. Apriliani, Bandung A.S. Jurusan
Lebih terperinciHardisk 80 GB Perangkat lunak Window XP Profesional MATLAB 7.0.1
Hardisk 8 GB Perangkat lunak Window XP Profesional MATLAB 7..1 HASIL DAN PEMBAHASAN Percobaan yang dilakukan pada penelitian ini terdiri atas dua macam, yaitu citra yang akan mengalami proses pengenalan
Lebih terperinciAPLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI)
APLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI) 1Venny Riana Agustin, 2 Wahyu H. Irawan 1 Jurusan Matematika, Universitas
Lebih terperinciEkuivalensi Norm-n dalam Ruang R d
Jurnal Matematika Statistika & Komputasi 1 Vol No 201 Ekuivalensi Norm-n dalam Ruang R d Taufik Akbar Muh Zakir uh Nur Abstrak Sebuah ruang vektor dapat dilengkapi lebih dari satu buah norm Hal yang sama
Lebih terperinciTRANSFORMASI LINIER (Kajian Fungsi antar Ruang Vektor)
Outline TRANSFORMASI LINIER (Kajian Fungsi antar Ruang Vektor) Drs. Antonius Cahya Prihandoko, M.App.Sc PS. Pendidikan Matematika PS. Sistem Informasi University of Jember Indonesia Jember, 2009 Outline
Lebih terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciAnalisis Objek dan Assessor dari Data Ranking Tidak Lengkap Menggunakan DISTATIS Irlandia Ginanjar 1, 2, *, Bambang Widjanarko O.
Analisis Objek dan Assessor dari Data Ranking Tidak Lengkap Menggunakan DISTATIS Irlandia Ginanjar 1,, *, Bambang Widjanarko O. 1 1 Jurusan Statistika ITS, Surabaya, Jurusan Statistika UNPAD, Bandung email
Lebih terperinciPENENTUAN TINGGI TITIK DENGAN TEKNIK PERATAAN PARAMETER DAN TEKNIK PERATAAN BERSYARAT
PROSID ING 0 HASIL PENELITIAN FAKULTAS TEKNIK PENENTUAN TINGGI TITIK DENGAN TEKNIK PERATAAN PARAMETER DAN TEKNIK PERATAAN BERSYARAT Jurusan Teknik Sipil Fakultas Teknik Universitas Hasanuddin Jl. Perintis
Lebih terperinciKEKONVEKSKAN DAERAH FISIBEL SECOND ORDER CONE PROGRAMMING DENGAN NORMA 1
KEKONVEKSKAN DAERAH FISIBEL SECOND ORDER CONE PROGRAMMING DENGAN NORMA 1 Caturiyati 1, Ch. Rini Indrati 2, Lina Aryati 2 1 Mahasiswa Program Studi S3 Matematika FMIPA UGM dan dosen Jurusan Pendidikan Matematika
Lebih terperinciGENERALIZED INVERSE. Musafir Kumar 1)
GENERALIZED INVERSE Musafir Kumar 1) 1) Dosen Pendidikan Matematika FKIP Unsyiah Abstrak Tulisan ini bertujuan untuk menhgetahui pengertian dari generalized inverse. Teorema-teorema dan sifat-sifat yang
Lebih terperinciMatematika II : Vektor. Dadang Amir Hamzah
Matematika II : Vektor Dadang Amir Hamzah sumber : http://www.whsd.org/uploaded/faculty/tmm/calc front image.jpg 2016 Dadang Amir Hamzah Matematika II Semester II 2016 1 / 24 Outline 1 Pendahuluan Dadang
Lebih terperinciAnalisis Model Regresi Linear Berganda dengan Metode Response Surface
Jurnal Gradien Vol. 10 No. 1 Januari 2014 : 957-962 Analisis Model Regresi Linear Berganda dengan Metode Response Surface * Henoh Bayu Murti, Dian Kurniasari, Widiarti Jurusan Matematika, Fakultas Matematika
Lebih terperinciADLN Perpustakaan Universitas Airlangga SIFAT JARAK PADA RUANG METRIK SKRIPSI SITI MAISYAROH
SIFAT JARAK PADA RUANG METRIK SKRIPSI SITI MAISYAROH PROGRAM STUDI S-1 MATEMATIKA DEPARTEMEN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS AIRLANGGA 2012 SIFAT JARAK PADA RUANG METRIK SKRIPSI Sebagai
