PERBAIKAN AKURASI FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS MENGGUNAKAN FUNGSI KERNEL
|
|
- Harjanti Chandra
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Semna Nasonal Teknolog Infomas dan Multmeda 03 STMI AMIOM Yogyakata, 9 Janua 03 ISSN : PERBAIAN AURASI FUZZY -NEAREST NEIGHBOR IN EVERY CLASS MENGGUNAAN FUNGSI ERNEL Haunu Rosyd, Eko Pasetyo, Soffana Agustn 3, 3 Teknk Infomatka Unvestas Muhammadyah Gesk Jl. Sumata 0 GB, Gesk, 6 Teknk Infomatka Unvestas Bhayangkaa Suabaya Jl. A. Yan 4, Suabaya, 603 emal : fbhaun7@gmal.com, eko979@yahoo.com, asoff@gmal.com 3 Abstak Salah satu algotma klasfkas yatu -NN menad algotma yang sangat popule kaena kesedehanaan dalam poses penggunaannya. elemahan -NN adalah haus menggunakan seluuh data lath untuk melakukan poses pedks. Banyak vaas-vaas -NN yang dusulkan untuk melakukan pebakan knea -NN, bak da ss akuas pedks maupun waktu komputas yang dgunakan selama poses pedks, sepet Fuzzy - Neaest Neghbo (F-NN, dan Fuzzy -NN n evey Class (F -NNC. Dalam makalah n dpapakan hasl peneltan beupa penggunaan fungs kenel dalam enel Based F-NNC (B-F-NNC untuk menngkatkan knea akuas pedks. Hasl penguan menunukkan bahwa penggunaan kenel cukup bak untuk dgunakan dalam membantu menngkatkan akuas meskpun penngkatannya kuang sgnfkan. Akuas yang ddapatkan oleh B-F-NNC uga telhat stabl untuk bebeapa plhan dan yang dgunakan dalam penguan. ata kunc : fuzzy, -Neaest Neghbo, class, kenel, klasfkas.. Pendahuluan Algotma klasfkas yang sangat popule penggunaannya kaena kesedehanaan algotma adalah Neaest Neghbo (kadang dsebut uga -Neaest Neghbo / -NN. -NN melakukan klasfkas bedasakan kedekatan lokas (aak suatu data dengan data yang lan [6]. Pnsp sedehana yang dadops oleh algotma -NN adalah: Jka suatu hewan bealan sepet bebek, besuaa kwek-kwek sepet bebek, dan penamplannya sepet bebek, maka hewan tu mungkn bebek. -NN meupakan algotma yang algotma yang menggunakan seluuh data lath untuk melakukan poses klasfkas ( complete stoage. Bsa dpastkan bahwa ketka haus mempedks dengan komposs data lath yang sangat besa maka poses pedks menad sangat lama. Hal nlah yang menad kelemahan -NN dbandng metode-metode klasfkas yang lan. -NN ves klask melakukan pedks secaa tegas pada data u bedasakan pebandngan tetangga tedekat, sedangkan elle membuat pendekatan lan yang dalam melakukan pedks uga bedasakan tetangga tedekat tap tdak secaa tegas mempedks kelas yang haus dkut oleh data u, pembean label kelas data u pada setap kelas dengan membekan nla keanggotaan sepet halnya teo hmpunan fuzzy []. Algotma Fuzzy -Neaest Neghbo (F -NN tesebut dpekenalkan oleh elle et al. [] dengan mengembangkan -NN yang dgabungkan dengan teo fuzzy dalam pembean label kelas pada data u yang dpedks. Salah satu pebakan yang dlakukan pada F-NN untuk menngkatkan akuasnya adalah algotma Adaptve Fuzzy -Neaest Neghbo ( AF- NN dusulkan oleh Chen et al. [] dengan mengembangkan F-NN yang meupakan gabungan teo fuzzy dengan optmas paamete dan fuzzy stength m dalam pembean label kelas pada data u yang dpedks. F-NN uga mempunya banyak vaas selan AF-NN [], dantaanya ada enel-based Fuzzy -Neaest Neghbo (F-NN yang dusulkan oleh Wu dan Zhou [9] untuk menangan kasus pedks data yang non-lnea menggunakan fungs kenel. Wenbege [8] mengusulkan penggunaan metk aak Mahalanobs untuk dgunakan sebaga bass pelathan -NN dengan data lath untuk menuu tetangga tedekat yang sama kelasnya dengan memnmalkan fungs obyektf. Pasetyo [5] mengusulkan Fuzzy -NN n evey Class (F-NNC untuk mempebak akuas knea pada saat pedks. Umumnya, metode-metode yang dusulkan tesebut betuuan untuk mempebak akuas atau menguang umlah data lath yang dlbatkan pada saat pedks. Dalam makalah n, dpapakan hasl peneltan untuk pengembangan metode F-NNC yang dkombnaskan dengan penggunaan fungs kenel untuk menangan kasus data yang dstbusnya non-lnea. aena kenel dalam SVM tebukt mampu membekan knea akuas yang lebh bak pada data set non-lnea maka dalam peneltan yang dlakukan penuls dgunakan fungs kenel pada saat poses pedks. Haapannya adalah menngkatkan akuas pedks F-NNC yang lebh bak da metode-metode yang dusulkan sebelumnya. 07-3
2 Semna Nasonal Teknolog Infomas dan Multmeda 03 STMI AMIOM Yogyakata, 9 Janua 03 Peneltan n uga melakukan pengamatan koelas penggunaan fungs kenel dengan penngkatan akuas pedks. Sstematka dalam makalah n tebag menad 7, bagan membahas pendahuluan, bagan membahas ngkasan metode tekat, bagan 3 membahas keangka kea metode, bagan 4 membahas hasl penguan dan analss, bagan 5 membahas smpulan dan saan, dan bagan 7 dafta pustaka. Tnauan Pustaka dan Metode Tekat.. -Neaest Neghbo Pada algotma -NN [6], data bedmens N, dlakukan pehtungan aak da data u tesebut ke data lath, nla aak n kemudan dgunakan sebaga nla kedekatan/ketdakmpan antaa data u dengan data lath. Nla pada -NN menunukkan -data lath sebaga tetangga tedekat da data u. Pada algotma -NN, sebuah data u z = (,y, dmana ada vekto/atbut data u, sedangkan y adalah label kelas data u yang belum dketahu, kemudan dhtung aak (atau ke tdakmpan data u ke setap data lath d(, kemudan memlh tetangga tedekat petama dalam D z. Setelah tu dhtung umlah data lath yang mengkut kelas yang ada da tetangga tesebut. elas dengan data tebanyak yang mengkutnya menad kelas pemenang yang dbekan sebaga label kelas pada data u y. Algotma Pedks dengan -NN. z = (,y, adalah data u dengan vekto dan label kelas y yang belum dketahu. Htung aak d(, aak dantaa data u z ke setap vekto data lath, smpan dalam D 3. Plh D z D, yatu tetangga tedekat da z 4. Bekan label kelas da data lath tetangga tedekat yang umlahnya mayotas, ' ag ma I( v y y (, y D z v Salah satu masalah yang dhadap -NN adalah pemlhan nla yang sult, caa votng mayotas da -tetangga untuk nla yang besa bsa mengakbatkan dstos data yang besa, ka telalu kecl bsa menyebabkan algotma telalu senstf tehadap nose. Meskpun begtu, sebenanya penentuan nla yang tebak uga dapat dlakukan dengan menggunakan teknk coss-valdaton [6]... Fuzzy -Neaest Neghbo Metode -NN telah mengalam banyak pebakan, salah satunya oleh Chen et al. [] yang melakukan optmas pada paamete nla dan fuzzy stength m menggunakan metode Patcle Swam Optmzaton. Dalam sstem fuzzy, sebuah data dapat mempunya nla keanggotaan da seumlah kelas dengan deaat keanggotaan dalam nteval 0 sampa. Teo hmpunan fuzzy men-genealsas teo -NN klask dengan ISSN : mendefnskan nla keanggotaan sebuah data pada masng-masng kelas. Fomula yang dgunakan [][3]: u(, y * d( u( y ( d( ( m ( m Dmana u(y adalah nla keanggotaan data ke kelas c, adalah umlah tetangga tedekat yang dgunakan, u( k,y adalah nla keanggotaan data tetangga dalam tetangga pada kelas y, nlanya ka data lath k mlk kelas c atau 0 ka bukan mlk kelas c, untuk d( k adalah aak da data ke data k dalam tetangga tedekat, m adalah bobot pangkat (weght eponent yang besanya m >. Nla keanggotaan suatu data pada kelas sangat dpengauh oleh aak data tu ke tetangga tedekatnya, semakn dekat ke tetangganya maka semakn besa nla keanggotaan data tesebut pada kelas tetangganya, begtu pula sebalknya. Jaak tesebut duku dengan N dmens (ftu data. Pengukuan aak (ketdakmpan dua data yang dgunakan dalam F-NN dgenealsas dengan [][3]: N p p d(, l l ( l Dmana N adalah dmens (umlah ftu data. Untuk p adalah penentu aak yang dgunakan, ka p= maka aak yang dgunakan adalah Manhattan, ka p= maka aak yang dgunakan adalah Eucldean, ka p= maka aak yang dgunakan adalah Chebyshev. Meskpun F-NN menggunakan nla keanggotaan untuk menyatakan keanggotaan data pada setap kelas, tetap untuk membekan keluaan akh, F-NN tetap haus membekan kelas akh hasl pedks, untuk kepeluan n, F-NN memlh kelas dengan nla keanggotaan tebesa pada data tesebut. Algotma Pedks dengan F-NN. Nomalsaskan data menggunakan nla tebesa dan tekecl data pada setap ftu.. Ca tetangga tedekat untuk data u menggunakan pesamaan (. 3. Htung nla keanggotaan u( y menggunakan pesamaan ( untuk setap, dmana C. 4. Ambl nla tebesa: untuk v ag ma u( y semua C, C adalah umlah kelas. 5. Bekan label kelas v ke data u yatu y..3. Fuzzy -Neaest Neghbo n evey Class Metode Fuzzy -Neaest Neghbo n evey Class (F- NNC menggunakan seumlah tetangga tedekat pada setap kelas da sebuah data u, bukan tetangga tedekat sepet pada -NN dan F-NN. Gamba membekan gambaan tetangga tedekat da setap kelas pada sebuah data u pada metode F-NNC. Pada gamba tesebut, untuk =3, tga tetangga tedekat 07-4
3 Semna Nasonal Teknolog Infomas dan Multmeda 03 STMI AMIOM Yogyakata, 9 Janua 03 dkelas + dan tga tetangga dkelas yang dtemukan oleh F-NNC [5] a. Tanda dot htam (sold adalah data u b. Tga tetangga dkelas + dan tga tetangga dkelas Gamba. onsep tetangga tedekat da setap kelas, untuk = 3 F-NNC membekan nla keanggotaan data pada setap kelas dalam nteval 0 sampa [5]. Jumlah nla keanggotaan sebuah data pada semua kelas sama dengan, sepet pada pesamaan (3. C u, 0 u (3 Dmana u adalah nla keanggotaan n data u ke kelas ke-. Setap data u, haus dcakan tetangga tedekat pada setap kelas menggunakan fomula (, sehngga untuk kelas akan ada tetanggaa yang ddapat, untuk 3 kelas akan ada 3 tetangga yang ddapat, begtu seteusnya. Sehngga ka ada C kelas maka ada C tetangga tedekat yang haus dplh lh [5]. Selanutnya aak data u ke semua tetangga a da setap kelas ke dumlahkan, fomula yang dgunakan: S m d (, (4 Nla d sebaga akumulas aak data a u ke tetangga dalam kelas ke- dlakukan sebanyak C kelas. Nla m dsn meupakan pangkat bobot ( weght eponent sepet pada F-NN, nla m >. Selanutnya, akumulas aak data u ke setap kelas dgabungkan, dsmbolkan D, fomula yang dgunakan: D S C Untuk mendapatkan nla keanggotaan data u pada setap kelas ke- (ada C kelas, menggunakan fomula: S u (6 D Untuk menentukan kelas hasl pedks data u, dplh kelas dengan nla keanggotaan tebesa da data. Fomula yang dgunakan: C y ' ag ma ( u (7 Algotma pedks pada F-NNC untuk sebuah data u, dsakan sebaga bekut:. Ca tetangga tedekat pada setap kelas, menggunakan fomula (. Htung S sebaga akumulas aak tetangga pada setap kelas, menggunakan fomula (4 3. Htung D sebaga akumulas semua aak da C tetangga, menggunakan fomula (5 4. Htung u sebaga nla keanggotaan data pada setap kelas, menggunakan fomula (6 5. Plh nla keanggoaatn tebesa menggunakan fomula (7, kelas dengan nla keanggotaan tebesa menad kelas hasl pedks untuk data u tesebut. Dalam makalah n, modfkas dlakukan pada caa pehtungan kuanttas aak untuk menguku ketdakmpan, kuanttas aak dhtung dalam dmens tngg menggunakan pemetaan fungs kenel. 3. Metode Peneltan Peneltan yang dlakukan oleh Wu dan Zhou [9] membuktkan bahwa penggunaan fungs kenel untuk memetakan dmens data yang lama ke dmens data yang bau tebukt dapat menngkatkan akuas pedks data u, maka dalam peneltan n uga dgunakan fungs kenel untuk memetakan data lath da dmens lama ke dmens bau yang elatf lebh tngg untuk pehtungan aak antaa data u dengan data lath. Penggunaan fungs kenel dalam pehtungan aak tesebut dteapkan pada metode Fuzzy -Neaest Neghbo n evey Class (F-NNC [5] Masalah yang haus dselesakan dalam kasus nyata basanya tdak lnea, sehngga sangat cocok ka menggunakan fungs kenel yang memetakan data da dmens yang lama ke dmens yang bau ( pada poses pelathan atau pedksnya. Tetap penggunaan aak Eucldean dalam pesamaan ( tdak cukup kompleks untuk menghtung aak dua data dalam dmens yang bau ( [9]. Hal n dsebabkan tdak dapat dlakukan pehtungan secaa langsung, tetap haus menggunakan pasangan dua data antaa dengan ISSN : (5. Pesamaan ( dapat dtulskan 07-5
4 Semna Nasonal Teknolog Infomas dan Multmeda 03 STMI AMIOM Yogyakata, 9 Janua 03 kembal secaa unvesal untuk menghtung aak data u ke data lath menad pesamaan (8. d (8 Dalam peneltan n dgunakan fungs kenel Gaussan RBF untuk menghtung aak (ketdakmpan pada dua data dalam dmens yang lebh tngg ( pada pesamaan (8, sepet yang yang dusulkan Wu dan Zhou [9]. Smbol menyatakan pemetaan non-lnea da dmens yang lama (X ke dmens yang bau (. X ( X ( X,..., ( X,..., M N (9 Maka pesamaan (8 haus dpetakan uga ke ftu dmens tngg : d d ( (0 ( Jka adalah dmens yang sangat tngg maka tdak mungkn dapat menghtung d (. Maka ( untuk menyelesakan ketebatasan tesebut dgunakan metode kenel untuk menghtung aak tesebut. enel, menghtung dot-poduct dalam ftu ( dmens tngg [9][4], sepet pada pesamaan ( (, (. ( ( Sehngga pehtungan poduct skala dalam dmens awal dtansfomas kedalam dmens tngg dengan pemetaan non-lnea mengunakan fungs kenel.. (. ( (, enel haus menggunakan kenel Mece [4], da bebeapa macam fungs kenel, kenel Gaussan RBF meupakan salah satu kenel yang memelukan pehtungan aak dalam menghtung hasl pemetaannya, maka dalam peneltan n dgunakan kenel Gaussan RBF untuk menghtung aak dalam dmens tngg, sepet yang uga dgunakan oleh Wu dan Zhou [9][4]. (, ep ( Suku kanan pada pesamaan (4 bsa dtulskan menad: d(, m Dan untuk m=, maka dapat dhtung aak pada pesamaan (0 menad [9]: ( ( ( ( (.( ( ( ( (, ( Nla ( dalam pemetaan kenel Gaussan RBF selalu benla. Jad ka hasl pemetaan pesamaan ( (3 ISSN : dmasukkan ke pesamaan ( 3 maka pesamaan ( 3 beubah menad pesamaan (4. ( ( ( (4 Pesamaan ( 4 hanya belaku untuk kenel Gaussan RBF untuk melakukan pehtungan aak dalam dmens tngg dalam B-F-NNC. Untuk mendapatkan nla keanggotaan data u pada setap kelas ke- (ada C kelas dalam dmens tngg ddapat da gabungan pesamaan (4, (5 dan (6 yang sudah dpetakan dalam dmens tngg oleh pesamaan (4. Setelah dmasukkan dan dsedehanakan, ddapatkan pesamaan (5. ( u ( ( C (5 ( q Dmana adalah umlah tetangga tedekat da setap kelas pada data u, C adalah umlah kelas. Sehngga ada C tetangga tedekat yang dlbatkan dalam pehtungan. Pesamaan (5 b elaku untuk m= dalam F-NNC pada dmens tngg. Algotma pedks enel-based Fuzzy -Neaest Neghbo n evey Class (B -F-NNC untuk sebuah data u dsakan sebaga bekut:. Gabungkan data u kedalam data lath X.. Lakukan pemetaan X da dmens lama ke dmens bau: : X ( X menggunakan pesamaan ( 3. Tentukan, dengan syaat N 4. Htung aak da ( ke menggunakan q ( metode kenel (dalam hal n adalah matk dmens tngg hasl da fungs kenel dalam pesamaan (4 5. Plh tetangga da setap kelas, sehngga ddapat C tetangga tedekat. 6. Htung nla keanggotaan data u ke setap kelas menggunakan pesamaan (5 7. Bekan label kelas da nla keanggotaan u pada data u. 4. Penguan dan Analss Metode klasfkas enel-based Fuzzy -Neaest Neghbo n evey Class (B -F-NNC du pada 4 dataset publk yang dunduh da webste [7] yatu: Is (50 ecod, 4 ftu, Vetebal Column (30 ecod, 6 ftu, Wne (78 ecod, 3 ftu, dan Glass (4 ecod, 9 ftu. Sstem penguan menggunakan model splt 5-fold, dmana 80% dgunakan sebaga data lath dan 0% dgunakan sebaga data u. Pada peneltan n dlakukan penguan pada kasus kelas, maka untuk data set yang bes lebh da satu kelas akan dlakukan penggabungan bebeapa kelas hngga menad dua kelas secaa keseluuhan pada data set tesebut. 07-6
5 Semna Nasonal Teknolog Infomas dan Multmeda 03 STMI AMIOM Yogyakata, 9 Janua 03 Penguan pelaku knea secaa lokal pada B-F- NNC dlakukan dengan membekan nla da sampa 5, dengan plhan nla yang dgunakan adalah:.,,.6, 3, 3.5, 4. Haslnya dsakan pada tabel untuk data set Is. Tabel. Hasl pedks B-F-NNC untuk data set Is (dalam % Da data hasl pedks sepet yang dsakan pada tabel, dapat damat bahwa akuas yang dbekan untuk nla da sampa 5 dengan plhan yang dgunakan, ddapatkan ata-ata semuanya adalah 94.33% dengan smpangan baku adalah Atnya dsn, akuas yang ddapat cukup stabl untuk semua plhan yang dgunakan dan tdak senstf tehadap plhan yang dgunakan. Tabel. Hasl pedks B-F-NNC untuk data set Vetebal Column (dalam % Penguan pelaku knea secaa lokal uga dukan pada data set Vetebal Column, Wne, dan Glass, sepet dsakan pada tabel, tabel 3, dan tabel 4. Hasl akuas ata-ata semua vaas dan, masng-masng betuut-tuut 8.4%, 96.85%, dan 93.05%. Sedangkan smpangan baku masng-masng betuu-tuut adalah.47, 0.90, dan Nla yang ddapat untuk semua data set tesebut masng dapat dsmpulkan stabl, dan tdak bsa dputuskan plhan nla yang tebak. Tabel 3. Hasl pedks B-F-NNC untuk data set Wne (dalam % ISSN : Tabel 4. Hasl pedks B-F-NNC untuk data set Glass (dalam % Tabel 5. Pebandngan akuas knea pedks B-F- Data Set -NN F-NN F-NNC NNC Is 95.60% 95.33% 95.0% 93.38% Vet. Col. 78.3% 80.00% 80.77% 8.40% Wne 95.5% 93.% 96.74% 96.74% Glass 90.94% 9.63% 94.49% 93.34% Pada ses bebeda, penguan data set yang sama uga dlakukan dengan membandngkan B-F-NNC pada metode yang lan yatu: -NN, F-NN, dan F-NNC. Haslnya dsakan pada tabel 5. Da tabel, dapat damat bahwa akuas pedks yang ddapat oleh B- F-NNC tdak selalu lebh bak dapada metode yang lan. Untuk data set Vetebal Column, nla akuas B-F-NNC secaa sgnfkan lebh bak dapada - NN yatu lebh tngg 3.08%, dan sedkt lebh bak dapada F-NN dan F-NNC dengan selsh 0.63%. Untuk data set Wne, B-F-NNC membekan akuas yang sama pess dengan F-NNC yatu 96.74%, sedangkan untuk data set Is dan Glass mash kalah nla akuasnya dbandngkan dengan metode sebelumnya. Secaa umum, akuas pedks yang dbekan oleh B-F-NNC tdak auh bebeda dengan metodemetode sebelumnya, tetap dalam B-F-NNC dpelukan penggunaan fungs kenel, yang secaa komputas behaga mahal. Hal n kaena fungs kenel melakukan tansfomas data lath dan data u da dmens lama ke dmens bau yang elatf lebh tngg. Jumlah dmens yang lebh tngg nlah yang dposes oleh B-F-NNC, tetap membekan knea akuas yang tdak auh bebeda da metode sebelumnya. 07-7
6 Semna Nasonal Teknolog Infomas dan Multmeda 03 STMI AMIOM Yogyakata, 9 Janua esmpulan dan Saan Da peneltan yang sudah dlakukan, dapat dsmpulkan sebaga bekut:. Fungs kenel tebukt dapat dgunakan dalam metode klasfkas B-F-NNC dengan hasl akuas yang stabl pada seumlah plhan nla dan yang dgunakan. Hal n membekan pandangan bahwa nla yang yang dph tdak bepengauh sgnfkan pada penuunan atau penngkatan akuas.. Penggunaan kenel dalam B-F-NNC pada bebeapa stuas dapat membantu menngkatkan nla akuas pedks, tetap tdak dapat membekan penngkatan yang sgnfkan da metode-metode sebelumnya yang tdak menggunakan kenel. Saan-saan yang data dbekan untuk peneltan bekutnya sebaga bekut:. Penggunaan fungs kenel yang lan mash pelu dlakukan peneltan untuk dbandngkan dengan fungs kenel Gaussan RBF yang dgunakan dalam peneltan n.. Dalam peneltan n, B-F-NNC bau melakukan pedks pada data set dengan kelas, sehngga dpelukan penguan lebh lanut untuk kasus pedks kelas lebh da. Dafta Pustaka [] Chen, HL., Yang, B., Wang, G., Lu, J., Vu, X., Wang, SJ., Lu, DY., 0. A novel bankuptcy pedcton model based on an adaptve fuzzy k-neaest neghbo method, nowledge-based Systems, Vol. 4, Issue 8, pp [] elle, JM., Gay, MR., Gvens, JA. 985, A Fuzzy - Neaest Neghbo Algothm, IEEE Tansacton on Systems, Man, and Cybenetcs. Vol 5. No 4: [3] L, D., Deogun, JS., Wang,. 007, Gene Functon Classfcaton Usng Fuzzy -Neaest Neghbo Appoach, IEEE Intenatonal Confeence on Ganula Computng, IEEE Compute Socety. [4] Mulle, R., Mka, S., Ratsch, G.,Tsuda,., Scholkopf, B., 00, An Intoducton to enel-based Leanng Algothms, IEEE Tansacton on Neual Netwoks, Vol., No., pp.8-0. [5] Pasetyo, E., 0, Fuzzy -Neaest Neghbo n Evey Class Untuk lasfkas Data, Semna Nasonal Teknk Infomatka (SANTIA 0, Teknk Infomatka - Fakultas Teknolog Indust Unvestas Pembangunan Nasonal Vetean Jawa Tmu, pp [6] Tan, P, Stenbach, M, uma, V., 006, Intoducton to Data Mnng, Peason Educaton: Boston San Fanssco New Yok [7] UCI Machne Leanng Repostoy, 0 Me 0, [8] Wenbege, Q,, Bltze, J., dan Saul, L., 005, Dstance Metc Leanng fo Lage Magn Neaest Neghbo Classfcaton, Depatment of Compute and Infomaton Scence, Unvesty of Pennsylvana Levne Hall, 3330 Walnut Steet, Phladelpha, PA 904 [9] Wu, XH., Zhou, JJ., 005, enel-based Fuzzy -neaestneghbo Algothm, Poceedngs of the 005 ISSN : Intenatonal Confeence on Computatonal Intellgence fo Modellng, Contol and Automaton, and Intenatonal Confeence on Intellgent Agents, Web Technologes and Intenet Commece (CIMCA-IAWTIC 05 Bodata Penuls Haunu Rosyd, mempeoleh gela Saana Teknk (ST., Pogam Stud Teknk Infomatka Fakultas Teknolog Indust Unvestas Islam Indonesa, lulus tahun 000. Tahun 0 mempeoleh gela Magste ompute (M.om da Pogam Pasca Saana Teknk Infomatka Insttut Teknolog Sepuluh Nopembe Suabaya. Saat n sebaga Staf Pengaa pogam Saana Teknk Infomatka Unvestas Muhammadyah Gesk. Eko Pasetyo, mempeoleh gela Saana ompute (S.om, Pogam Stud Teknk Infomatka Fakultas Teknk Unvestas Muhammadyah Gesk, lulus tahun 005. Tahun 0 mempeoleh gela Magste ompute (M.om da Pogam Pasca Saana Teknk Infomatka Insttut Teknolog Sepuluh Nopembe Suabaya. Saat n sebaga Staf Pengaa pogam Saana Teknk Infomatka UBHARA Suabaya. Soffana Agustn, mempeoleh gela Saana ompute (S. om, Pogam Stud Teknk Infomatka Juusan Teknk Infomatka STMI AAOM Yogyakata, lulus tahun 00. Tahun 00 mempeoleh gela Magste ompute (M.om da Pogam Pasca Saana Teknk Infomatka Insttut Teknolog Sepuluh Nopembe Suabaya. Saat n sebaga Staf Pengaa pogam Saana Teknk Infomatka Unvestas Muhammadyah Gesk. 07-8
BAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengetan Koelas Koelas adalah stlah statstk yang menyatakan deajat hubungan lnea antaa dua vaabel atau lebh, yang dtemukan oleh Kal Peason pada awal 1900. Oleh sebab tu tekenal dengan
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 terperinciP(A S) = P(A S) = P(B A) = dengan P(A) > 0.
0 3.5. PELUANG BERSYARAT Jka kta menghtung peluang sebuah pestwa, maka penghtungannya selalu ddasakan pada uang sampel ekspemen. Apabla A adalah sebuah pestwa, maka penghtungan peluang da pestwa A selalu
Lebih terperinciPELABELAN TOTAL BUSUR-AJAIB b-busur BERURUTAN
JIMT Vol. 4 No. Jun 07 (Hal - 0) ISSN : 450 766X PELABELAN TOTAL BUSUR-AJAIB b-busur BERURUTAN PADA GRAF LOBSTER L n (; ; t) DAN L n (;, s; t) Nujana, I W. Sudasana, dan Resnawat 3,,3 Pogam Stud Matematka
Lebih terperinciBab 4 ANALISIS KORELASI
Bab 4 ANALISIS KORELASI PENDAHULUAN Koelas adalah suatu alat analss yang dpegunakan untuk menca hubungan antaa vaabel ndependen/bebas dengan vaabel dpenden/takbebas. Apabla bebeapa vaabel ndependen/bebas
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciBAB 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 III BAGAN CUSUM Dasar statistik bagan kendali Cumulative Sum untuk rata-rata
3 BAB III BAGAN CUSUM 3.. Dasa statstk bagan kendal Cumulatve Sum untuk ata-ata Bagan Cusum dgunakan untuk mendeteks pegesean kecl pada mean atau vaans dalam poses oleh kaena adanya penyebab khusus secaa
Lebih terperinciBAB III METODE PENELITIAN. Untuk mencapai tujuan penelitian, maka diperlukan suatu metode yang
39 BAB III METODE PENELITIAN 3.1. Desan Peneltan Untuk mencapa tujuan peneltan, maka dpelukan suatu metode yang tepat aga peneltan dapat dlaksanakan dengan bak. Sebagamana yang dkemukakan oleh Mohammad
Lebih terperinciPerancangan, Pembuatan dan Pengujian Omnidirectional Vehicle
Peancangan, Pembuatan dan Pengujan Omndectonal Vehcle Muljowdodo dan Cahyad Setawan Laboatoum Otomas & Sstem Manufaktu Juusan Teknk Mesn FTI ITB muljo@bdg.centn.net.d, dot@tekpod.ms.tb.ac.d Rngkasan Movng
Lebih terperinciBab III Reduksi Orde Model Sistem LPV
Bab III Reduks Ode Model Sstem PV Metode eduks ode model melalu MI telah dgunakan untuk meeduks ode model sstem I bak untuk kasus kontnu maupun dskt. Melalu metode n telah dhaslkan pula bentuk da model
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 III METODOLOGI PENELITIAN. pada tanggal 12 Juni 1991 yang terletak di Km. 12 Jl. Manyar Sakti Simpang Baru
BAB III METODOLOGI PENELITIAN A. Lokas dan Waktu Peneltan Peneltan n dlakukan d MTs Daul Hkmah Pekanbau yang bed kokoh pada tanggal 1 Jun 1991 yang teletak d Km. 1 Jl. Manya Sakt Smpang Bau Panam-Pekanbau
Lebih terperincipada S"stem Komunikasi Bergerak 1 8. alisis Fungsi pada Sistem Wa Fazmah Arif Yulianto,
pada S"stem Komunkas Begeak 1 8 9-14 alss ungs pada Sstem Wa azmah Af Yulanto, Alat Bantu Mena4ateKl Menggunakan Ieman-Wunsch Aswn Swastka, ZK Abduahman Bazal, Rmba Whdana Cptasa Pedks Chun tehadap Data
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB 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 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 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 terperinciStudi Banding Metode Modifikasi Vektor Kueri Fuzzy dan Fungsi Basis Radial Fuzzy Untuk Perolehan Citra
Stud Bandng Metode Modkas Vekto Kue Fuzzy dan Fungs Bass Radal Fuzzy Untuk Peolehan Cta Tatk Matukhah Puslt KIM LIPI, Kompleks Puspptek Sepong tatkmh@km.lp.go.d Abstact Ths pape descbes o usng Fuzzy Quey
Lebih terperinciFisika Dasar I (FI-321) Sistem Partikel dan Kekekalan Momentum
Fska Dasa I (FI-3) Topk ha n (mnggu 6) Sstem Patkel dan Kekekalan Momentum Pesoalan Dnamka Konsep Gaya Gaya bekatan dengan peubahan geak (Hukum ewton) Konsep Eneg Lebh mudah pemecahannya kaena kta hanya
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 terperinciSIFAT - SIFAT MATRIKS UNITER, MATRIKS NORMAL, DAN MATRIKS HERMITIAN
SFT - SFT MTRKS UNTER, MTRKS NORML, DN MTRKS HERMTN Tasa bstak : Tujuan peneltan n adalah untuk mengetahu pengetan dan sfat sfat da matks unte, matks nomal, dan matks hemtan. Metode peneltan yang dgunakan
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih 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 terperinciRUANG FUNGSI GELOMBANG PARTIKEL TUNGGAL (ONE-PARTICLE WAVE FUNCTION SPACE)
RUANG FUNGSI GELOMBANG PARTIKEL TUNGGAL (ONE-PARTICLE WAVE FUNCTION SPACE) Intepetas pobablstk a fungs gelombang t suatu patkel telah kta pelaa yatu t yang menyatakan peluang menemukan patkel paa waktu
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB 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 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 terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih 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 terperinciKALKULUS VARIASI JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA
KALKULUS VARIASI JURUSAN PENDIDIKAN ISIKA PMIPA UNIVERSITAS PENDIDIKAN INDONESIA Smak Petanaan! Bang A B Bentuk kuva apakah ang menunjukkan jaak tepenek ang menghubung-kan ttk A an ttk B alam bang ata
Lebih terperinciANALISIS KELAS LATEN (LATEN CLASS ANALYSIS) UNTUK PENGELOMPOKAN DATA KATEGORIK. Timbul Pardede FMIPA-Universitas Terbuka.
ANALISIS KELAS LATEN (LATEN CLASS ANALYSIS) UNTUK PENGELOMPOKAN DATA KATEGORIK Tmbul Padede FMIPA-Unvestas Tebuka tmbul@mal.ut.ac.d Dalam analss kelompok pada bdang sosal, sengkal paa penelt mengunakan
Lebih terperinciRegresi Komponen Utama, Regresi Ridge, dan Regresi Akar Laten dalam Mengatasi Masalah Multikolinieritas
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 5 Reges Komponen Utama Reges Rdge dan Reges Aka Laten dalam Mengatas Masalah Multkolnetas Dan Agustna Juusan Matematka FMIPA Unvestas Bengkulu
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciBAB 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 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 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 terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
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 terperinciANALISIS TINGKAT EFISIENSI PUSAT KESEHATAN MASYARAKAT (PUSKESMAS) DENGAN METODE DATA ENVELOPMENT ANALYSIS (DEA) (Studi Kasus: Puskesmas Kota Surabaya)
ANALII TINGKAT EFIIENI PUAT KEEHATAN MAYARAKAT (PUKEMA) DENGAN METODE DATA ENVELOPMENT ANALYI (DEA) (tud Kasus: Puskesmas Kota uabaya) EFFICIENCY ANALYI OF PUBLIC HEALTH CENTER (PUKEMA) WITH DATA ENVELOPMENT
Lebih terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
Lebih terperinciBAB 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 terperinciCONTOH SOAL #: PENYELESAIAN PERSAMAAN DIFERENSIAL BIASA. dx dengan nilai awal: y = 1 pada x = 0. Penyelesaian: KASUS: INITIAL VALUE PROBLEM (IVP)
PENYELESAIAN PERSAMAAN DIFERENSIAL BIASA KASUS: INITIAL VALUE PROBLEM (IVP) by: st dyar kholsoh Mater Kulah: Pengantar; Metode Euler; Perbakan Metode Euler; Metode Runge-Kutta; Penyelesaan Sstem Persamaan
Lebih terperinciPELABELAN TOTAL SISI TAK BERATURAN PADA GRAF GABUNGAN BIPARTIT LENGKAP
JMP : Volume 1 Nomor 2, Oktober 2009 PELABELAN TOTAL SISI TAK BERATURAN PADA GRAF GABUNGAN BIPARTIT LENGKAP Tryan dan Nken Larasat Fakultas Sans dan Teknk, Unverstas Jenderal Soedrman Purwokerto, Indonesa
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciWeek 5. Konstanta Saluran Transmisi primer dan sekunder. Konstanta kabel koax dan kabel paralel ganda
Week 5 Knstanta Saluan Tansms pme dan sekunde Knstanta kabel kax dan kabel paalel ganda 1 Pada pembahasan lalu: Besaan γ dan Z da sebuah saluan tansms memankan peanan pentng pada fenmena peambatan gelmbang.
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciKontrol Tracking pada Sistem Pendulum Kereta Berbasis Model Fuzzy Takagi-Sugeno Menggunakan Pendekatan PDC Modifikasi
JURNAL TEKNIK ITS Vol. 4, No. 1, (15) ISSN: 337-3539 (31-971 Pnt) A-83 Kontol Tackng pada Sstem Pendulum Keeta Bebass Model Fuzzy Takag-Sugeno Menggunakan Pendekatan PDC Modfkas Nan Nu an Awab Put dan
Lebih terperinciJURNAL DASI ISSN: Vol. 14 No. 2 JUNI 2013
IMPLEMENTASI METODE FUZZY C-MEANS DAN TOPSIS DALAM MEMBANGUN SISTEM PENDUKUNG KEPUTUSAN PENENTUAN JURUSAN SMA (STUDI KASUS : PENENTUAN JURUSAN DI SMA NEGERI WONOSARI) Anta Bud Hastut ), Ema Utam 2), Emha
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 IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
Lebih terperinciPengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Prnt) 1 Pengenalan Karakter Tulsan Tangan Angka dan Operator Matematka Berdasarkan Zernke Moments Menggunakan Support Vector Machne
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih 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 terperinciALJABAR LINIER LANJUT
ALABAR LINIER LANUT Ruang Bars dan Ruang Kolom suatu Matrks Msalkan A adalah matrks mnatas lapangan F. Bars pada matrks A merentang subruang F n dsebut ruang bars A, dnotaskan dengan rs(a) dan kolom pada
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Peluang Peluang adalah suatu nla untuk menguku tngkat kemungknan tejadnya suatu pestwa (event) akan tejad d masa mendatang yang haslnya tdak past (uncetan event). Peluang dnyatakan
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciDIMENSI PARTISI GRAF GIR
Jurnal Matematka UNAND Vol. 1 No. 2 Hal. 21 27 ISSN : 2303 2910 c Jurusan Matematka FMIPA UNAND DIMENSI PARTISI GRAF GIR REFINA RIZA Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam,
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciPRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel
PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan
Lebih terperinciMETODE PENELITIAN. Lokasi dan Waktu Penelitian. Data dan Alat Penelitian
METODE PEELITIA Lokas dan Waktu Peneltan Peneltan n dlakukan pada daeah kajan d Sub DAS Kapuas Tengah d Popns Kalmantan Baat. Pengolahan dan analss data dlakukan d Laboatoum Fsk Remote Sensng dan Sstem
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 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 terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
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 terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciPENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN
PENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN Handry Wardoyo 1 Jeanny Pragantha Vny Chrstant M. 3 1 3 Teknk Informatka Unverstas Tarumanagara
Lebih terperinciPENENTUAN DENSITAS PERMUKAAN
PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan
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 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 terperinciImplementasi Adaptive Support Vector Machine untuk Membantu Identifikasi Kanker Payudara
1 Implementas Adaptve Support Vector Machne untuk Membantu Identfkas Kanker Payudara Baktar Karsma, Dana Purwtasar, Anny Yunart Teknk Informatka, Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember
Lebih terperinciPENYELESAIAN MASALAH PANAS BALIK (BACKWARD HEAT PROBLEM)
PENYELESAIAN MASALAH PANAS BALIK (BACKWARD HEAT PROBLEM) Rcha Agustnngsh, Drs. Lukman Hanaf, M.Sc. Jurusan Matematka, Fakultas MIPA, Insttut Teknolog Sepuluh Nopember (ITS) Jl. Aref Rahman Hakm, Surabaya
Lebih terperinciPENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI
PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI Reky Stenly Wndah Dosen Jurusan Teknk Spl Fakultas Teknk Unverstas Sam Ratulang Manado ABSTRAK Pada bangunan tngg,
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
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 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 terperinciLAPORAN PENELITIAN. Pola Kecenderungan Penempatan Kunci Jawaban Pada Soal Tipe-D Melengkapi Berganda. Oleh: Drs. Pramono Sidi
LAPORAN PENELITIAN Pola Kecenderungan Penempatan Kunc Jawaban Pada Soal Tpe-D Melengkap Berganda Oleh: Drs. Pramono Sd Fakultas Matematka dan Ilmu Pengetahuan Alam Me 1990 RINGKASAN Populas yang dambl
Lebih terperinciEVALUASI METODE PENELUSURAN KERAGAMAN DALAM BLOK DENGAN ANALISIS INTERBLOK
Prosdng SPMIPA. pp. 147-15. 006 ISBN : 979.704.47.0 EVALUASI METODE PENELUSURAN KERAGAMAN DALAM BLOK DENGAN ANALISIS INTERBLOK Rta Rahmawat, I Made Sumertajaya Program Stud Statstka Jurusan Matematka FMIPA
Lebih terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
Lebih 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 terperinciBILANGAN RAMSEY SISI DARI r ( P, )
Charul Imron dan dy Tr Baskoro, Blangan Ramsey Ss BILANGAN RAMSY SISI DARI r ( P, ) (Ramsey Number from the Sde r ( P, ) ) Charul Imron dan dy Tr Baskoro Jurusan Matemátca, FMIPA ITS Surabaya mron-ts@matematka.ts.ac.d
Lebih terperinciBab 2 AKAR-AKAR PERSAMAAN
Analsa Numerk Bahan Matrkulas Bab AKAR-AKAR PERSAMAAN Pada kulah n akan dpelajar beberapa metode untuk mencar akar-akar dar suatu persamaan yang kontnu. Untuk persamaan polnomal derajat, persamaannya dapat
Lebih terperinciUNJUK KERJA SISTEM PENUKAR KALOR TIPE CROSS FLOW PADA INSINERATOR FBC
PROSIDING SEMINAR NASIONAL REKAYASA KIMIA DAN PROSES 2004 ISSN : 4-426 UNJUK KERJA SISTEM PENUKAR KALOR TIPE CROSS FLOW PADA INSINERATOR FBC Supyatno, M. Affend dan Yusuf S. Utomo Pusat Peneltan Fska -
Lebih terperinciPERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
Lebih terperinciSUPPORT VECTOR MACHINE: PARADIGMA BARU DALAM SOFTCOMPUTING
Konfeens Nasonal Sstem dan Infomatka 2008; Bal, Novembe 5, 2008 SUPPORT VECTOR MACHINE: PARADIGMA BARU DALAM SOFTCOMPUTING Anto Satyo Nugoho Pusat Teknolog Infomas & Komunkas Badan Pengkaan & Peneapan
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 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 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 terperinciKOMPARASI HASIL BELAJAR SISWA DENGAN MEDIA MACROMEDIA FLASH DAN MICROSOFT POWERPOINT YANG DISAMPAIKAN MELALUI PENDEKATAN CHEMO-EDUTAINTMENT
Sgt Pratmoko, dkk. Komparas Hasl Belajar Sswa... 99 KOMPARASI HASIL BELAJAR SISWA DENGAN MEDIA MACROMEDIA FLASH DAN MICROSOFT POWERPOINT YANG DISAMPAIKAN MELALUI PENDEKATAN CHEMO-EDUTAINTMENT Sgt Pratmoko,
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 terperinciFisika Dasar I (FI-321) Sistem Partikel dan Kekekalan Momentum
Fska Dasa I (FI-3) Topk ha n (mnggu 6) Sstem Patkel dan Kekekalan Momentum Pesoalan Dnamka Konsep Gaya Gaya bekatan dengan peubahan geak (Hukum Newton) Konsep Eneg Lebh mudah pemecahannya kaena kta hanya
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Sampel yang digunakan dalam penelitian ini adalah data pengujian pada
BAB 5 ASIL DAN PEMBAASAN 5. asl Peneltan asl peneltan akan membahas secara lebh lengkap mengena penyajan data peneltan dan analss data. 5.. Penyajan Data Peneltan Sampel yang dgunakan dalam peneltan n
Lebih terperinci