KLASIFIKASI ONLINE CITRA DAUN BERDASARKAN FITUR BENTUK DAN RUAS DAUN
|
|
- Sugiarto Gunardi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 KLASIFIKASI ONLINE CITRA DAUN BERDASARKAN FITUR BENTUK DAN RUAS DAUN Agus Zanal Arfn 1, Bayu Bagus, Dn Adn Navastara 3 Jurusan Teknk Informatka, Fakultas Teknolog Informas Insttut Teknolog Sepuluh Nopember Emal : agus.za@ts-sby.edu 1, bayu_tc07@yahoo.com, dn_navastara@f.ts.ac.d 3 Abstrak Sstem temu kembal ctra untuk aplkas pengklasfkasan ctra daun berdasarkan bentuk dan ruas daun sangat dbutuhkan dalam lmu botan. Paper n menjelaskan tentang suatu metode pengenalan jens daun berdasarkan nput berupa sketsa bentuk daun yang dbandngkan terhadap database sketsa daun yang ada. Sstem n dapat dlakukan secara onlne sehngga dapat dakses dmanapun dan kapanpun user berada. Metode pengenalan n melput Mnmum Permeter Polygon untuk ekstraks ftur bentuk pada ctra daun, Venaton Mathng untuk ekstraks ftur ruas daun pada ctra daun. Untuk mendukung knerja dua metode datas, penuls memperkenalkan metode Wndowng matrx untuk mendeteks ujung dan pangkal ruas daun, Thnnng Algorthm menjadkan ruas daun lebh sederhana (lnng one pxel), dan Rotaton Invarant untuk mengubah orentas daun menjad tegak lurus. Setelah melalu uj coba dan analsa, dapat dsmpulkan bahwa hasl pencaran dengan menggunakan metode datas mampu menghaslkan F1 Score atau tngkat akuras 95.83%, Recall sebesar 100%, dan Precson sebesar 9.59%. Kata Kunc: Klasfkas, onlne, system temu kembal, ftur bentuk daun, ftur ruas daun, Mnmum Permeter Polygon, Venaton Matchng, Wndowng Matrx, Thnnng Algorthm, Rotaton Invarant. 1. PENDAHULUAN Pada beberapa sstem temu kembal ctra, sebuah ctra dapat drepresentaskan oleh beberapa ftur sepert warna, tekstur, bentuk dan struktur. Ctra yang mrp dtentukan oleh kedekatan nla ftur yang dpaka. Sementara tu d bdang lmu botan, sangat dbutuhkan teknolog pencaran ctra daun secara otomats dar berbaga koleks ctra daun yang ada. Pada ctra daun yang palng banyak adalah berwarna hjau atau coklat. Maka dar tu, ftur warna tdak dapat dgunakan pada query ctra daun. Tetap, tap daun memlk bentuk dan ruas daun yang berbeda yang dapat dgunakan sebaga ftur untuk dlakukan query. Sstem temu kembal ctra berdasarkan ftur bentuk telah daku sebaga pendekatan yang efsen. Contohnya dapat dtemukan pada sstem pengenalan wajah, sstem pengenalan rs mata dan sstem pengenalan sdk jar. Representas bentuk obyek dapat dklasfkaskan menjad kategor, yatu boundary-based dan regonbased. Dmana boundary-based mendeskrpskan bagan yang menggunakan karakterstk eksternal, dan regonbased merepresentaskan bagan yang menggunakan karakterstk nternal. Pada paper n, karena fokus utama terletak pada karakterstk bentuk sepert tep obyek, orentas gars lurus, penggabungan beberapa ttk, dan sejumlah lekukan pada tep obyek, maka dapat menggunakan representas eksternal. Untuk melakukan representas bentuk obyek pada ctra dapat dgunakan metode Mnmum Permeter Polygon [1]. MPP adalah sebuah metode perkraan polgon atau penelusuran tep dmana yang dukur adalah tep obyek pada ctra. Meskpun demkan, metode n mempunya beberapa kelemahan salah satunya adalah dalam penelusuran ttk. Ftur ruas daun belum sepenuhnya deksplotas sebaga ukuran kemrpan daun. Yang menark adalah beberapa speses tumbuhan mempunya pola kontur yang hampr sama. Contoh, Nuphar Japoncum dan Nuphar Pumlum adalah anggota dar famly Nymphaeaceae. Maka dar tu, ftur ruas daun secara umum dapat dgunakan sebaga ukuran kemrpan daun. Oleh karena tu, penuls membangun sebuah sstem klasfkas ctra daun menggunakan ftur bentuk dan ruas daun yang dapat dlakukan secara onlne. Metode yang dgunakan adalah Mnmum Permeter Polygon [] untuk melakukan ekstraks ftur bentuk daun. Dan metode Venaton Matchng [5] untuk melakukan ekstraks ftur ruas daun. Pada metode tersebut seharusnya dapat dmungknkan mengenal ctra daun dalam poss berbeda orentas. Dalam hal n, dgunakan Rotaton Invarant (tdak membedakan arah) dan metode yang lebh handal dalam menangan ukuran ruas daun yang berbeda. Oleh karena tu, dusulkan sebuah metode pengenalan ctra daun yang mampu menormalsas orentas daun menjad tegak lurus sehngga pengenalan menjad lebh akurat serta mekansme pencaran ujung dan pangkal ruas daun secara cepat dan tepat.. TEORI.1 Leaf Sketch Image Leaf Sketch Image merupakan ctra grayscale yang bers sketsa obyek daun. Leaf Sketch Image 1
2 terdapat tep daun dan ruas ruas daun. Contoh Leaf Sketch Image terdapat pada Gambar 1. Gambar 1 leaf sketch mage Boundary Leaf merupakan tep obyek daun yang dapat dgunakan sebaga ftur bentuk. Contoh tep obyek daun dapat dlhat pada Gambar. tetangga atau 8 ttk tetangga. Ilustras dar Freeman code terdapat pada Gambar 5. Freeman Code dapat dgunakan pada gars tep obyek yang berlekuk lekuk dan tertutup (membentuk bangun lngkar). Pada dasarnya, ada 3 parameter untuk melakukan metode Freeman code. Parameter tu adalah : ttk htam pertama (Po), tahap (L) pencaran ttk htam tetangga (menggunakan dagram arah), terakhr adalah mendapatkan Jalur (T4) sebaga ftur berupa sederetan angka(arah Jalur bsa searah jarum jam atau sebalknya). Gambar boundary leaf Venaton Leaf merupakan ruas ruas daun yang dapat dgunakan sebaga ftur ruas daun. Contoh ruas ruas daun dapat dlhat pada Gambar 3. Gambar 3 venaton leaf Tpe ruas daun dbag menjad 3 jens yatu tpe Pnnate, Parallel dan Palmate. Tpe Pnnate memlk karakterstk pada tumbuhan dkotl yatu ada pangkal utama dan ruas ruas yang menyampng. Pada tpe Parallel memlk karakterstk pada tumbuhan monokotl yatu hanya ada pangkal utama dan tdak mempunya ruas daun. Sedangkan pada tpe Palmate, pangkal utama berupa ttk yang sebaga pusat ruas ruas daunnya. Tpe ruas daun dapat dlhat pada Gambar 4. Gambar 5 Ilustras Freeman code Dgunakan : {Po,L,T4} dalam menyatakan parameter-parameter dar Freeman codng. Selanjutnya melhat bagamana masng-masng parameter menentukan hasl proses dar penelusuran tep kontur. Memlh ttk htam pertama (Po) dengan cara scannng pksel terhadap warna htam, dharapkan bsa mendapatkan hasl penelusuran tep kontur yang sama. L adalah jarak antara ttk asal dengan ttk tetangga terplh yang membentuk kontur. Dalam percobaan, nla L=1 agar representas bentuk mendapatkan ftur yang akurat. Perbedaan hasl dar penelusuran dagram arah pada sstem adalah jelas, apabla {0,1,,3,4,5,6,7} dbandngkan dengan {4,5,6,7,0,1,,3} bentuk obyek jelas akan berbeda. Penjelasan ada pada Gambar 6. Gambar 6 Perbedaan dalam penelusuran dagram arah Gambar 4 venaton type. Freeman Code Metode sederhana untuk merepresentaskan nla dar sebuah tep kontur adalah Freeman code [8], sebuah metode penelusuran ttk htam terdekat dengan perkraan tep kontur bersambung menjad sederetan angka, masng-masng angka mewakl sebuah arah kontur. Freeman Code basanya dgunakan dalam 4 ttk Nla sederetan angka dalam metode Freeman code adalah mewakl arah jalur. Dmana perbedaan nla dalam Freeman code mencermnkan cr atau keunkan bentuk obyek pada setap ctra. Berkut n adalah mplementas program dar proses Freeman Code : Pencaran Ttk Htam Pertama Pada langkah kal n adalah dlakukan scannng ttk htam pertama sebaga acuan penentuan ttk htam berkutnya.
3 Penelusuran Ttk Htam Tetangga Setelah dtemukan ttk htam pertama, maka langkah selanjutnya adalah menelusur ttk htam berkutnya sampa sejumlah data arah yang telah dtentukan. Penympanan Data Arah Langkah terakhr dar metode n adalah mendapatkan sekumpulan data arah atau kode ranta..3 Frst Dfferent Code Setelah mendapatkan kode ranta, selanjutnya perlu dlakukan pembobotan nla arah atau dnamakan Frst Dfferent Code [8]. Proses n mengacu pada dagram arah dengan berputar searah jarum jam yang dapat dlhat pada Gambar 7. Gambar 7 Kalkulas Frst Dfferent Code Msalkan dketahu sebuah kode ranta maka vektor bobot arahnya adalah Hasl tersebut dperoleh dar kode 4 berputar ke kode 6 menghaslkan 6 smpangan, kode 6 berputar ke kode 6 menghaslkan 0 smpangan, kode 6 berputar ke kode 7 menghaslkan 7 smpangan, kode 7 berputar ke kode 7 menghaslkan 0 smpangan dan seterusnya sampa kode ranta habs..4 Rotaton Invarant Algortma [1] n dgunakan untuk merotas ctra berdasarkan sudut tertentu yang ddapat dar Crteron dan ttk baru. Hal hal pentng dar proses n adalah sebaga berkut : 1. Mencar Crteron dan Ttk Baru pada obyek.. Msal a, b, c adalah panjang ss segtga. A adalah sudut yang berhadapan dengan ss a. Maka : cos A b c a bc (1) 3. Maka panjang ss a dapat drumuskan : a ( x j x ) ( y j y ) () 4. Dmana (x,y ) dan (x j,y j ) : koordnat sudut B dan C. 5. Smulasnya dapat dlhat pada Gambar 8. Gambar 8 Deskrps Rotaton Adjustment.5 Thnnng Algorthm Thnnng [9] merupakan suatu proses pentng sebelum melakukan proses-proses atau operas-operas pengolahan ctra, sepert dalam proses pengenalan karakter optc, pengenalan sdk jar, pemrosesan teks, dan lan sebaganya. Thnnng mengakbatkan ponts atau lapsan yang dluar dar pola (pattern) dhlangkan sampa berbentuk sngle pxel lebarnya(berbentuk gars). Gars n dnamakan kerangka (skeleton) dar objek. Gars yang dhaslkan tersebut tdak dapat dbuat bentuk matematkanya. Pksel-pksel yang dtep sebaga pembatas sehngga terbentuk pola gars (skeleton). Algortma Thnnng melakukan pengulangan (teraton), dmana pksel-pksel n dseleks dengan krtera-krtera tertentu untuk memutuskan atau membedakan antara pksel yang akan dhlangkan dan yang tdak. Dsn Algortma Thnnng yang dbahas adalah Zhang Suen. Hal hal pentng dar algortma n adalah sebaga berkut : 1. Proses reduks pksel pada ctra bner sehngga lebar obyek menjad 1 pksel.. Angka 1 adalah pksel htam dan 0 adalah puth. 3. N(P1) adalah jumlah tetangga P1 bernla S(P1) adalah jumlah perpndahan nla 0-1; P,P3 P9. 5. P * P3 = 0 dartkan P atau P3 bernla 0 (nol). Untuk penjelasan aturan pada algortma n dapat dlhat pada Gambar 9. Gambar 9 Penjelasan aturan Thnnng.6 Normalsas dan Perhtungan Jarak Nla normalsas [8] dgunakan untuk menyederhanakan data, dmana data nla pksel dar sebuah ctra tersebut cenderung besar, dengan demkan butuh adanya normalsas. Dengan normalsas n maka data tersebut hanya memlk range antara nol sampa satu. X= { 0, 1,,... n } Maka X = (3) X =( 0 / X, 1 / X,..., n / X ), dmana : X = nla vektor. X = nla pembag. X = nla vektor hasl. Eucldean Dstance dapat danggap sebaga jarak yang palng pendek antar dua ttk, fungs jarak Eucldean [8] pada dasarnya sama halnya dengan persamaan Pythagoras ketka dgunakan d dalam dua dmens. Secara matemats dapat dtuls d dalam persamaan berkut : n 3
4 d(,j)= x 1 x j1 x x j... xp x jp,(4) dmana : d(,j) = nla jarak. x = nla nla pada ftur 1. x j = nla nla pada ftur. pendeteksan ttk ttk ujung dan pangkal ruas daun untuk menentukan tpe ruas daun. 3. METODE Metode yang dgunakan dalam membangun sstem temu kembal ctra daun n adalah sebaga berkut : 3.1 Mnmum Permeter Polygon Mnmum Permeter Polygon [7] dgunakan untuk ekstraks ftur bentuk dar obyek. Intnya adalah penyederhanaan bentuk obyek dengan cara reduks kode ranta dengan hasl berupa polgon sebaga bentuk obyek yang lebh sederhana. Langkah pertama algortma adalah memlh data masukan berupa Leaf Sketch Image. Kemudan langkah kedua adalah menentukan nla komplekstas cell dan menanda area obyek berdasarkan cell. Dalam menentukan nla cell, telah dlakukan ujcoba pada nla, 3, dan 5. Pengujan nla cell n dapat dlhat pada bab lampran. Nla yang terbak adalah 3 karena membutuhkan waktu yang efsen dan ftur hasl juga memenuh syarat untuk dambl tep obyeknya. Dlanjutkan dengan merotas obyek dengan algortma Rotatonal Adjustment. Dlakukan penelusuran kode ranta tep obyek menggunakan Freeman Code dahulu sebelum melakukan reduks kode ranta dengan tujuan menyederhanakan bentuk obyek. Proses reduks kode ranta dlakukan dengan pengamblan sejumlah ttk. Jumlah ttk yang dambl untuk mereduks kode ranta adalah 14 buah, yang dperoleh dar ujcoba dengan nla 7, 14, dan 1 dengan alasan nla 14 ttk menghaslkan polgon yang lebh sederhana dan dapat mewakl ftur bentuk obyek. Langkah berkutnya adalah membentuk polgon dar ttk ttk poss kode ranta yang sudah dreduks dan menelusur kode ranta dar tep polygon menggunakan Freeman Code sekalan dcar vektor bobot arah menggunakan Frst Dfferent Code. Akhrnya menghaslkan vektor bobot arah yang akan dgunakan sebaga ftur bentuk dan dmasukkan ke dalam database. Gambar 10 Deskrps tpe-tpe ruas daun 3. Venaton Matchng Venaton Matchng dgunakan untuk melakukan ekstraks ftur ruas daun dar obyek. Intnya adalah Gambar 11 Deskrps ruas daun Gambar 1 Deskrps tpe tpe ruas daun Langkah dar algortma n adalah melakukan ekstraks ruas daun dengan menghapus tep obyek memaka brushng pxel. Kemudan melakukan rotas obyek ruas daun dengan Rotatonal Adjustment dengan cara mencar Crteron atas dan bawah yang dgunakan poss x dan y untuk menanda ttk baru sehngga dar tga ttk tersebut apabla dhubungkan akan membentuk segtga. Segtga yang ada kemudan dcar sudut sudutnya, dmana salah satu sudutnya akan dproses untuk merotas obyek. Dan dlanjutkan dengan menentukan nla komplekstas cell, lalu menanda area obyek ruas daun berdasarkan cell. Dalam menentukan nla cell, telah dlakukan ujcoba pada nla, 3, dan 5. Pengujan nla cell n dapat dlhat pada bab lampran. Nla yang terbak adalah 3 karena membutuhkan waktu yang efsen dan ftur hasl juga memenuh syarat untuk dambl ruas daunnya. Dar hasl ftur selanjutnya adalah melakukan proses Thnnng untuk menyempurnakan ftur ruas daun. Algortma Thnnng Zhang suen dsn adalah bertujuan untuk menyederhanakan ruas daun sehngga terbentuk obyek dengan lnng 1 pksel atau lebh tps dar sebelumnya. Pendeteksan ttk-ttk ujung dan pangkal ruas daun dengan cara Wndowng Matrx (3x3) dengan beberapa matrks yang dapat dlhat pada Gambar 3-4. Pada Gambar 3-4 terdapat tga buah matrks yang berfungs untuk mendeteks ujung ujung ruas daun, 3 buah matrks untuk pangkal ruas daun dan 4 buah matrks untuk deteks konds tpe Palmate. Lalu dar data ttk ttk ujung dan pangkal ruas daun sepert pada Gambar 3-3 dapat dtentukan tpe ruas daunnya dmana bagan berwarna hjau merupakan 4
5 ujung ujung dar ruas daun, bagan berwarna bru adalah pangkal ruas daun, dan bagan berwarna merah tua adalah hasl deteks pangkal yang mengumpul sebaga konds tpe Palmate. Akhrnya ddapatkan nla flag untuk tpe tpe ruas daun sebaga data yang dsmpan dalam database. daun termasuk pnnate, palmate atau parallel. Aplkas juga menyedakan smulas proses metode MPP dapat dlhat pada Gambar 17 dan smulas proses metode VM dapat dlhat pada Gambar 18. Gambar 16 Tamplan aplkas Gambar 13 Deskrps Wndowng Matrx 4. UJI COBA Uj coba dlakukan untuk mengetahu apakah semua fungs pada aplkas berjalan sesua dengan yang dngnkan. 4.1 Uj Coba Sstem Pada subbab n akan dlakukan uj coba sstem klasfkas ctra daun berdasarkan ftur bentuk dan ruas daun menggunakan metode Mnmum Permeter Polygon dan Venaton Matchng. Ctra yang dgunakan berupa Leaf Sketch Image yang terdr dar boundary dan venaton sepert dtunjukkan pada Gambar 14. Data uj coba dapat dlhat pada Gambar 15. Gambar 17 Tamplan smulas metode MPP Gambar 14 Leaf Sketch Image Gambar 18 Tamplan smulas metode VM A B C D E F Gambar 15 Data Uj coba Tamplan aplkas system dapat dlhat pada Gambar 16 dmana ketka ctra daun dmasukkan sebaga uj coba maka akan dhaslkan klasfkas jens Nla threshold yang dplh dalam menamplkan hasl pencaran adalah 35%, 55%, 75% dan 95% dengan tujuan untuk mengetahu kecenderungan nak dan turunnya nla Recall dan Precson dar ujcoba. Selanjutnya nla Recall dan Precson n dgunakan sebaga parameter pengukuran F1 Score dar sstem. F1 Score n dsebut sebaga nla akuras dar percobaan. Dalam pemlhan Threshold dsn nla 35% dapat dartkan bahwa nla jarak yang dtamplkan sebaga hasl adalah antara 0 sampa 0.35, nla 55% adalah antara 0 sampa 0.55, nla 75% adalah antara 0 sampa 0.75, dan pada nla 95% yang dtamplkan adalah jarak antara 0 sampa Jka semakn besar nla threshold, maka akan menghaslkan jumlah ctra semakn banyak 5
6 dan jka semakn kecl nla threshold, maka akan menghaslkan jumlah ctra semakn sedkt. 4. Uj Coba Performa System Pengujan dlakukan pada 1 ctra query sebaga Data Testng terhadap Data Tranng, dmana masngmasng Data Testng akan duj pada beberapa threshold yatu threshold 35%, 55%, 75%, 95%. Tabel 1 Data Tranng dalam Database No Tpe Ruas Daun Jumlah Ctra 1 Pnnate 64 Parallel 18 3 Palmate 18 Total Jumlah Ctra 100 Tabel Rata-rata prosentase Recall, Precson dan F1 Score No Threshold Recall Precson F1 Score 1 35% 61.3% 9.76% 69.89% 55% 9.40% 9.59% 91.67% 3 75% 99.53% 9.59% 95.59% 4 95% 100% 9.59% 95.83% Data Tranng adalah berupa seratus ctra sketsa daun yang telah dketahu terdr dar ctra bertpe Pnnate, Parallel, dan Palmate dengan perbandngan jumlah berdasarkan tpe ruas daun sepert pada Tabel 1. Dar hasl pengujan pada masng-masng threshold, dhtung prosentase akurasnya dengan cara menghtung nla Recall dan Precson dahulu. Kemudan dar nla tersebut dcar bobot rata-ratanya yang dhtung dengan F1 Score. Nla F1 Score yang dhaslkan dapat dsebut dengan nla akuras. Gambar 19 Grafk rata-rata prosentase akuras ctra Dar beberapa pengujan sepert pada Tabel, dapat dketahu bahwa semakn besar tngkat threshold maka semakn banyak ctra yang dhaslkan, sehngga menyebabkan nla Recall semakn besar dkarenakan ctra yang cocok dengan ctra query semakn banyak pula. Dan nla Precson cenderung semakn kecl dkarenakan ctra yang tdak cocok dengan ctra query juga sedkt bertambah. Hal hal datas mengakbatkan prosentase akuras yang dhaslkan semakn besar. Begtu juga sebalknya. Pada Gambar 19 dapat dlhat bahwa nla recall dan precson pada masng masng threshold cenderung berlawanan alas berbandng-terbalk. Jka recall cenderung mengalam kenakan, maka kemungknannya precson akan mengalam sedkt penurunan. 5. KESIMPULAN Kesmpulan yang dperoleh berdasarkan uj coba dan analsa hasl yang telah dlakukan adalah sebaga berkut : 1. Metode Mnmum Permeter Polygon cukup efektf untuk penyederhanaan bentuk daun, sehngga ftur bentuk lebh optmal.. Metode Venaton Matchng mampu mendeteks tpe ruas daun pada ctra daun. 3. Kesalahan deteks ruas daun Pnnate dapat terjad karena ruas ruas daun yang terlalu berhmptan, sehngga terdeteks sebaga ruas daun Palmate. 4. Knerja sstem temu kembal ctra daun n mampu mencapa nla Recall 100%, Precson 9.59%, dan F1 Score 95.83% pada Threshold 95%. DAFTAR PUSTAKA [1]. Yunyoung Nam, Eenjun Hwang, Dongyoon Km, A smlarty-based leaf mage retreval scheme: Jonng shape and venaton features,computer Vson and Image Understandng 110 (008) []. J. Sklansky, R.L. Chazn, and B.J. Hansen,Mnmum Permeter Polygons of Dgtzed Slhouettes, TC(1), No. 3, March 197, pp [3]. M. Han, D. Jang, The use of maxmum curvature ponts for the recognton of partally occluded objects, Pattern Recognton 3 (1- ) (1990) [4]. Z. Wang, Z. Ch, D. Feng, Q. Wang, Leaf Image Retreval wth Shape Features, Lecture Notes n Computer Scence 199 (000) [5]. Y. L, and Z. Ch, and D. Feng, Leaf ven extracton usng ndependent component analyss, IEEE Internatonal Conference on Systems, Man and Cybernetcs, 006, pp [6]. Adam Runons, Martn Fuhrer, Brendan Lane, Pavol Federl, Anne-Gaëlle Rolland-Lagan, and Przemyslaw Prusnkewcz. Modelng and vsualzaton of leaf venaton patterns. ACM Transactons on Graphcs 4(3), pp [7]. Magnusson Mara, Dgtal Image Processng Lecture 1 Varous Topcs, CVL Insttutonen for system teknk Teknska Hogskolan Lnkopngs Unverstet. [8]. Bagus Bayu, 007 : Image Database menggunakan Content Based Image Retreval dengan Ekstraks Ftur Terstruktur, PENS-ITS. [9]. Putro Andhka, 008 : Algortma Thnnng dan Penjelasannya, 6
Klasifikasi Online Citra Daun berdasarkan Fitur Bentuk dan Ruas Daun
Klasifikasi Online Citra Daun berdasarkan Fitur Bentuk dan Ruas Daun Agus Zainal Arifin 1, Bayu Bagus, Dini Adni Navastara 3 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi
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 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 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 terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciBAB 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 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 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 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 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 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 terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
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 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciANALISIS KEMIRIPAN POLA CITRA DIGITAL MENGGUNAKAN METODE EUCLIDEAN
AALISIS KEMIRIPA POLA CITRA DIGITAL MEGGUAKA METODE EUCLIDEA Eus St ur Asyah1), Abdul Hayat2), Puspa Wdant3), Shnta Yulnda Prasetya4), Helm Iskandar5) 1), 2 ), 3) Komputersas Akuntans AMIK Raharja Informatka
Lebih terperinciBAB 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 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 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 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 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 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 IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
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 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 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 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 terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciBAB 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 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 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 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 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 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 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 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 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 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 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 terperinciBAB 2 ANALISIS ARUS FASA PADA KONEKSI BEBAN BINTANG DAN POLIGON UNTUK SISTEM MULTIFASA
BAB ANALISIS ARUS FASA PADA KONEKSI BEBAN BINTANG DAN POLIGON UNTUK SISTEM MULTIFASA.1 Pendahuluan Pada sstem tga fasa, rak arus keluaran nverter pada beban dengan koneks delta dan wye memlk hubungan yang
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 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 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 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 terperinciFACE RECOGNITION MENGGUNAKAN METODE ALGORITMA VIOLA JONES DALAM PENERAPAN COMPUTER VISION
FCE RECOGTO MEGGUK METODE LGORTM VOL JOES DLM PEERP COMPUTER VSO Pareza lam Jusa, S.Kom, M.Kom STKOM Dnamka Bangsa Jamb,Teknk nformatka E-mal: parezaalam@stkom-db.ac.d BSTRK Deteks wajah merupakan suatu
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 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 terperinciSEGMENTASI 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 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 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 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 METODE KOMPRESI DAN DEKOMPRESI. untuk setiap B X. fraktal. Penjelasan dimulai dengan pengenalan Multiple Reduction Copy
BAB III METODE KOMPRESI DAN DEKOMPRESI Kompres ctra fraktal memodelkan ctra sebaga lmt dar suatu proses teras. Jka dberkan suatu ctra A X, metode n akan mencar suatu proses W sedemkan sehngga ttk tetap
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 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 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 terperinciBAB II DASAR TEORI. 2.1 Definisi Game Theory
BAB II DASAR TEORI Perkembangan zaman telah membuat hubungan manusa semakn kompleks. Interaks antar kelompok-kelompok yang mempunya kepentngan berbeda kemudan melahrkan konflk untuk mempertahankan kepentngan
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 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 terperinciImplementasi Adaptive Support Vector Machine untuk Membantu Identifikasi Kanker Payudara
1 Implementas Adaptve Support Vector Machne untuk Membantu Identfkas Kanker Payudara Baktar Karsma, Dana Purwtasar, Anny Yunart Teknk Informatka, Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember
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 terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciBAB 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 terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciSEARAH (DC) Rangkaian Arus Searah (DC) 7
ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan
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 terperinciANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE M. Fachrurroz, M.T. 1, Nov Yuslan, M.T. 2 1,2 Jurusan Teknk Informatka Fakultas Ilmu Komputer, Unverstas Srwjaya 1 obetsobets@gmal.com,
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 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 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 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 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 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 terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
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 terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
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 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 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 II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
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 terperinciInterpretasi data gravitasi
Modul 7 Interpretas data gravtas Interpretas data yang dgunakan dalam metode gravtas adalah secara kualtatf dan kuanttatf. Dalam hal n nterpretas secara kuanttatf adalah pemodelan, yatu dengan pembuatan
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
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 terperinciPERBANDINGAN METODE SAW DAN TOPSIS PADA KASUS UMKM
PERBANINGAN METOE SAW AN TOPSIS PAA KASUS UMKM Muh. Alyazd Mude al.mude@yahoo.com Teknk Informatka Unverstas Muslm Indonesa Abstrak alam pengamblan keputusan terhadap masalah berdasarkan sebuah analsa
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 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 terperinciSEGMENTASI CITRA BERWARNA MENGGUNAKAN ALGORITMA JSEG
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
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciPRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel
PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan
Lebih 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 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 terperinciPerancangan Simulasi Integrasi Pengirim-Penerima DVB-T
Bab 3 Perancangan Smulas Integras Pengrm-Penerma DVB-T 3.1 Pendahuluan Program smulas pada tess n bertujuan untuk mensmulaskan perbandngan knerja algortma snkronsas waktu dan frekuens dalam berbaga tpe
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 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
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 terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih 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 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 terperinci