Lebih terperinciANALISIS STRUKTUR BALOK NON PRISMATIS MENGGUNAKAN METODE PERSAMAAN SLOPE DEFLECTION
ANALISIS STRUKTUR BALOK NON PRISMATIS MENGGUNAKAN METODE PERSAMAAN SLOPE DEFLECTION Agus Setiawan Civil Engineering Department, Faculty of Engineering, Binus University Jl. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciABSTRAK. Kata kunci : CBIR, GLCM, Histogram, Kuantisasi, Euclidean distance, Normalisasi. v Universitas Kristen Maranatha
ABSTRAK Content-Based Image Retrieval (CBIR) adalah proses untuk mendapatkan suatu citra berdasarkan konten-konten tertentu, konten yang dimaksud dapat berupa tekstur, warna, bentuk. CBIR pada dasarnya
Lebih terperinciPEMBUATAN PERANGKAT LUNAK PENGENALAN WAJAH MENGGUNAKAN PRINCIPAL COMPONENTS ANALYSIS
PEMBUATAN PERANGKAT LUNAK PENGENALAN WAJAH MENGGUNAKAN PRINCIPAL COMPONENTS ANALYSIS Kartika Gunadi Fakultas Teknologi Industri, Jurusan Teknik Informatika Universitas Kristen Petra e-mail: kgunadi@peter.petra.ac.id,
Lebih terperinciArtha Ida Sri Anggriyani
ANALISIS BIPLOT ROW METRIC PRESERVING UNTUK MENGETAHUI KARAKTERISTIK PROVIDER TELEPON SELULER PADA MAHASISWA S1 FSM UNIVERSITAS DIPONEGORO SKRIPSI Disusun Oleh : Artha Ida Sri Anggriyani 24010211130032
Lebih terperinciESTIMATOR FUNGSI PDF. Pertemuan 4
ESTIMATOR FUNGSI PDF Pertemuan 4 1 Bangkitkan data dimensi sebanyak N = 500 yang terdistribusi Gaussian N(m,S) dan rerata m = [0 0] T dan kovarian dengan Plot data yg dibangkitkan tsb, pengertian apa yg
Lebih terperinciTRANSFORMASI LINIER PADA RUANG BANACH
TRANSFORMASI LINIER PADA RUANG BANACH Nur Aeni, S.Si., M.Pd Jurusan Matematika, Fakultas Sains dan Teknologi, UINAM nuraeniayatullah@gmail.com ABSTRAK Info: Jurnal MSA Vol. 2 No. 1 Edisi: Januari Juni
Lebih terperinciAnalisis Cluster, Analisis Diskriminan & Analisis Komponen Utama. Analisis Cluster
Analisis Cluster Analisis Cluster adalah suatu analisis statistik yang bertujuan memisahkan kasus/obyek ke dalam beberapa kelompok yang mempunyai sifat berbeda antar kelompok yang satu dengan yang lain.
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Budi Susanto ANALISIS CLUSTER PADA DOKUMEN TEKS Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep analisis clustering Memahami tipe-tipe data dalam clustering Memahami beberapa algoritma
Lebih terperinciMETODE SIMPLEKS FUZZY UNTUK PERMASALAHAN PEMROGRAMAN LINEAR DENGAN VARIABEL TRAPEZOIDAL FUZZY
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 01 No. 1 (2012) hal 23 30. METODE SIMPLEKS FUZZY UNTUK PERMASALAHAN PEMROGRAMAN LINEAR DENGAN VARIABEL TRAPEZOIDAL FUZZY Anastasia Tri Afriani
Lebih terperinciSTMIK MDP. Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012
STMIK MDP Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012 RANCANG BANGUN APLIKASI PEMBELAJARAN KARAKTER MANDARIN BERBASIS PENGENALAN KARAKTER DENGAN METODE PCA
Lebih terperinciAnalisis Perbandingan Algoritma Fuzzy C-Means dan K-Means
Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means Yohannes Teknik Informatika STMIK GI MDD Palembang, Indonesia Abstrak Klasterisasi merupakan teknik pengelompokkan data berdasarkan kemiripan data.
