SEGMENTASI CITRA BERWARNA MENGGUNAKAN ALGORITMA JSEG
|
|
- Iwan Iskandar
- 7 tahun lalu
- Tontonan:
Transkripsi
1 SEGMENTASI CITRA BERWARNA MENGGUNAKAN ALGORITMA JSEG Rully Soelaman 1), Darls Herumurt ), Dyah Wardhan Kusuma. 3) Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember (ITS), Surabaya, 6111, Indonesa E-mal : rully@ts-sby.edu 1), darls@ts-sby.edu ), dyah3@cs.ts.ac.d 3) Abstrak Segmentas ctra merupakan salah satu bagan pentng dar pemrosesan ctra, yang bertujuan untuk membag ctra menjad beberapa regon yang homogen berdasarkan krtera kemrpan tertentu. Salah satu metode yang dapat dgunakan untuk segmentas ctra berwarna adalah algortma JSEG. Algortma JSEG terdr dar dua tahap, yatu kuantsas warna dan segmentas spasal. Pada tahap kuantsas warna, warna-warna pada ctra dkuantsas menjad kelas-kelas yang dapat dgunakan untuk membedakan regon-regon dalam ctra. Selanjutnya, warna pksel ctra dgant dengan label class warna yang bersesuaan sehngga membentuk color class-map dar ctra. Pada tahap segmentas spasal, dlakukan perhtungan ukuran segmentas yang bak berdasarkan class-map yang telah terbentuk. Penerapan ukuran segmentas ke wndow lokal dalam class-map menghaslkan J-mage, yang mana nla tngg dan nla rendah berturutturut bersesuaan dengan boundary regon yang memungknkan dan pusat regon. Selanjutnya, metode regon growng dgunakan untuk mensegmentas ctra berdasarkan J-mage multskala. Percobaan-percobaan membuktkan bahwa JSEG menghaslkan segmentas ctra yang relatf bak pada berbaga macam ctra. Kata kunc : segmentas ctra berwarna, JSEG PENDAHULUAN Segmentas ctra berwarna sangat bermanfaat dalam berbaga aplkas. Dar hasl segmentas ctra, dentfkas regon-regon yang dngnkan dan objekobjek dalam ctra dapat dlakukan, yang mana sangat bermanfaat untuk analss ctra. Sultnya masalah segmentas dsebabkan oleh tekstur ctra. Jka ctra hanya terdr dar regon-regon warna yang homogen, metode clusterng dalam ruang warna dapat dterapkan untuk segmentas ctra. Namun pada kenyataannya, ctra pemandangan alam kaya akan warna dan tekstur sehngga sult untuk mengdentfkas regon-regon pada ctra yang mengandung pola-pola warna-tekstur. Pendekatan yang dgunakan dalam peneltan n berdasarkan pada asums-asums sebaga berkut : Setap regon pada ctra mengandung pola warnatekstur yang terdstrbus unform, Informas warna pada setap regon ctra dapat dnyatakan dengan beberapa warna-warna terkuantsas, yang tepat untuk sebagan besar ctra pemandangan alam berwarna, Warna-warna antara dua regon tetangga dapat dbedakan. Hal n merupakan asums dasar dar semua algortma segmentas ctra berwarna. Gambar 1. Skema algortma JSEG D-17
2 Prosdng Semnar Nasonal Teknon 8 Bdang Teknk Informatka Algortma JSEG memerlukan tga parameter. Parameter pertama adalah threshold untuk proses kuantsas warna. Threshold tersebut menentukan jarak mnmum antara dua cluster warna yang akan dgabungkan. Parameter lannya adalah jumlah skala segmentas dan threshold untuk regon mergng. Gambar 1 menunjukkan skema algortma JSEG. METODE Kuantsas Warna Pertama, warna-warna pada ctra dkuantsas secara kasar tanpa menurunkan kualtas warna secara sgnfkan. Tujuannya adalah untuk mengekstrak beberapa perwaklan warna yang dapat dgunakan untuk membedakan regon-regon dalam ctra. Secara khusus, dperlukan 1 sampa warna dalam ctra pemandangan alam. Kuantsas warna yang bak berpengaruh terhadap proses segmentas. Dalam mplementas peneltan n dgunakan algortma kuantsas warna perseptual []. Algortma kuantsas warna perseptual bekerja berdasarkan perseps penglhatan manusa yang lebh senstf terhadap perubahan pada smooth regon darpada perubahan pada detaled regon (textured regon). Smooth regon adalah boundary regon-regon yang memungknkan, sedangkan