BAB 2 LANDASAN TEORI
|
|
- Ridwan Cahyadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB LANDASAN TEORI Pada bab ini dielasan landasan teori dari transformasi wavelet ususnya Daubecies yan aan diperunaan dalam pembuatan apliasi untu peramalan cura uan. Untu membantu dalam merancan user interface dan arus ontrol dari apliasi yan aan diasilan, maa terlebi daulu dielasan landasaran teori perancanan State Transition Diaram... Sinyal... Penertian Freuensi Kebanyaan dari sinyal dalam pratenya, adala sinyal domain-watu dalam format mentanya. Berarti, apapun sinyal yan diuur adala funsi watu, dimana etia ita memplot sala satu sumbu denan variabel watu (variabel independen) maa variabel lainnya (variabel dependen) biasanya adala amplitudo. Ketia ita memplot sinyal domain-watu, ita mendapatan representasi watu-amplitudo dari sinyal. Serinali informasi yan pentin tersembunyi di dalam freuensi sinyal. Spetrum freuensi sinyal pada dasarnya adala omponen freuensi (spetral freuensi) sinyal yan menunuan freuensi apa yan muncul. Freuensi menunuan tinat perubaan. Jia suatu variabel serin beruba, maa disebut berfreuensi tini. Namun ia tida serin beruba, maa disebut
2 7 berfreuensi renda. Jia variabel tersebut tida beruba sama seali, maa disebut tida mempunyai freuensi (nol freuensi). Freuensi diuur dalam satuan cycle/deti atau Hertz (Hz). Gambar beriut menunuan conto elomban sinus berfreuensi Hz, Hz dan 5 Hz. Gambar. Sinyal elomban sinus freuensi Hz Gambar. Sinyal elomban sinus freuensi Hz Gambar. Sinyal elomban sinus freuensi 5 Hz
3 8... Transformasi Fourier Untu menuur freuensi ataupun mendapatan isi freuensi sinyal, diunaan transformasi Fourier. Ketia transformasi Fourier sebua sinyal domain-watu diambil, maa didapat representasi freuensi-amplitudo sinyal berupa plot freuensi di sala satu sumbu dan amplitudo di sumbu yan lain. Sumbu freuensi bermula dari nilai nol nai ina ta ina. Untu setiap freuensi, ita punya nilai amplitudo. Conto transformasi Fourier dari sinyal freuensi 5 Hz ditunuan ole ambar beriut. Gambar.4 Transformasi Fourier dari sinyal freuensi 5Hz Transformasi Fourier adala transformasi yan reversible, dimana dari sinyal asal dapat dibentu sinyal asil transformasinya dan sebalinya, dari sinyal asil transformasi dapat dibentu sinyal asalnya. Aan tetapi, tida ada informasi freuensi yan tersedia dalam sinyal domain-watu dan tida ada informasi watu yan tersedia dalam sinyal Transformasi Fourier. Dari sinyal transformasi Fourier tersebut, didapatan informasi freuensi dari sinyal, yan meninformasian berapa banya tiap-tiap freuensi yan muncul dalam sinyal, tapi tida meninformasian watu emunculan omponen freuensi tersebut. Aan tetapi informasi ini tida diperluan ia sinyal tersebut stationer.
4 9... Sinyal Stationer Sinyal stationer adala sinyal yan isi freuensinya tida beruba dari watu e watu. Denan demiian, informasi menenai watu emunculan omponen freuensi tida diperluan, arena semua omponen freuensi muncul di setiap watu. Conto : sinyal x(t) = cos(* **t) + cos(* *5*t) + cos(* *5*t) + cos(* **t) adala sinyal stationer arena memilii freuensi, 5, 5 dan Hz di setiap watu. Gambar.5 Sinyal x(t) = cos(* **t) + cos(* *5*t) + cos(* *5*t) + cos(* **t) Transformasi Fourier dari sinyal tersebut adala sebaai beriut. Gambar.6 Transformasi Fourier sinyal x(t) = cos(* **t) + cos(* *5*t) + cos(* *5*t) + cos(* **t)
5 Pada Gambar.6 terdapat 4 bua omponen spetrum yan sesuai denan freuensi, 5, 5 dan Hz...4. Sinyal Non-Stationer Bertola belaan denan sinyal pada Gambar.5, ambar beriut adala conto sinyal non-stationer, dimana freuensinya beruba-uba secara onstan dalam watu. Sinyal ini dienal denan nama sinyal cirp. Gambar.7 Sinyal non-stationer Beriut adala conto sebua sinyal non-stationer denan 4 omponen freuensi yan berbeda pada 4 interval watu yan berbeda pula. Interval ms memilii sinusoid Hz, interval 6 ms memilii sinusoid 5 Hz, interval 6 8 ms memilii sinusoid 5 Hz dan interval 8 ms memilii sinusoid Hz.
6 Gambar.8 Sinyal non-stationer denan 4 omponen freuensi Transformasi Fourier dari sinyal tersebut ditampilan dalam ambar beriut. Gambar.9 Transformasi Fourier sinyal non-stationer
7 Amplitudo dari omponen freuensi yan lebi tini punya nilai yan lebi besar daripada omponen freuensi renda, arena freuensi tini berlansun lebi lama ( dalam watu ms) daripada freuensi renda ( dalam watu ms ). Jia ita peratian Gambar.5, maa semua omponen freuensi ( freuensi Hz, 5 Hz, 5 Hz dan Hz ) muncul pada semua periode sinyal. Namun ia peratian Gambar.8, omponen freuensi tini muncul pada interval pertama dan omponen freuensi renda muncul pada interval terair. Pada Gambar.7, omponen freuensi ua beruba dari freuensi renda e freuensi tini. Pada sinyal non-stationer, omponen-omponen freuensi tida muncul di semua periode sinyal. Gambar.6 dan Gambar.9 adala asil transformasi Fourier dari Gambar.5 dan Gambar.8. Kedua ambar tersebut menunuan emiripan dalam 4 omponen spetrum tepat pada freuensi yan sama, yaitu Hz, 5 Hz, 5 Hz dan Hz mesipun edua sinyal asal tidala sama. Hal ini menunuan elemaan dari transformasi Fourier yan tida bisa memberian informasi menenai watu emunculan omponen freuensi (omponen spetrum), anya memberian informasi menenai nilai omponen spetrum yan muncul. Ketia loalisasi watu diperluan, maa arus diunaan transformasi yan menasilan representasi watu-freuensi. Transformasi Wavelet adala sala satu transformasi yan dapat menyediaan informasi watu dan freuensi secara bersamaan dan ua memberian representasi watu-freuensi dari sinyal.
8 .. Wavelet Wave didefinisian sebaai sebua funsi watu yan berera (oscillatin), seperti urva sinus. Wave menembanan sinyal ataupun funsi dalam bentu urva sinus yan tela terbuti sanat beruna untu dalam matematia, ilmu penetauan, teni mesin terutama untu fenomena periodi atau stationer. Wavelet adala sebua wave ecil, yan dimana enerinya teronsentrasi dalam watu untu menyediaan alat bantu analisis fenomena esementaraan, non-stationer atau perubaan watu. Karateristi wave berera masi tetap dimilii, namun ua dapat mensimulasian analisis watu-freuensi denan dasar matematia yan flesibel. Hal ini diilustrasian dalam Gambar. dimana wave (urva sinus) berera denan amplitudo sama pada - t dan maa dari itu memilii eneri yan ta berina, denan wavelet yan memilii eneri berina teronsentrasi pada suatu titi. Gambar. Sebua wave dan wavelet Sumber: Introduction to Wavelets and Wavelets Transform A Primer(998,p) Sebua sinyal atau funsi f(t) dapat dianalisa, dielasan atau diproses ia dinyataan dalam deomposisi linier denan = l f ( t) a l ψ ( t) l
9 4 dimana l adala index bilanan untu penumlaan finite (berina) atau infinite (ta berina, a l adala expansion coefficient dan ψ (t) adala funsi impunan dari t yan dinamaan expansion set. Jia expansion set tersebut uni, maa set tersebut dinamaan basis. Jia basis tersebut ortoonal, dimana : ψ ( t), ψ ( t) ψ ( t) ( t) dt = l, l = ψ l maa oefisien-oefisien tersebut dapat diitun denan inner product menadi a = = f ( t), ψ ( t) f ( t) ψ ( t) dt. Untu espansi wavelet, sistem denan dua parameter diembanan seina = f a, ψ ( t) (.) ( t), dimana maupun adala index bilanan dan ψ ( ) adala wavelet expansion function yan biasanya membentu basis ortoonal. l, t Expansion coefficients a, dinamaan transformasi wavelet disrit/discrete wavelet transform (DWT) dari f(t) dan f(t) pada persamaan (.) adala invers transform.... Sistem Wavelet Terdapat beberapa sistem wavelet yan dapat diperunaan, namun semuanya memilii tia arateristi umum sebaai beriut : a. Sistem wavelet adala impunan dari buildin blocs untu membanun atau merepresentasian sinyal atau funsi.
10 5 b. Transformasi wavelet meloalisasi watu-freuensi dari sinyal. Ini berarti ebanyaan eneri sinyal direpresentasian denan bai ole beberapa expansion coefficients, a,. c. Peritunan oefisien dari sinyal dapat dilauan secara efisien. Kebanyaan transformasi wavelet (impunan dari expansion coefficients) memilii omplesitas operasional O(N), dimana banya peralian bilanan desimal dan penumlaan bertamba secara linier seirin pertambaan panan sinyal. Namun, transformasi wavelet lainnya memilii omplesitas O(N lo (N)). Terdapat tia arateristi tambaan (Sweldens, 996; Daubecies, 99) transformasi wavelet yan lebi spesifi : a. Sistem wavelet didapatan dari sebua scalin function atau wavelet function denan scalin dan translasi sederana. Parameterisasi dua dimensi didapatan dari sebua funsi (serin dinamaan eneratin wavelet atau moter wavelet) ψ(t) : / ψ ( t) = ( t ), Z (.), ψ Dimana Z adala impunan semua bilanan bulat dan fator / menaa onstanta normal independen dari sala. b. Hampir semua sistem wavelet memenui ondisi multiresolusi. Ini berarti bawa ia impunan sinyal dapat direpresentasian denan penumlaan bobot dari φ(t-) maa impunan sinyal yan lebi luas dapat direpresentasian denan penumlaan bobot dari φ(t-). Atau, ia transformasi sinyal dasar dan transalasi dilauan setena ali lebarnya,
11 6 maa asilnya aan tepat merepresentasian elas sinyal yan lebi besar atau baan memberian periraan yan lebi bai dari sinyal apapun. c. Koefisien resolusi bawa dapat dialulasian dari oefisien resolusi atas denan aloritma menyerupai strutur poon yan dinamaan filter ban. Hal ini memuninan alulasi yan sanat efisien dari expansion coefficients (yan ua dienal denan transformasi wavelet disrit) dan menubunan transformasi wavelet denan pemrosesan sinyal. Operasi translasi dan scalin adala dasar untu banya proses pembanitan sinyal dan prati sinyal, dan penunaannya adala sala satu alasan menapa wavelet merupaan funsi transformasi yan efisien. Gambar. memperliatan representasi rafis translasi dan scalin sebua moter wavelet denan persamaan (.). Gambar. Translasi dan scalin wavelet ψ D4 Sumber: Introduction to Wavelets and Wavelets Transform A Primer(998,p4)
12 7 Seirin perubaan nilai, loasi wavelet berera sepanan sumbu orizontal, seina memuninan transformasi tersebut secara esplisit merepresentasian loasi suatu eadian dalam watu atau ruan. Seirin perubaan nilai, bentu wavelet beruba dalam sala, seina memuninan representasi dari detil atau resolusi. Selain moter wavelet, funsi basis lainnya yan diperluan dalam membentu sistem wavelet adala scalin function ϕ (t). Denan menombinasian scalin function dan wavelet function, maa sinyal yan lebi besar dapat direpresentasian denan : = = = f ( t) = c ϕ ( t ) + d, ψ ( t ). (.) Transformasi wavelet terbuti efisien dan efetif dalam menanalisa banya sinyal, diarenaan : a. Uuran dari expansion coefficients wavelet a, pada persamaan (.) atau d, pada persamaan (.) turun secara drastis untu nilai dan pada sinyalsinyal luas. Karateristi ini dinamaan unconditional basis seina wavelet sanat efetif untu ompresi sinyal dan ambar, denoisin dan detesi. b. Espansi wavelet memuninan desripsi loal yan lebi aurat, muda diintepretasian dan pemisaan arateristi omponen sinyal. c. Wavelet dapat disesuaian dan beradaptasi. Kita dapat memili enis wavelet yan sesuai terantun sinyal dan apliasi yan diembanan. d. Wavelet yan diasilan dan peritunan dari transformasi wavelet disrit dapat dioperasian denan omputer diital, tanpa operasi turunan ataupun interal namun anya melibatan operasi peralian dan pertambaan.
13 8... Scalin Function Permasalaan utama dari sistem wavelet adala merancan funsi-funsi dasar untu sistem wavelet. Perancanan funsi dasar ini didasaran pada onsep multiresolution. Konsep resolusi awalnya dirancan untu merepresentasian sinyal dimana sebua event pada sinyal dipeca edalam bentu detil-detil yan lebi rinci, namun beremban seina dapat merepresentasian sinyal dimana dibutuan desripsi watu-freuensi atau watu-sala baan etia onsep resolusi tida diperluan. Didefinisian impunan scalin function dari translasi scalin function dasar ϕ ( t) = ϕ( t ) Z ϕ L. Subimpunan dari L (R) asil perentanan funsi tersebut didefinisian sebaai v = Span{ ϕ ( )} t untu semua bilanan mulai dari - sampai denan +. Ini berarti = a ( t) untu tiap f ( t) f ( t) ϕ v Uuran dari subimpunan dapat diperluas denan menuba sala watu dari scalin function. Kelompo funsi dimensi diasilan dari scalin function dasar melalui scalin dan transalasi / ϕ, ( t) = ϕ( t ) dimana perentanan (span over) adala v = Span{ ϕ ( t)} = Span{ ϕ, ( t)} untu semua bilanan Z.Ini berarti ia f ( t) v, maa dapat dinyataan dalam
14 9 ϕ = a ( t + f ( t) ϕ ). Untu >, perentanan tersebut dapat menadi lebi lebar arena ( ) menadi lebi sempit dan ditranslasian dalam lana-lana yan lebi ecil., t Untu <, ϕ ( ) menadi lebi lebar dan ditranslasian dalam lana-lana yan, t lebi besar. Maa, scalin function yan diperlebar ini dapat merepresentasian anya informasi bentu asar dan ruan yan diperluas menadi lebi ecil. Untu lebi menelasan onsep sala dan resolusi, dirumusan persyaratan dasar dari multiresolution analysis (Mallat, 989) yaitu a nestin of te spanned spaces sebaai... v L v v v v... atau v v + untu semua Z dimana {}, v L. v = = Ruan yan menandun resolusi sinyal tini ua aan menandun resolusi renda. Karena definisi dari v, ruan-ruan tersebut arus memenui persyaratan scalin f ( t) v f (t) v + yan memastian anota-anota dalam ruan anyala anota-anota ruan beriutnya denan nilai sala tertentu.
15 Gambar. Perentanan ruan vetor nested denan scalin function Sumber: Introduction to Wavelets and Wavelets Transform A Primer(998,p) Nestin perentanan ϕ ( t ), dinyataan denan v seperti terliat pada persamaan di atas diilustrasian dalam Gambar. diperole denan syarat bawa ϕ ( t) v, yan berarti ia ϕ (t) terandun dalam v, maa ϕ (t) ua terandun dalam v, impunan yan diperluas denan ϕ ( t). Ini berarti ϕ (t) dapat dinyataan denan penumlaan berbobot ϕ ( t) ϕ ( t ) = ( n) ϕ(t n), n Z (.4) n dimana oefisien (n) adala deret bilanan riil yan dinamaan scalin function coefficients atau scalin filter atau scalin vector dan mempertaanan norm dari scalin function denan nilai sala. Persamaan berulan (recursive) ini adala dasar bai teori scalin function. Persamaan tersebut dienal ua denan nama yan berbeda untu menelasan interpretasi ataupun sudut pandan yan berbeda, yaitu persamaan refinement, persamaan multiresolution analysis (MRA) atau persamaan dilation.
