PENGHILANGAN NOISE PADA CITRA BERWARNA DENGAN METODE TOTAL VARIATION
|
|
- Herman Atmadjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGHILANGAN NOISE PADA CITRA BERWARNA DENGAN METODE TOTAL VARIATION Ay Yuiarti, Naik Suciati, Fetty Tri A. Jurusa Tekik Iormatika, Fakultas Tekologi Iormasi, Istitut Tekologi Sepuluh Nopember Kampus ITS, Jl. Raya ITS, Sukolilo Surabaya 60111, Tel , Fax ay@its-sby.edu ABSTRAK Saat ii multimedia telah mejadi tekologi yag cukup domia. Tukar meukar iormasi dalam betuk citra sudah bayak dilakuka oleh masyarakat. Citra dega kualitas yag baik sagat diperluka dalam peyajia iormasi. Citra yag memiliki oise kurag baik diguaka sebagai saraa iormasi, oleh karea itu diperluka suatu metode utuk memperbaiki kualitas citra. Metode yag diguaka dalam peelitia ii adalah metode total variatio utuk peghilaga oise yag dapat diterapka utuk model wara oliier, yaitu Chromaticity-Brightess (CB) da Hue-Saturatio-Value (HSV). Filter total variatio disebut ilter yag bergatug pada data citra karea koeisie ilterya diperoleh dari pemrosesa data citra dega rumusa yag baku. Sehigga ilter mask utuk masig-masig piksel memiliki kombiasi koeisie yag berbeda. Metode ii megguaka proses iterasi utuk meyelesaika persamaa dasar yag oliier. Uji coba dilakuka dega megguaka 30 data dega berbagai jeis oise, yaitu gaussia, salt ad pepper da speckle. Uji coba pembadiga dega metode ilter media da ilter rata-rata. Dari percobaa ii meujukka bahwa metode total variatio meghasilka citra yag lebih baik daripada metode ilter media maupu ilter rata-rata, terutama pada citra yag terdegradasi dega oise gaussia da speckle. Kata kuci : Deoisig, Total variatio, Noliear Color Model 1. PENDAHULUAN Saat ii kebutuha tukar meukar iormasi dalam betuk citra semaki hari semaki meigkat. Citra berkualitas redah dapat meguragi keyamaa peggua. Utuk itu diguaka suatu metode utuk mempertiggi kualitas citra, terutama pada citra yag megadug oise. Dalam peelitia ii diajuka pegguaa metode total variatio utuk mempertiggi kualitas citra dega cara meghilagka oise yag ada pada citra tersebut. Total variatio merupaka ilter spasial yag bersiat lowpass. Perbedaa utama atara total variatio dega ilter spasial yag lai adalah koeisie ilter pada total variatio diperoleh dari perhituga dega rumusa yag baku, dimaa masuka dari pembuata koeisie ilter berasal dari data citra itu sediri, oleh karea itu total variatio disebut sebagai ilter yag bergatug pada data. Pada umumya proses peghilaga oise megguaka model wara liier, yaitu RGB. Dalam peelitia ii aka dicoba megguaka model wara oliier yag lebih dekat dega perspekti mausia, yaitu Chromaticity-Brightess da Hue-Saturatio-Value.. PENGUBAHAN MODEL WARNA Pada umumya citra digital megguaka model wara RGB. Model wara RGB memberika data sederhaa, yaitu berupa ragkaia wara merah, hijau da biru utuk setiap titik piksel. Tiap piksel p=(x, y) memiliki ilai vektor I(p)=(u 1 (p),u (p),u 3 (p)) yag mewakili tiga wara primer merah, hijau da biru secara beruruta. Model wara CB terdiri dari kompoe wara, yaitu chromaticity da brightess. Brightess merupaka kompoe wara liier, sedagka chromaticity adalah kompoe wara oliier. Ruag wara chromaticity berbetuk bola, dimaa ilaiya berada di bagia bola dega ilai positi. Brightess diperoleh dari pajag Euclidea vektor u(p)= I(p), sedagka chromaticity diperoleh dari (p)=i(p)/u(p). Nilai RGB dapat diperoleh kembali dega cara megalika ilai chromaticity dega ilai brightess. Model wara HSV terdiri dari 3 kompoe wara, yaitu hue, saturatio da value. Saturatio da value merupaka kompoe wara liier, sedagka hue merupaka kompoe wara oliier karea ruag waraya berberuk ligkara. Algoritma pegubaha RGB mejadi HSV adalah sebagai berikut: imaks MAX(R, G, B) i mi MIN(R, G, B) delta imaks i mi 60*(G B)/delta/ 360, jika R imaks H 10 60*(B R)/delta/ 360, jika G imaks 40 60*(R G)/delta/ 360, jika B imaks imaks i mi S imaks V imaks Agar ilai hue lebih medekati perspekti mausia, maka dilakuka proses trasormasi ligkara pada kompoe wara hue da saturatio, 1