Lebih terperinciKontrol Fuzzy Takagi-Sugeno Berbasis Sistem Servo Tipe 1 Untuk Sistem Pendulum Kereta
Kontrol Fuzzy Takagi-Sugeno Berbasis Sistem Servo Tipe Untuk Sistem Pendulum Kereta Helvin Indrawati, Trihastuti Agustinah Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember
Lebih terperinciPenerapan Transformasi Lanjar pada Proses Pengolahan Gambar
Penerapan Transformasi Lanjar pada Proses Pengolahan Gambar Pratama Nugraha Damanik 13513001 Program Studi Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ANALISIS CLUSTER PADA DOKUMEN TEKS Budi Susanto (versi 1.3) Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep analisis clustering Memahami
Lebih terperinci8.1 Transformasi Linier Umum. Bukan lagi transformasi R n R m, tetapi transformasi linier dari
8.1 Transformasi Linier Umum Bukan lagi transformasi R n R m, tetapi transformasi linier dari ruang vektor V vektor W. Definisi Jika T: V W adalah suatu fungsi dari suatu ruang vektor V ke ruang vektor
Lebih terperinciMATEMATIKA INFORMATIKA 2 TEKNIK INFORMATIKA UNIVERSITAS GUNADARMA FENI ANDRIANI
MATEMATIKA INFORMATIKA 2 TEKNIK INFORMATIKA UNIVERSITAS GUNADARMA FENI ANDRIANI SAP (1) Buku : Suryadi H.S. 1991, Pengantar Aljabar dan Geometri analitik Vektor Definisi, Notasi, dan Operasi Vektor Susunan
Lebih terperinciTINJAUAN PUSTAKA. bebas digunakan jarak euclidean - sedangkan bila terdapat. korelasi antar peubah digunakan jarak mahalanobis - -
3 TINJAUAN PUSTAKA Gambaran Umum Analisis Gerombol Analisis gerombol merupakan salah satu metode analisis peubah ganda yang bertujuan untuk mengelompokkan objek kedalam kelompok kelompok tertentu yang
Lebih terperinciOleh : Rahanimi Pembimbing : Dr. M Isa Irawan, M.T
PERAMALAN JUMLAH MAHASISWA PENDAFTAR PMDK JURUSAN MATEMATIKA MENGGUNAKAN METODE AUTOMATIC CLUSTERING DAN RELASI LOGIKA FUZZY (STUDI KASUS di INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA) Oleh : Rahanimi
Lebih terperinciVektor. Vektor memiliki besaran dan arah. Beberapa besaran fisika yang dinyatakan dengan vektor seperti : perpindahan, kecepatan dan percepatan.
Vektor Vektor memiliki besaran dan arah. Beberapa besaran fisika yang dinyatakan dengan vektor seperti : perpindahan, kecepatan dan percepatan. Skalar hanya memiliki besaran saja, contoh : temperatur,
Lebih terperinciRuang Norm-2 dan Ruang Hasil Kali Dalam-2
Jurnal Matematika Integratif ISSN 4-684 Volume 0 No, Oktober 04, pp 39-45 Ruang Norm- dan Ruang Hasil Kali Dalam- J.Manuhutu, Y.A.Lesnussa, H. Batkunde JurusanMatematika Fakultas MIPA UniversitasPattimura
Lebih terperinciVEKTOR GAYA. Gambar 1. Perkalian dan pembagian vektor
VEKTOR GAYA Perkalian dan Pembagian vektor dengan scalar Jika vektor dikalikan dengan nilai positif maka besarnya meningkat sesuai jumlah pengalinya. Perkalian dengan bilangan negatif akan mengubah besar
Lebih terperinciPenggunaan Kernel Principal Component Analysis Fungsi Polinomial Dalam Menyelesaikan Masalah Pengelompokan Plot Peubah Ganda
Penggunaan Kernel Principal Component Analysis Fungsi Polinomial Dalam Menyelesaikan Masalah Pengelompokan Plot Peubah Ganda Sueharti Maatuil, Hanny A. H. Komalig, Charles Mongi 3 Program Studi Matematika,
Lebih terperinciBagan Kendali Rasio Likelihood dan Aplikasinya pada Data Kurs Mata Uang dan Industri
Vol. 10, No. 1, 26-34, Juli 2013 Bagan Kendali Rasio Likelihood dan Aplikasinya pada Data Kurs Mata Uang dan Industri Andi Fitri Ayu 1, Erna Tri Herdiani 1, M. Saleh AF 1, Anisa 1, Nasrah Sirajang 1 Abstrak
Lebih terperinciPrinsip Dasar Metode Energi
Mata Kuliah : Analisis Struktur Kode : TSP 202 SKS : 3 SKS Prinsip Dasar Metode Energi Pertemuan - 1 TIU : Mahasiswa dapat menghitung perpindahan/deformasi struktur TIK : Mahasiswa dapat menjelaskan prinsip
Lebih terperinciANALISIS KOMPONEN UTAMA DENGAN MENGGUNAKAN MATRIK VARIAN KOVARIAN YANG ROBUST
ANALISIS KOMPONEN UTAMA DENGAN MENGGUNAKAN MATRIK VARIAN KOVARIAN YANG ROBUST Irwan Sujatmiko, Susanti Linuwih, dan Dwi Atmono A.W. Jurusan Statistika ITS Kampus ITS Sukolilo Surabaya 6 Abstract. The present
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinci