PENGKLASTERAN DOKUMEN DENGAN EXPECTATION MAXIMATION MENGGUNAKAN MULTIRESOLUTION KD-TREE
|
|
- Benny Indra Sugiarto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGKLASTERAN DOKUMEN DENGAN EXPECTATION MAXIMATION MENGGUNAKAN MULTIRESOLUTION KD-TREE Diana Purwitaari, Yudhi Purwananto, Anggit SN Juruan Teni Informatia, Faulta Tenologi Informai, Intitut Tenologi Sepuluh Nopember (ITS) Kampu ITS, Jl. Raya ITS, Suolilo, Surabaya 60111, Indoneia Tel , Fax diana@it-by.edu, yudhi@it-by.edu ABSTRAK Pada item temu embali informai, penglateran doumen dengan algoritma Expectation Maximation () membutuhan watu dalam etimai parameter nilai tengah µ, variai Σ dan denita data p. Untu memperingat iterai, digunaan trutur data multireolution d-tree (MRKD-Tree) berupa binary tree dengan banya informai terimpan di etiap node. Pada penglateran, data haru berupa numeri ehingga untu data doumen yang berbentu te perlu dilauan prapemroean. Pada tahap terebut etiap doumen direpreentaian ebagai vetor ehingga umpulan doumen aan membentu matri data numeri yang elanjutnya menjadi data input dalam penglateran. Kumpulan doumen diimpan e databae Oracle 9i emudian mau tahap prapemroean dengan bantuan Oracle Text 9. untu menghilangan topword dan melauan temming. Matri doumen terbentu dari datadata numeri dalam databae yang aan dinyataan ebagai trutur data MRKD-Tree. Setiap node pada tree menyimpan informai numpoint, plitdim, plitval, centroid, cov, dan hyperrect. Pada node root nilai numpoint berii jumlah emua doumen yang ada, emudian dilauan pemiahan ecara hyperrectangular berdaaran dimeni dengan rentang nilai terbear. Pemiahan teru dilauan ampai nilai numpoint pada uatu node mencapai bata tertentu. Etimai parameter dengan algoritma dihitung menggunaan informai dari etiap node pada MRKD-Tree. Uji ebenaran penglateran algoritma -MRKD-Tree pada doumen UeNet Collection menghailan error ±.1% lebih bai daripada algoritma untu data dengan ela berdeatan dan ±.7% untu ela berjauhan. Secara rata-rata watu penglateran doumen dengan algoritma -MRKD-tree lebih bai daripada algoritma dengan terpaut ±10.5 menit. Untu algoritma -MRKD-tree, emain bertambah jumlah doumen maa pertambahan watu yang dibutuhan dalam penglateran cenderung tida ebanya dalam algoritma. Begitu juga dengan pengujian perubahan nilai threhold 1%, % dan % dari jumlah doumen eeluruhan tida menunjuan perubahan watu penglateran yang ignifian. Kata Kunci: item temu embali informai, penglateran doumen, expectation maximation, multireolution d-tree, oracle text. 1. PENDAHULUAN Proe penggabungan beberapa obje yang memilii peramaan ciri menjadi uatu elompo dinamaan penglateran[1]. Peramaan ciri obje-obje pada uatu later lebih deat daripada peramaan ciri dengan obje di later yang lain. Dengan ata lain jara obje intra-later lebih deat daripada jara obje inter-later. Pada Sitem Temu Kembali Informai (information retrieval), analia later digunaan untu melauan pengelompoan eumpulan doumen berdaaran emiripan ii menjadi beberapa later. Pada umpulan doumen (mixture model) terdapat informai (hidden variable) nilai tengah µ, variai Σ dan denita data p untu etiap later. Untu mengelompoan doumen terebut aan dilauan etimai nilai parameter (µ, Σ, p) dengan pendeatan algoritma Expectation Maximation (). Secara iterai aan dilauan etimai nilai parameter dan menghailan nilai denita p ecara d i t1 t t t 4 doumen1 term1 term1 term. term term1 term term. doumen term4 term term. term1 term1 term term. 1 0 Gambar 1. Matri Set Doumen probabiliti ehingga dietahui emunginan uatu doumen untu dimauan e dalam uatu later tertentu []. Pada algoritma membutuhan watu aibat iterai yang haru dilauan aat etimai parameter. Untu memperingat iterai, digunaan trutur data multireolution d-tree (MRKD-Tree) berupa binary tree dengan banya informai terimpan di etiap node. Pada multireolution d-tree etiap node tida mewaili atu data melainan banya data []. d 1 d 1 D 1 0 1
2 Gambar. Ilutrai Mixture Model Pada doumen, jumlah ata atau term tertentu yang ada didalamnya aan menjadi ciri doumen terebut. Sebuah doumen aan direpreentaian ebagai vetor dengan elemen-elemen didalamnya adalah jumlah etiap term yang berbeda (Lihat Gambar 1). Terdapat et doumen D berii ejumlah N doumen dan etiap doumen dinotaian ebagai d i dengan nilai i=1 N. Terdapat et term T ejumlah M term berbeda yang aan menjadi ciri etiap doumen d i. Repreentai vetor doumen d i =[t j=1,, t j=m ] T dengan t j adalah jumlah term e- j dalam doumen d i. Pada Gambar 1, terdapat et doumen D={d 1, d } dengan et term T={ t 1, t, t, t 4 }. Vetor d 1 =[,, 1, 0] T yang berarti jumlah term e-1, e-, e- dan e- 4 dalam doumen e-1 adalah,, 1 dan 0. Sedangan matri D adalah matri doumen dengan jumlah bari menyataan jumlah ciri dan jumlah olom menyataan jumlah doumen yang ada.. MIXTURE MODEL Mial dilauan pencatatan tinggi badan mahaiwa Teni Informatia ITS angatan 006. Apabila dinyataan dalam grafi, maa variabel nilai tinggi badan hanya aan memilii atu nilai tengah data. Namun grafi pada Gambar menunjuan adanya dua nilai yang cenderung menjadi titi tengah data. Data tinggi mahaiwa merupaan mixture model yang berarti eungguhnya terdapat elompo data dengan maing-maing memilii nilai tengah dan variai data maing. Apabila data-data terebut dilater terendiri maa terdapat elompo mahaiwa putra dengan nilai tengah µ 1 = ±177 dan variai data σ 1 erta elompo mahaiwa putri dengan nilai tengah µ = ±160 dan variai data σ (Catatan: digunaan imbol σ arena data berdimeni atu). Nilai lain yang dapat ditemuan adalah nilai denita data p. Setiap data tinggi mahaiwa memilii nilai p 1 dan p. Apabila pada uatu data nilai p 1 >p maa data terebut mau later 1 dan ebalinya.. PRAPROSESAN DOKUMEN Pada penglateran, data haru berupa numeri ehingga untu data doumen yang berbentu te perlu dilauan prapemroean. Pada tahap terebut 5 Gambar. Ilutrai Pembuatan KD-Tree etiap doumen direpreentaian ebagai vetor ehingga umpulan doumen aan membentu matri data numeri yang elanjutnya menjadi data input dalam penglateran. Langah-langah yang dilauan pada prapemroean doumen untu item temu embali informai antara lain menganalia leial te, menghilangan topword, melauan temming, menentuan grup ata, dan membuat trutur ategoriai ata [4]. Namun prapemroean doumen untu penglateran dengan algoritma -MRKD-tree tida emua langah terebut dilauan. Tahap prapemroean dilauan untu membentu et term T atau diebut juga dengan pengindean ata dari et doumen D. Digunaan fitur-fitur Oracle Text 9. yang dihuuan ebagai modul Oracle 9i untu apliai item temu embali informai [5]. Kumpulan doumen diimpan e databae Oracle 9i emudian mau tahap prapemroean dengan bantuan Oracle Text 9. untu menghilangan topword dan melauan temming. Matri doumen terbentu dari data-data numeri dalam databae yang aan dinyataan ebagai trutur data MRKD-Tree. 4. PENGKLASTERAN DOKUMEN Untu memperingat iterai algoritma, digunaan trutur data multireolution d-tree (MRKD-Tree) berupa binary tree dengan banya informai terimpan di etiap node. Setiap node pada tree aan menyimpan informai beriut: 1 7
3 ND.NUMPOINTS Jumlah data yang berada dalam daerah hyperrectangle untu node ND. ND.SPLITDIM Inde dimeni yang aan digunaan untu membagi data pada node parent. Pada ruang ampel dengan multidimeni, nilai plitdim ditentuan dari dimeni dengan rentang nilai terbear. ND. SPLITVAL Nilai tengah dari uatu rentang nilai data pada dimeni yang dinyataan dalam nilai plitdim. Jia pada dimeni tertentu rentang nilai -0 maa nilai plitval = 11. ND. CENTROID Nilai rata- rata dari umpulan data pada dimeni plitdim yang ada dalam daerah hyperrectangle untu node ND. ND.COV Nilai covariance dari umpulan data pada dimeni plitdim yang ada dalam daerah hyperrectangle untu node ND. ND.HYPERRECT Daerah hyperrectangle untu node ND berupa dua buah array yang menyataan nilai terendah dan tertinggi dari tiap tiap dimeni. Mialan terdapat 4 data dengan dua dimeni, (,), (1,), (4,7), (1,10), maa daerah hyperrectangle memilii nilai terendah (1, ) dengan 1 untu dimeni-1 dan untu dimeni-. Sedangan nilai tertinggi (4, 10) menunjuan 4 untu dimeni-1 dan 10 untu dimeni-. Pada node root nilai numpoint berii N menyataan jumlah emua doumen yang ada. Untu etiap dimeni-j dicari rentang nilai terendah dan tertinggi. Inde dimeni dengan rentang nilai terbear aan menjadi nilai plitdim. Kemudian dilauan pemiahan ecara hyperrectangular berdaaran dimeni dengan rentang nilai terbear. Pemiahan teru dilauan ampai nilai numpoint pada uatu node mencapai bata tertentu (Lihat Gambar ). Jia ambang bata threhold diberi nilai 0, maa pemiahan data pada node parent aan berhenti jia node child hanya memilii atu data. Etimai parameter dengan algoritma dihitung menggunaan informai dari etiap node pada MRKD-Tree yang diatifan melalui pemanggilan fungi MAKESTAT pada node root. Diaumian et doumen D aan dielompoan menjadi ejumlah C later ehingga pemanggilan fungi MAKESTAT(ND, θ ) menghailan variabel SW, SWX, dan SWXX dengan nilai =1...C. Diaumian θ = {p, µ, Σ } dengan menunjuan iterai yang e-. SW w ND. NUMPOINTS... (Rumu 1) SWX w ND. NUMPOINTS ND CENTROID SWXX Nilai. w P( l (Rumu ) w ND. NUMPOINTS ND COV... (Rumu ). w dihailan dari perhitungan x, ) C P( x l, ) P( l, ) y1 P( x l, ) P( l y y ) (Rumu 4) Nilai l menunjuan later e- dan x diambil dari ND.CENTROID. 5. UJI COBA Uji coba dilauan pada omputer dengan proeor AMD Athlon XP GHz, memori 1 GB, Microoft Window XP Service Pac, bahaa pemrograman Java, bai data Oracle 9i beerta Oracle Text 9.. Data pengujian diambil dari UeNet Collection (0NG) diumpulan Ken Lang dengan url : Jumlah doumen mencapai terelompo Tabel 1. Nilai Error Hail Uji Kebenaran Penglateran Data pada Kela Berdeatan Nama Klater Error dengan Algoritma Error dengan Algoritma -MRKD-tree N = 50 N = 500 N = 750 N = 1000 N = 50 N = 500 N = 750 N = 1000 comp.graphic 78.00% 80.00% 5.% 7.00% 70.00% 8.00% 54.67% 7.50% comp.o.m-window.mic 18.00% 4.00%.67%.00% 0.00% 4.00%.%.00% comp.y.ibm.pc.hardware 6.00% 5.00%.% 19.00% 4.00%.00% 0.67% 10.50% comp.y.mac.hardware 74.00%.00% 1.% 1.50% 48.00%.00%.00% 1.50% comp.window.x 64.00% 98.00% 65.% 47.00% 56.00% 98.00% 5.% 47.50% Rata-rata ealahan 48.00% 4.80% 9.0% 1.0% 9.60% 4.60% 6.80% 19.80% 5.58%.45% Tabel. Nilai Error Hail Uji Kebenaran Penglateran Data pada Kela Berjauhan Nama Klater Error dengan Algoritma Error dengan Algoritma -MRKD-tree N = 50 N = 500 N = 750 N = 1000 N = 50 N = 500 N = 750 N = 1000 comp.y.ibm.pc.hardware 68.00% 76.00% 9.% 0.50% 6.00% 77.00% 4.% 1.00% oc.religion.chritian 14.00%.00%.67%.00% 1.00% 4.00%.%.00% ci.med 8.00% 0.00% 19.% 9.00% 6.00% 19.00% 16.00% 4.50% rec.motorcycle 40.00%.00% 1.%.50% 6.00%.00%.00%.50% rec.port.hocey 5.00% 91.00% 58.00% 4.00% 40.00% 89.00% 50.67% 4.00% Rata-rata ealahan 6.40% 8.60% 4.1% 17.40% 9.0% 8.40%.07% 16.80% 9.1% 6.87%
4 Watu (deti) Watu Penglateran Watu (deti) Tabel. Perbandingan Watu Penglateran Pengaruh Perubahan Threhold Terhadap Watu (Data Sama) Kela Berdeatan Kela Berjauhan Watu Rata-Rata 000 Jml Doumen -MRKDtree -MRKDtree -MRKDtree Watu Penglateran Rata-Rata -MRKD-tree Jumlah Doumen Gambar 4. Perbandingan Watu Penglateran dalam 0 newgroup berbeda. Data untu daftar ata topword digunaan RainBow (libbow) toolit url : Jumlah doumen yang digunaan diambil ecara bertahap mulai dari 50, 500, 750, ampai 1000 doumen dengan jumlah iterai maimal 100. Pengujian dilauan pada data-data yang terleta dalam later berdeatan diambil dari comp.graphic,comp.o.m-window.mic, comp.y.ibm.pc.hardware, comp.y.mac.hardware, dan comp.window.x dengan perbandingan jumlah doumen ama. Sedangan pengujian untu datadata yang laternya berjauhan diambil dari comp.y.ibm.pc.hardware, oc.religion.chritian, ci.med, rec.motorcycle, dan rec.port.hocey juga dengan perbandingan jumlah doumen ama. Dilauan uji ebenaran dengan membandingan tingat ealahan hail penglateran algoritma - MRKD-tree dan algoritma. Hail rata-rata ealahan pada ela yang berdeatan ditunjuan pada Tabel 1 dan Tabel untu ela yang berjauhan. Pengujian watu penglateran untu data-data dengan ela yang berdeatan dan ela yang berjauhan ditunjuan pada Tabel. Secara rata-rata watu penglateran doumen dengan algoritma -MRKD-tree lebih bai daripada algoritma dengan terpaut ±10.5 menit. Grafi analia lama watu penglateran dibanding dengan jumlah doumen diperlihatan pada Gambar 4. Untu algoritma -MRKD-tree, emain bertambah jumlah doumen maa pertambahan watu yang dibutuhan dalam penglateran cenderung tida ebanya dalam algoritma % % % Gambar 5. Grafi Perubahan Threhold terhadap Watu Penglateran pada Kela Berdeatan Gambar 6. Grafi Perubahan Threhold terhadap Watu Penglateran pada Kela Berjauhan Uji coba elanjutnya dengan merubah nilai bata atau threhold yang ondii pembentuan node leaf pada trutur data MRKD-tree. Diharapan nilai ambang yang emain bear aan membentu tree dengan jumlah node lebih ediit ehingga watu pemanggilan fungi MAKESTAT pada node root lebih cepat mencapai node leaf. Pengujian dilauan pada threhold enilai 1%, % dan % dari jumlah doumen eeluruhan. Gambar 5 menunjuan watu penglateran yang dibutuhan oleh etiap perubahan threhold pada data-data dengan ela yang berdeatan. Sedangan Gambar 6 untu grafi yang ama namun dengan data-data dari ela yang berjauhan. Namun ternyata watu penglateran tida menunjuan perubahan yang ignifian eiring dengan perubahan threhold. 6. SIMPULAN Jumlah Doumen Pengaruh Perubahan Threhold Terhadap Watu (Data Beda) % % % Jumlah Doumen Dilauan uji ebenaran dengan melihat doumen hail penglateran yang berhail mau e dalam ela yang benar. Tingat ealahan penglateran dengan algoritma rata-rata 5.58% untu elaela yang berdeatan dan 9.1% untu ela-ela yang berjauhan. Modifiai pada algoritma menjadi -MRKD-tree memberian penurunan tingat ealahan menjadi rata-rata.45% untu ela-ela berdeatan dan 6.87% untu elaela yang berjauhan.
5 Jumlah data juga berpengaruh terhadap eauratan penglateran ehingga nilai error aan teru menurun. Seperti pada uji coba menggunaan 1000 doumen nilai error menurun ±5-0% dibanding nilai error aat uji coba menggunaan 50 doumen. Uji performa dilauan dengan melihat watu penglateran. Terdapat enario tambahan untu melihat watu penglateran dengan menambahan perubahan nilai threhold aat membentu trutur data MRKD-tree. Untu ela-ela yang berdeatan, algoritma membutuhan watu penglateran rata-rata 1566 deti edangan algoritma -MRKD-tree lebih cepat dengan 940 deti. Begitu juga dengan penglateran pada datadata dengan ela yang berjauhan, algoritma membutuhan watu penglateran 157 deti edangan algoritma -MRKD-tree hanya 944 deti. Hal terebut terjadi diarenaan data umber doumen berpengaruh pada penglateran doumen. Untu uji coba perubahan nilai threhold, pengaruh perubahan watu penglateran dengan algoritma -MRKD-tree ediit ehingga tida terlalu ignifian bai untu data-data dengan ela yang berdeatan maupun berjauhan. 7. DAFTAR PUSTAKA 1. Naya, Pranyanmita, Cluter Analyi and Clutering Algorithm, 00. D Alimonte, Davide, Statitical Pattern Analyi Mixture Model, Aton Univerity, UK, 004. Moore, A, Very Fat -baed Mixture Model Clutering uing Multireolution d-tree, Carnegie Mellon Univerity, Pittburgh, PA, Baeza-Yate, R., Ribeiro-Neto, B., Modern Information Retrieval, Addion Weley, Oracle Corporation, Oracle Text Reference Guide, Redwood Shore, CA, 00
BALOK DENGAN PERKUATAN
BALOK DNGAN PRKUATAN. TUJUAN PRKULAHAN A. TUJUAN UMUM PRKULAHAN (TUP) Setelah mempelajari materi tentang balo dengan peruatan, ecara umum anda diharapan :. Mampu menjelaan pengertian dan item dan analia
Lebih terperinciIV PENYELESAIAN MASALAH PENETAPAN BLOK PADA REL PELANGSIRAN DENGAN MENGGUNAKAN TEKNIK PEMBANGKITAN KOLOM
22 {, } {, } x, S, K (2) y, B (22) Tuuan dari fungi oetif (8) adalah meminimuman ongo dari aignmentaignment yang fiiel erta meminimuman anyanya lo yang tida diparir pada rel pelangiran. Kendala (9) menyataan
Lebih terperinciEvaluasi Distribusi Gabungan pada Teori Resiko
Evaluai Ditribui Gabungan pada Teori Reio Roita Kuumawati Juruan Pendidian Matematia, Univerita egeri Yogyaarta Karangmalang, Yogyaarta roitauumawati@gmailcom ABTRAK Evalui ditribui gabungan merupaan bagian
Lebih terperinciAPLIKASI PROGRAM DINAMIS PADA PENYUSUNAN FLIGHT PLANNING
APLIKASI PROGRAM DINAMIS PADA PENYUSUNAN FLIGHT PLANNING Chritian Hadiwinoto Program Studi Teni Inormatia, Seolah Teni Eletro dan Inormatia, Intitut Tenologi Bandung Jalan Ganeca 10, Bandung 40132 e-mail:
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciAnalisis Rangkaian Listrik Di Kawasan s
Sudaryatno Sudirham nalii angaian itri Di Kawaan - Sudaryatno Sudirham, nalii angaian itri 3 nalii angaian Menggunaan Tranformai aplace Setelah mempelajari bab ini ita aan memahami onep impedani di awaan.
Lebih terperinciLATAR BELAKANG MATEMATIS
8 II LATAR BELAKANG MATEMATIS Derii : Bab ini memberian gambaran tentang latar belaang matemati ang digunaan ada item endali eerti eramaan linear diferenial orde (atu), orde (dua), orde tinggi, tranformai
Lebih terperinciEVALUASI DISTRIBUSI GABUNGAN MENGGUNAKAN ALGORITMA KONVOLUSI DAN REKURSI PANJER
Vol 7, o, Juni 0 EVALUAI DITRIBUI GABUGA MEGGUAKA ALGORITMA KOVOLUI DA REKURI PAJER Roita Kuumawati Juruan Pendidian Matematia Faulta Matematia dan Ilmu Pengetahuan Alam Univerita egeri Yogyaarta (UY)
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciPengaruh Proses Stemming Pada Kinerja Analisa Sentimen Pada Review Buku
Jurnal Hasil Penelitian LPPM Untag Surabaya Januari 2018, Vol. 03, No. 01, hal 55-59 jurnal.untag-sby.ac.id/index.php/jhp17 E-ISSN : 2502-8308 P-ISSN : 2579-7980 Pengaruh Proses Stemming Pada Kinerja Analisa
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciMODUL IV ESTIMASI/PENDUGAAN (3)
MODUL IV ETIMAI/PENDUGAAN (3) A. ETIMAI RAGAM Etimai ragam digunakan untuk menduga ragam σ berdaarkan ragam dari uatu populai normal contoh acak berukuran n. Ragam contoh ini akan digunakan ebagai nilai
Lebih terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
Lebih terperinciBAB 8 PEMODELAN DAN SIMULASI REAKTOR CSTR
BB 8 PEMODELN DN SIMULSI REKTOR STR Perhatian gambar eta 3 buah STR (ontinuou Stirred-Tan Reactor) iotermal di bawah ini: F 0 F F 2 F 3 V V 2 2 V 3 3 0 (t) (t) 2 (t) 3 (t) Ketiga STR itu digunaan untu
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
Lebih terperinciPERTEMUAN 3 PENYELESAIAN PERSOALAN PROGRAM LINIER
PERTEMUAN PENYELESAIAN PERSOALAN PROGRAM LINIER Setelah dapat membuat Model Matematika (merumukan) peroalan Program Linier, maka untuk menentukan penyeleaian Peroalan Program Linier dapat menggunakan metode,
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER
ALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER Oleh: Supardi SEKOLAH PASCA SARJANA JURUSAN ILMU FISIKA UNIVERSITAS NEGERI YOGYAKARTA 2012 1 PENDAHULUAN Liquid Crystal elastomer (LCE
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciBAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN
BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN Berdasaran asumsi batasan interval pada bab III, untu simulasi perhitungan harga premi pada titi esetimbangan, maa
Lebih terperinciBAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel
BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciPenentuan Jalur Terpendek Distribusi Barang di Pulau Jawa
Penentuan Jalur Terpendek Ditribui Barang di Pulau Jawa Stanley Santoo /13512086 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Intitut Teknologi Bandung, Jl. Ganeha 10 Bandung
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peatnya perkembangan ilmu pengetahuan dan teknologi membuat matematika menjadi angat penting artinya, bahkan dapat dikatakan bahwa perkembangan ilmu pengetahuan dan
Lebih terperinciBAB VIII METODA TEMPAT KEDUDUKAN AKAR
6 BAB VIII METODA TEMPAT EDUDUAN AAR Dekripi : Bab ini memberikan gambaran ecara umum mengenai diagram tempat kedudukan akar dan ringkaan aturan umum untuk menggambarkan tempat kedudukan akar erta contohcontoh
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
Lebih terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinciPENYELESAIAN MASALAH PELANGSIRAN UNIT KERETA PENUMPANG PADA STASIUN KERETA API DENGAN MENGGUNAKAN TEKNIK PEMBANGKITAN KOLOM
PENYELESAIAN MASALAH PELANGSIRAN UNI KEREA PENUMPANG PADA SASIUN KEREA API DENGAN MENGGUNAKAN EKNIK PEMANGKIAN KOLOM Oleh: DINA LIANIA SARI G54005 PROGRAM SUDI MAEMAIKA FAKULAS MAEMAIKA DAN ILMU PENGEAHUAN
Lebih terperinciKAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST
KAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST Timbul Pardede (timbul@mail.ut.ac.id) Jurusan Statisti FMIPA, Universitas Terbua ABSTRAK Metode Ward dan metode K-rataan
Lebih terperinciPERHITUNGAN CRITICAL CLEARING TIME MENGGUNAKAN PERSAMAAN SIMULTAN BERBASIS TRAJEKTORI KRITIS TANPA KONTROL YANG TERHUBUNG DENGAN INFINITE BUS
PROCEEDIG SEMIAR TUGAS AKHIR ELEKTRO ITS, (4) -6 PERHITUGA CRITICAL CLEARIG TIME MEGGUAKA PERSAMAA SIMULTA BERBASIS TRAJEKTORI KRITIS TAPA KOTROL YAG TERHUBUG DEGA IIITE BUS M. Abdul Aziz Al Haqim, Prof.
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciALGORITMA THRESHOLDING ADAPTIF BERDASARKAN DETEKSI BLOK TERHADAP CITRA DOKUMEN TERDEGRADASI Agus Zainal Arifin, Arya Yudhi Wijaya, Laili Cahyani 1
ALGORITMA THRESHOLDING ADAPTIF BERDASARKAN DETEKSI BLOK TERHADAP CITRA DOKUMEN TERDEGRADASI Agu Zainal Arifin, Arya Yudhi Wijaya, Laili Cahyani Fakulta Teknologi Informai, Intitut Teknologi Sepuluh Nopember
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Tempat dan Watu Penelitian Penelitian ini dilauan di Jurusan Matematia Faultas Matematia dan Ilmu Pengetahuan Alam Universitas Lampung. Watu penelitian dilauan selama semester
Lebih terperinciADAPTIVE WEB SITE DENGAN METODE FUZZY CLUSTERING
ADAPTIVE WEB ITE DENGAN METODE FUZZY CLUTERING Muchammad Huni, Wakito Wibiono, dan Wahyu Nugroho Juruan Teknik Informatika, Fakulta Teknologi Informai, Intitut Teknologi epuluh Nopember Kampu IT, Jl. Raya
Lebih terperinciPENAKSIR VARIANSI POPULASI YANG EFISIEN PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI
PENAKIR VARIANI POPLAI YANG EFIIEN PADA AMPLING ACAK EDERHANA MENGGNAKAN KOEFIIEN REGREI Neneng Gutiana Rutam Efendi Harion Mahaiwa Program Matematika Doen Juruan Matematika Fakulta Matematika dan Ilmu
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperincimungkin muncul adalah GA, GG, AG atau AA dengan peluang masing-masing
. DISTRIUSI INOMIL pabila sebuah oin mata uang yang memilii dua sisi bertulisan ambar () dan nga () dilempar satu ali, maa peluang untu mendapatan sisi ambar adalah,5 atau. pabila oin tersebut dilempar
Lebih terperinciBAB I PENDAHULUAN. Dalam perkembangan jaman yang cepat seperti sekarang ini, perusahaan
BAB I PENDAHULUAN 1.1 Latar Belakang Penelitian Dalam perkembangan jaman yang cepat eperti ekarang ini, peruahaan dituntut untuk memberikan laporan keuangan yang benar dan akurat. Laporan keuangan terebut
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Muhammadiyah 3 Bandar Lampung kelas VII
III. METODE PENELITIAN A. Populai dan Sampel Penelitian ini dilakanakan di SMP Muhammadiyah 3 Bandar Lampung kela VII emeter genap Tahun Pelajaran 0/0, SMP Muhammadiyah 3 Bandar Lampung memiliki jumlah
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciIMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA
94 IMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA Yudhi Purwananto 1, Diana Purwitasari 2, Agung Wahyu Wibowo Jurusan Teni Informatia, Institut Tenologi Sepuluh Nopember
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Data yang telah berhasil diumpulan oleh penulis di BB BIOGEN diperoleh hasil bobot biji edelai dengan jumlah varietas yang aan diuji terdiri dari 15
Lebih terperinciDESAIN SENSOR KECEPATAN BERBASIS DIODE MENGGUNAKAN FILTER KALMAN UNTUK ESTIMASI KECEPATAN DAN POSISI KAPAL
DESAIN SENSOR KECEPAAN BERBASIS DIODE MENGGUNAKAN FILER KALMAN UNUK ESIMASI KECEPAAN DAN POSISI KAPAL Alrijadjis, Bambang Siswanto Program Pascasarjana, Jurusan eni Eletro, Faultas enologi Industri Institut
Lebih terperinciPELABELAN FUZZY PADA GRAF. Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman.
JMP : Volume 6 Nomor, Juni 04, hal. - PELABELAN FUZZY PADA GRAF Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman email : oeytea0@gmail.com ABSTRACT. This paper discusses
Lebih terperinciGEOMETRI BERHINGGA ATAS GF(P N ) UNTUK MEMBENTUK ORTHOGONAL SERIES DESIGNS
Junal Sain & Matematia ISSN: 0854-0675 Volume 16 Nomo 3, Juli 008 Atiel Penelitian: 106-111 GEOMETRI BERHINGGA ATAS GF(P N ) UNTUK MEMBENTUK ORTHOGONAL SERIES DESIGNS Bambang Iawanto,Aniah Juuan Matematia
Lebih terperinciIII. METODE PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA YP Unila
III. METODE PENELITIAN A. Populai dan Sampel Populai dalam penelitian ini adalah emua iwa kela XI IPA SMA YP Unila Bandar Lampung tahun ajaran 01/013 yang berjumlah 38 iwa dan terebar dalam enam kela yang
Lebih terperinciPERBAIKAN KUALITAS CITRA MENGGUNAKAN HISTOGRAM LINEAR CONTRAST STRETCHING PADA CITRA SKALA KEABUAN
PERBAIKAN KUALITAS CITRA MENGGUNAKAN HISTOGRAM LINEAR CONTRAST STRETCHING PADA CITRA SKALA KEABUAN Murinto Program Studi Teni Informatia Universitas Ahmad Dahlan Kampus III UAD Jl. Prof. Soepomo Janturan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jeni Penelitian Jeni penelitian ini adalah penelitian kuantitatif dengan pendekatan ekperimental. Deain penelitian ini adalah Pottet-Only Control Deign. Dalam deain ini terdapat
Lebih terperinciPERENCANAAN JUMLAH TENAGA PERAWAT DI RSUD PAMEKASAN MENGGUNAKAN RANTAI MARKOV
PERENCANAAN JUMLAH TENAGA PERAWAT DI RSUD PAMEKASAN MENGGUNAKAN RANTAI MARKOV Nama Mahasiswa : Husien Haial Fasha NRP : 1207 100 011 Jurusan : Matematia FMIPA-ITS Dosen Pembimbing : Drs. Suharmadi, Dipl.
Lebih terperinciMetode Penggerombolan Berhirarki
4 TINJAUAN PUSTAKA Analisis gerombol dalam bidang riset pemasaran sering diistilahan sebagai analisis segmentasi, merupaan alat statistia peubah ganda yang bertujuan untu mengelompoan n indiidu data e
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperinciSistem Navigasi Perjalanan Berbasis Web Dengan Algoritma Koloni Semut (Ant Colony Algorithm)
Sistem Navigasi Perjalanan Berbasis Web Dengan Algoritma Koloni Semut (Ant Colony Algorithm) Arna Fariza 1, Entin Martiana 1, Fidi Wincoo Putro 2 Dosen 1, Mahasiswa 2 Politeni Eletronia Negeri Surabaya
Lebih terperinciANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI
Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: 97-522 Yogyaarta, 7 Juni 26 ANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI Rully Soelaiman, Ni Made Arini
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinciIMPLEMENTASI ALGORITMA-2 ITERASI FIXED POINT QUADRATIC PROGRAMMING MODEL PREDICTIVE CONTROL PADA dspic 30F4011. Rod Jason Taylor, Arief Syaichu-Rohman
IMPLEMENASI ALGORIMA- IERASI FIED POIN QUADRAIC PROGRAMMING MODEL PREDICIVE CONROL PADA dpic 3F4 Rod Jaon aylor, Arief Syaichu-Rohman Seolah eni Eletro dan Informatia, Intitut enologi Bandung email: bonifaiurjt@yahoo.com
Lebih terperinciPencitraan Tomografi Elektrik dengan Elektroda Planar di Permukaan
Abstra Pencitraan omografi Eletri dengan Eletroda Planar di Permuaan D. Kurniadi, D.A Zein & A. Samsi KK Instrumentasi & Kontrol, Institut enologi Bandung Jl. Ganesa no. 10 Bandung Received date : 22 November2010
Lebih terperinciPENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU
PENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU Wahyudi 1, Adhi Susanto 2, Sasongo P. Hadi 2, Wahyu Widada 3 1 Jurusan Teni Eletro, Faultas Teni, Universitas Diponegoro, Tembalang,
Lebih terperinciSOLUSI KESTABILAN PADA MASALAH MULTIPLIKATIF PARAMETRIK (STABILITY SOLUTION OF PARAMETRIC MULTIPLICATIVE PROBLEMS)
Prosiding Semirata15 bidang MIPA BKS-PTN Barat Hal 357-36 SOLUSI KESTABILAN PADA MASALAH MULTIPLIKATIF PARAMETRIK STABILITY SOLUTION OF PARAMETRIC MULTIPLICATIVE PROBLEMS) Budi Rudianto 1, Narwen Jurusan
Lebih terperinciPenentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway
Rea Racana Jurnal Online Institut Tenologi Nasional Teni Sipil Itenas No.x Vol. Xx Agustus 2015 Penentuan Nilai Eivalensi Mobil Penumpang Pada Ruas Jalan Perotaan Menggunaan Metode Time Headway ENDI WIRYANA
Lebih terperinciEstimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani
Lebih terperinciModifikasi ACO untuk Penentuan Rute Terpendek ke Kabupaten/Kota di Jawa
187 Modifiasi ACO untu Penentuan Rute Terpende e Kabupaten/Kota di Jawa Ahmad Jufri, Sunaryo, dan Purnomo Budi Santoso Abstract This research focused on modification ACO algorithm. The purpose of this
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jeni Penelitian Menurut Sugiyono, metode penelitian pendidikan dapat diartikan ebagai cara ilmiah untuk mendapatkan data yang valid dengan tujuan dapat ditemukan, dikembangkan
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series)
III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunaan data seunder bersifat runtun watu (time series) dalam periode tahunan dan data antar ruang (cross section). Data seunder tersebut
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciDESKRIPSI SISTEM ANTRIAN PADA BANK SULUT MANADO
DESKRIPSI SISTEM ANTRIAN PADA BANK SULUT MANADO 1 Selvia Hana, Tohap Manurung 1 Jurusan Matematia, FMIPA, Universitas Sam Ratulangi Jurusan Matematia, FMIPA, Universitas Sam Ratulangi Abstra Antrian merupaan
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 ObjePenelitian Obje penelitian merupaan hal yang tida dapat dipisahan dari suatu penelitian. Obje penelitian merupaan sumber diperolehnya data dari penelitian yang dilauan.
Lebih terperinciPERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM
Seminar Nasional Sistem dan Informatia 2007; Bali, 16 November 2007 PERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM Fajar Saptono 1) I ing Mutahiroh
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciMAT. 12. Barisan dan Deret
MAT.. Barisan dan Deret i Kode MAT. Barisan dan Deret U, U, U3,..., Un,... Un a + (n-)b U + U +..., Un +... n?? Sn? BAGIAN PROYEK PENGEMBANGAN KURIKULUM DIREKTORAT PENDIDIKAN MENENGAH KEJURUAN DIREKTORAT
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION
UPN Veteran Yogyaarta, 30 Juni 2012 CONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION Ni G.A.P Harry Saptarini 1), Rocy Yefrenes Dilla 2) 1) Politeni Negeri Bali 2)
Lebih terperinciPENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )
PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciSIFAT SIFAT TERMIS. Pendahuluan
SIFAT SIFAT TERMIS Pendahuluan Apliai pana ering digunaan dalam proe pengolahan bahan hail pertanian. Untu dapat menganalii proe-proe terebut ecara aurat maa diperluan informai tentang ifat-ifat thermi
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
Lebih terperinciADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoko Sumaryono ABSTRACT
Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoo Sumaryono ABSTRACT Noise is inevitable in communication
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Waktu dan Tempat Penelitian. Waktu Penelitian Penelitian dilakanakan pada 4 Februari 5 Maret 0.. Tempat Penelitian Tempat penelitian ini dilakanakan di SMP Ilam Al-Kautar
Lebih terperinciMateri. Menggambar Garis. Menggambar Garis 9/26/2008. Menggambar garis Algoritma DDA Algoritma Bressenham
Materi IF37325P - Grafia Komputer Geometri Primitive Menggambar garis Irfan Malii Jurusan Teni Informatia FTIK - UNIKOM IF27325P Grafia Komputer 2008 IF27325P Grafia Komputer 2008 Halaman 2 Garis adalah
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Dekripi Data Untuk mengetahui pengaruh penggunaan media Audio Viual dengan metode Reading Aloud terhadap hail belajar iwa materi العنوان, maka penuli melakukan
Lebih terperinciBAB VII ALGORITMA GENETIKA
BAB VII ALGORITMA GENETIKA Kompetensi : 1. Mahasiswa memahami onsep Algoritma Genetia Sub Kompetensi : 1. Dapat mengerti dasar metode Algoritma Genetia 2. Dapat memahami tahapan operator dalam Algoritma
Lebih terperinciBEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE. Triyani dan Irham Taufiq Universitas Jenderal Soedirman
JMP : Volume 4 Nomor 2, Desember 2012, hal. 271-278 BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE Triyani dan Irham Taufiq Universitas Jenderal Soedirman trianisr@yahoo.com.au ABSTRACT.
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar Tugas Ahir PENDETEKSI POSISI MENGGUNAKAN SENSOR ACCELEROMETER MMA7260Q BERBASIS MIKROKONTROLER ATMEGA 32 Muhammad Riyadi Wahyudi, ST., MT. Iwan Setiawan, ST., MT. Abstract Currently, determining
Lebih terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
Lebih terperinciPERTEMUAN 02 PERBEDAAN ANTARA SISTEM DISKRIT DAN SISTEM KONTINU
PERTEMUAN 2 PERBEDAAN ANTARA SISTEM DISKRIT DAN SISTEM KONTINU 2. SISTEM WAKTU DISKRET Sebuah sistem watu-disret, secara abstra, adalah suatu hubungan antara barisan masuan dan barisan eluaran. Sebuah
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jeni Penelitian Penelitian ini menggunakan pendekatan kuantitatif yang akan dilakukan merupakan metode ekperimen dengan deain Pottet-Only Control Deign. Adapun pola deain penelitian
Lebih terperinciSIMULASI FILTER KALMAN UNTUK ESTIMASI SUDUT DENGAN MENGGUNAKAN SENSOR GYROSCOPE
SIMULASI FILR KALMAN UNUK SIMASI SUDU DNGAN MNGGUNAKAN SNSOR GYROSCOP Wahyudi *), Adhi Susanto **), Sasongo Pramono **), Wahyu Widada ***) Abstact he Kalman filter is a recursive solution to the process
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3. Deain Penelitian yaitu: Pengertian deain penelitian menurut chuman dalam Nazir (999 : 99), Deain penelitian adalah emua proe yang diperlukan dalam perencanaan dan pelakanaan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinci