PENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN
|
|
- Yulia Veronika Jayadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN Oleh : And Prasojo (L2F098584) Jurusan Teknk Elektro Fakultas Teknk Unverstas Dponegoro Jl. Prof. H. Sudarto, S.H., Tembalang, Semarang e-mal : coleprasojo@yahoo.com Abstrak- Pengenalan pola secara automats adalah masalah yang banyak menyta perhatan sekarang n, bak pengenalan pola wajah, sdk jar, tulsan tangan maupun pola karakter hasl cetakan. Yang menjad alasan peneltan adalah kemampuan untuk mengenal secara efektf dengan menggunakan pola contoh yang sedkt. Satu pendekatan yang menunjukkan hasl yang menjanjkan dalam pengenalan pola adalah dengan menggunakan jarngan saraf truan. Jarngan saraf truan telah dkembangkan sebaga generalsas model matematk dar pembelajaran otak manusa. Jarngan saraf truan algortma belajar perambatan-balk (backpropagaton) adalah salah satu algortma belajar terpandu (supervsed). Aplkas jarngan n melbatkan pemetaan sekumpulan masukan terhadap sekumpulan acuan keluaran. Dalam peneltan n, jarngan saraf dlath dengan menggunakan 234 karakter huruf besar tap jens font dan duj dengan 702 karakter yang terdr atas 234 karakter data lath dan 468 karakter data baru untuk setap jens font. Jens font yang dgunakan dalam peneltan n adalah Calsto MT, Courer New, Tahoma, dan Tme New Roman. Hasl pengujan menunjukkan arstektur dan parameter jarngan yang memberkan unjukkerja palng optmal untuk seluruh jens font adalah 60 neuron pada lapsan tersembuny, laju pembelajaran 0,01, momentum 0,9 dan teras 1000 kal. Prosentase pengenalan dar pelathan jarngan dengan arstektur dan parameter jarngan optmal n untuk data lath dan data baru masng-masng adalah 100% dan 99,89% dengan jumlah karakter takdkenal untuk data lath sebanyak 0 karakter dan data baru sebanyak 2 karakter. Katakunc : pengenalan karakter, jarngan saraf truan, perambatan-balk, laju pembelajaran, momentum. I. PENDAHULUAN Pengenalan pola secara automats adalah masalah yang banyak menyta perhatan sekarang n, bak pengenalan pola wajah, sdk jar, tulsan tangan maupun pola karakter hasl cetakan. Yang menjad alasan peneltan adalah kemampuan untuk mengenal secara efektf dengan menggunakan pola contoh yang sedkt. Karena terhambat oleh jumlah contoh pola yang besar, menjadkan para penelt harus mencar teknk yang dapat menngkatkan kemampuan komputer dalam mengenal dan merepresentaskan pola. Satu pendekatan yang menunjukkan hasl yang menjanjkan adalah dengan menggunakan jarngan saraf truan. Dengan bantuan pengolahan ctra dan jarngan saraf truan, komputer dapat mengenal dan merepresentaskan pola. Jarngan saraf truan algortma belajar perambatan-balk (backpropagaton) adalah salah satu algortma belajar terpandu (supervsed). Metode perambatan-balk secara sederhana adalah metode penurunan graden (gradent descent) untuk memnmalkan total galat kuadrat keluaran. Aplkas jarngan n melbatkan pemetaan sekumpulan masukan terhadap sekumpulan acuan keluaran. Tujuan pelathan jarngan n adalah mendapatkan kesembangan antara kemampuan tanggapan yang benar terhadap pola masukan yang dpaka untuk proses pelathan jarngan (memorzaton) dan kemampuan memberkan tanggapan yang layak untuk masukan sejens namun tdak dentk dengan yang dpaka pada pelathan jarngan (generalzaton) [18]. Prnsp nlah yang akan dgunakan untuk mengenal karakter huruf besar yang merupakan subsstem dar sstem pengenalan pola yang begtu kompleks. II. LANDASAN TEORI 2.1 Pengenalan Pola Secara umum teknk pengenalan pola bertujuan untuk mengklasfkaskan dan mendeskrpskan pola atau objek kompleks melalu pengukuran sfat-sfat atau cr-cr dar objek yang bersangkutan. Pola adalah enttas yang terdefns (mungkn secara samar) dan dapat dber suatu dentfkas atau nama. [9] Rancangan suatu sstem pengenalan pola pada dasarnya melput tga tahap, yatu akuss data, prapengolahan dan pengamblan keputusan. [9][12] Sstem pendekatan pengenalan pola dengan menggunakan jarngan saraf truan beroperas dalam dua fase, yatu fase lath dan fase
2 pengenalan. Pada fase lath, jarngan syaraf menentukan ruang cr yang sesua untuk merepresentaskan pola dan membag ruang cr tersebut sedemkan rupa sehngga tumpangtndh antara kategor menjad sekecl mungkn. Dagram kotak sederhana pengenalan karakter dtunjukkan pada Gambar 2.1. Masukan Ctra Dgtal Normalsas Ukuran Ekstraks Cr Pengenalan Karakter Jarngan Saraf Gambar 2.1 Dagram kotak sederhana pengenalan karakter. [19] Keluaran 2.2 Pengertan Ctra Dgtal dan Pengolahan Ctra [9] Ctra sebaga keluaran suatu sstem perekaman data dapat bersfat optk berupa foto, bersfat analog berupa snyal-snyal vdeo sepert gambar pada montor televs, atau bersfat dgtal yang langsung dapat dsmpan pada suatu pta magnetk. Ctra dgtal merupakan lark dua dmens atau suatu matrks yang elemenelemennya menyatakan tngkat keabuan dar elemen gambar. Jad nformas yang terkandung bersfat dskret. Pengolahan ctra merupakan proses pengolahan dan analss ctra yang banyak melbatkan perseps vsual. Proses n mempunya cr data masukan dan nformas keluaran yang berbentuk ctra. Istlah pengolahan ctra dgtal secara umum ddefnkskan sebaga pemrosesan ctra dua dmens dengan komputer. Dalam defns yang lebh luas, pengertan ctra dgtal juga mencakup semua data dua dmens. 2.3 Jarngan Saraf Truan [5] Jarngan Saraf Truan (JST) bsa ddefnskan kurang lebh sebaga sstem komputas yang ddasarkan pada pemodelan saraf bologs (neuron) melalu pendekatan dar sfatsfat komputas bologs (bologcal computaton) [18] JST bsa dbayangkan berupa jarngan dengan elemen pengolah sederhana yang salng terhubung. Elemen pengolah bernteraks melalu sambungan yang varabel, dsebut bobot, dan bla datur secara tepat dapat menghaslkan sfat yang dngnkan [17]. 2.3 Pemodelan Neuron Neuron adalah unt pengolah nformas yang merupakan dasar operas jarngan saraf. Gambar 2.2 menunjukkan model neuron McCulloch-Ptts. Gambar 2.2 Model sebuah neuron [5]. Model sebuah neuron sepert dtunjukkan Gambar 2.2 dapat dtulskan dengan persamaan: [4] dengan x y ƒ N 1 w x θ = snyal masukan. (2.1) w = bobot hubungan = bas f. = fungs aktfas atau elemen pemroses y = snyal keluaran. 2.4 Arstektur Jarngan Saraf Truan Suatu algortma belajar dar jarngan saraf truan tergantung dar arstektur atau struktur dar jarngan saraf tersebut; dengan arstektur tersebut menggambarkan jumlah neuron dan hubungan bobot yang dpaka. Secara umum arstektur jarngan saraf dapat dbedakan menjad tga kelas yang berbeda, yatu : 1. Jarngan umpan-maju lapsan tunggal (sngle layer feedforward network/perceptron). 2. Jarngan umpan-maju lapsan jamak (multlayer perceptron). 3. Jarngan saraf truan recurrent. 2.6 Algortma Belajar Ide dasar JST adalah konsep belajar. Jarngan belajar melakukan generalsas karakterstk tngkah laku objek. JST menympan lmu pengetahuannya dalam nla bobot sambungan (sepert snapss dalam otak manusa) dan elemen-elemen (neuron) yang menghaslkan keluaran. Termnolog belajar artnya membentuk pemetaan (fungs) yang menggambarkan hubungan antara vektor masukan dan vektor keluaran. Algortma belajar dapat dbedakan menjad tga buah, yatu: 1. Pembelajaran terpandu (supervsed learnng). 2. Pembelajaran takterpandu (unsupervsed learnng). 3. Renforcement learnng. Pembelajaran yang dgunakan dalam tugas akhr n adalah pembelajaran terpandu.
3 2.7 Algortma Belajar Perambatan-balk (Backpropagaton). Jarngan saraf truan perambatan-balk (backpropagaton) merupakan salah satu model dar jarngan saraf truan umpan-maju dengan menggunakan pembelajaran terpandu yang dsusun berdasar pada algortma galat perambatan-balk yang ddasarkan pada aturan pembelajaran dengan koreks kesalahan (error correcton learnng rule). Secara mendasar, proses dar galat perambatan-balk n terdr atas dua tahap, yatu umpan-maju dan umpan-balk. Arstekturnya sendr tersusun atas tga lapsan, yatu lapsan masukan (nput layer), lapsan tersembuny (hdden layer), dan lapsan keluaran (output layer) sepert dtunjukkan pada Gambar 2.3. III. METODOLOGI PENELITIAN Secara gars besar, program smulas yang akan drancang mengkut dagram alr sepert dtunjukkan pada Gambar 3.1. Mula Prapengolahan ekstraks cr klasfkas dengan menggunakan jarngan saraf truan b j b k Selesa Gambar 3.1 Dagram alr program utama x n w j Gambar 2.3 Arstektur jarngan saraf truan perambatan-balk Proses belajar dar jarngan saraf perambatan-balk n secara gars besar adalah setelah menerma masukan pada lapsan masukan, maka masukan tu akan drambatkan melewat setap lapsan d atasnya hngga suatu keluaran dhaslkan oleh jarngan. Keluaran yang dhaslkan oleh jarngan akan dbandngkan dengan acuan keluaran, sehngga suatu galat akan dbangktkan. Selanjutnya, jarngan akan melewatkan turunan dar galat tersebut ke lapsan tersembuny dengan menggunakan sambungan berbobot yang mash belum dubah nlanya. Kemudan setap neuron pada lapsan tersembuny akan menghtung jumlah bobot dar galat yang drambatbalkkan sebelumnya. Galat perambatan-balk nlah yang member nama jarngan n sebaga jarngan perambatan-balk (backpropagaton). Setelah masng-masng neuron dar lapsan tersembuny dan lapsan keluaran menemukan besarnya galat, maka neuron-neuron n akan mengubah nla bobotnya untuk mengurang besarnya galat. Proses n berlangsung terus-menerus hngga galat yang dhaslkan oleh jarngan tersebut mendekat nol. Jarngan saraf jens nlah yang dgunakan dalam tugas akhr n. w k y n 3.1 Prapengolahan Yang dlakukan pada tahap n adalah menyederhanakan ctra sehngga sap untuk danalss. Pada proses prapengolahan n, ctra aras warna dubah menjad aras keabuan kemudan dambangkan. Ctra hasl proses pengambangan adalah ctra bner dengan latar-belakang berwarna htam dan bagan latar depan yang merupakan ctra yang akan dproses berwarna puth. Kemudan ctra dperhalus dengan menghlangkan pksel yang lemah dengan opersa morfolog close dan majorty. Setelah tu dcar batas atas, batas bawah, batas kanan, dan batas kr dar ctra dan mengubah ukuran ctra menjad berukuran 8080 pksel. Ctra nlah yang sap untuk danalss pada proses ekstraks cr. 3.2 Ekstraks Cr Ctra hasl prapengolahan, dbag menjad 16 bars dan 16 kolom. Pada setap kotak dlakukan penghtungan pksel, bla dtemukan jumlah pksel 1 lebh dar 12 pksel, maka kotak tersebut dber nla satu, bla tdak maka kotak tersebut dber nla 0. Haslnya dsmpan dalam matrks Klasfkas dengan Menggunakan Jarngan Saraf Truan. Terdapat dua tahap dalam klasfkas dengan menggunakan jarngan saraf truan, yatu tahap pelathan dan tahap klasfkas. Pada tahap klasfkas, pola sebaga masukan pada jarngan saraf truan menghaslkan keluaran yang menyajkan apa yang dyakn oleh jarngan saraf sebaga keluaran yang benar. Namun demkan, agar tahap klasfkas berhasl harus ddahulu dengan
4 tahap pelathan. Pada tahap n jarngan saraf menerma sekumpulan masukan yang bersesuaan dengan sekumpulan keluaran. Dengan kata lan, jarngan saraf truan belajar untuk memasangkan keluaran yang benar terhadap pola masukan yang bersesuaan. IV. HASIL PENELITIAN DAN PEMBAHASAN Pengujan terhadap program smulas n dlakukan dengan tujuan agar dapat dketahu apakah program yang dbuat telah sesua dengan yang dngnkan dengan parameter unjuk-kerja dukur dar prosentase pengenalan terhadap karakter huruf besar yang dujkan. Pengujan dlakukan sebanyak 12 kal dengan varas neuron pada lapsan tersembuny 18, 60,dan 1000,laju pembelajaran dan momentum 0,01 dengan 0,9 dan 0,1 dengan 0,1, dan teras 500 kal dan 1000 kal dengan jumlah karakter 2808 karakter yang terdr atas 926 karakter data lath dan 1872 karakter baru. Hasl pengujan menunjukkan varas arstektur dan parameter jarngan yang menghaslkan unjuk-kerja palng optmal untuk seluruh jens font adalah 60 neuron pada lapsan tersembuny, laju pembelajaran dan momentum masng-masng adalah 0,01 dan 0,9, dan teras 1000 kal yatu untuk jens font Calsto MT sebesar 99,78% (terbak pertama), untuk jens font Courer New sebesar 98,50% (terbak kedua), untuk jens font Tahoma sebesar 99,35% (terbak kelma), dan untuk jens font Tme New Roman sebesar 99,57% (terbak pertama). Tabel 4.1 hasl pengujan dengan arstektur dan parameter jarngan optmal untuk seluruh jens font. Tabel 4.1 Hasl pengujan dengan keseluruhan jens font menggunakan 60 neuron pada lapsan tersembuny, laju pembelajaran 0,01, momentum 0,9 dan teras 1000 kal. Huruf Data Lath Data Baru A B C D E ,611 F G H ,611 I J K L Tabel 4.1 Hasl pengujan dengan keseluruhan jens font menggunakan 60 neuron pada lapsan tersembuny, laju pembelajaran 0,01, momentum 0,9 dan teras 1000 kal (lanjutan). Huruf Data Lath Data Baru M N O P Q R S T U V W X Y Z dkenal takdkenal 0 2 %rata-rata ,893 Tabel 4.1 menunjukkan prosentase pengenalan data lath dan data baru masngmasng 100% dan 99,89% dengan jumlah karakter takdkenal sebanyak 0 karakter pada data lath dan 2 karakter pada data baru. Tabel 4.1 juga menunjukkan bahwa prosentase pengenalan data lath lebh tngg dbandngkan dengan prosentase pengenalan data baru. Perbedaan prosentase pengenalan antara data lath dan data baru dsebabkan data lath adalah data yang memlk struktur pola yang sama dengan data yang dgunakan pada saat pelathan jarngan sehngga menghaslkan prosentase pengenalan yang cukup tngg, sedangkan data baru adalah data yang benar-benar belum pernah dlathkan pada jarngan walaupun memlk struktur pola yang mrp sehngga menghaslkan prosentase pengenalan yang cenderung lebh rendah dbandngkan dengan prosentase pengenalan data lath. V. PENUTUP 5.1 Kesmpulan Kesmpulan yang dapat dambl dar pembuatan dan pengujan program smulas pengenalan karakter huruf besar adalah sebaga berkut. 1. Prosentase pengenalan terhadap data lath lebh tngg dbandngkan dengan prosentase pengenalan terhadap data baru. 2. Arstektur dan parameter jarngan yang memberkan hasl unjuk-kerja palng optmal adalah 60 neuron pada lapsan tersembuny, laju pembelajaran 0,01, momentum 0,9, dan teras 1000 kal.
5 3. Prosentase pengenalan dar pelathan jarngan dengan astektur dan parameter jarngan optmal dan melbatkan seluruh jens font suntuk data lath dan data baru masng-masng adalah 100% dan 99,89% dengan jumlah karakter takdkenal untuk data lath sebanyak 0 karakter dan untuk data baru sebanyak 2 karakter. 5.2 Saran 1. Perlu dgunakan arstektur dan parameter jarngan yang memberkan hasl pengenalan yang lebh optmal pada peneltan dan pengembangan berkutnya. 2. Perlu dlakukan pengenalan tulsan tangan atau karakter huruf kecl dengan menggunakan algortma ekstraks cr yang berbeda pada peneltan dan pengembangan berkutnya. 3. Dapat dgunakan jumlah neuron yang tetap sesua dengan format ASCII 8-bt pada peneltan dan pengembangan berkutnya. DAFTAR PUSTAKA [1]. Demuth, H. dan M. Beale, Neural Networks Toolbox for User wth MATLAB, The Mathwork, Inc, [2]. Hanselman, D. dan B. Lttlefeld, MATLAB Bahasa Komputas Tekns, (terj. Jozep Edyanto), ANDI, Yogyakarta, [3]. Hartad, D., Smulas Penghtungan Sel Darah Merah, Tugas Akhr, Jurusan Teknk Elektro, Fakultas Teknk, Unverstas Dponegoro, [4]. Haykn, S., Neural Networks, a Comprehensve Foundaton, Mcmllan College Publshng Company, New York. [5]. Ivana, Pengenalan Ucapan Vokal Bahasa Indonesa Dengan Jarngan Syaraf Truan Menggunakan Lnear Predctve Codng, Tugas Akhr, Jurusan Teknk Elektro, Fakultas Teknk, Unverstas Dponegoro, [6]. Jan, A.K., Fundamentals of Dgtal Image Processng, Prentce Hall of Inda Prvate Lmted, New Delh, [7]. Kusumoputro, B., E. Phlpus dan M.W. Rahmat, Pengenalan Huruf Tulsan Tangan Menggunakan Logka Fuzzy dan Jarngan Syaraf Truan, Fakultas Ilmu Komputer, Unverstas Indonesa. [8]. Mudjhardjo, P., T.S. Wdodo dan A. Susanto, Penerapan Jarngan Perambatan-Balk untuk Deteks Kesalahan pada Pengenalan Kode Pos Tulsan Tangan, Semnar Nasonal Teknk Elektro, G-20, [9]. Murn, A., Pengantar Pengolahan Ctra, PT. Elekmeda Komputndo, Kelompok Grameda, Jakarta, [10]. Pttas, I., Dgtal Image Processng Algortms, Prentce Hall Internatonal (UK) Ltd, [11]. Proaks, J.G. dan D.G. Manolaks, Pemrosesan Snyal Dgtal, Prnsp, Algortma dan Aplkas, eds Bahasa Indonesa, PT Prenhallndo, Jakarta, [12]. Sgt, R., A. Shnj, dan S. Hsash, Aplkas Jarngan Syaraf Truan untuk Mengenal Angka, IECI Chapter, Japan Seres, Vol.3 No.1, [13]. Russ, J.C., The Image Processng Handbook 2 nd edton, CRC Pres Inc, [14]. Saputra, E., Jarngan Syaraf Truan untuk Identfkas Kode Derau Palsu, Tugas Akhr, Jurusan Teknk Elektro, Fakultas Teknk, Unverstas Dponegoro, [15]. Schalkoff, R.J., Dgtal Image Processng and Computer Vson, Department of Electrcal and Computer Engneerng, Clemson Unversty, Clemson, South Carolna. [16]. Schalkoff, R.J, Pattern Recognton: Statstcal, Structural and Neural Approaches, John Wley & Sons, Inc, [17]. Sekarwat, K.A, Jarngan Saraf Truan, Unverstas Gunadarma. [18]. Suhard, I., Y.U. Imardjoko, dan H. Samadj, Evaluas Jarngan Syaraf Truan untuk Pengenalan Karakter Tulsan Tangan Jens Cetak, Semnar Nasonal Teknk Elektro, G- 1, 2003.