2 Volume 5, Nomor 1, Jauari 006 : 1-6 kompoe wara gabuga ii disebut HSchromaticity atau Z. Proses trasormasi ligkara merupaka pembetuka bilaga kompleks dari kompoe wara hue da saturatio. Proses ii dapat dilakuka karea karakteristik hubuga ilai hue da saturatio mirip dega kosep bilaga komplek (lihat Gambar 1). S (a) H 0 o Y y Z S exp i H r θ (b) (x, y) Gambar 1. (a) Peampag ruag wara HSV. (b) Bidag bilaga komplek. Pada akhirya haya kompoe wara dari model wara HSV yag aka diproses dega total variatio, yaitu HS-chromaticity da value, dimaa kedua kompoe wara tersebut merupaka kompoe wara liier. Da kompoe dari model wara CB, yaitu chromaticity da brightess. 3. METODE TOTAL VARIATION Pada sebuah citra, tepi obyek da oise merupaka kompoe citra yag memiliki rekuesi yag tiggi. Tepi obyek merupaka kompoe yag petig pada citra da seharusya tidak terdistorsi oleh proses pemiltera, sedagka oise merupaka kompoe yag igi dikuragi itesitasya dega proses pemiltera. Oleh karea itu diperluka suatu pedeteksia yag dapat membedaka tepi obyek dari oise. Metode total variatio mampu melakuka pedeteksia kedua kompoe tersebut sejala dega proses pembuata ilter. Metode total variatio diciptaka oleh Rudi, Osher da Fatemi yag pada awalya didesai utuk siyal aalog da kotiyu [1]. Sebuah citra pada umumya dideiisika dalam model wara RGB, dimaa model wara ii berada pada ruag Euclidea (R ). Sehigga sebuah citra memiliki ugsi u : R (umumya =1, atau 3). Misal u 0 (x, y) adalah data citra ber-oise dari data u(x, y) yag diberi oise (x, y) dega rata-rata 0 da variace ( ) tertetu, maka: x, y ux, y x y 0 u, Fugsi total variatio adalah sebagai berikut: mi TV dega 1 0 u u dxdy x X dimaa TV(u) merupaka betuk L 1 dari rumus gradie L : TV( u) u dxdy Sehigga ugsi total variatio dalam betuk diskrit: (0) u TV ( u, ) u u (1) dega persamaa Euler Lagrage:. u u 0 u u 0 Variasi lokal u diperoleh dari peghituga jarak Euclidea atara titik piksel. Pada citra, ada kemugkia mucul ilai variasi lokal u =0 yag meyataka bahwa daerah yag sedag diteliti memiliki ilai yag sama atau lat, utuk meghidariya diguaka satu parameter yag disebut parameter regularisasi (a) yag ditambahka dalam peghituga u (lihat persamaa ()), ilai parameter a yag diguaka berilai 10-4 [1]. u u u a () Parameter kedua yag keberadaaya sagat petig adalah parameter ittig (λ). Parameter λ diguaka sebagai peyeimbag atara proses peghilaga oise da smoothig. Jika diperhatika pada persamaa (1), ilai λ meyataka tigkat koeisie dari data masuka awal (data ber-oise). Semaki besar ilai λ semaki sedikit oise yag berkurag da sebalikya semaki kecil λ semaki bayak oise yag dapat dihilagka. Nilai lambda dapat dihitug dari: wu u u u Pada iterasi pertama ilai λ dapat diperoleh haya dega 1/σ [1]. Fugsi total variatio pada persamaa (1) bersiat global, utuk pemrosesa tiap piksel yag dibatasi dega adaya ilter mask diguaka metode steepest descet [5], sehigga perumusa total variatio utuk tiap piksel diperoleh dari egati gradie ugsi total eergi: d TV( u, ) dt 1 1 u N u u u 0 (3) Gambara pemiltera tiap piksel pada metode total variatio dapat dilihat pada Gambar.
3 Yuiarti, Peghilaga Noise Pada Citra Berwara β h αβ (u) h αδ (u) δ Gambar. Filter digital total variatio pada piksel α da β, γ, δ, τ adalah piksel tetagga pada N D (α). Tiap paah meyataka ilai u pada tiap piksel dikalika dega koeisie ilter da ditambahka pada α. Lagkah-lagkah pemiltera utuk setiap piksel dalam domai citra terdiri dari beberapa tahapa berikut: 1. Hitug variasi lokal ( u ) pada tiap piksel utuk seluruh area citra., u dl u u (4) N d l u, u u u. Hitug bobot (w) masig-masig piksel dega piksel tetagga w 3. Hitug koeisie ilter (h) Koeisie ilter piksel tetagga : h 1 1 (5) u u w w 1 Koeisie ilter piksel yag di observasi : 4. Pemiltera h u h u (6) N α u 0.h αα (u) h( u) w 1 1 h αγ (u) h ατ (u) 1 (0) Proses total variatio yag dikembagka merupaka proses iterasi yag megguaka kosep steepest descet sebagai pemecaha masalah optimisasi yag oliier. Iterasi berheti jika selisih atara hasil iterasi da hasil iterasi -1 lebih kecil dari epsilo. Nilai epsilo diperoleh dari percobaa pada bayak citra. γ τ 4. METODE TOTAL VARIATION PADA KOMPONEN WARNA NONLINIER Peerapa metode total variatio pada kompoe wara liier dapat megguaka perumusa di atas. Sedagka total variatio pada kompoe wara oliier memerluka proses tambaha utuk megatasi siat kompoe wara masuka yag oliier. Dalam peelitia ii ada kompoe wara oliier, yaitu chromaticity da hue. Telah dijelaska pada bab sebelumya, kompoe wara hue telah diubah mejadi kompoe wara liier dega melakuka proses trasormasi ligkara pada kompoe wara hue da saturatio. Sehigga haya kompoe wara chromaticity yag masih oliier. Nilai chromaticity berada pada ruag berbetuk bola. Pajag vektor dari chromaticity harus sama yaitu 1, berapapu kombiasi ilai dalam vektor. Jika chromaticity diterapka pada total variatio skalar, hasil keluaraya tidak memiliki pajag vektor 1. Hal ii karea siat TV skalar membetuk garis lurus keluar dari ruag wara chromaticity yag berbetuk bola (lihat Gambar 3). Agar ilai vektor berada dalam ruag bola, maka hasil keluara TV skalar harus dibagi dega pajag vektor tersebut (lihat persamaa (4)). α -1 α F α TV ( -1 ) Gambar 3. Proyeksi TV skalar terhadap ruag wara chromaticity. Gambar 3 megilustrasika peerapa TV skalar pada kompoe wara chromaticity da proyeksiya. adalah hasil total variatio skalar, sedagka adalah hasil proyeksi TV skalar terhadap bidag bola. (7) 5. PERANCANGAN DAN PEMBUATAN PERANGKAT LUNAK Pada tahap peracaga diguaka DAD (Diagram Alira Data) utuk megetahui prosesproses apa saja yag diperluka. Peragkat luak 3
4 Volume 5, Nomor 1, Jauari 006 : 1-6 yag dibuat berupa aplikasi desktop yag dibagu dega MATLAB Data masuka berupa ama ile citra da jeis oise yag aka ditambahka. Sedagka keluara terdiri dari citra, yaitu citra hasil total variatio pada model wara CB da HSV. Ada 3 tahap proses utama dalam implemetasi metode total variatio (TV) pada citra berwara, yaitu praproses, proses peghilaga oise da pascaproses. Praproses meliputi pegubaha model wara RGB mejadi model wara chromaticitybrightess (CB) da hue-saturatio-value (HSV). Proses trasormasi ligkara juga termasuk dalam tahapa ii. Gambar 4. Atarmuka utama Proses peghilaga oise adalah peerapa metode total variatio. Proses peghilaga oise dapat dibagi dalam tahapa, yaitu pembuata koeisie ilter da pemiltera piksel. Proses total variatio dilakuka secara iterati sampai mecapai kodisi koverge. Tahapa terakhir yag harus dilalui adalah pascaproses. Pascaproses adalah tahapa proses yag megolah keluara dari total variatio utuk dapat ditampilka kepada peggua. Ada satu proses tambaha yag bersiat piilha, yaitu peambaha oise. Proses ii disediaka utuk megakomodasi kemugkia kodisi citra masuka tidak ber-oise. Racaga atarmuka secara umum terbagi ke dalam 3 bagia, yaitu atarmuka utama, atarmuka masuka parameter da atarmuka iormasi. Gambar 4 meampilka atarmuka utama. 6. UJI COBA Telah dilakuka uji coba utuk keperlua pegukura kierja dari peragkat luak. Pada bagia ii aka dilaporka beberapa hasil dari uji coba. Citra yag diguaka dalam peghilaga oise berormat bitmap da tidak terbatas pada citra atural. Pegukura kualitas data keluara dilakuka dega megguaka RMS (root-mea-square) da SNR (sigal-to-oise ratio). Ujicoba dilakuka pada sembarag 30 citra berwara da tidak terbatas pada citra atural. Dari 30 citra tersebut diberi 3 jeis oise. Jeis oise yag diguaka adalah gaussia, salt ad pepper da speckle. Noise gaussia, megguaka rata-rata 0 da variace 0,01. Salt ad pepper, megguaka variace 0,04. Speckle megguaka parameter kepadata 0,05. Pada ujicoba pertama dilakuka pegujia metode total variatio terhadap variasi oise. Uji coba ii bertujua utuk megetahui jeis oise yag dapat dega baik dihilagka dega metode total variatio. Berdasarka hasil uji coba pada Tabel 1 didapatka hasil bahwa pada model wara CB metode total variatio dapat bekerja dega baik utuk jeis oise gaussia, begitu juga pada model wara HSV, hal ii ditujukka dega ilai SNR utuk citra keluara peerapa total variatio dari citra yag terdegradasi dega oise gaussia lebih besar daripada dua oise yag lai. Prosetase tigkat keberhasila peghilaga oise pada CB 80,37% da HSV 76,43%. Tigkat keberhasila tidak dapat diguaka sebagai dasar pegambila kesimpula karea tidak merepresetasika peilaia secara subyekti atau visual. Tabel 1. Tabel rata-rata SNR da tigkat keberhasila uji coba total variatio dega variasi jeis oise Chromaticity-Brightess Hue-Saturatio-Value Noise SNR Tigkat keberhasila SNR Tigkat keberhasila Gaussia 108,78 80,37% 98, ,43% Salt & Peppers 106, ,19% 70, ,96% Speckle 89, ,4% 8, ,71% Uji coba kedua bertujua utuk membadigka kualitas citra keluara metode total variatio dega metode peghilaga oise yag lai. Metode pembadig yag diguaka adalah ilter media da ilter rata-rata. Berdasarka Tabel meujukka ilter media bekerja lebih baik daripada total variatio pada kedua model wara CB da HSV, yag ditujag dega ilai SNR da tigkat keberhasila pada ilter media lebih baik daripada dua metode yag lai. Tabel 3 meujukka total variatio bekerja palig baik daripada dua metode yag lai, baik pada model wara CB da HSV. Hal 4
5 Yuiarti, Peghilaga Noise Pada Citra Berwara ii ditujag dega ilai SNR da tigkat keberhasila pada total variatio lebih baik daripada dua metode yag lai. Tabel 4 meujukka total variatio bekerja palig baik daripada dua metode yag lai, baik pada model wara CB da HSV. Hal ii ditujukka dega ilai SNR utuk kedua model wara pada total variatio lebih baik daripada dua metode yag lai. Berdasarka seluruh uji coba pembadiga metode peghilaga oise yag telah dilakuka dapat diambil kesimpula bahwa metode total variatio meghasilka citra keluara yag lebih baik jika dibadigka dega ilter media da ilter rata-rata. Prosetase tigkat keberhasila peghilaga oise dega metode total variatio utuk seluruh data citra da berbagai jeis oise adalah 76,68%, sedagka ilter media 74,1% da ilter rata-rata 70,01%. Pada Gambar 5 tampak hasil peghilaga oise dega berbagai metode pada citra lea.bmp. (a) (b) (c) (d) (e) () (g) (h) Gambar 5. Uji coba pembadiga metode peghilaga oise. (a) Citra asli. (b) Citra ber-oise. Metode total variatio (c-d), ilter media (e-) da ilter rata-rata (g-h). Kolom kiri, peerapa metode peghilaga oise pada model wara CB da kolom kaa pada model wara HSV. Tabel. Tabel rata-rata SNR da tigkat keberhasila uji coba dega variasi metode peghilaga oise utuk citra yag terdegradasi dega oise salt ad pepper Metode Chromaticity-Brightess Hue-Saturatio-Value SNR Tigkat keberhasila SNR Tigkat keberhasila Total variatio 106, ,19% 70, ,96% Filter Media 187, ,58% 131,441 87,% Filter Rata-rata 50, ,51% 39, ,3% Tabel 3. Tabel rata-rata SNR da tigkat keberhasila uji coba dega variasi metode peghilaga oise utuk citra yag terdegradasi dega Gaussia Metode Chromaticity-Brightess Hue-Saturatio-Value SNR Tigkat keberhasila SNR Tigkat keberhasila Total variatio 108,78 80,37% 98, ,43% 5
6 Volume 5, Nomor 1, Jauari 006 : 1-6 Filter Media 79, ,8% 43,704 63,81% Filter Rata-rata 60, ,6% 5,054 71,49% Tabel 4. Tabel rata-rata SNR da tigkat keberhasila uji coba dega variasi metode peghilaga oise utuk citra yag terdegradasi dega oise speckle Metode Chromaticity-Brightess Hue-Saturatio-Value SNR Tigkat keberhasila SNR Tigkat keberhasila Total variatio 89, ,4% 8, ,71% Filter Media 56, ,65% 5,755 57,63% Filter Rata-rata 53,615 66,95% 51, ,5% 7. KESIMPULAN DAN SARAN Dari aplikasi yag telah dibuat da berdasarka uji coba yag telah dilakuka dapat diambil beberapa kesimpula sebagai berikut: 1. Setiap kompoe wara memiliki ilai epsilo masig-masig, yaitu 0,0005 utuk chromaticity, 0,1 utuk brightess, 0,1 utuk value, da 0,1 utuk HS-Chromaticity.. Proses trasormasi ligkara pada model wara Hue-Saturatio-Value sagat mempegaruhi kualitas citra keluara dari proses peghilaga oise. Pegolaha itur hue da saturatio secara lagsug memberika citra keluara yag kurag baik da meimbulka peyimpaga dari wara asli. 3. Peggabuga hasil peerapa total variatio pada itur chromaticity da brightess meghasilka citra keluara yag lebih baik daripada peerapa total variatio haya pada chromaticity. 4. Metode total variatio bekerja dega sagat baik utuk citra yag terdegradasi oise gaussia, baik pada model wara Chromaticity-Brightess maupu Hue-Saturatio-Value, dega tigkat keberhasila pada CB 80,37% da HSV 76,43%. 5. Metode total variatio mampu meghilagka oise lebih baik daripada metode ilter media da ilter rata-rata, baik pada model wara Chromaticity-Brightess maupu Hue-Saturatio- Value, dega prosetase keberhasila pada TV 76,68%, ilter media 74,1% da ilter rata-rata 70,01%. Berikut ii adalah sara utuk kemugkia pegembaga lebih lajut dari pembuata aplikasi peghilaga oise dega metode total variatio: 1. Disaraka utuk megembagka aplikasi ii utuk megatasi eek staircasig yag mucul akibat peghilaga oise dega metode total variatio.. Disaraka utuk mecoba metode total variatio dega perumusa persamaa diusi yag berbeda (selai metode steepest descet) utuk memperoleh kecepata lebih tiggi, misal Fixed Poit Lagged Diusivity da metode Primal Dual. 8. DAFTAR PUSTAKA 1. Cha, T.F.; Kag, S.H.; She, J. Total variatio Deoisig ad Ehacemet o Color Images Based o the CB ad HSV Color. Techical report, UCLA Dept. o Math, CAM 00-5, Cha, T.F.; Osher, S.; She, J. The digital TV ilter ad oliier deoisig. IEEE Tras. Image Processig, to appear, Cha, T.F.; She, J. Variatioal restoratio o o-lat image eatures : Models ad algorithms. SIAM Joural o Applied Mathematics, to appear, Gozales, R; Woods, R. Digital Image Processig Secod Editio. Pretice Hall, Vekatarama P. Applied Optimizatio With MATLAB Programmig. Joh Wiley & Sos, 00. 6
Bab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI0939 APLIKASI PERBAIKAN KONTRAS PADA CITRA RADIOGRAFI GIGI MENGGUNAKAN KOMBINASI METODE HISTOGRAM EQUALIZATION DAN FAST GRAY LEVEL GROUPING (Kata kuci: Fast gray level groupig,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuha Sistem Sebelum melakuka deteksi da trackig obyek dibutuhka peragkat luak yag dapat meujag peelitia. Peragkat keras da luak yag diguaka dapat dilihat pada Tabel
Lebih terperinciAplikasi Pengenalan Pola pada Citra Bola Sebagai Dasar Pengendalian Gerakan Robot
Jural Emitor Vol.16 No. 02 ISSN 1411-8890 Aplikasi Pegeala Pola pada Citra Bola Sebagai Dasar Pegedalia Geraka Robot Ratasari Nur Rohmah Jurusa Tekik Elektro Uiversitas Muhammadiyah Surakarta (UMS) Surakarta,
Lebih terperinciANALISIS PERBANDINGAN METODE INTENSITY FILTERING DENGAN METODE FREQUENCY FILTERING SEBAGAI REDUKSI NOISE PADA CITRA DIGITAL
Semiar Nasioal Aplikasi Tekologi Iformasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyakarta, 16 Jui 2007 ANALISIS PERBANDINGAN METODE INTENSITY FILTERING DENGAN METODE FREQUENCY FILTERING SEBAGAI REDUKSI NOISE
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciBAB II TEORI MOTOR LANGKAH
BAB II TEORI MOTOR LANGKAH II. Dasar-Dasar Motor Lagkah Motor lagkah adalah peralata elektromagetik yag megubah pulsa digital mejadi perputara mekais. Rotor pada motor lagkah berputar dega perubaha yag
Lebih terperinciBAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.
BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder
Lebih terperinciAplikasi Interpolasi Bilinier pada Pengolahan Citra Digital
Aplikasi Iterpolasi Biliier pada Pegolaha Citra Digital Veriskt Mega Jaa - 35408 Program Studi Iformatika Sekolah Tekik Elektro da Iformatika Istitut Tekologi Badug, Jl. Gaesha 0 Badug 403, Idoesia veriskmj@s.itb.ac.id
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya. Model Sistem dalam Persamaan Keadaan
Istitut Tekologi Sepuluh Nopember Surabaya Model Sistem dalam Persamaa Keadaa Pegatar Materi Cotoh Soal Rigkasa Latiha Pegatar Materi Cotoh Soal Rigkasa Istilah-istilah Dalam Persamaa Keadaa Aalisis Sistem
Lebih terperinciBab 7 Penyelesaian Persamaan Differensial
Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinciBAB IV PEMBAHASAN DAN ANALISIS
BAB IV PEMBAHASAN DAN ANALISIS 4.1. Pembahasa Atropometri merupaka salah satu metode yag dapat diguaka utuk meetuka ukura dimesi tubuh pada setiap mausia. Data atropometri yag didapat aka diguaka utuk
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI III.1 Peambaga Teks (Text Miig) Text Miig memiliki defiisi meambag data yag berupa teks dimaa sumber data biasaya didapatka dari dokume, da tujuaya adalah mecari kata-kata yag dapat
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciBAB IV PEMECAHAN MASALAH
BAB IV PEMECAHAN MASALAH 4.1 Metodologi Pemecaha Masalah Dalam ragka peigkata keakurata rekomedasi yag aka diberika kepada ivestor, maka dicoba diguaka Movig Average Mometum Oscillator (MAMO). MAMO ii
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinci3. Rangkaian Logika Kombinasional dan Sequensial 3.1. Rangkaian Logika Kombinasional Enkoder
3. Ragkaia Logika Kombiasioal da Sequesial Ragkaia Logika secara garis besar dibagi mejadi dua, yaitu ragkaia logika Kombiasioal da ragkaia logika Sequesial. Ragkaia logika Kombiasioal adalah ragkaia yag
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sebagai hasil penelitian dalam pembuatan modul Rancang Bangun
47 BAB IV HASIL DAN PEMBAHASAN Sebagai hasil peelitia dalam pembuata modul Racag Bagu Terapi Ifra Merah Berbasis ATMega8 dilakuka 30 kali pegukura da perbadiga yaitu pegukura timer/pewaktu da di badigka
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. : Lux meter dilengkapi sensor jarak berbasis arduino. : panjang 15,4 cm X tinggi 5,4 cm X lebar 8,7 cm
BAB IV HASIL DAN PEMBAHASAN 4.1. Spesifikasi Alat Nama Alat Tegaga Ukura Berat : Lux meter dilegkapi sesor jarak berbasis arduio : 5 V (DC) : pajag 15,4 cm tiggi 5,4 cm lebar 8,7 cm : 657 gram 4.. Gambar
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciMANAJEMEN RISIKO INVESTASI
MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I
7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3
Lebih terperinciBAB III METODE PENELITIAN
36 BAB III METODE PENELITIAN A. Racaga Peelitia 1. Pedekata Peelitia Peelitia ii megguaka pedekata kuatitatif karea data yag diguaka dalam peelitia ii berupa data agka sebagai alat meetuka suatu keteraga.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Maajeme risiko merupaka salah satu eleme petig dalam mejalaka bisis perusahaa karea semaki berkembagya duia perusahaa serta meigkatya kompleksitas aktivitas perusahaa
Lebih terperinciStudi Plasma Immersion Ion Implantation (PIII) dengan menggunakan Target Tak Planar
JURNAL FISIKA DAN APLIKASINYA VOLUME 6, NOMOR JUNI,1 Studi Plasma Immersio Io Implatatio PIII dega megguaka Target Tak Plaar Yoyok Cahyoo Jurusa Fisika, FMIPA-Istitut Tekologi Sepuluh Nopember ITS Kampus
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB ENDAHULUAN. Latar Belakag Masalah Dalam kehidupa yata, hampir seluruh feomea alam megadug ketidak pastia atau bersifat probabilistik, misalya pergeraka lempega bumi yag meyebabka gempa, aik turuya
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperincikesimpulan yang didapat.
Bab ii merupaka bab peutup yag merupaka hasil da kesimpula dari pembahasa serta sara peulis berdasarka kesimpula yag didapat. BAB LANDASAN TEORI. Kosep Dasar Peramala Peramala adalah kegiata utuk memperkiraka
Lebih terperinciSISTEM SELEKSI KEMATANGAN BUAH TOMAT WAKTU-NYATA BERBASIS NILAI RGB
ISSN: 1693-6930 211 SISTEM SELEKSI KEMATANGAN BUAH TOMAT WAKTU-NYATA BERBASIS NILAI RGB M. Riza Ferdiasyah, Kartika Firdausy, Tole Sutiko Program Studi Tekik Elektro, Uiversitas Ahmad Dahla Kampus III
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciPENGEMBANGAN MODEL ANALISIS SENSITIVITAS PETA KENDALI TRIPLE SAMPLING MENGGUNAKAN UTILITY FUNCTION METHOD
Semiar Nasioal Iformatika 5 (semasif 5) ISSN: 979-8 UPN Vetera Yogyakarta, 4 November 5 PENGEMBANGAN MODE ANAISIS SENSITIVITAS PETA KENDAI TRIPE SAMPING MENGGUNAKAN UTIITY FUNCTION METHOD Juwairiah ),
Lebih terperinciPedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai
PENGUJIAN HIPOTESIS Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai ilai-ilai parameter populasi,
Lebih terperinciPENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK. Sutikno
sutiko PENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK Sutiko Program Studi Tekik Iformatika Fakultas Sais da Matematika UNDIP tik@udip.ac.id
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-31
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 202) ISSN: 230-928X D-3 Optimasi Multirespo Metode Taguchi dega Pedekata Quality Loss Fuctio (Study Kasus Proses Pembakara CO da Temperatur Gas Buag Pada Boiler
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperincisimulasi selama 4,5 jam. Selama simulasi dijalankan, animasi akan muncul pada dijalankan, ProModel akan menyajikan hasil laporan statistik mengenai
37 Gambar 4-3. Layout Model Awal Sistem Pelayaa Kedai Jamoer F. Aalisis Model Awal Model awal yag telah disusu kemudia disimulasika dega waktu simulasi selama 4,5 jam. Selama simulasi dijalaka, aimasi
Lebih terperinciUkuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus
-Mar- Ukura Pemusata Pertemua STATISTIKA DESKRIPTIF Statistik deskripti adalah pegolaha data utuk tujua medeskripsika atau memberika gambara terhadap obyek yag diteliti dega megguaka sampel atau populasi.
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT
Vol. 6. No., 97-09, Agustus 003, ISSN : 40-858 METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak Tulisa ii membahas peetua persamaa ruag
Lebih terperinciProbabilitas dan Statistika Teorema Bayes. Adam Hendra Brata
robabilitas da Statistika Teorema ayes dam Hedra rata Itroduksi - Joit robability Itroduksi Teorema ayes eluag Kejadia ersyarat Jika muculya mempegaruhi peluag muculya kejadia atau sebalikya, da adalah
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tujua Peelitia Peelitia ii bertujua utuk megetahui apakah terdapat perbedaa hasil belajar atara pegguaa model pembelajara Jigsaw dega pegguaa model pembelajara Picture ad Picture
Lebih terperinciBAB 1 PENDAHULUAN. Bagi Negara yang mempunyai wilayah terdiri dari pulau-pulau yang dikelilingi lautan,
BAB 1 PENDAHULUAN 1.1 Latar Belakag Bagi Negara yag mempuyai wilayah terdiri dari pulau-pulau yag dikeliligi lauta, laut merupaka saraa trasportasi yag dimia, sehigga laut memiliki peraa yag petig bagi
Lebih terperinciBAB I KONSEP DASAR PERSAMAAN DIFERENSIAL
BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah
Lebih terperinciBeda Arti Data dan Fakta
Part-2 Oleh Ir. Priyo Waspodo, M.Sc. Beda Arti Data da Fakta Seorag mahasiswa TK medapat ilai B utuk PTK ; karea kurag puas, maka megulag. Tetapi bahka medapat ilai C. Setelah diusut, pejelasaya adalah
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciSidang Tugas Akhir Teknik Manufaktur
Sidag Tugas Akhir Tekik Maufaktur Aplikasi pegguaa Metode Butterorth Lopass Filter dega Edge Detectio Ca-Roberts utuk megetahui Karakteristik stress-strai Material berbasis Image Processig Oleh : HANIF
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciBAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)
BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) Setiap peelitia selalu berkeaa dega sekelompok data. Yag dimaksud kelompok disii adalah: Satu orag mempuyai sekelompok data, atau sekelompok orag mempuyai satu
Lebih terperinciBAB III METODOLOGI PENELITIAN
31 Flowchart Metodologi Peelitia BAB III METODOLOGI PENELITIAN Gambar 31 Flowchart Metodologi Peelitia 18 311 Tahap Idetifikasi da Peelitia Awal Tahap ii merupaka tahap awal utuk melakuka peelitia yag
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian ini adalah penelitian pengembangan (research and
BAB III METODE PENELITIAN A. Jeis Peelitia Jeis peelitia ii adalah peelitia pegembaga (research ad developmet), yaitu suatu proses peelitia utuk megembagka suatu produk. Produk yag dikembagka dalam peelitia
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciLIMIT. = δ. A R, jika dan hanya jika ada barisan. , sedemikian hingga Lim( a n
LIMIT 4.. FUNGSI LIMIT Defiisi 4.. A R Titik c R adalah titik limit dari A, jika utuk setiap δ > 0 ada palig sedikit satu titik di A, c sedemikia sehigga c < δ. Defiisi diatas dapat disimpulka dega cara
Lebih terperinciPERTEMUAN 13. VEKTOR dalam R 3
PERTEMUAN VEKTOR dalam R Pegertia Ruag Vektor Defiisi R Jika adalah sebuah bilaga bulat positif, maka tupel - - terorde (ordered--tuple) adalah sebuah uruta bilaga riil ( a ),a,..., a. Semua tupel - -terorde
Lebih terperinciModel Pertumbuhan BenefitAsuransi Jiwa Berjangka Menggunakan Deret Matematika
Prosidig Semirata FMIPA Uiversitas Lampug, 0 Model Pertumbuha BeefitAsurasi Jiwa Berjagka Megguaka Deret Matematika Edag Sri Kresawati Jurusa Matematika FMIPA Uiversitas Sriwijaya edagsrikresawati@yahoocoid
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakag Permasalaha Matematika merupaka Quee ad servat of sciece (ratu da pelaya ilmu pegetahua). Matematika dikataka sebagai ratu karea pada perkembagaya tidak tergatug pada
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di halaman Pusat Kegiatan Olah Raga (PKOR) Way Halim Bandar Lampung pada bulan Agustus 2011.
III. METODE PENELITIAN A. Tempat da Waktu Peelitia Peelitia ii dilaksaaka di halama Pusat Kegiata Olah Raga (PKOR) Way Halim Badar Lampug pada bula Agustus 2011. B. Objek da Alat Peelitia Objek peelitia
Lebih terperinciBAB III METODOLOGI 3.1 Tempat dan Waktu Penelitian 3.2 Bahan dan Alat 3.3 Metode Pengumpulan Data Pembuatan plot contoh
BAB III METODOLOGI 3.1 Tempat da Waktu Peelitia Pegambila data peelitia dilakuka di areal revegetasi laha pasca tambag Blok Q 3 East elevasi 60 Site Lati PT Berau Coal Kalimata Timur. Kegiata ii dilakuka
Lebih terperinciBAB III METODOLOGI PENELITIAN. Variabel-variabel yang digunakan pada penelitian ini adalah:
BAB III METODOLOGI PENELITIAN 3. Variabel da Defiisi Operasioal Variabel-variabel yag diguaka pada peelitia ii adalah: a. Teaga kerja, yaitu kotribusi terhadap aktivitas produksi yag diberika oleh para
Lebih terperinciI. PENDAHULUAN II. LANDASAN TEORI
I PENDAHULUAN 1 Latar belakag Model pertumbuha Solow-Swa (the Solow-Swa growth model) atau disebut juga model eoklasik (the eo-classical model) pertama kali dikembagka pada tahu 195 oleh Robert Solow da
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciBAB III METODE PENELITIAN
22 BAB III METODE PENELITIAN 3.1. Metode Peelitia Pada bab ii aka dijelaska megeai sub bab dari metodologi peelitia yag aka diguaka, data yag diperluka, metode pegumpula data, alat da aalisis data, keragka
Lebih terperincib. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut:
Statistik da Peluag A. Statistik Statistik adalah metode ilmiah yag mempelajari cara pegumpula, peyusua, pegolaha, da aalisis data, serta cara pegambila kesimpula berdasarka data-data tersebut. Data ialah
Lebih terperinciBAB 2 LANDASAN TEORITIS
BAB LANDAAN TEORITI.. Deskripsi Teori... Aalisis Ragam Multivariate Yag dimaksud dega aalisis ragam multivariate (multivariate aalysis of variace MANOVA) meurut Gaspersz (99, p486) adalah suatu pegembaga
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Permasalaha peugasa atau assigmet problem adalah suatu persoala dimaa harus melakuka peugasa terhadap sekumpula orag yag kepada sekumpula job yag ada, sehigga tepat satu
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinciSTATISTIKA NON PARAMETRIK
. PENDAHULUAN STATISTIKA NON PARAMETRIK Kelebiha Uji No Parametrik: - Perhituga sederhaa da cepat - Data dapat berupa data kualitatif (Nomial atau Ordial) - Distribusi data tidak harus Normal Kelemaha
Lebih terperinciRESPONSI 2 STK 511 (ANALISIS STATISTIKA) JUMAT, 11 SEPTEMBER 2015
RESPONSI STK 511 (ANALISIS STATISTIKA) JUMAT, 11 SEPTEMBER 015 A. PENYAJIAN DAN PERINGKASAN DATA 1. PENYAJIAN DATA a. Sebutka tekik peyajia data utuk data kualitatif! Diagram kueh, diagram batag, distribusi
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN
JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat
Lebih terperinciFORECASTING (Peramalan)
FORECASTING (Peramala) PENDAHULUAN Forecastig adalah ramala tetag apa yag aka terjadi dimasa yag aka datag. Forecast Demad atau peramala permitaa mejadi dasar yag sagat petig dalam perecaaa suatu keputusa
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Dalam duia iformatika, assigmet Problem yag biasa dibetuk dega matriks berbobot merupaka salah satu masalah terbesar, dimaa masalah ii merupaka masalah yag metode peyelesaiaya
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciMETODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa
19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh
Lebih terperinciA. Pengertian Hipotesis
PENGUJIAN HIPOTESIS A. Pegertia Hipotesis Hipotesis statistik adalah suatu peryataa atau dugaa megeai satu atau lebih populasi Ada macam hipotesis:. Hipotesis ol (H 0 ), adalah suatu hipotesis dega harapa
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciMasih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.
Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciBAB IV. METODE PENELITlAN. Rancangan atau desain dalam penelitian ini adalah analisis komparasi, dua
BAB IV METODE PENELITlAN 4.1 Racaga Peelitia Racaga atau desai dalam peelitia ii adalah aalisis komparasi, dua mea depede (paired sample) yaitu utuk meguji perbedaa mea atara 2 kelompok data. 4.2 Populasi
Lebih terperinciPertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd
Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag
Lebih terperinciBAB 3 METODE PENELITIAN
Sedagka itegrasi ruas kaa utuk ersamaa (3b) diperoleh ds / = S... (36) Dega demikia pesamaa yag harus dipecahka adalah l 1 1 u u = S (37) Dari ersamaa (37) diperoleh persamaa utuk u u S = exp S 1exp S...
Lebih terperinciBAB III METODE PENELITIAN
30 BAB III METODE PENELITIAN Peelitia pejadwala pembagkit termal ii adalah utuk membadigka metode Lagragia Relaxatio yag diajuka peulis dega metode yag diguaka PLN. Di sii aka diuji metode maa yag peramalaya
Lebih terperinciKarakteristik Dinamik Elemen Sistem Pengukuran
Karakteristik Diamik Eleme Sistem Pegukura Kompetesi, RP, Materi Kompetesi yag diharapka: Mahasiswa mampu merumuskaka karakteristik diamik eleme sistem pegukura Racaga Pembelajara: Miggu ke Kemampua Akhir
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Program Ganda Skripsi Sarjana Program Ganda Semester Ganjil 2005/2006
UNIVERSITAS BINA NUSANTARA Program Gada 2005-2006 Skripsi Sarjaa Program Gada Semester Gajil 2005/2006 PEMBANGKITAN FRAKTALUNTUK MENINGKATKAN EFISIENSI KERJA DESAINER GRAFIS MENGGUNAKAN METODE NEWTON RAPHSON
Lebih terperinci