16 Daubecies scalin function ditunuan seperti pada Gambar. dan + + persamaan (.4) terpenui untu oefisien () =, () =, 4 4 () =, () = 4 4. Gambar. Daubecies scalin function, N=4 Sumber: Introduction to Wavelets and Wavelets Transform A Primer(998,p)... Wavelet Function Fitur pentin dari sinyal dapat dielasan atau diparameterisasi lebi bai, buan denan penunaan ϕ ( ) dan menamba nilai untu meninatan uuran dari, t subruan diperluas ole scalin function, tetapi melalui impunan funsi ψ ( ), t yan memperlebar selisi antar ruan asil perentanan scalin function pada berbaai nilai sala. Himpunan funsi tersebut dinamaan wavelet function. Ada beberapa euntunan mensyaratan bawa scalin function dan wavelet function arus ortoonal. Funsi basis ortoonal memuninan untu mempermuda alulasi expansion coefficients dan penerapan teorema Parseval yan memuninan partisi dari eneri sinyal dalam domain transformasi wavelet.
17 Jia scalin function dan wavelet function membentu basis ortoonal, terdapat teorema Parseval yan menubunan eneri sinyal (t) denan eneri dalam setiap omponen dan oefisien waveletnya. Maa dari itu (Donoo, 99) perentanan wavelet dari sinyal memilii nilai yan turun denan cepat seina sinyal dapat direpresentasian secara efetif ole seumla ecil dari perentanan wavelet tersebut. Komplemen ortoonal V dalam + V dinyataan sebaai W. Ini berarti bawa semua anota V ortoonal teradap semua anota W. Kita syaratan ϕ, ( t), ψ, l ( t) = ϕ, ( t) ψ, l ( t) dt = untu semua,, l Z. Hubunan antar subimpunan yan berbeda-beda disaian sebaai beriut. Diformulasian nestin impunan-impunan yan diperluas V o V V... L. Didefinisian subimpunan perentanan wavelet W V = V W yan dapat diabaran lebi lanut V = V W W Maa dapat ditulis. L = V W W... (.5) dimana V adala impunan perentanan awal ole scalin function ϕ ( t ). Gambar.4 memperliatan nestin impunan scalin function V untu berbaai sala dan baaimana impunan wavelet adala disoint differences (ecuali untu anota nol) atau omplemen ortoonal.
18 Gambar.4 Himpunan vetor scalin function dan wavelet function Sumber: Introduction to Wavelets and Wavelets Transform A Primer(998,p5) Karena wavelet ini berada dalam impunan yan diperluas ole scalin function yan lebi ecil beriutnya, W V, maa dapat direpresentasian denan penumlaan berbobot dari scalin function ϕ( t) asil translasi, denan ψ ( t ) = ( n) ϕ(t n), n Z (.6) n untu beberapa impunan oefisien ( ). Dari persyaratan bawa wavelet merentanan selisi atau impunan omplemen ortoonal dan ortoonalitas bilanan mentranslasi wavelet (atau scalin function), maa oefisien wavelet berubunan denan oefisien scalin function yaitu n n ( n) = ( ) ( ). (.7) n Funsi yan diasilan ole persamaan (.5) memberian bentu dasar atau moter wavelet ψ (t) untu elompo expansion functions dari bentu / ψ, ( t) = ψ ( t ) dimana adala sala t ( adala lo dari sala), adala translasi dalam t, dan / mempertaanan norm L dari wavelet pada sala-sala yan berbeda.
19 4 Wavelet Daubecies yan berubunan denan scalin function pada Gambar.4 diperliatan pada Gambar.5. Koefisien dalam persamaan (.6) adala + + ( ) =, () =, () =, () = yan memenui persamaan (.7). Gambar.5 Wavelet Daubecies, N=4 Sumber: Introduction to Wavelets and Wavelets Transform A Primer(998,p6) Tela dirancan impunan funsi ϕ (t) dan ψ ( ), t yan dapat merentan semua L ( R). Berdasaran L = V W W..., setiap funsi ( t) L ( R) dapat ditulis = = = ( t) = c( ) ϕ ( t) + d(, ) ψ ( t (.8), ) sebaai seranaian perentanan melalui scalin function dan wavelet function. Dalam perentanan tersebut, penumlaan pertama menasilan sebua funsi beresolusi renda atau periraan asar dari (t). Untu setiap enaian nilai index dalam penumlaan edua, resolusi yan lebi tini atau lebi bai ditambaan, seina menamba tinat detil.
20 5 Jia bentu funsi perentanan adala basis ortonormal atau tit frame, maa oefisien tersebut dapat diitun denan inner product yaitu dan = c( ) = c ( ) = ( t), ϕ ( t) ( t) ϕ ( t dt d ) = (, ) = d(, ) = ( t), ψ, ( t) ( t) ψ ( t) dt. Koefisien d(, ) adan ditulis sebaai () d untu meneasan perbedaan translasi watu index dan parameter sala. Koefisien c () adan ditulis sebaai c () atau c (, ) ia sala awal umum yan diperunaan selain = untu batas bawa penumlaan funsi pada persamaan (.8)...4. Filter Bans Dalam banya apliasi, tida perlu untu terlibat lansun denan scalin function ataupun wavelet function. Hanya oefisien ( n ), ( n ) dalam persamaan (.4) dan (.6), serta c( ), d ( ) dalam persamaan (.8) yan perlu diperatian, dan oefisien-oefisien tersebut dapat ditampilan masin-masin sebaai filter diital dan sinyal diital (Gopinat et al., 99; Vaidyanatan, 99). Aar dapat lansun menunaan oefisien transformasi wavelet, arus diperole ubunan antara expansion coefficients pada sala yan lebi renda denan sala yan lebi tini. Dimulai denan persamaan recursive dasar = ( n) (t ϕ ( t ) ϕ n) (.9) n denan asumsi terdapat solusi yan uni, dilauan scalin dan translasi variabel watu untu menasilan
21 6 ϕ ( t ) = + ( n) ϕ(( t ) n) = ( n) ϕ( t n n n) dimana, setela menuba variabel m = + n, menadi + ϕ ( t ) = ( m ) ϕ( t m). Jia ita notasian v sebaai v emudian m { / ( t )} = Span ϕ ( + + = c ( ) ) / ( t f ( t) v f ( t) ) + + ϕ dapat dinyataan pada sala + anya denan scalin function dan tanpa wavelet. Pada suatu sala resolusi renda, wavelet diperluan untu detil yan tida tersedia pada sala. Terdapat / / c ( ) ϕ ( t ) + d ( ) ψ ( t f ( t) = ) dimana syarat / mempertaanan unity norm dari funsi basis pada sala yan berbeda-beda. Jia ϕ ( ) dan ψ ( ) adala ortonormal, oefisien sala level, t diperole lewat inner product, t / c ( ) = f ( t), ϕ, ( t) = f ( t) ϕ( t ) dt dimana denan menanti persamaan (.9) dan menuar penumlaan dan interalnya, dapat ditulisan sebaai ( + + ( m ) f ( t) ) / ϕ ( t c ( ) = m) dt m aan tetapi interal dari inner product denan scalin function pada sala + menasilan
22 c ( ) = ( m ) c ( m). (.) + m Hubunan yan sesuai denan oefisien wavelet adala d ( + m m ) = ( m ) c ( ). (.) Filterin dan Down-Samplin atau Decimatin Dalam ilmu pemrosesan sinyal diital, filterin (penyarinan) sederet bilanan (sinyal input) diperole denan menoperasiannya denan impunan ana yan lain yan dinamaan filter coefficients (oefisien filter), taps, weits, atau impulse response. Untu deret input x(n) dan oefisien filter (n), deret output y(n) diperole dari y ( n) = N = ( ) x( n ) Jia umla oefisien filter N adala finite (berina), filter tersebut dinamaan fitler Finite Impulse Response (FIR). Jia umlanya infinite (tida berina), maa dinamaan Infinite Impulse Filter (IIR). Masala perancanan yan diadapi adala memili (n) seina didapatan efe yan diarapan, antara lain untu menilanan noise atau memisaan sinyal (Oppeneim et al., 989; Pars et al., 987). Dua operasi dasar dalam filter multirate adala down-sampler dan up-sampler. Down-sampler menerima sinyal x(n) sebaai input dan menasilan output y ( n) = x(n) seperti pada Gambar.6.
23 8 Gambar.6 Down-sampler atau decimator Sumber: Introduction to Wavelets and Wavelets Transform A Primer(998,p) Pada down-samplin, terdapat emuninan eilanan informasi arena setena dari data dibuan. Aibat yan ditimbulan, dalam domain freuensi (transformasi Fourier) dinamaan aliasin yan menyataan bawa asil dari eilanan informasi ini adala pencampuran dari omponen freuensi (Oppeneim et al.,989; Pars et al.,987). Hanya ia sinyal awalnya band-limited (setena dari oefisien Fouriernya adala nol) maa tida ada eilanan informasi yan disebaban ole down-samplin. Persamaan (.) dan persamaan (.) membaas down-samplin dan filterin diital. Persamaan tersebut menunuan bawa scalin coefficients dan wavelet coefficients pada tinat sala yan berbeda dapat diperole denan menoperasian expansion coefficients pada sala denan oefisien recursive invers-watu ( n) dan ( n ) emudian melauan down-samplin atau decimatin untu menasilan expansion coefficients pada sala beriutnya. Atau dapat diataan ua bawa oefisien pada sala difilter ole dua filter diital FIR denan oefisien ( n) dan ( n ) setela down-samplin memberian expansion coefficients dan wavelet asar beriutnya. Implementasi edua persamaan c () dan d () diatas diambaran pada Gambar.7 dimana tanda menunuan down-samplin bernilai dan ambar ota lainnya menunuan filterin FIR atau penoperasian denan ( n) dan ( ). n
24 9 Untu mempermuda penulisan, diunaan (n) dan ( ) n untu menunuan oefisien scalin function untu persamaan perentanan (.9). Gambar.7 Analysis ban dua band Sumber: Introduction to Wavelets and Wavelets Transform A Primer(998,p) Filter FIR yan diimplementasian denan ( n) adala lowpass filter dan yan diimplementasian denan ( ) adala ipass filter. Jumla data yan diproses n ole sistem ini menadi anda denan penunaan filter, emudian dibai dua denan penunaan decimation embali e umla asal. Ini berarti ada emuninan bawa tida ada informasi yan ilan dan memuninan untu menembalian sinyal asal denan lenap. Aliasin yan teradi di upper ban dapat dibatalan denan sinyal dari lower ban. Inila aasan dibali perfect reconstruction dari teori filter ban (Vaidyanatan, 99; Fliee, 994). Gambar.8 menunuan pemisaan, filterin dan decimation yan dapat diulan pada scalin coefficients untu menasilan strutur dua sala. Menulani lana-lana ini pada scalin coefficients dinamaan melauan iterasi filter ban. Men-iterasi filter ban seali lai menasilan strutur tia tinat seperti pada Gambar.9.
25 Gambar.8 Analysis tree dua tinat denan dua band Sumber: Introduction to Wavelets and Wavelets Transform A Primer(998,p4) Gambar.9 Analysis tree tia tinat denan tia band Sumber: Introduction to Wavelets and Wavelets Transform A Primer(998,p5) Reasi freuensi dari filter diital adala transformasi Fourier watu-disrit dari reasi (oefisien) impulse (n), yaitu n= iω n H ( ω ) = ( n) e. Besar dari funsi omples ini memberian ratio dari output teradap input dari filter untu sampel urva sinus pada freuensi ω dalam satuan radian per deti. Tinat pertama dari dua ban membai spetrum dari ( ) c + menadi lowpass dan ipass band, menasilan scalin coefficients dan oefisien wavelet pada sala yan lebi renda c () dan (). d Tinat edua emudian membai lowpass band menadi lowpass band dan ipass band lainnya yan lebi renda. Tinat pertama membai spetrum menadi dua baian yan sama. Tinat edua membai setena spetrum yan lebi renda menadi seperempat dan seterusnya. Maa diasilan
26 impunan nilai loaritmi dari bandwidt seperti pada Gambar.. Konsep ini dinamaan filter Constant-Q dalam peristilaan filter ban arena ratio dari lebar band teradap pusat freuensi band selalu onstan. Gambar. Band freuensi untu analysis tree Sumber: Introduction to Wavelets and Wavelets Transform A Primer(998,p5)..6. Filterin dan Up-Samplin atau Stretcin Reonstrusi sinyal asal denan oefisien sala dapat dilauan denan ombinasi dari scalin function dan oefisien wavelet pada resolusi yan lebi asar. Hal ini dimuninan meninat sinyal dalam scalin function + f t) v. Funsi ini dapat ditulis dalam bentu scalin function sebaai ( + ( + + = c ( ) ) / ( t + impunan f ( t) ϕ ) (.) atau dalam bentu sala beriutnya (yan membutuan wavelet) sebaai / / c ( ) ( t ) + d ( ) ψ ( t f ( t) = ϕ ). (.) Substitusi persamaan (.9) dan persamaan (.6) e dalam persamaan (.) menasilan ( + + c ( ) ( n) ) / ϕ( t n + f ( t) = ) n ( + + ( ) ( n) ) / ψ ( t d n). n
27 Karena semua funsi tersebut ortonormal, melauan peralian persamaan (.) dan + funsi diatas denan ϕ( t ' ) dan interal menasilan oefisien c ( m) ( m) + d ( m) ( c ( ) = m). (.4) + m m Untu perpaduan dalam filter ban, terdapat deret up-samplin atau stretcin pertama, diiuti filterin. Berarti input edalam filter memilii nilai nol yan disisipan diantara tiap syarat-syarat awal. Atau dapat ditulis ua y ( n) = x( n) dan y(n + ) = dimana sinyal input direntanan mencapai ali panan awal dan nilai nol disisipan. Up-samplin atau stretcin dapat dilauan denan nilai fator selain dua, dan edua persamaan diatas dapat saa memilii nilai x(n) dan terbali.jelas bawa up-samplin tida menyebaban eilanan informasi. Persamaan (.4) melauan up-samplin teradap deret oefisien sala yaitu (), c yan berarti menandaan panannya denan mensisipan nilai nol diantara tiap term, emudian menoperasiannya denan scalin coefficients (n). Hal yan sama dilauan pada deret wavelet coefficients sala dan asilnya diumlaan untu menasilan scalin function coefficient +. Strutur ini diperliatan pada Gambar. dimana ( n) = ( ) dan n) = ( ). Kombinasi proses ini dapat diterusan pada n ( n level-level manapun denan menabunan oefisien sala wavelet yan sesuai. Hasil two-scale tree diperliatan pada Gambar..
28 Gambar. Syntesis ban dua band Sumber: Introduction to Wavelets and Wavelets Transform A Primer(998,p7) Gambar. Syntesistree dua tinat untu dua band Sumber: Introduction to Wavelets and Wavelets Transform A Primer(998,p7)..7. Transformasi Forward dan Inverse Wavelet Proses forward dan inverse dari transformasi wavelet dapat diterapan menunaan seumla up-sampler, down-sampler dan filter bans dua band yan berulan (recursive). Koefisien lowpass-filter diasosiasian denan scalin function. Output dari tiap lowpass-filter adala c () atau omponen approsimasi dari sinyal awal untu level dari tree tersebut. Koefisien ipass-filter diasosiasian denan wavelet function dimana = ( ). Output dari tiap ipass-filter adala () d atau omponen detil dari sinyal asal. Nilai ( ) c + dari level sebelumnya diperunaan untu menasilan nilai c () dan () d baru untu level tree beriutnya.
29 4 Gambar. Transformasi wavelet forward Transformasi wavelet inverse melauan operasi yan berebalian dari transformasi wavelet forward. Expansion coefficients diabunan untu mereonstrusi sinyal asal. Nilai oefisien c () dan () d yan sama dalam transformasi forward diperunaan, namun denan cara yan berebalian. Proses ini berlansun menuruni caban dari tree dan menabunan sinyal approsimasi dan detil menadi sinyal approsimasi denan level detil yan lebi tini. Sinyal aan diinterpolasi dimana nilai nol disisipan diantara tiap sampel approsimasi dan detil dan sinyal emudian dilewatan pada lowpass-filter dan ipass-filter. Nilai nol tersebut emudian diantian denan nilai periraan yan didapatan dari convolution. Output dari filter emudian diumlaan untu membentu oefisien approsimasi untu resolusi level beriutnya yan lebi tini. Himpunan oefisien approsimasi air pada level tree palin atas dari proses transformasi invers ini adala reonstrusi dari titi-titi data sinyal asal.
30 5 Gambar.4 Transformasi wavelet invers..8. Basis, Basis Ortoonal dan Basis Biortoonal Dalam mempelaari sistem wavelet, istila basis, basis ortoonal, basis biortoonal, frame dan tit frame diperluan dan pentin untu dipaami. Himpunan vetor atau funsi f (t) yan merentan impunan vetor F (atau F adala perentanan dari impunan tersebut) ia untu setiap anota impunan tersebut dapat dinyataan sebaai ombinasi linier anota impunan itu. Berarti, ia terdapat impunan funsi finite atau infinite (t), f ita nyataan Span { f } F impunan vetor denan semua anota dari impunan tersebut memilii bentu = = sebaai ( t) a f ( t) (.5) dimana Z dan t, a R. Inner product biasanya ditunuan ole impunan ini dan dinyataan denan f ( t), ( t). Norm didefinisian dan ditunuan denan f = f, f. Himpunan (set) f (t) adala set basis atau basis untu impunan F ia impunan dari { } a dalam persamaan (.5) adala uni untu ( t) F. Himpunan
31 6 dinamaan basis ortoonal ia f ( t), f l ( t) = untu semua l. Jia berada dalam impunan Euclidean tia dimensi, vetor basis ortoonal adala vetor oordinat yan memilii sudut 9 teradap satu sama lain. Dinamaan basis ortonormal ia f ( t), f ( t) =δ ( l) dan ua selain bersifat ortoonal, vetor basis dinormalisasi l teradap unity norm : f ( t) = untu semua nilai. Dari definisi diatas, elas ia terdapat basis ortonormal, setiap anota dalam impunan vetor, ( t) F, persamaan ( t) = a f ( t) dapat ditulis sebaai = ( t) ( t), f ( t) f ( t) (.6) dan denan melauan inner product f (t) pada edua sisi persamaan (.5) didapatan a = ( t), f ( t) (.7) dimana inner product dari sinyal (t) denan vetor basis (t) f menasilan oefisien a yan coco. Persamaan perentanan atau representasi ini sanat berara arena menunuan bawa persamaan (.6) adala operator identitas dalam penertian bawa inner product yan dioperasian pada (t) menasilan impunan oefisien (yan etia diunaan untu menombinasian vetor basis secara linier) menasilan embali sinyal asal (t). Dasar dari teorema Parseval yan menyataan bawa norm atau eneri dapat dipartisi teradap expansion coefficients a. Maa dari itu, interpretasi, penyimpanan, transmisi, periraan, ompresi dan manipulasi oefisien
32 7 tersebut sanat beruna. Jelas bawa persamaan (.) adala bentu untu semua tipe metode Fourier. Disampin euntunan basis ortonormal, ada asus-asus dimana permasalaan sistem basis tida sesuai ia dibuat ortoonal. Untu asus-asus ini masi dapat diperunaan persamaan (.6) dan ua serupa denan persamaan (.6) denan ~ menunaan dual basis set ( t ) yan anotanya tida ortoonal satu sama lain, tapi teradap anota yan berubunan dari set perentanan f ~ f ( t), f ( t) =δ ( l ). l Karena enis ortoonalitas ini membutuan dua set vetor, expansion set dan dual set, sistem ini dinamaan biortoonal. Menerapan rumus diatas denan perentanan pada persamaan (.5) menasilan ~ ( t) = ( t), f ( t) f ( t). (.8) Mesi sistem ortoonal lebi rumit, tida anya impunan perentanan asal tapi ua menemuan, menitun dan menyimpan vetor dual set bersifat umum dan dapat menasilan impunan perentanan yan au lebi besar. Namun, ia vetor basisnya memilii orelasi yan uat, sistem biortoonal dapat menasilan masalamasala numeri yan lebi besar. Peritunan expansion coefficent denan inner product pada persamaan (.7) dinamaan baian analysis dari eseluruan proses dan peritunan sinyal dari oefisien dan vetor perentanan pada persamaan (.5) dinamaan baian syntesis. Dalam dimensi yan finite, operasi analysis dan syntesis berbentu peralian matris-vetor sederana.
33 8..9. Frame dan Tit Frame Sementara persyaratan bai impunan funsi menadi basis ortonormal suda cuup untu representasi dalam persamaan (.6) dan persyaratan dari impunan (set) untu menadi basis suda terpenui untu persamaan (.8), eduanya tida diperluan. Aar dapat menadi basis, diperluan eunian dari oefisien atau dapat ua diataan impunan tersebut arus independen, yaitu tida ada anota yan merupaan ombinasi linier dari anota lainnya. Jia impunan funsi atau vetor dependen namun tetap memuninan perentanan seperti tertera pada persamaan (.8) maa dinamaan frame. Jadi, frame adala spannin set. Istila frame muncul dari definisi yan mensyaratan batas berina pada loncatan yan tida sama rata (Dauecies, 99; Youn, 98) dari inner product. Jia diarapan bawa oefisien perentanan sinyal dapat merepresentasian sinyal denan bai, oefisien-oefisien ini arus punya sifat-sifat tertentu. Koefisien ini palin bai ditetapan dalam syarat eneri dan batas eneri. Untu basis ortoonal, oefisien ini menambil bentu teorema Parseval. Untu menadi frame dalam impunan sinyal, impunan perentanan ϕ (t) arus memenui A ϕ, B (.9) untu beberapa < A dan B < dan untu semua sinyal (t) dalam impunan. Membai persamaan tersebut denan menunuan bawa A dan B dibatasi ole eneri yan dinormalisasi dari inner product. A dan B membatasi oefisien normalisasi eneri. Jia A= B maa impunan perentanannya dinamaan tit frame. Maa
34 9 A = ϕ, (.) yan merupaan eneralisasi teorema Parseval untu tit frame. Jia A= B =, tit frame beruba menadi basis ortoonal. Dari al ini, dapat ditunuan bawa untu tit frame (Daubecies, 99) ( t) = A ϕ ( t), ( t) ϕ ( t) yan adala sama denan perentanan menunaan basis ortonormal ecuali untu syarat A yaitu uuran redundansi dalam impunan perentanan. Jia impunan perentanan adala buan tit frame, tida ada teorema Parseval yan etat dan eneri dalam domain transformasi tida dapat dipartisi denan tepat. Namun, semain ecil selisi nilai A dan B, semain bai periraan partisi yan dapat dilauan. Jia A= B, diasilan tit frame dan partisi dapat dilauan secara tepat denan persamaan (.). Daubecies (Daubecies, 99) membutian bawa semain etat batasan frame dalam persamaan (.9), maa analysis dan syntesis sistem aan lebi bai. Atau, ia nilai A mendeati nol dan/atau nilai B memilii selisi yan sanat besar dibandinan nilai A, aan teradi masala dalam peritunan analysis-syntesis. Frame adala versi over-complete dari impunan basis dan tit frame adala versi over-complete dari impunan basis ortoonal. Jia diunaan frame yan tida termasu basis ataupun tit frame, impunan dual frame dapat dispesifiasian seina analysis dan syntesis dapat dilauan ua sama seperti untu basis nonortoonal. Jia tit frame yan diperunaan, peritunan yan dilauan mirip denan peritunan untu basis non-ortoonal.
35 4... Jenis-Jenis Wavelet Secara umum, transformasi wavelet dapat diateorian menadi transformasi wavelet disrit (Discrete Wavelet Transform atau DWT) dan transformasi wavelet ontinu (Continuous Wavelet Transform atau CWT). DWT adala transformasi wavelet yan palin serin diunaan arena selain lebi muda diimplementasi, DWT ua memilii watu omputasi yan lebi pende dibandinan CWT. Ada seumla funsi basis yan dapat diperunaan sebaai moter wavelet dalam transformasi wavelet. Karena moter wavelet menasilan semua funsi wavelet yan diperunaan dalam transformasi lewat translasi dan scalin, moter wavelet menentuan arateristi dari transformasi wavelet yan diasilan. Maa dari itu, detil dari apliasi yan diembanan arus diperatian aar moter wavelet yan dipili dapat menefetifan penunaan transformasi wavelet. Gambar.5 Jenis-enis wavelet (a) Haar (b) Daubecies4 (c)coiflet (d) Symlet (e) Meyer (f) Morlet () Mexican Hat
36 4 Gambar. memberian ambaran dari funsi wavelet yan umum diperunaan. Wavelet Haar adala wavelet yan tertua dan palin sederana. Wavelet Daubecies adala yan palin serin diperunaan. Wavelet-wavelet tersebut mewaili dasar dari pemrosesan sinyal denan wavelet dan banya diperunaan dalam apliasi. Dinamaan ua wavelet Maxflat arena respon freuensinya memilii nilai flatness masimum pada freuensi dan π. Sifat ini sanat diarapan pada beberapa apliasi. Wavelet Haar, Daubecies, Symlets dan Coiflets disusun ole wavelet ortoonal. Bersama denan wavelet Meyer, wavelet-wavelet tersebut mampu melauan perfect reconstruction. Wavelet Meyer, Morlet dan Mexican Hat memilii bentu simetri.... Transformasi Wavelet Daubecies D4 Transformasi wavelet Daubecies ditemuan ole matematiawan Inrid Daubecies. Transformasi Daubecies D4 memilii empat oefisien lowpass-filter (dinotasian denan ) dan empat oefisien ipass-filter (dinotasian denan Koefisien lowpass-filter adala : + = 4 = 4 + = 4 = 4 ). Setiap lana transformasi wavelet menapliasian oefisien lowpass-filter pada data input. Jia impunan data awal memilii N umla data, maa scalin function aan diapliasian dalam transformasi wavelet untu menitun N / data yan dialusan.
37 4 Kemudian nilai-nilai data yan dialusan tersebut disimpan dalam baian bawa dari setena vetor input elemen N. Koefisien ipass-filter adala : = = = = Setiap lana transformasi wavelet ua menapliasian ipass-filter pada data input. Jia impunan data awal memilii N umla data, oefisien ipass-filter aan diapliasian untu menitun N / selisi (mewaili perubaan nilai dalam data). Nilai asil peritunan tersebut aan disimpan dalam baian atas dari setena vetor input elemen N. Scalin function dan wavelet function diitun denan menunaan inner product antara oefisien lowpass-filter dan ipass-filter denan empat nilai data. Persamaan untu menitun scalin function Daubecies D4 adala : c i = si + s i+ + si+ + s i+ dan persamaan untu menitun wavelet function Daubecies D4 adala : d i = si + si+ + si+ + s i+ dimana s i adala data sinyal input denan index i. Setiap iterasi dalam transformasi wavelet menitun nilai scalin function dan nilai wavelet function. Index i di-increment sebanya dalam tiap iterasi dan nilai scalin function dan wavelet yan baru ditun. Pada transformasi forward, denan impunan data finite, index i aan diincreament ina mencapai nilai N-. Data yan pertama dari sinyal dinotasian
38 4 denan index. Pada iterasi yan terair, inner product aan diitun dari nilai data sinyal e N-, N-, N dan N+. Hal ini menadi masala arena tida ada data sinyal asal denan index N dan N+. Hal ini ditunuan pada transformasi matris beriut : s s s s s s s s Masala yan sama ua teradi pada transformasi invers, dimana dua nilai pertama invers ditun dari data sinyal e -, -, dan. Hal ini ditunuan pada matris dibawa : i i i i i i i i c a c a c a c a Untu menatasi masala ini, ada solusi yan dapat diterapan : a. Memperlauan data seola-ola data tersebut adala periodi. Data ta tersedia yan berada di awal diisi denan penulanan dari data yan berada di air (untu transformasi forward) dan data oson yan berada di air diisi denan penulanan dari data yan berada di awal (untu transformasi invers).
39 44 b. Memperlauan data seola-ola direflesian pada edua uun impunan data tersebut (pencerminan/mirrorin). c. Menerapan ortoonalisasi Gram-Scmidt untu menitun scalin function dan wavelet usus pada uun awal dan air dari impunan data.... Peramalan Denan Autoreressive Setela didapatan scalin coefficients dan wavelet coefficients dari transformasi forward, maa dilauan predisi teradap oefisien-oefisien tersebut dan nilai data asil peramalan diperole melalui transformasi invers oefisien-oefisien tersebut. Metode peramalan yan aan diunaan adala model autoreressive (AR) untu predisi linier forward dari anota x n, n =,,..., N dan x = untu n <, n > N n xˆ n = p = a x n dimana xˆ adala predisi dari x, n n a adala oefisien filter predisi, N banya data dan p adala order dari model AR. Aloritma predisi yan memperunaan DWT, lana-lananya adala : a. Menambil elemen data input x n, n =,,..., N + p. b. Menitun nilai DWT dari data input dalam interval finite dan menentuan scalin function coefficients dan wavelet function coefficients.. c. Melauan transformasi forward predisi linier dari scalin coefficients dan wavelet coefficients untu setiap level sala denan rumus : cˆ = p = a c n
40 45 p = = dˆ a d n, untu =,,..., m dimana oefisien a adala filter predisi yan diperole dari model AR. d. Memperole data yan dipredisi denan melauan transformasi invers teradap oefisien asil predisi... Alat Bantu Rancan State Transition Diaram (STD) State Transition Diaram diunaan untu menambaran urutan dan variasi layar yan muncul etia menalanan proram. Dalam State Transition Diaram, diunaan dua notasi, yaitu : a. State, yaitu ota persei panan untu mewaili tampilan layar dari baian proram tertentu. b. Ana pana berara untu mewaili arus ontrol dan eadian yan memicu seina layar menadi atif atau menerima fous. Ara dari pana menunuan urutan layar yan muncul. Kondisi Asi Untu menambaran setiap ara ontrol diunaan sebua pana yan berbeda denan labelnya masin-masin arena asi yan berbeda memicu
41 46 arus ontrol asal dan arus ontrol pada layar tuuan yan berbeda. Kondisi merupaan suatu event yan dapat didetesi ole sistem, misalnya sinyal, interupsi atau data. Asi adala al yan dilauan ole sistem ia teradi perubaan state.
PENDAHULUAN TINJAUAN PUSTAKA
Latar Belakan PENDAHULUAN Sistem penenalan biometrik menunakan karakteristik fisiolois yan dimiliki manusia sebaai dasar dari penenalannya. arakteristik fisiolois manusia yan diunakan sebaai dasar penenalan
Lebih terperinciBAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel
BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel
Lebih terperinciTransformasi Wavelet Diskret Untuk Data Time Series
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 015 Transformasi Wavelet Disret Untu Data Time Series S - 11 11 Vemmie Nastiti Lestari, Subanar Jurusan Matematia, Faultas Matematia dan Ilmu Pengetahuan
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinci( ) terdapat sedemikian sehingga
LATIHAN.. Misalan A R, : A R, c R adala titi cluster dari A (c, ). Maa pernyataan beriut equivalen : a. lim b. Barisan ( ) yan onveren e c seina dan >., maa barisan ( ) onveren e. Buti : lim ( ) Berarti
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini disampaian beberapa pengertian dasar yang diperluan pada bab selanutnya. Selain definisi, diberian pula lemma dan teorema dengan atau tanpa buti. Untu beberapa teorema
Lebih terperinci- Persoalan nilai perbatasan (PNP/PNB)
PENYELESAIAN NUMERIK PERSAMAAN DIFERENSIAL Persamaan diferensial biasanya digunaan untu pemodelan matematia dalam sains dan reayasa. Seringali tida terdapat selesaian analiti seingga diperluan ampiran
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciBUKU AJAR MATAKULIAH GEOMETRI TRANSFORMASI TINJAUAN MATAKULIAH
BUKU JR TKULIH GOTRI TRNFORI TINJUN TKULIH. Desripsi inat ata Kulia ata ulia ini membaas tentan eometri dari sudut pandan rup transformasi onsep-onsep rup sebaai unsur dari strutur aljabar diterapan melalui
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciFORMULA PIPA RESAPAN AIR HUJAN PADA TANAH BERPASIR (MEMPERCEPAT DAYA RESAP TANAH DENGAN TEKANAN KOLOM AIR)
Seminar Nasional Teni Sumber Daya ir KONSERVSI SUMBER DY IR FORMUL PIP RESPN IR HUJN PD TNH BERPSIR (MEMPERCEPT DY RESP TNH DENGN TEKNN KOLOM IR) Edy Sriyono Proram Studi Teni Sipil, Universitas Janabadra
Lebih terperinciMAKALAH GEOMETRI TRANSFORMASI
KLH GEOETRI TRNFORI TERI ETENGH UTRN IUUN OLEH : Nama : Listiana aputri Rini uji stuti Ridu Novriansya ewi usiana uprayitno rsi roram tudi : end atematia osen enampu : Fadli, i,d EKOLH TINGGI KEGURUN N
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.
BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
Lebih terperinciMembangun Kode Golay (24, 12, 8) dengan Matriks Generator dan Menggunakan Aturan Kontruksi. Ikhsan Rizki K 1 dan Bambang Irawanto 2
Membanun Kode olay (2, 2, 8) denan Matriks enerator Menunakan Aturan Kontruksi Iksan Rizki K Bamban Irawanto 2, 2 Jurusan Matematika FMIPA UNDIP Jln Prof H Soedarto, SH, Tembalan, Semaran Abstract : Te
Lebih terperinciKINETIKA REAKSI KIMIA TIM DOSEN KIMIA DASAR FTP UB 2012
KINETIKA REAKSI KIMIA TIM DOSEN KIMIA DASAR FTP UB Konsep Kinetia/ Laju Reasi Laju reasi menyataan laju perubahan onsentrasi zat-zat omponen reasi setiap satuan watu: V [ M ] t Laju pengurangan onsentrasi
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciKoko Martono FMIPA - ITB
Koo Martono FMIPA - ITB 7 Persamaan diferensial Persamaan diferensial adala suatu persamaan yang mengaitan fungsi dan turunan atau diferensialnya Untu fungsi satu peuba pada persamaannya terlibat turunan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
Lebih terperinci001 Persamaan diferensial persamaan diferensial biasa persamaan diferensial parsial Ilustrasi (1) (2) (3) (1) (2)
00 Persamaan diferensial Persamaan diferensial adala suatu persamaan yang mengaitan fungsi dan turunan atau diferensialnya Untu fungsi satu peuba pada persamaannya terlibat turunan biasa, seingga disebut
Lebih terperinciBAB III. dan menghamburkan
BAB III MODEL GELOMBANG DAN MODEL ARUS III... Model Numeri Medan Gelombang Untu dapat menggambaran ondisi pola arus di daerah pantai ang diaibatan oleh gelombang maa ita harus dapat mengetahui ondisi medan
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinciSKEMA AKAR KUADRAT DALAM UNSCENTED KALMAN FILTER UNTUK MENDETEKSI KERAK PADA ALAT PENUKAR PANAS
Prosiding Seminar Nasional Penelitian, Pendidian dan Penerapan MIPA, Faultas MIPA, Universitas Negeri Yogyaarta, 4 Mei 2 SKEMA AKAR KUADRA DALAM UNSCENED KALMAN FILER UNUK MENDEEKSI KERAK PADA ALA PENUKAR
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciPEMANFAATAN TRANSFORMASI WAVELET UNTUK CITRA PENGINDERAAN JAUH. Mohammad Natsir *, Wiweka **
PEMANFAATAN TRANSFORMASI WAVELET UNTUK CITRA PENGINDERAAN JAUH Mohammad Natsir *, Wiwea ** ABSTRAK PEMANFAATAN TRANSFORMASI WAVELET UNTUK CITRA PENGINDERAAN JAUH. Citra radar SAR pada umumnya mempunyai
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaan Perembanan dunia perbanan yan disertai denan meninatnya omplesitas ativitas perbanan semain memperteas pentinnya tata elola perusahaan yan sehat (ood corporate overnance)
Lebih terperinciPENAKSIR RASIO-PRODUK EKSPONENSIAL YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA
PENAIR RAIO-PRODU EPONENIAL YANG EFIIEN UNTU RATA-RATA POPULAI PADA AMPLING ACA BERTRATA Dess Nuralita 1*, Ruam Efendi, Haposan irait 1 Maasiswa Program 1 Matematia Dosen Jurusan Matematia Faultas Matematia
Lebih terperinciFISIKA. Kelas X GETARAN HARMONIS K-13. A. Getaran Harmonis Sederhana
K-13 Kelas X FISIKA GETARAN HARMONIS TUJUAN PEMBELAJARAN Setelah mempelajari materi ini, amu diharapan memilii emampuan sebagai beriut. 1. Memahami onsep getaran harmonis sederhana pada bandul dan pegas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
Lebih terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
Lebih terperinciPemodelan Sistem Pendingin Termoelektrik pada Modul Superluminance LED
67 emodelan Sistem endinin ermoeletri pada Modul Superluminance LD Nanan Sulistiyanto Abstra - Superluminance LD SLD diapliasian secara luas dalam berbaai sistem serat opti, seperti sistem teleomuniasi
Lebih terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinciKOMPRESI CITRA MENGGUNAKAN TRANSFORMASI WAVELET. Jurusan Teknik Informatika ( ) 2) Dosen Jurusan Teknik Komputer 3)
KOMPRESI CITRA MENGGUNAKAN TRANSFORMASI WAVELET Yuyun Wayuni Abasi, Yeffry Handoko Putra, Mira Kania Sabaria ) Jurusan Teknik Informatika (999) ) Dosen Jurusan Teknik Komputer ) Dosen Jurusan Teknik Informatika
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciTanggapan Waktu Alih Orde Tinggi
Tanggapan Watu Alih Orde Tinggi Sistem Orde-3 : C(s) R(s) ω P ( < ζ (s + ζω s + ω )(s + p) Respons unit stepnya: c(t) βζ n n < n ζωn t e ( β ) + βζ [ ζ + { βζ ( β ) cos ( β ) + ] sin ζ ) ζ ζ ω ω n n t
Lebih terperinciPELABELAN FUZZY PADA GRAF. Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman.
JMP : Volume 6 Nomor, Juni 04, hal. - PELABELAN FUZZY PADA GRAF Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman email : oeytea0@gmail.com ABSTRACT. This paper discusses
Lebih terperinciAPLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES. : Agus Sumarno NRP :
APLIKASI WAELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES Nama : Agus Sumarno NRP : 06 00 706 Jurusan : Matematia Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si Abstra Model time series
Lebih terperinciGEOMETRI DALAM RUANG DIMENSI TIGA
OMI LM UN IMNSI I (l. rismanto, M.Sc.) I. UUN II, IS, N IN. II, IS N IN itik merupakan unsur ruan yan palin sederana, tidak didefinisikan, tetapi setiap pembaca diarapkan dapat memaaminya. Yan dimaksud
Lebih terperinciTEORI KINETIKA REAKSI KIMIA
TORI KINTIK RKSI KII da (dua) pendeatan teoreti untu menjelasan ecepatan reasi, yaitu: () Teori tumbuan (collision theory) () Teori eadaan transisi (transition-state theory) atau teori omples atif atau
Lebih terperinciBAB II TEORI DASAR. Sistem struktur yang mengalami problem dinamik mempunyai perbedaan
BAB II TEORI DASAR II. Umum Sistem strutur yang mengalami problem dinami mempunyai perbedaan yang signifian terhadap problem stati. Yaitu sistem strutur pembebanan dinami memerluan sejumlah oordinat bebas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Tinjauan Pustaa Untu menacapai tujuan penulisan sripsi, diperluan beberapa pengertian dan teori yang relevan dengan pembahasan. Karena itu, dalam subbab ini aan diberian beberapa
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciSUATU KLAS BILANGAN BULAT DAN PERANNYA DALAM MENGKONSTRUKSI BILANGAN PRIMA
SUATU KLAS BILANGAN BULAT DAN PERANNYA DALAM MENGKONSTRUKSI BILANGAN PRIMA I Nengah Suparta dan I. B. Wiasa Jurusan Pendidian MatematiaUniversitas Pendidian Ganesha E-mail: isuparta@yahoo.com ABSTRAK:
Lebih terperinciKORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK
Jurnal Pengaaran MIPA, Vol. 0 No. Desember 007 ISSN: -097 KORELASI ANARA DUA KELOMPOK VARIABEL KUANIAIF DALAM ANALISIS KANONIK Oleh : Dewi Rachmatin, S.Si., M.Si. Jurusan Pendidian Matematia FPMIPA Universitas
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinci4. 1 Spesifikasi Keadaan dari Sebuah Sistem
Dalam pembahasan terdahulu ita telah mempelajari penerapan onsep dasar probabilitas untu menggambaran sistem dengan jumlah partiel ang cuup besar (N). Pada bab ini, ita aan menggabungan antara statisti
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciALGORITMA DAVIDSON, FLETCHER, POWELL UNTUK PENCARIAN NILAI MINIMUM FUNGSI
ALGORITMA DAVIDSON, FLETCHER, POWELL UNTUK PENCARIAN NILAI MINIMUM FUNGSI ANDANG SUNARTO Dosen Ilmu Komputer Jurusan Syari ah STAIN BENGKULU ABSTRAC Approach problem completion meminimum f completion f
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
Lebih terperinci19, 2. didefinisikan sebagai bilangan yang dapat ditulis dengan b
PENDAHULUAN. Sistem Bilangan Real Untuk mempelajari kalkulus perlu memaami baasan tentang system bilangan real karena kalkulus didasarkan pada system bilangan real dan sifatsifatnya. Sistem bilangan yang
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciKENNETH CHRISTIAN NATHANAEL
KENNETH CHRISTIAN NATHANAEL. Sistem Bilang Real. Fungsi dan Grafi. Limit dan Keontinuan 4. Limit Ta Hingga 5. Turunan Fungsi 6. Turunan Fungsi Trigonometri 7. Teorema Rantai 8. Turunan Tingat Tinggi 9.
Lebih terperinciBAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN
BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN Berdasaran asumsi batasan interval pada bab III, untu simulasi perhitungan harga premi pada titi esetimbangan, maa
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciBAB III MODEL KANAL WIRELESS
BAB III MODEL KANAL WIRELESS Pemahaman mengenai anal wireless merupaan bagian poo dari pemahaman tentang operasi, desain dan analisis dari setiap sistem wireless secara eseluruhan, seperti pada sistem
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciPROGRAM SIMULASI UNTUK REALISASI STRUKTUR TAPIS INFINITE IMPULSE RESPONSE UNTUK MEDIA PEMBELAJARAN DIGITAL SIGNAL PROCESSING
Konferensi asional Sistem dan Informatia 28; Bali, ovember 15, 28 KS&I8-44 PROGRAM SIMULASI UTUK REALISASI STRUKTUR TAPIS IFIITE IMPULSE RESPOSE UTUK MEDIA PEMBELAJARA DIGITAL SIGAL PROCESSIG Damar Widjaja
Lebih terperinci3. Sebaran Peluang Diskrit
3. Sebaran Peluang Disrit EL2002-Probabilitas dan Statisti Dosen: Andriyan B. Susmono Isi 1. Sebaran seragam (uniform) 2. Sebaran binomial dan multinomial 3. Sebaran hipergeometri 4. Sebaran Poisson 5.
Lebih terperinciBAB III DIMENSI PARTISI GRAF KIPAS DAN GRAF KINCIR
BAB III DIMENSI PARTISI GRAF KIPAS DAN GRAF KINCIR 3. Dimensi Partisi Graf Kipas (F n ) Berdasaran Proposisi dan Proposisi, semua graf G selain graf P n dan K n memilii 3 pd(g) n -. Lebih husus, graf Kipas
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciSumber gambar: https://kartopo.weebly.com/blog/kursi-kantor-dan-caramerawatnya
Modul darin 4.4.3. Setena Putaran Istila setena putaran serin kita denar, denan unkapan yan sedikit berbeda. Misalkan berputar setena saja, berputar setena, setena berputar. Na, berputar serin jua diunkapan
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciPENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL
PENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL Reisha Humaira NIM 13505047 Program Studi Teni Informatia Institut Tenologi Bandung Jl. Ganesha 10, Bandung E-mail : if15047@students.if.itb.ac.id
Lebih terperinciBAB 3 METODE PENELITIAN
36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperincitidak mempunyai fixed mode terdesentralisasi, dapat dilakukan dengan memberikan kompensator terdesentralisasi. Fixed mode terdesentralisasi pertama
BB IV PENGENDLIN TERDESENTRLISSI Untu menstabilan sistem yang tida stabil, dengan syarat sistem tersebut tida mempunyai fixed mode terdesentralisasi, dapat dilauan dengan memberian ompensator terdesentralisasi.
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciIII DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT
III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT 3.1 Studi Literatur tentang Pengelolaan Sampah di Beberapa Kota di Dunia Kaian ilmiah dengan metode riset operasi tentang masalah
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperinciI. PENDAHULUAN. Teori graf merupakan salah satu bagian ilmu dari matematika dan merupakan
I. PENDAHULUAN. Latar Belaang Teori graf merupaan salah satu bagian ilmu dari matematia dan merupaan poo bahasan yang relatif muda jia dibandingan dengan cabang ilmu matematia yang lain seperti aljabar
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinci2.1 Bilangan prima dan faktorisasi prima
BAB 2 BILANGAN PRIMA 2.1 Bilangan prima dan fatorisasi prima Definisi 2.1.1. Bilangan bulat p > 1 diataan prima jia ia hanya mempunyai pembagi p dan 1. Dengan ata lain bilangan prima tida mempunyai pembagi
Lebih terperinciMETODE WATERMARKING UNTUK PENYISIPAN INDEKS DATA PADA IMAGE MENGGUNAKAN HAAR TRANSFORMASI WAVELET
METODE WATERMARKING UNTUK PENYISIPAN INDEKS DATA PADA IMAGE MENGGUNAKAN HAAR TRANSFORMASI WAVELET Maryanti 1, Nana Juhana, ST. 1, Manahan P.Siallagan S.Si, MT. 1 1) Jurusan Teni Informatia, FT, UNIKOM
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciBeberapa Permasalahan pada Teori Gelombang Linier. Syawaluddin Hutahean 1) Hang Tuah 2) Widiadnyana Merati 2) Leo Wiryanto 2)
Hutaean, Vol. No. dkk. Januari 005 urnal EKNIK SIPIL Beberapa Permasalaan pada eori Gelomban Linier Syawaluddin Hutaean ) Han ua ) Widiadnyana Merati ) Leo Wiryanto ) Abstrak Makala ini meninatkan kembali
Lebih terperinciINTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh
INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON Maalah Disusun guna memenuhi tugas Mata Kuliah Metode Numeri yang dibimbing oleh Dr. Nur Shofianah Disusun oleh: M. Adib Jauhari Dwi Putra 146090400111001
Lebih terperinciKENDALI OPTIMAL PADA MASALAH INVENTORI YANG MENGALAMI PENINGKATAN
KENDALI OPTIMAL PADA MASALAH INVENTORI YANG MENGALAMI PENINGKATAN Pardi Affandi, Faisal, Yuni Yulida Abstra: Banya permasalahan yang melibatan teori sistem dan teori ontrol serta apliasinya. Beberapa referensi
Lebih terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciBAB III HASIL DAN PEMBAHASAN
15 BAB III HASIL DAN PEMBAHASAN 3.1Relasi Dispersi Pada bagian ini aan dibahas relasi dispersi untu gelombang internal pada fluida dua-lapisan.tinjau lapisan fluida dengan ρ a dan ρ b berturut-turut merupaan
Lebih terperinciMetode Penggerombolan Berhirarki
4 TINJAUAN PUSTAKA Analisis gerombol dalam bidang riset pemasaran sering diistilahan sebagai analisis segmentasi, merupaan alat statistia peubah ganda yang bertujuan untu mengelompoan n indiidu data e
Lebih terperinci( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang
LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil
Lebih terperinciBAB 2 LANDASAN TEORI. relevan, lengkap, dan terkini sejalan dengan permasalahan yang dihadapi. Di sini juga
BAB 2 LANDASAN TEORI Dalam landasan teori ini, pada dasarnya aan dielasan mengenai teori yang relevan, lengap, dan terini sealan dengan permasalahan yang dihadapi. Di sini uga terdapat hubungan antara
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Diagram Voronoi Penggunaan diagram voronoi, sebelum orang tau apa itu diagram voronoi, suda dapat dietemuan pada taun 16 ole Descartes. Diriclet menggunaan diagram voronoi dimensi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
Lebih terperinciDETEKSI MULTI-KERUSAKAN PADA POMPA MENGGUNAKAN ACCELEROMETER ARRAY
DETEKSI MULTI-KERUSAKAN PADA POMPA MENGGUNAKAN ACCELEROMETER ARRAY 1 Anisatul auziyah 1, dan Dr. Dhany Arifianto, ST., M.Eng Jurusan Teni isia, aultas Tenologi Industri, Institut Tenologi Sepuluh Nopember,
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series)
III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunaan data seunder bersifat runtun watu (time series) dalam periode tahunan dan data antar ruang (cross section). Data seunder tersebut
Lebih terperinci