detaled regon adalah regon-regon homogen pada ctra. Karena tu, warna-warna dapat dkuantsas secara lebh kasar pada detaled regon tanpa mempengaruh kualtas perseptual secara sgnfkan. Berdasarkan fakta tersebut, setap pksel dtanda dengan bobot yang berdasarkan pada varance dalam wndow lokal sedemkan rupa sehngga pksel-pksel pada smooth regon lebh pentng darpada pksel-pksel pada detaled regon. Algortma n menggunakan statstk lokal yang dperoleh setelah peer group flterng, yatu bobot dalam proses kuantsas vektor. Prosedur kuantsas warna adalah sebaga berkut : 1. Konvers ruang warna RGB ke LUV untuk menjaga kualtas warna.. Pertama, peer group flterng dterapkan untuk menghaluskan ctra dan menghlangkan mpulse nose. Haslnya berupa : x : vektor pksel ctra yang telah dhaluskan oleh anggota peer group-nya N : jumlah cluster awal v : bobot perseptual untuk setap pksel 3. Clusterng dengan Generalzed Lloyd Algorthm (GLA). Haslnya berupa centrod untuk setap cluster warna. 4. Penggabungan cluster-cluster yang jarak centrodnya kurang dar threshold kuantsas warna. 5. Klasfkas pksel ke dalam cluster warna yang centrodnya terdekat dengan ntenstas pksel tersebut. 6. Konvers ruang warna LUV ke RGB untuk menamplkan ctra hasl kuantsas warna. Peer Group Flterng (PGF) Msalkan x (n) menyatakan vektor pksel ctra yang memberkan cr nformas warna pada poss n yang berpusat pada wndow w x w. Urutkan semua pksel pada wndow tersebut berdasarkan jaraknya terhadap x (n) dalam urutan ascendng dan nyatakan sebaga x (n), =,..., k = w 1. Ukuran jarak Eucldean yang dgunakan adalah : d ( n) = x ( n) x ( n), =,..., k (1) d ( n) d 1 ( n)... d k ( n) () Peer group P(m,w) untuk x (n) terdr dar m pksel yang ntenstasnya terdekat dengan x (n) dalam wndow w x w yang berpusat pada x (n). Penentuan m menggunakan estmas dskrmnan Fsher. Crteron yang dmaksmalkan adalah : ( ) a ( ) () + s (), J a1 () = s 1 = 1,..., k (3) d mana : 1 () k 1 a = d j ( n), a () = d j ( n) k + 1 (4) 1 j= 1 1 = j= s () d ( n) a (), s () = d ( n) a () j 1 j= k j (5) j= m adalah ndeks d mana J() bernla maksmum. Selanjutnya x (n) dgant dengan rata-rata anggota peer group-nya. Untuk menghlangkan efek mpulse nose, turunan pertama dar jarak d (n), f (n), dhtung sebelum klasfkas peer group : f ( n) = d +1 ( n) d ( n) (6) Pengujan dlakukan terhadap M ttk pertama dan terakhr dar x (n) untuk memerksa apakah ttk-ttk tersebut termasuk mpulse nose : f ( n) α (7) d mana M = w /, separuh dar ukuran wndow, dan α dset bernla tngg untuk ctra yang sangat rusak dan dset bernla rendah untuk ctra yang sedkt rusak. Jka f (n) tdak memenuh konds tersebut, maka ttkttk terakhr x j (n) untuk j atau j > danggap sebaga mpulse nose dan dhlangkan. Kemudan d j (n) ssanya dgunakan untuk mengestmas peer group yang sebenarnya. Selanjutnya dlakukan perhtungan jarak maksmum setap peer group T(n). Nla T(n) mengndkaskan kehalusan regon lokal. Bobot perseptual untuk setap pksel v(n) dhtung dengan : v( n) = exp( T ( n) ) (8) sehngga pksel-pksel pada detaled regon memlk bobot yang lebh rendah darpada pksel-pksel pada smooth regon. D-18
3 ISBN : Yogyakarta, November 8 Rata-rata T(n), T avg, mengndkaskan kehalusan keseluruhan ctra. Secara umum, semakn besar nla T avg, semakn berkurang kehalusan ctra dan semakn banyak jumlah cluster yang dperlukan untuk kuantsas warna. Jumlah awal cluster N destmas dengan : N = βt avg (9) d mana β dset bernla pada percobaan. Generalzed Lloyd Algorthm (GLA) GLA dgunakan untuk menanda pksel-pksel yang berbobot rendah dengan cluster yang lebh sedkt untuk mengurang jumlah cluster warna pada detaled regon. Centrod untuk cluster warna C dhtung dengan : v ( n ) x ( n ) c v( n) =, x( n ) C (1) Segmentas Spasal Setelah tahap kuantsas warna, dperoleh color classmap, yatu label yang dtanda pada pksel-pksel dalam ctra yang menyatakan klasfkas cluster warna untuk pksel tersebut. Gambar menunjukkan contoh color class-map. Nla label dwakl oleh tga smbol, *, +, dan o. Gambar 3. Flow chart tahap segmentas spasal Tabel 1 bers hmpunan skala dan ukuran regon yang sesua untuk skala tersebut. Msalnya, jka ukuran ctra lebh besar darpada 56 x 56, tetap lebh kecl darpada 51 x 51, skala awalnya adalah 3. Gambar. Contoh color class-map Gambar 3 menunjukkan flow chart tahap segmentas spasal. Mula-mula, ctra nput danggap sebaga satu regon nsal. Algortma n kemudan mensegmentas semua regon dalam ctra pada skala nsal yang besar. Proses tersebut dulang pada regon-regon tersegmentas baru pada skala berkutnya yang lebh kecl hngga mencapa skala mnmum yang telah dtentukan. Perhtungan J-Image J-mage adalah ctra grayscale yang nla pkselpkselnya adalah nla J yang dhtung terhadap wndow lokal yang berpusat pada pksel tersebut. S B ( ST SW ) J = = (11) SW SW d mana : S = z m (1) T dan S W = z Z C C S = = 1 = 1 z Z z m (13) Keterangan : S T : jarak antar kelas-kelas warna yang berbeda (between class scatter matrx) S W : jarak antar anggota dalam setap kelas warna (wthn class scatter matrx) m : rata-rata lokas spasal pksel dalam wndow m : rata-rata lokas spasal pksel dalam kelas warna D-19
4 Prosdng Semnar Nasonal Teknon 8 Bdang Teknk Informatka Tabel 1. Skala Ukuran wndow pada skala yang berbeda Wndow (pksel) 1 9 x x x x 65 Samplng (1/pksel) 1 / (1 x 1) 1 / ( x ) 1 / (4 x 4) 1 / (8 x 8) Ukuran Regon (pksel) 64 x x x x 51 Valley Mnmum (pksel) Semakn besar nla J, maka pksel tersebut semakn mendekat boundary regon. J-mage dapat dlhat sebaga peta yang mengandung valley dan mountan yang berturut-turut mewakl pusat regon dan boundary regon. (a) Gambar 4. Wndow untuk perhtungan nla J lokal (a) Wndow dasar pada skala 1. (b) Ilustras wndow pada skala. Hanya ttkttk bertanda + yang dgunakan untuk perhtungan nla J lokal, sehngga membentuk wndow dasar yang sama dengan (a). Wndow yang dgunakan dalam perhtungan J-mage berbeda-beda dalam setap skala segmen-tas, sepert pada Gambar 4. Tepan wndow dhlangkan untuk membuat wndow lebh srkuler sehngga tdak menmbulkan bas terhadap objek seg empat. Regon Growng Regon growng dgunakan untuk mengelom-pokkan pksel-pksel ke dalam regon-regon. Haslnya berupa regon-map, yatu label yang dtanda pada pkselpksel dalam ctra yang merupakan klasfkas regon untuk pksel tersebut. Regon growng terdr dar dua tahap, yatu : Valley determnaton Valley determnaton dgunakan untuk menentukan hmpunan valley terbak. Pksel-pksel dengan nla J kurang dar threshold dhubungkan untuk membentuk kanddat valley. Kanddat valley yang ukurannya melebh ukuran valley mnmum pada skala (b) segmentas yang bersesuaan (sepert pada Tabel 1) akan menjad valley. Valley growng Valley growng merupakan proses pembentukan regon-regon dar valley-valley. Regon Mergng Regon mergng dgunakan untuk mengga-bungkan regon-regon yang jaraknya kurang dar threshold regon mergng. Mula-mula, dlakukan perhtungan jarak antara dua regon tetangga dan haslnya dsmpan dalam tabel jarak. Kemudan pasangan regon dengan jarak mnmum dgabungkan. Vektor ftur warna untuk regon tersebut dhtung dan tabel jarak dupdate. Proses tersebut berlanjut hngga mencapa threshold maksmum untuk jarak. Setelah regon mergng, dperoleh hasl segmentas. HASIL UJI COBA Uj coba n melput uj coba knerja. Semua eksperman dlakukan pada sebuah PC dengan prosesor Intel Pentum IV,44 GHz dengan memor sebesar 51 MB. Sstem operas yang dgunakan adalah Wndows XP Professonal. Ctra yang dgunakan untuk uj coba berformat jpg, bmp, ppm, dan tf. Untuk efsens komputas ukuran ctra dbatas mnmal 64 x 64 pksel dan maksmal x pksel. Implementas program menggunakan Matlab 7.. Hasl segmentas pada Lena.tf dtunjukkan pada Gambar 9. Parameter threshold kuantsas warna dset bernla 55, jumlah skala, dan threshold regon mergng bernla,4. Sedangkan hasl segmentas untuk ctra-ctra lan dengan jumlah skala 1 dapat dlhat pada Gambar 1. Uj Coba dengan Varas Ukuran Ctra Grafk perbandngan waktu komputas dengan varas ukuran ctra pada Lena.tf dtunjukkan pada Gambar 5. Dar pengamatan pada gambar, semakn besar ukuran ctra, maka waktu komputas juga semakn besar karena jumlah pksel dalam ctra semakn banyak. Waktu (detk) Lena Ukuran Ctra Waktu kuantsas Waktu spasal Waktu sstem Gambar 5. Grafk perbandngan waktu komputas dengan varas ukuran ctra pada Lena.tf D-11
5 ISBN : Yogyakarta, November 8 Uj Coba dengan Varas Threshold Kuantsas Warna Grafk perbandngan jumlah cluster warna dan jumlah regon dengan varas threshold kuantsas warna pada Lena.tf dtunjukkan pada Gambar 6. Jumlah Lena Threshold Kuantsas Warna Jumlah Cluster Jumlah Regon Gambar 6. Grafk perbandngan jumlah cluster dan jumlah regon dengan varas threshold kuantsas warna pada Lena.tf Dar pengamatan pada gambar, semakn besar threshold kuantsas warna, maka jumlah cluster warna semakn berkurang karena semakn banyak cluster warna yang dgabungkan. Namun jumlah regon yang terbentuk tdak selalu berkurang mengkut jumlah cluster. Jumlah Regon Jumlah Skala lena.tf baboon.bmp peppers.bmp beans.ppm tes.jpg cameraman.tf Gambar 7. Grafk perbandngan jumlah regon dengan varas jumlah skala segmentas Uj Coba dengan Varas Jumlah Skala Grafk perbandngan jumlah regon pada berbaga ctra dengan varas jumlah skala dtunjukkan pada Gambar 7. Data pada grafk menunjukkan bahwa semakn besar jumlah skala, maka hasl segmentas semakn detal. Hal n dtunjukkan dengan semakn banyaknya jumlah regon yang terbentuk. Uj Coba dengan Varas Threshold Regon Mergng Grafk perbandngan jumlah regon dengan varas threshold regon mergng pada Lena.tf dtunjukkan pada Gambar 8. Jumlah Regon Lena ,1,,3,4,5,6,7,8,9 1 Threshold Regon Mergng Jumlah Regon Gambar 8. Grafk perbandngan jumlah regon dengan varas threshold regon mergng pada Lena.tf Data pada grafk menunjukkan bahwa semakn besar threshold regon mergng, maka jumlah regon yang terbentuk semakn sedkt karena semakn banyak regon yang dgabungkan. SIMPULAN Dar hasl uj coba yang dlakukan, ddapatkan beberapa smpulan sebaga berkut: 1. Algortma JSEG berhasl dmplementaskan untuk segmentas ctra berwarna.. Semakn besar ukuran ctra nput yang akan dproses, maka waktu komputas sstem yang dperlukan juga semakn besar. 3. Nla parameter threshold kuantsas warna mempengaruh hasl segmentas dan waktu komputas sstem. Semakn besar threshold kuantsas warna, maka jumlah cluster warna yang terbentuk semakn sedkt karena semakn banyak cluster warna yang dgabungkan. Waktu komputas sstem juga semakn kecl karena semakn sedkt cluster warna yang dproses. 4. Nla parameter jumlah skala mempengaruh hasl segmentas dan waktu komputas sstem. Semakn besar jumlah skala, hasl segmentas semakn detal karena semakn banyak regon yang terbentuk. Waktu komputas sstem juga semakn besar karena proses semakn spasal dulang sebanyak jumlah skala yang dplh oleh pengguna. 5. Nla parameter threshold regon mergng mempengaruh hasl segmentas dan waktu komputas sstem. Semakn besar threshold regon mergng, maka semakn sedkt jumlah regon yang terbentuk. Waktu komputas sstem juga semakn kecl karena semakn sedkt regon yang dproses. 6. Pengembangan yang mungkn dlakukan adalah pencaran algortma optmas untuk mengurang waktu komputas algortma JSEG. Selan tu, juga dlakukan penngkatan kegunaan dar algortma JSEG dengan membangun perangkat lunak untuk keperluan mage retreval atau object recognton yang memanfaatkan hasl segmentas dar algortma JSEG. D-111
6 Prosdng Semnar Nasonal Teknon 8 Bdang Teknk Informatka DAFTAR PUSTAKA [1] Y. Deng, B. S. Manjunath, dan H. Shn. Color Image Segmentaton, In : Proceedngs of IEEE Computer Socety Conference on Computer Vson and Pattern Recognton CVPR 99, Fort Collns, CO, vol., pp , Jun [] Y. Deng, C. Kenney, M. S. Moore, dan B. S. Manjunath, Peer Group Flterng and Perceptual Color Image Quantzaton, to appear n Proc. of ISCAS, [3] Y. Deng, B. S. Manjunath, Unsupervsed Segmentaton of Color-Texture Regons n Images and Vdeo, IEEE Transactons on Pattern Analyss and Machne Intellgence (PAMI 1), vol. 3, no. 8, pp. 8-81, Agustus 1. [4] C. Kenney, Y. Deng, B. S. Manjunath, dan G. Hewer, Peer Group Image Enhancement, IEEE Transactons on Image Processng, vol. 1, no., Februar 1. [5] R. O. Duda dan P. E. Hart, Pattern Classfcaton and Scene Analyss, John Wley & Sons, 197. [6] Lnear dscrmnant analyss Wkpeda, the free encyclopeda, <URL: nant> D-11
SEGMENTASI BERBASIS REGION PADA CITRA BERWARNA UNTUK KEPERLUAN TEMU KEMBALI CITRA PADA EVENT OLAH RAGA LAPANGAN HIJAU
EGMENTAI BERBAI REGION PADA CITRA BERWARNA UNTUK KEPERLUAN TEMU KEMBALI CITRA PADA EVENT OLAH RAGA LAPANGAN HIJAU Arf Basof,.Kom, Moch. Harad, T, M.c, Ph.D. Program Magster Bdang Keahlan Jarngan Cerdas
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 terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
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 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 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 terperinciPERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT
BIAStatstcs (05) Vol. 9, No., hal. -7 PERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT Faula Arna Jurusan Teknk Industr, Unverstas Sultan Ageng Trtayasa Banten Emal : faulaarna@yahoo.com
Lebih 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 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 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 III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih 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 terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB 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 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 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 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 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih 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 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 terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
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 IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
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 terperinciANALISIS KEMIRIPAN POLA CITRA DIGITAL MENGGUNAKAN METODE EUCLIDEAN
AALISIS KEMIRIPA POLA CITRA DIGITAL MEGGUAKA METODE EUCLIDEA Eus St ur Asyah1), Abdul Hayat2), Puspa Wdant3), Shnta Yulnda Prasetya4), Helm Iskandar5) 1), 2 ), 3) Komputersas Akuntans AMIK Raharja Informatka
Lebih 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 V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBab III 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 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 terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih terperinciBAB 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 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 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 terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciBAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk
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 terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciBAB I PENDAHULUAN. 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 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
Lebih terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING BERBASIS SIMILARITAS MAKSIMAL
MAKALA EMINAR TUGA AKIR PERIODE JULI 00 IMPLEMENTAI EGMENTAI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING ERAI IMILARITA MAKIMAL Ayu Arta Paramta Relga, andayan Tjandrasa, Anny Yunart 3 Teknk Informatka,
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciPROTOTYPE APLIKASI UNTUK MENGUKUR KEMATANGAN BUAH APEL BERDASAR KEMIRIPAN WARNA
PROTOTYPE APLIKASI UNTUK MENGUKUR KEMATANGAN BUAH APEL BERDASAR KEMIRIPAN WARNA Catur Iswahyud Program Stud Teknk Informatka, Fakultas Teknolog Industr Insttut Sans & Teknolog AKPRIND Yogyakarta Emal :
Lebih terperinciMETODE OPTIMASI 11/13/2015. Capaian Pembelajaran
2 Capaan Pembelajaran METODE OPTIMASI N. Tr Suswanto Saptad Mahasswa dapat memaham dan mampu mengaplkaskan beberapa metode untuk menyelesakan masalah dengan alternatfalternatf dalam jumlah yang relatf
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
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 terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang akan digunakan dalam penelitian ini adalah
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan yang akan dgunakan dalam peneltan n adalah peneltan pengembangan (Research and Development). Peneltan Research and Development (R&D) n merupakan
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 METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciBAB III 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 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 terperinciKonferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 DAFTAR REVIEWER
Konferens Nasonal Sstem & Informatka 2015 STMIK STIKOM Bal, 9 10 Oktober 2015 DAFTAR REVIEWER Dr. Agus Harjoko Prof. Dr. Sr Hartat Dr.-Ing. Reza Pulungan Dr. Djoko Soetarno, DEA Dr. Ir. Rla Mandala, M.Eng
Lebih terperinciBOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL
BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL Analss sumbangan sektor-sektor ekonom d Bal terhadap pembangunan ekonom nasonal bertujuan untuk mengetahu bagamana pertumbuhan dan
Lebih terperinciBAB IV METODE PENELITIAN. Penelitian mengenai Analisis Pengaruh Kupedes Terhadap Performance
BAB IV METODE PENELITIAN 4.1 Lokas dan Waktu Peneltan Peneltan mengena Analss Pengaruh Kupedes Terhadap Performance Busness Debtur dalam Sektor Perdagangan, Industr dan Pertanan dlaksanakan d Bank Rakyat
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih 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 terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciPENERAPAN ALGORITMA KOMPRESI JPEG DAN METODE FUZZY C-MEANS PADA KOMPRESI CITRA BERBASIS ENTROPI
PENERAPAN ALGORITMA KOMPRESI JPEG DAN METODE FUZZY C-MEANS PADA KOMPRESI CITRA BERBASIS ENTROPI Dka Asoka Masatu 1, Indah Soesant 2, Hanung Ad Nugroho 3 Abstract Advances n technology demand nformaton
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 terperinciHistogram Citra. Bab Membuat Histogram
Bab 6 Hstogram Ctra I nformas pentng mengena s ctra dgtal dapat dketahu dengan membuat hstogram ctra. Hstogram ctra adalah grafk yang menggambarkan penyebaran nla-nla ntenstas pxel dar suatu ctra atau
Lebih terperinciPENGARUH EKSPRESI WAJAH TERHADAP KEBERHASILAN KLASIFIKASI GENDER BERBASIS PCA-LDA
Pengaruh Ekspres Wajah terhadap Gender Berbass - (Agus Seta Bud N.) PENGARUH EKSPRESI WAJAH ERHADAP KEBERHASILAN KLASIFIKASI GENDER BERBASIS - Agus Seta Bud N. (1) (1) Staf Pengajar Jurusan eknk Elektro
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 terperinciPertemuan ke-4 Analisa Terapan: Metode Numerik. 4 Oktober 2012
Pertemuan ke-4 Analsa Terapan: Metode Numerk 4 Oktober Persamaan Non Non--Lner: Metode NewtonNewton-Raphson Dr.Eng. Agus S. Muntohar Metode Newton Newton--Raphson f( f( f( + [, f(] + = α + + f( f ( Gambar
Lebih terperinciPENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN
PENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN Handry Wardoyo 1 Jeanny Pragantha Vny Chrstant M. 3 1 3 Teknk Informatka Unverstas Tarumanagara
Lebih terperinciMETODE THRESHOLDING UNTUK SEGMENTASI CITRA TELUR BERBASIS ANDROID
METODE THRESHOLDING UNTUK SEGMENTASI CITRA TELUR BERBASIS ANDROID Fersa Setyanngrum 1, Kartka Frdausy 2 Program Stud Teknk Elektro, Fakultas Teknolog Industr, Unverstas Ahmad Dahlan Jl. Prof. Dr. Soepomo,
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 terperinciOptimasi Kinerja Algoritma Klasterisasi K-Means untuk Kuantisasi Warna Citra
JURNAL TEKNIK ITS Vol. 1, No. 1 (Sept. 01) ISSN: 301-971 A-197 Optmas Knerja Algortma Klastersas K-Means untuk Kuantsas Warna Ctra Irwanto, Yudh Purwananto dan Rully Soelaman Jurusan Teknk Inmatka, Fakultas
Lebih terperinciUKURAN LOKASI, VARIASI & BENTUK KURVA
UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya
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 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 terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciBAB 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 terperinciSegmentasi Citra Ikan Tuna Menggunakan Gradient-Barrier Watershed Berbasis Analisis Hierarki Klaster Dan Regional Credibility Merging
Segmentas tra Ikan Tuna Menggunakan GBW-AHK dan RM 1 Segmentas tra Ikan Tuna Menggunakan Gradent-Barrer Watershed Berbass Analss Herark Klaster Dan Regonal redblty Mergng Arf Fadllullah 1, Agus Zanal Arfn,
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 terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih terperinciPengenalan Wajah Menggunakan Pseudo-2D Hidden Markov Model
Pengenalan Wajah Menggunakan Pseudo-2D Hdden Markov Model Anak Agung Gde Agung 1, Fazmah Arf Yulanto 2, Warh Maharan 3 1 Program Stud Komputersas Akuntans Polteknk Telkom, Bandung 2,3 Fakultas Teknk Informatka,
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciSEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN
AALISIS DISKRIMIA DISKRIT UTUK MEGELOMPOKKA KOMPOE Bernk Maskun Jurusan Statstka FMIPA UPAD jay_komang@yahoo.com Abstrak Untuk mengelompokkan hasl pengukuran yang dukur dengan p buah varabel dmana penlaan
Lebih terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
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 terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciBAB 2 LANDASAN TEORI. fungsi f(x,y), dimana x dan y merupakan spatial koordinat, dan tingkatan aplitude
BAB 2 LANDASAN TEORI 2.1 Ctra Menurut Gonzales (2004, p1) Ctra bsa djelaskan sebaga 2 dmens dar fungs f(x,y), dmana x dan y merupakan spatal koordnat, dan tngkatan apltude pada poss n dsebut dengan ntenstas
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 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 terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih 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 terperinciJURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-324
JURNAL SAINS DAN SENI IS Vol. 1, No. 1, (Sept. ) ISSN: 3-98X D-3 Analss Statstk entang Faktor-Faktor yang Mempengaruh Waktu unggu Kerja Fresh Graduate d Jurusan Statstka Insttut eknolog Sepuluh Nopemper
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
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 terperinci