6 [19]. Wlson, A.T., Off-lne Handwrtng Recoghnton Usng Artfcal Neural Networks, Unversty of Mnnesota, Morrs. [20] , Image Processng Toolbox, for user s wth MALTLAB, user s gude verson 3, The mathwork Inc, And Prasojo. Mahasswa Teknk Elektro Unverstas Dponegoro angkatan 1998, dengan konsentras teknk telekomunkas. Saat n sedang menyelesakan stud strata-1 (S1). Pembmbng II R. Rzal Isnanto., S.T., M.M., M.T. NIP
7
PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)
Lebih terperinciPENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA
MAKALAH SEMINAR TUGAS AKHIR PENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA Suharto Jat Santoso *, Bud Setyono **, R. Rzal Isnanto ** Abstrak - Selama n pengenalan jens kan pada
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
Lebih terperinciPERBANDINGAN PEMILIHAN TAPIS PENGHAPUS DERAU PADA CITRA BERDASAR SIFAT STATISTIS, PSNR, DAN INDEKS KUALITAS
PERBADIGA PEMILIHA TAPIS PEGHAPUS DERAU PADA CITRA BERDASAR SIFAT STATISTIS, PSR, DA IDEKS KUALITAS Bernadetta Dyah Susant Wdoretno ), Achmad Hdayatno ), R. Rzal Isnanto ) Jurusan Teknk Elektro Fakultas
Lebih terperinciIDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY
Anfudn Azz dan Tanzl Kurnawan, Identfkas Pola Jar IDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY (Frnger Prnt Pattern Identfcaton by Bdrectonal Assocatve Memory
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: madha@stkom.edu 2) S1
Lebih terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciHybrid intelligent system adalah kombinasi lebih dari dua teknologi cerdas.
Teny Handhayan Pendahuluan Hybrd ntellgent system adalah kombnas lebh dar dua teknolog cerdas. Contohnya kombnas Neural Network dengan Fuzzy membentuk Neuro-fuzzy system Perbandngan Expert Systems, Fuzzy
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL
Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: 979-756-061-6 Yogyakarta, 18 Jun 2005 PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL Setyo Nugroho
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Semnar Nasonal Aplkas Teknolog Informas 004 Yogyakarta, 19 Jun 004 Aplkas Pemrograman Komputer Dalam Bdang Teknk Kma Arf Hdayat Program Stud Teknk Kma Fakultas Teknolog Industr, Unverstas Islam Indonesa
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciBAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas
BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciDalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang
LARGE SCALE SYSEM Course by Dr. Ars rwyatno, S, M Dept. of Electrcal Engneerng Dponegoro Unversty BAB V OPIMASI SISEM Dalam sstem pengendalan berhrark level, maka optmas dapat dlakukan pada level pertama
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciMetode Ekstraksi Data Untuk Pengenalan Huruf Dan Angka Tulisan Tangan Dengan Menggunakan Jaringan Syaraf Buatan Propagasi Balik
Porceedng of Semanr on Intellgent Technology and Its Applcatons (SITIA 2002) Insttut Teknolog Sepuluh Nopember, Surabaya, May 7 th, 2002 Metode Ekstraks Data Untuk Pengenalan Huruf Dan Angka Tulsan Tangan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan quas expermental dengan one group pretest posttest desgn. Peneltan n tdak menggunakan kelas pembandng namun sudah menggunakan
Lebih terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciPengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Prnt) 1 Pengenalan Karakter Tulsan Tangan Angka dan Operator Matematka Berdasarkan Zernke Moments Menggunakan Support Vector Machne
Lebih terperinciSISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS
SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS A8 M. Andy Rudhto 1 1 Program Stud Penddkan Matematka FKIP Unverstas Sanata Dharma Kampus III USD Pangan Maguwoharjo Yogyakarta 1 e-mal: arudhto@yahoo.co.d
Lebih terperinciPENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD
Semnar Nasonal Sstem dan Informatka 2007; Bal, 6 November 2007 PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD Nur Hasanah ) Istkhomah 2) Taufq Hdayat 3) Sr Kusumadew 4) Jurusan
Lebih terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciBAB I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Ctra dgtal merupakan ctra hasl dgtalsas yang dapat dolah pada suatu komputer dgtal [12]. Ctra dgtal tersusun atas sejumlah elemen. Elemen-elemen yang menyusun ctra
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciMETODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciDekomposisi Nilai Singular dan Aplikasinya
A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciAplikasi Pengenalan Ucapan Dengan Jaringan Syaraf Tiruan Propagasi Balik Untuk Pengendalian Robot Bergerak
Aplkas Pengenalan Ucapan Dengan Jarngan Syaraf Truan Propagas Balk Untuk Pengendalan Robot Bergerak Mahmud Irfandy (LF 4 49) Jurusan Teknk Elektro, Fakultas Teknk, Unverstas Dponegoro, Semarang, Indonesa
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBab III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
Lebih terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciPENGENALAN POLA BERBASIS JARINGAN SYARAF TIRUAN DALAM ANALISA CT SCAN TUMOR OTAK BELIGNA
PENGENALAN POLA BERBASIS JARINGAN SYARAF TIRUAN DALAM ANALISA CT SCAN TUMOR OTAK BELIGNA Mke Susmkant Pusat Pengembangan Informatka Nuklr BATAN Kawasan PUSPIPTEK, Gd. 71, Serpong, Tangerang Emal : mke@batan.go.d
Lebih terperinciISSN: Kata kunci: pengenalan tulisan tangan, ekstraksi ciri, jaringan saraf tiruan.
ISSN: 1693-6930 17 PENGARUH KOMPLEKSITAS EKSTRAKSI CIRI PADA SISTEM PENGENALAN TULISAN TANGAN DINAMIS (Influence of Feature Etracton Complet n Onlne Handwrtng Recognto Abdul Fadll Program Stud Teknk Elektro,
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciPengendalian Kecepatan Motor Induksi Melalui Inverter Altivar 18 Berdasarkan Kendali Fuzi Berbasis PLC
Sgt Budh Santoso dan Ars Rakhmad, Pengendalan Kecepatan Motor Induks Melalu Inverter Altvar 18 Pengendalan Kecepatan Motor Induks Melalu Inverter Altvar 18 Berdasarkan Kendal Fuz Berbass PLC Sgt Budh Santoso,
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciRANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN
RANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN Erfant Fatkhyah Jurusan Teknk Informatka, Fakultas Teknolog Industr, Insttut Sans & Teknolog AKPRIND Yogyakarta Emal: erfunthye@yahoocod
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Emprs Pada peneltan n, penelt menggunakan beberapa peneltan terkat yang pernah dlakukan oleh penelt lan sebaga tnjauan stud, yatu sebaga berkut : a. Pornography Detecton
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciBAB 3 METODOLOGI PERANCANGAN
9 BAB 3 METODOLOGI PERANCANGAN Bab n bers penjelasan mengena langkah-langkah perhtungan serta prosedurprosedur yang dgunakan untuk menemukan solus atas rumusan masalah pada Bab. Dalam bab n juga akan dtamplkan
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian merupakan cara atau langkah-langkah yang harus
BAB III METODE PENELITIAN Metode peneltan merupakan cara atau langkah-langkah yang harus dtempuh dalam kegatan peneltan, sehngga peneltan yang dlakukan dapat mencapa sasaran yang dngnkan. Metodolog peneltan
Lebih terperinciPENJADWALAN PRODUKSI di PT MEUBEL JEPARA PROBOLINGGO
Prosdng Semnar Nasonal Manajemen Teknolog III Program Stud MMTITS, Surabaya 4 Pebruar 2006 PENJADWALAN PRODUKSI d PT MEUBEL JEPARA PROBOLINGGO Mohammad Khusnu Mlad, Bobby Oedy P. Soepangkat, Nurhad Sswanto
Lebih terperinciPengaturan Proses Tekanan pada Sistem Pengaturan Berjaringan Menggunakan Kontroler Fuzzy Neural Network
TUGAS AKHIR TE - 091399 Pengaturan Proses Tekanan pada Sstem Pengaturan Berjarngan Menggunakan Kontroler Fuzzy Neural Network Rende Ramadhan NRP 2208100131 Dosen Pembmbng : Ir. Al Faton, M.T. Imam Arfn,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciBAB II TINJAUAN PUSTAKA. George Boole dalam An Investigation of the Laws of Thought pada tahun
BAB II TINJAUAN PUSTAKA 2.1 Aljabar Boolean Barnett (2011) menyatakan bahwa Aljabar Boolean dpublkaskan oleh George Boole dalam An Investgaton of the Laws of Thought pada tahun 1954. Dalam karya n, Boole
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciBAB II DASAR TEORI DAN METODE
BAB II DASAR TEORI DAN METODE 2.1 Teknk Pengukuran Teknolog yang dapat dgunakan untuk mengukur konsentras sedmen tersuspens yatu mekank (trap sampler, bottle sampler), optk (optcal beam transmssometer,
Lebih terperinciBAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinci