BAB II TINJAUAN PUSTAKA
|
|
- Djaja Makmur
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 Usng Support Vector Machne. (Yu-Chun Ln, 2003) Dalam peneltan n dlakukan deteks ctra pornograf menggunakan algortma Support Vector Machne (SVM) untuk pengenalan polanya dan dstrbus warna kult, yang menghaslkan akuras sebesar 74,62%. Namun, metode n memlk kekurangan yatu banyak pada ctra bukan porno yang mengandung banyak warna kult ddeteks sebaga ctra pornograf. Begtu juga sebalknya, ctra pornograf yang mengandung sedkt warna kult ddeteks sebaga bukan ctra pornograf b. Automatc Onlne Porn Detecton and Trackng. (Johnson I Agbnya, 2007) Peneltan n melakukan deteks otomats ctra pornograf onlne dengan melakukan segmentas area kult manusa dengan ruang warna HSV, jka area kult pada sebuah ctra lebh dar 20% akan dsmpulkan bahwa ctra tersebut merupakan ctra pornograf. Metode n memlk kelemahan, yatu pada ctra yang bukan porno dengan luasan warna sepert warna kult akan ddeteks sebaga ctra pornograf. c. Pengenalan Ctra Wajah Menggunakan Metode Two-Dmensonal Lnear Dscrmnant Analyss dan Support Vector Machne. (Ftr Damayant,2010) Peneltan n membahas mengena pengenalan ctra wajah dengan menggunakan metode ekstraks ftur TDLDA dan klasfkas SVM. Dengan kombnas kedua metode tersebut memberkan hasl yang optmal dengan tngkat akuras pengenalan antara 84,18% sampa 100% dengan uj coba menggunakan bass data ORL, YALE, dan BERN. 7
2 8 d. Pengenalan Wajah Menggunakan Learnng Vector Quantzaton (LVQ). (S. Heranurwen, 2010) Peneltan n membahas mengena pengenalan wajah dengan menggunakan menggunakan metode Learnng Vector Quantzaton (LVQ). Dalam menganalsa menggunakan prortas (perngkat) hasl dar LVQ. Adapun urutan algortma sstem n adalah segmentas wajah, mencar bentuk deret dengan algortma pembelajaran dengan Learnng Vector Quantzaton. Sstem kecerdasan buatan LVQ termodfkas mampu mendeteks secara bak apakah pada data ctra tersebut dkenal atau tdak. Tngkat ketepatan sstem LVQ setelah dlakukan beberapa kal proses learnng (setap gambar dlakukan 2 kal proses learnng) adalah 88,67% benar. Dalam beberapa peneltan deteks ponograf yang telah dlakukan sebelumnya, hanya berpatokan pada warna kultnya saja yang tentu saja memlk kelemahan dalam pendeteksan pada ctra yang bukan porno dengan luasan warna sepert warna kult akan ddeteks sebaga ctra pornograf. Demkan juga untuk ctra pornograf yang memlk luasan warna kult ddeteks sebaga bukan ctra pornograf. Adapun konten-konten pornograf bsa dlhat dar s yang terdapat d dalam konten tersebut, msalnya pada ctra manusa yang akan menjad suatu ctra pornograf jka bagan tubuh tertentunya tdak tertutup. Pengenalan s dar konten-konten pornograf tersebut tentu saja memerlukan metode tertentu bak dalam klasfkas ataupun untuk mengekstras ftur dar suatu konten tersebut. Dalam peneltan yang sudah dlakukan mengena pengenalan ctra wajah dengan menggunakan metode ekstraks ftur TDLDA dan klasfkas SVM, memberkan hasl yang optmal dengan tngkat akuras pengenalan antara 84,18% sampa 100%. Sedangkan dengan menggunakan metode klasfkas LVQ mendapatkan hasl 88,67%. Adapun dalam peneltan n akan dlakukan pengenalan pornograf dengan mengenal bagan yang danggap termasuk objek peneltan, dengan menggunakan metode klasfkas Artfcal Neural Network (ANN) yatu Learnng Vector
3 9 Quantzaton karena menghaslkan akuras yang cukup bagus pada peneltan sebelumnya dan akan dkombnaskan dengan metode Two Dmensonal Lnear Dscrmnant Analyss untuk proses ekstraks fturnya untuk melhat pengaruh dar metode ekstraks ftur dalam pengenalannya. 2.2 Tnjauan Teorts Pornograf Pornograf pada umumnya adalah tulsan, gambar, atau produk audo-vsual yang dapat merangsang nafsu seksual pada pembaca dan penontonnya. Pada umumnya belum ada krtera yang jelas kapan suatu produk dkategorkan sebaga porno dan kapan dblang tdak porno. Krtera dapat merangsang garah seksual orang lan yang selama n dpaka sebaga patokan memang sangat relatf. Betapapun juga ketentuan tentang pornograf adalah salah satu bentuk ntervens pemerntah dalam mengatur perlaku seks warganya dengan alasan untuk menjaga moral bangsa (Wdart, 2008). Dalam Bab I Ketentuan Umum Pasal 1 (UU Pornograf) yang dmaksud dengan jasa pornograf adalah segala jens layanan pornograf yang dsedakan oleh orang perseorangan atau korporas melalu pertunjukan langsung, televs kabel, televs teresteral, rado, telepon, nternet, dan komunkas elektronk lannya serta surat kabar, majalah, dan barang cetakan lannya Vdeo Vdeo dgtal dapat dsebut array 3 dmens dar pksel berwarna. 2 dmens melayan arah spasal dar gambar bergerak (horzontal dan vertkal) dan satu dmens lannya akan merepresentaskan doman waktu (Bnanto, 2010). Arstektur vdeo dgtal tersusun atas sebuah format untuk mengodekan dan memankan kembal fle vdeo dengan komputer dan menyertakan sebuah pemutar (player) yang mengenal dan membuka fle yang dbuat untuk format tersebut. Contoh arstektur vdeo dgtal d antaranya adalah Apple QuckTme, Mcrosoft Wndows Meda Format, dan Real Network RealMeda. Format vdeo yang terkat dengan arstektur tersebut adalah QuckTme move (.mov), Audo Vdeo
4 10 Interleaved (.av), dan RealMeda (.rm). beberapa pemutar dapat mengenal dan memankan lebh dar satu format fle vdeo. Vdeo dgtal sebenarnya terdr atas serangkaan gambar dgtal yang dtamplkan dengan cepat pada kecepatan yang konstan. Dalam konteks vdeo, gambar n dsebut frame. Satuan ukuran untuk menghtung frame rata-rata yang dtamplkan dsebut frame per second. Setap frame merupakan gambar dgtal yang terdr dar raster pksel. Gambar dgtal yang terdr dar raster pksel. Gambar dgtal akan mempunya lebar sebanyak W pksel dan tngg sebanyak H pkel. Oleh karena tu, dapat dkatakan bahwa frame sze adalah W x H Pengolahan Ctra Ctra adalah gambar pada bdang dwmatra (dua dmens). Gambar 2.1 adalah ctra seorang gads model yang bernama Lena. Dtnjau dar sudut pandang matemats, ctra merupakan fungs menerus (contnue) dar ntenstas cahaya pada bdang dwmatra. Sumber cahaya menerang objek, objek memantulkan kembal sebagan dar berkas cahaya tersebut. Pantulan cahaya n dtangkap oleh oleh alatalat optk, msalnya mata pada manusa, kamera, pemnda (scanner), dan sebaganya, sehngga bayangan objek yang dsebut ctra tersebut terekam. Gambar 2.1 Ctra Lena (Sumber : Munr, 2004)
5 11 Meskpun sebuah ctra kaya nformas, namun serngkal ctra yang kta mlk mengalam penurunan mutu (degradas), msalnya mengandung cacat atau derau (nose), warnanya terlalu kontras, kurang tajam, kabur (blurrng), dan sebaganya. Tentu saja ctra semacam n menjad lebh sult dnterpretas karena nformas yang dsampakan oleh ctra tersebut menjad berkurang. Agar ctra yang mengalam gangguan mudah dnterpretas (bak oleh manusa maupun mesn), maka ctra tersebut perlu dmanpulas menjad ctra lan yang kualtasnya lebh bak. Bdang stud yang menyangkut hal n adalah pengolahan ctra (mage processng). Pengolahan ctra adalah pemrosesan ctra, khususnya dengan menggunakan komputer, menjad ctra yang kualtasnya lebh bak. Pengolahan ctra bertujuan memperbak kualtas ctra agar mudah dnterpretas oleh manusa atau mesn (dalam hal n komputer). Teknk-teknk pengolahan ctra mentransformaskan ctra menjad ctra lan. Jad, masukannya adalah ctra dan keluarannya juga ctra. Gambar 2.2 Operas pengolahan ctra (Sumber : Munr, 2004) Pada dasarnya pengolahan ctra terbag menjad : a. Penngkatan kualtas ctra (mage enhancement) b. Pemulhan ctra (mage restoraton) c. Pemampatan ctra d. Analss ctra e. Segmentas ctra f. Rekonstruks ctra, dan lan-lan Operas-operas pada pengolahan ctra dterapkan pada ctra bla :
6 12 a. perbakan atau memodfkas ctra perlu dlakukan untuk menngkatkan kualtas penampakan atau untuk menonjolkan beberapa aspek nformas yang terkandung d dalam ctra b. elemen d dalam ctra perlu dkelompokkan, dcocokkan atau dukur c. sebagan ctra perlu dgabung dengan bagan ctra yang lan Pengolahan Warna a. Model RGB Suatu ctra dalam model RGB terdr dar tga bdang ctra yang salng lepas, masng-masng terdr dar warna utama: merah, hjau dan bru. Suatu warna dspesfkaskan sebaga campuran sejumlah komponen warna utama. Gambar 2.3 menunjukkan bentuk geometr dar model warna RGB untuk menspesfkaskan warna menggunakan sstem koordnat Cartesan. Spektrum grayscale (tngkat keabuan) yatu warna yang dbentuk dar gabungan tga warna utama dengan jumlah yang sama, berada pada gars yang menghubungkan ttk htam dan puth. Gambar 2.3 Koordnat warna RGB (Sumber : Munr, 2004) Warna dpresentaskan dalam suatu snar tambahan untuk membentuk warna baru, dan berhubungan untuk membentuk snar campuran. Ctra pada gambar 2.4 sebelah kr menunjukkan campuran dengan menambahkan warna utama merah, hjau, dan bru untuk membentuk warna sekunder kunng (merah+hjau), cyan
7 13 (bru+hjau), magenta (merah+bru) dan puth (merah+hjau+bru). Model warna RGB banyak dgunakan untuk montor komputer dan vdeo kamera. Gambar 2.4 Penambahan campuran warna (Sumber : Munr, 2004) b. Grayscale Grayscale adalah ctra yang pada setap pkselnya hanya bers nformas ntenstas warna htam dan puth. Ctra Grayscale memlk banyak varas nuansa abu-abu sehngga berbeda dengan ctra htam-puth. Grayscale juga dsebut monokromatk karena tdak memlk warna lan selan varas ntenstas puth dan htam. Sebuah ctra yang djadkan Grayscale akan terkesan berbeda bla dbandngkan dengan ctra berwarna. D dalam pengolahan ctra, format ctra dgtal yang dpaka adalah grayscale. Pada umumnya warna yang dpaka adalah warna htam sebaga warna mnmal (0) dan warna puth (255) sebaga warna maksmal. Gambar 2.5 Skala keabuan (Sumber : Munr, 2004) Untuk perhtungan nla grayscale menurut (Ruslanto & Harjoko, 2011) pada persamaan (2.1). gr = 0.299r g b...(2.1) Keterangan : gr = hasl perhtungan nla grayscale r = nla warna merah dar pksel
8 14 g = nla warna hjau dar pksel b = nla warna bru dar pksel c. Ctra Bner Ctra bner adalah ctra yang hanya mempunya dua nla derajat keabuan yatu htam dan puth. Meskpun saat n ctra berwarna lebh dsuka karena member kesan yang lebh kaya darpada ctra bner, namun tdak membuat ctra bner mat. Pada beberapa aplkas ctra bner mash tetap dbutuhkan, msalnya ctra logo nstans (yang hanya terdr atas warna htam dan puth), ctra kode batang (bar code) yang tertera pada label barang, ctra hasl pemndaan dokumen teks, dan sebaganya. Pksel-pksel objek bernla 1 dan pksel-pksel latar belakang bernla 0. Pada waktu menamplkan gambar, 0 adalah puth dan 1 adalah htam. Jad, pada ctra bner, latar belakang berwarna puth sedangkan objek berwarna htam. Keuntungan menggunakan ctra bner adalah kebutuhan memor kecl karena nla derajat keabuan hanya membutuhkan representas 1 bt dan waktu pemrosesan lebh lebh cepat. Pengubahan ctra htam-puth (grayscale) menjad ctra bner dlakukan untuk alasan-alasan sebaga berkut: 1) Untuk mengdentfkas keberadaan objek, yang drepresentaskan sebaga daerah (regon) d dalam ctra. Msalnya kta ngn memsahkan (segmentas) objek dar gambar latar belakangnya. Pksel-pksel objek dnyatakan dengan nla 1 sedangkan pksel lannya dengan 0. Objek dtamplkan sepert gambar sluet. Untuk memperoleh sluet yang bagus, objek harus dapat dpsahkan dengan mudah dar gambar latar belakangnya. 2) Untuk lebh memfokuskan pada analss bentuk morfolog, yang dalam hal n ntenstas pksel tdak terlalu pentng dbandngkan bentuknya. Setelah objek dpsahkan dar latar belakangnya, propert geometr dan morfolog/topolog objek dapat dhtung dar ctra bner. Hal n berguna untuk pengamblan keputusan. 3) Untuk menamplkan ctra pada prant keluaran yang hanya mempunya resolus ntenstas satu bt, yatu prant penampl dua-aras atau bner sepert pencetak (prnter).
9 15 4) Mengubah ctra yang telah dtngkatkan kualtas tepnya (edge enhancement) ke penggambaran gars-gars tep. In perlu untuk membedakan tep yang kuat yang berkoresponden dengan batas-batas objek dengan tep lemah yang berkoresponden dengan perubahan llumnaton, bayangan, dll. Pengubahan ke dalam ctra bner dlakukan dengan operas pengambangan (thresholdng). Operas thresholdng mengelompokkan nla derajat keabuan setap pksel ke dalam 2 kelas, htam dan puth. f B (, j) = { 1, f g(, j) T 0, lannya. (2.2) (Sumber : Munr, 2004) Artfcal Neural Network Artfcal Neural Network (ANN) merupakan suatu konsep rekayasa pengetahuan dalam bdang kecerdasan buatan yang ddesan dengan mengadops sstem saraf manusa, yang pemrosesan utamanya ada d otak (Prasetyo, 2012). Bagan terkecl dar otak manusa adalah sel saraf yang dsebut unt dasar pemroses nformas atau neuron. Ada sektar 10 mlar neuron dalam otak manusa dan sektar 60 trlun koneks (dsebut snaps [synapse]) antarneuron dalam otak manusa) (Shepherd dan Koch, 1990). Dengan menggunakan neuron-neuron tersebut secara smultan, otak manusa dapat memproses nformas secara paralel dan cepat, bahkan lebh cepat dar komputer tercepat saat n. Sebuah neuron terdr atas elemen-elemen berkut: badan sel (dsebut soma), sejumlah serat yang menyalurkan nformas ke neuron (dsebut dendrt), dan sebuah serat tunggal yang keluar dan neuron (dsebut akson). Setap snyal luar yang dterma oleh dendrt akan melewat, snaps untuk dteruskan ke neuron, kemudan dproses d dalam soma. Setelah selesa akan dkeluarkan melalu akson untuk dproses kembal oleh neuron yang lan ataupun keluar sebaga. snyal akhr hasl proses d otak. Dengan analog sstem kerja otak manusa tersebut, ANN terdr atas sebuah unt pemroses yang dsebut neuron (akson jka dalam otak manusa) yang bers
10 16 penambah (adder) dan fungs aktvas, sejumlah bobot (snaps dalam otak manusa), sejumlah vektor masukkan (dendrt dalam otak manusa). Fungs aktvas berguna untuk mengatur keluaran yang dberkan oleh neuron. Desan ANN secara umum dperlhatkan oleh Gambar 2.6. Pada gambar tersebut, vektor masukan terdr atas sejumlah nla yang dberkan sebaga nla masukan pada ANN. Vektor masukan tersebut mempunya tga nla (x1, x2, x) sebaga ftur dalam data yang akan dproses d ANN. Masng-masng nla masukan melewat sebuah hubungan berbobot w, kemudan semua nla dgabungkan. Nla gabungan tersebut kemudan dproses oleh fungs aktvas untuk menghaslkan snyal y sebaga keluaran. Fungs aktvas menggunakan sebuah nla ambang batas (threshold) untuk membatas nla keluaran agar selalu dalam batas nla yang dtetapkan. Gambar 2.6 Arstektur ANN (Sumber : Prasetyo, 2012) Sepert halnya manusa yang otaknya selalu belajar dar lngkungan sehngga dapat mengelola lngkungan dengan bak berdasarkan pengalaman yang sudah ddapatkan, ANN, yang dalam pengenalan pola sebaga model yang dgunakan untuk proses pengenalan, membutuhkan proses pelathan agar dapat melakukan pengenalan kelas suatu data uj baru yang dtemukan. Proses pelathan dalam ANN dapat menggunakan algortma-algortma sepert Perceptron, Backpropagaton, Self-Organzng Map (SOM), Delta, Assocatve Memory, Learnng Vector Quantzaton dan sebaganya (Munr, 2004).
11 17 Learnng Vector Quantzaton (LVQ) adalah suatu metode klasfkas pola dmana masng masng nput merepresentaskan kelas atau kategor yang sama. Gambar 2.7 Arstektur jarngan LVQ (Sumber : Fausett, 1994:188) Jka dua vektor nput mendekat sama, maka lapsan kompettf akan meletakkan kedua vektor nput tersebut ke dalam kelas yang sama. Setelah pembelajaran, lapsan LVQ membag vektor nput (x) dengan penempatan lapsan LVQ ke kelas yang sama sebaga unt ouput (y) yang mempunya vektor bobot (w) terdekat dengan vektor nput (Fausett, 1994:187). Cara kerja algortma untuk LVQ yatu dengan mencar output yang terdekat dengan vektor nput. Algortma LVQ dapat djelaskan sebaga berkut: (Fausett, 1994:188) a. Menetapkan learnng rate (α), bobot (w), maksmum epoh, dan error mnmal yang dharapkan. b. Untuk masng-masng pembelajaran vektor nput tranng x melakukan langkah ke c sampa f. c. Mencar Cj dmana x w j dengan persamaan (2.3). C j n x wj (2.3) d. Update wj dengan cara :
12 18 Jka T = Cj maka : wj (t+1) = wj (t) + α(t) (x wj (t))...(2.4) Jka T Cj maka: wj (t+1) = wj (t) α(t) (x wj (t))...(2.5) e. Mengurang learnng rate. α = α * pengurang raso... (2.6) f. Konds berhent jka mencapa maksmum teras atau nla learnng rate cukup kecl. Keterangan : x = Vektor nput tranng T = Kategor atau kelas yang benar wj = Vektor bobot untuk output ke-j (w1j,..., wj,..., wnj) Cj = Kategor atau kelas yang dtunjukkan oleh output ke j x w j = Jarak Eucldan antara vektor nput tranng dan vektor bobot ke-j Ekstraks Ftur Ekstraks ftur (ftur extracton) merupakan bagan dasar dar analss ctra. Ftur adalah karakterstk unk dar suatu objek. Karakterstk ftur yang bak harus memenuh persyaratan berkut : 1. Dapat membedakan suatu objek dengan yang lannya (descrmnaton). 2. Memperhatkan komplekstas komputas dengan memperoleh ftur. Komplekstas komputas yang tngg tentu akan menjad beban tersendr dalam menemukan suatu ftur. 3. Tdak terkat (ndependence) dalam art bersfat nvaran terhadap berbaga transformas (rotas, penskalaan, pergeseran, dan sebaganya). 4. Jumlahnya sedkt, karena ftur yang sedkt dapat menghemat waktu komputas dan ruang penympanan untuk proses selanjutnya. Salah satu metode ekstraks ftur adalah Two Dmensonal Lnear Dscrmnant Analyss (TDLDA) dperkenalkan oleh L dan Ye pada tahun Perbedaan antara LDA dengan TDLDA adalah pada LDA menggunakan vektor mage untuk menghtung matrks beetween class dan matrks scatter wthn-class, sedangkan pada TDLDA menggunakan matrks mage asl untuk menghtung kedua
13 19 matrks tersebut. TDLDA mengklam bahwa haslnya lebh bak dbandngkan dengan metode ekstraks ftur yang lannya (Ye, 2005). Ada 3 tahapan dalam ekstraks ftur TDLDA pada suatu data pelathan yatu tahap pertama menghtung nla rata-rata kelas dan rata-rata global, tahap kedua menghtung matrks sebaran dalam kelas dan sebaran antar kelas dan tahap terakhr menghtung matrks ftur ekstraks data-data pelathan. Berkut adalah langkah-langkah dalam proses TDLDA terhadap suatu dataset ctra pelathan untuk menghtung nla rata-rata kelas dan rata-rata global : 1. Jka dalam suatu bassdata ctra terdapat hmpunan sebanyak n ctra pelathan A = [A1,A2,,An] ( = 1,2,,n) dengan dmens ctra (r x c), matrk dar ctra tersebut adalah : A (n)11 A (n)12 A (n)1c A A n = [ (n)21 A (n)22 A (n)2c ] A (n)r1 A (n)r2 A (n)rc Matrks n dgunakan sebaga data nputan. Data nputan lannya adalah jumlah kelas (k), jumlah data perkelas (n) dan banyaknya data pelathan (n). 2. Menghtung rata-rata ctra pelathan dar kelas ke- dengan menggunakan persamaan (2.7). x M 1 A..(2.7) n 3. Menghtung rata-rata semua ctra pelathan dengan persamaan (2.8). 1 M n k 1 x A.(2.8) Berkut adalah langkah-langkah dalam proses TDLDA terhadap suatu dataset ctra pelathan untuk menghtung matrks sebaran antar kelas dan matrks sebaran dalam kelas : 1. Menentukan nla ll (panjang bars) dan l2 (panjang kolom), dmana nla ll r dan l2 c. 2. Menetapkan matrks transformas R ukuran c x l2 yang dperoleh dar gabungan matrks denttas ukuran l2 x l2 dengan matrks nol ukuran (c-l2) x l2.
14 20 3. Menghtung matrks between class scatter R dengan ukuran r x r dengan persamaan (2.9) S R b k 1 n T M M RR M M T. (2.9) 4. Menghtung matrks wthn class scatter R dengan ukuran r x r dengan persamaan (2.10) S R W k T A M RR A M 1 x T... (2.10) 5. Htung nla egen dan vector egen dar (2.11) dengan ukuran r x r L=( R S W ) -1 ( R S b R S b dan R S W sesua dengan persamaan )... (2.11) 6. Ambl sebanyak l1 vektor egen terbesar dar langkah 5 dengan ukuran matrksnya r x l1. 7. Menghtung matrks between class scatter L dengan ukuran c x c dengan persamaan (2.12) S L b k 1 n T T M M LL M M (2.12) 8. Menghtung matrks wthn class scatter L dengan ukuran c x c dengan persamaan (2.13) S L W k T T A M LL A M 1 x. (2.13) 9. Htung nla egen dan vector egen dar (2.14) dengan ukuran c x c L Sb dan L S W sesua dengan persamaan R=( S ) -1 ( S ).(2.14) L W L b 10. Ambl sebanyak l2 vektor egen terbesar dar langkah 9 dengan ukuran matrksnya c x l2. Berkut adalah langkah-langkah dalam proses TDLDA terhadap suatu dataset ctra pelathan untuk menghtung ekstraks ftur pada setap ctra : 1. Inputan berupa matrks data pelathan
15 21 A (n)11 A (n)12 A (n)1c A A n = [ (n)21 A (n)22 A (n)2c ] A (n)r1 A (n)r2 A (n)rc Inputan lannya : matrks transformas bars (L) dan matrks transformas kolom (R). 2. Htung matrks ekstraks ftur dengan persamaan (2.15), ukuran matrksnya (l1 x l2) B=L T AR... (2.15) 3. Output yang dhaslkan adalah matrks ekstraks ftur B, matrks transformas L dan matrks transformas R. Langkah-langkah dalam ekstraks ftur pada pengujan LVQ adalah sebaga berkut : 1. Inputan berupa matrk data pengujan C yang ukuran dmens matrksnya sama dengan matrks data pelathan yatu r x c : C 11 C 12 C 1c C C = [ 21 C 22 C 2c ] C r1 C r2 C rc Inputan lannya adalah matrks transformas bars (L) dan matrks transformas kolom (R), yang keduanya ddapat dar proses ekstraks TDLDA pada pelathan LVQ. 2. Htung matrks ekstraks ftur sesua dengan persamaan (2.16) yang ukuran matrksnya l1 x l2. D=L T CR... (2.16) 3. Output : matrks ekstraks ftur D.
BAB 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 VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih terperinciBAB 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 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 terperinciKonferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 DAFTAR REVIEWER
Konferens Nasonal Sstem & Informatka 2015 STMIK STIKOM Bal, 9 10 Oktober 2015 DAFTAR REVIEWER Dr. Agus Harjoko Prof. Dr. Sr Hartat Dr.-Ing. Reza Pulungan Dr. Djoko Soetarno, DEA Dr. Ir. Rla Mandala, M.Eng
Lebih terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciBAB 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 Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciBAB 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 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 terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih 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 terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB 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 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 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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB.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 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB 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 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 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 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 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih 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 terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih 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 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 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 terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB III METODOLOGI PENELITIAN. 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 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 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 terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kulah : Pengolahan Ctra Dgtal Kode : IES 6323 Semester : VI Waktu : 1 x 3x 50 Ment Pertemuan : 9 A. Kompetens 1. Utama Mahasswa dapat memaham tentang sstem pengolahan
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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciBAB III METODE PENELITIAN. 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 terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih 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 terperinciMETODE THRESHOLDING UNTUK SEGMENTASI CITRA TELUR BERBASIS ANDROID
METODE THRESHOLDING UNTUK SEGMENTASI CITRA TELUR BERBASIS ANDROID Fersa Setyanngrum 1, Kartka Frdausy 2 Program Stud Teknk Elektro, Fakultas Teknolog Industr, Unverstas Ahmad Dahlan Jl. Prof. Dr. Soepomo,
Lebih terperinciBAB 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 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu
Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciBAB III 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 terperinciPengenalan Wajah Menggunakan Implementasi T-shape Mask pada Two Dimentional Linear Discriminant Analysis dan Support Vector Machine
Musthafa, Pengenalan Wajah Menggunakan Implementas -shape Mask Pada wo Dmentonal Lnear Dscrmnant Analyss dan... 1 Pengenalan Wajah Menggunakan Implementas -shape Mask pada wo Dmentonal Lnear Dscrmnant
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
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 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 terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih 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 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 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 3 METODOLOGI PERANCANGAN
9 BAB 3 METODOLOGI PERANCANGAN Bab n bers penjelasan mengena langkah-langkah perhtungan serta prosedurprosedur yang dgunakan untuk menemukan solus atas rumusan masalah pada Bab. Dalam bab n juga akan dtamplkan
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih 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 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 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 terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 1.1 Model Pengembangan Peneltan n merupakan jens peneltan pengembangan yang dkenal dengan stlah Research and Development ( R& D ). Menurut Sukmadnata (2005:164), peneltan pengembangan
Lebih terperinciMETODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih 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 terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih 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 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciPost test (Treatment) Y 1 X Y 2
BAB III METODOLOGI PENELITIAN A. Metode Peneltan Metode Peneltan adalah cara lmah untuk memaham suatu objek dalam suatu kegatan peneltan. Peneltan yang dlakukan n bertujuan untuk mengetahu penngkatan hasl
Lebih terperinciBOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL
BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL Analss sumbangan sektor-sektor ekonom d Bal terhadap pembangunan ekonom nasonal bertujuan untuk mengetahu bagamana pertumbuhan dan
Lebih terperinciALGORITMA THRESHOLDING ADAPTIF UNTUK BINERISASI CITRA DOKUMEN BERWARNA
Vol. 2, No. 2 Desember 2011 ISSN 2088-2130 ALGORITMA THRESHOLDING ADAPTIF UNTUK BINERISASI CITRA DOKUMEN BERWARNA Eka Mala Sar Rochman 1), Ratna Nur Tara Shanty 2), Dyah S Rahayu 3) Unverstas Trunojoyo
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 terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
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 III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas
BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
PENDAHULUAN Latar Belakang Pada saat n penamplan nformas dalam bentuk ctra semakn banyak dbutuhkan Hal n tdak lepas dar karakterstk ctra yang cenderung mudah dpaham Surat kabar, televs, dan stus web d
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciPerbandingan Penggunaan Beberapa Metode Deteksi Tepi Pada Pengolahan Citra Radiologi Fraktur Tulang
PRISMA FISIKA, Vol. V,. 3 (4), Hal. 7- ISSN : 337-84 Perbandngan Penggunaan Beberapa Metode Deteks Tep Pada Pengolahan Ctra Radolog Fraktur Tulang Ray Andre Junor a, Nurhasanah a*, Iklas Sanubary a a Prod
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
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 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 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 2 TINJAUAN PUSTAKA
BAB 2 INJAUAN PUSAKA 2.1 Ctra Dgtal Ctra (mage) adalah gambar pada bdang dua dmens. Dtnjau dar sudut pandang matemats, ctra merupakan fungs menerus (contnue) dar ntenstas cahaya pada bdang dua dmens. Ctra
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciREKONSTRUKSI CITRA PADA SUPER RESOLUSI MENGGUNAKAN PROJECTION ONTO CONVEX SETS
REKONSTRUKSI CITRA PADA SUPER RESOLUSI MENGGUNAKAN PROJECTION ONTO CONVEX SETS Nama Mahasswa : Achmad Bryand NRP : 1207 100 006 Jurusan : Matematka FMIPA-ITS Dosen Pembmbng : 1. Dr. Imam Mukhlash, S.S,
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang akan digunakan dalam penelitian ini adalah
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan yang akan dgunakan dalam peneltan n adalah peneltan pengembangan (Research and Development). Peneltan Research and Development (R&D) n merupakan
Lebih 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 terperinciBAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
Lebih terperinci