Pengaruh Perentangan Kontras pada Ekstraksi Ciri Jaringan Normal dan Jaringan Bermikrokalsifikasi pada Citra Mamografi Digital

Ukuran: px
Mulai penontonan dengan halaman:

Download "Pengaruh Perentangan Kontras pada Ekstraksi Ciri Jaringan Normal dan Jaringan Bermikrokalsifikasi pada Citra Mamografi Digital"

Transkripsi

1 Pengarh Perentangan Kontras pada Ekstraks Cr Jarngan Normal dan Jarngan Bermkrokalsfkas pada Ctra Mamograf Dgtal Indah Sslawat Program Std Teknk Elektro Unverstas Merc Bana Yogayakarta Jl. Wates Km. Yogyakarta, emal: Abstrak Secara vsal jarngan normal pada ctra mamograf tampak berbeda dengan jarngan bermkrokalsfkas. Jka dlhat dar nla pkselnya, jarngan normal cenderng mempnya nla pksel yang konstan. Sedangkan pada jarngan bermkrokalsfkas terdapat ttk-ttk kecl yang berwarna lebh terang dar daerah sektarnya. Ttkttk nlah yang dsebt mkrokalsfkas (mcrocalcfcaton). Kenyataan d atas dapat dgnakan ntk mengekstrak cr-cr statstk keda jens jarngan berdasarkan nla pksel ctra. Pada peneltan n dekstrak enam jens cr satstk. Jga akan dlakkan operas transformas perentangan kontras pada ctra ntk menngkatkan kaltas ctra. Pada akhrnya dlakkan analss pengarh operas transformas perentangan kontras terhadap hasl ekstraks cr. Hasl peneltan mennjkkan bahwa ekstraks cr-cr statstk ctra berdasarkan nla pksel ctra dapat dlakkan dengan bak. Pengarh operas transformas perentangan kontras ckp bervaras. Pada cr varans, standar devas, bedaan, dan bedaan, perentangan kontras memperlebar jangkaan nla cr. Pada cr rerata, perentangan kontras mempersempt jangkaan nla cr. Perentangan kontras tdak mengbah jangkaan cr entrop. Kata knc: normal, mkrokalsfkas, cr statstk, perentangan kontras I. PENDAHULUAN. Latar Belakang Ctra mamograf snar X dar mesn mamograf (mammograms machne) dgnakan oleh dokter ata ahl radolog ntk mengetah adanya abnormaltas pada jarngan paydara. Salah sat abnormaltas yang dapat ddeteks adalah keberadaan mkrokalsfkas (mcrocalcfcaton). Mkrokalsfkas merpakan tanda awal perbahan ke arah kanker. Dalam ctra mamograf, mkrokalsfkas tampak sebaga ttk-ttk kecl yang lebh terang darpada daerah sektarnya. Jarngan normal tdak mempnya kenampakan sepert n. Kenyataan n memngknkan ntk melakkan ekstraks cr berdasarkan nla pksel ctra ata dar hstogramnya. Mkrokalsfkas jga serngkal slt ntk ddeteks oleh karena pengarh jarngan d sektarnya, bervarasnya bentk dan orentas, serta kecerahan dan krannya yang kecl (basanya, mm). Berdasarkan kenyataan tersebt, maka dalam peneltan n akan dterapkan operas perentangan kontras pada ctra mamograf sehngga dapat menngkatkan kaltas ctra.. Tjan Peneltan Peneltan n bertjan ntk melakkan ekstraks cr-cr statstk pada ctra mamograf, yat cr-cr yang mewakl jarngan normal dan jarngan bermkrokalsfkas..3 Batasan Masalah Peneltan n dlakkan dengan bantan Matlab 7., menggnakan transformas lnear sebagansebagan (pecewse lnear), dan data ctra mamograf dperoleh dar bass data MIAS (Mammographc Image Analyss Socety). II. LANDASAN TEORI. Mamograf Mamograf adalah penctraan menggnakan snar X ntk pengjan (examnaton) jarngan paydara. Mamograf tertama dgnakan ntk deteks dan dagnosa kanker paydara tetap jga dgnakan ntk keperlan pra-operas, yat ntk menentkan lokas yang dcrga dan ntk mengarahkan bops. Saat n mamograf merpakan cara palng efektf ntk mendeteks kanker paydara stadm dn. Ctra mamograf adalah ctra yang dhaslkan saat snar X dpancarkan menembs jarngan paydara dan snar X yang dtransmskan dterma (recorded) pada sebah reseptor ctra. Snyal yang dhaslkan merpakan snar X yang telah mengalam penystan sepanjang lntasannya melal strktr paydara. Sfat-sfat pentng mengena kaltas ctra mamograf dperlhatkan pada Gambar.. Pada gambar tersebt dperlhatkan profl transms snar X dalam sat dmens dengan pemodelan yang dlstraskan pada Gambar.. Transms yang bersesaan dengan strktr sepert tmor, mkrokalsfkas, ata jarngan fbroglandlar normal dperlhatkan pada gambar. Varas dalam penystan snar X akan menngkatkan kontras. Detektabltas strktr dengan kontras yang samar terpengarh oleh flktas acak dalam profl yang dsebt dera. Pada Gambar.3 dperlhatkan ctra mamograf mdb9.. Hstogram Ctra Informas pentng mengena s ctra dapat dketah dengan membat hstogram ctra. Hstogram ctra adalah grafk yang menggambarkan penyebaran

2 nla-nla ntenstas pksel dar sat ctra ata bagan tertent d dalam ctra. Dar sebah hstogram dapat dketah frekens relatf kemnclan setap nla aras keaban pada ctra. Oleh karena derajat keaban mempnya 6 aras ( ) maka hstogram akan menyatakan jmlah kemnclan setap nla. Hstogram jga member nformas mengena kontras sebah ctra. Hstogram yang terkmpl pada ss kr mennjkkan bahwa ctra memlk kontras rendah dan cenderng gelap, sedangkan hstogram yang terkmpl pada ss kanan memberkan nformas bahwa ctra tersebt mempnya kontras rendah dan cenderng terang (overexposre). Ctra dengan kontras yang bak mempnya hstogram yang merata pada selrh nla aras keaban. Gambar. Profl ctra proyeks snar X yang menglstraskan peranan kontras, resols spasal, dan dera dalam ctra mamograf Gambar.4 Hstogram ntk ctra mdb6 Untk ctra berwarna, hstogramnya dnyatakan ntk setap komponen RGB (Red, Ble, Green) yang membentk setap pksel ctranya. Dengan demkan ntk setap ctra berwarna dapat dbat tga bah hstogram. Pada peneltan akan dlakkan ekstraks cr-cr dar nla-nla pksel ata dar hstogram ctra. Ekstraks cr bertjan ntk mendapatkan cr-cr dar sat objek. Cr-cr tersebt akan dgnakan ntk mengenal sat objek sesa dengan kategornya. Cr-cr yang dapat dekstrak dar ctra antara lan adalah cr spasal (spatal featres), cr alh-ragam (transform featres), cr bentk (shape featres), dan tekstr. Cr-cr hstogram (hstogram featres) dperoleh berdasarkan hstogram ctra. Msalkan adalah varabel acak yang menyatakan aras keaban pada ctra, maka dapat ddefnskan jmlah dengan keaban x p pksel aras (x) Δ prob[ = x] = () jmlah total pksel dalam ctra Gambar. Model proses akss ctra mamograf yang dsederhanakan Gambar.3 Ctra mamograf mdb9 dengan nla x dar hngga L, dan L adalah jmlah aras keaban dalam ctra (6 ntk ctra dengan aras keaban yang dnyatakan dalam delapan bt). Cr-cr yang mm dar p (x) dantaranya adalah momen dan entrop, yang dnyatakan dengan rmsan-rmsan sebaga berkt. L Moments, () m = E[ ] = x p (x) L m = E[ ] = x p (x) Absolte moments, (3) Central moments, Absolte central moments, Entropy, μ L = E{[ E()] } = (x m) p (x) μ = E{ E( ) } = L = L x m p ( x) H = E[ log p ] p (x) log p (x) bt dengan =,, 3,.... (4) () (6)

3 Cr-cr hstogram yang lan dapat dperoleh dar kelma cr d atas, antara lan adalah dspers (= μ), rerata (=m), varans (=μ ), nla kadrat rerata ata energ rerata (= m ), skewness (= μ 3 ), krtoss (= μ 4 3). Da cr lan yang jga bergna adalah medan dan mode. Rerata mengekstrak cr-cr frekens-spasal rendah (low spatal-freqency featres). Varans dapat dgnakan ntk mengkr aktvtas lokal dalam ampltde. Cr standar devas berkatan dengan tebng-tebng tajam (strong edges) pada ctra. Entrop merpakan kran keacakan (randomness) statstk yang dapat dgnakan ntk mengetah karakter tekstr ctra npt (Gonzalez, 3). Entrop sebah smber ddefnskan sebaga nformas rerata yang dbangktkan oleh smber nformas. Smber nformas adalah sebah sstem yang menghaslkan kelaran dar sat set smbol (msalnya M smbol) dalam bentk seqence. Ctra dgtal merpakan smber nformas berpa pkselpksel ndependen, dan entrop dapat destmas dar hstogramnya. Msalnya sebah ctra mempnya aras keaban 6 aras ( ) maka ctra tersebt merpakan smber nformas dengan 6 smbol yang dmngknkan..3 Perentangan Kontras Perentangan kontras (contrast stretchng) termask dalam kategor operas ttk dalam proses penngkatan ctra (mage enhancement). Operas ttk merpakan operas tanpa memor (zero memory operatons) dengan memetakan sat aras keaban tertent yat [, L] ke sat aras keaban lan yat v [, L] menrt transformas v = f () (7) Ctra dengan kontras rendah serngkal dhaslkan karena konds pencahayaan yang brk ata tdak merata (nonnform). Kontras rendah jga dapat dsebabkan oleh sensor penctraan yang nonlnear ata mempnya jangkaan dnams yang sempt. Untk menngkatkan kontras ctra dapat dgnakan transformas dengan menggnakan fngs penskalaan lnear (lnear scalng fncton) ntk tap nla pksel, b c P = (P c) a (8) o + d c dengan P adalah nla pksel npt, P o adalah nla pksel otpt, a adalah nla pksel mnmm yang dngnkan, b adalah nla pksel maksmm yang dngnkan, c adalah nla pksel terendah pada ctra npt, d adalah nla pksel tertngg pada ctra npt. III. JALAN PENELITIAN 3. Bahan Peneltan Ctra mamograf yang dgnakan dalam peneltan n dperoleh dar bass data MIAS. Ctra merpakan ctra aras keaban 8 bt berkran 4 x 4 pksel dengan kran pksel mkron. Bass data MIAS memberkan nformas mengena jens abnormaltas dan possnya pada ctra. Pada peneltan n dgnakan ctra mamograf normal dan ctra mamograf bermkrokalsfkas. 3. Metode Peneltan Langkah-langkah yang dlakkan pada peneltan n dperlhatkan pada Gambar 3.. Gambar 3. Dagram blok langkah peneltan Ctra mamograf yang dperoleh dar bass data MIAS telah d-paddng dengan menambah beberapa pksel d sebelah kanan dan kr ctra. Bagan pksel tambahan n tdak mengandng nformas apapn dan hanya dgnakan ntk menyamakan kran ctra, sehngga dalam peneltan n hars dlakkan croppng ntk menghlangkan bagan tersebt. Croppng jga dlakkan ntk mengambl bagan pada ctra mamograf yang mengandng mkrokalsfkas. Hal n dlakkan dengan menggnakan nformas dar bass data MIAS yang menyatakan koordnat psat poss mkrokalsfkas dan radsnya. Koordnat psat poss mkrokalsfkas = (m, n) (9a) m = 4 y (9b) n = x (9c) dengan x dan y adalah koordnat yang dperoleh dar bass data MIAS. Sebaga contoh ntk ctra mdb9 dperoleh nformas (dar MIAS): x = 46 y = 76 r = 9 pksel Dengan demkan, poss mkrokalsfkas pada ctra mdb9 berada pada daerah berpa lngkaran dengan rads 9 pksel dan berpsat pada koordnat (478, 46). Dar bagan ctra yang mengandng mkrokalsfkas nlah akan dambl sampel ctra berkran 4 x 4 pksel, ntk kemdan dlakkan proses berktnya. Sedangkan sampel ctra mamograf normal dambl secara acak dar ctra mamograf normal (tdak bermkrokalsfkas). Perentangan kontras ctra dlakkan menggnakan transformas yang dnyatakan pada persamaan (8) dengan bantan program Matlab. Nla a dan b masng-masng adalah dan, sedangkan nla c dan d dtentkan sesa ctra npt. Pada peneltan n dlakkan ekstraks cr-cr dar nla-nla pksel ata dar hstogram ctra. Ekstraks cr dlakkan da kal, yat sebelm dan sesdah dkenakan transformas perentangan kontras.

4 Cr-cr yang dperoleh kemdan dbandngkan dan danalss. Ada enam macam cr yang dekstrak, yat rerata, varans, standar devas (selanjtnya dsebt std), entrop, beda nla aras maksmm dan mnmm (selanjtnya dsebt bedaan), serta beda nla aras maksmm dengan nla rerata (selanjtnya dsebt bedaan). Dalam pemograman ntk memperoleh cr-cr tersebt dgnakan rmsan-rmsan sebaga berkt. rerata = (m, n) N () var ans = [(m, n) rerata] N () std = [(m, n) rerata] N () bedaan = max[(m, n)] mn[(m, n)] (3) bedaan = max[(m, n)] rerata (4) dengan (m,n) adalah nla pksel ctra pada bars kem kolom ke-n dan N adalah jmlah pksel dalam jendela ctra. Untk entrop dgnakan persamaan (6). IV. HASIL PENELITIAN DAN PEMBAHASAN 4. Hasl Peneltan Hasl croppng ntk menghlangkan paddng pada ctra mamograf normal dan bermkrokalsfkas dperlhatkan pada Gambar 4. dan 4.. Gambar 4. Sampel mamograf normal norm_ Sampel mamograf bermkrokalsfkas calc_ Setap sampel ctra (normal dan bermkrokalsfkas) dkenakan transformas perentangan kontras. Pada gambar 4.3 dperlhatkan hasl perentangan kontras pada sampel norm_ dan pada Gambar 4.4 ntk sampel calc_. Gambar 4.3 Sampel mamograf normal norm_ Sampel norm_ hasl perentangan kontras Gambar 4.4 Sampel mamograf bermkrokalsfkas calc_ Sampel calc_ hasl perentangan kontras Hasl perentangan kontras jga dapat dsajkan dalam bentk hstogram ctra sebelm dan sesdah operas transformas perentangan kontras. Pada Gambar 4. dan 4.6 dperlhatkan perbandngannya ntk sampel norm_ dan calc_. Gambar 4. Ctra mamograf normal mdb6 Ctra mamograf bermkrokalsfkas mdb9 Pada Gambar 4. dperlhatkan hasl croppng ntk sampel-sampel ctra normal dan ctra bermkrokalsfkas. Pada peneltan n dambl 64 sampel ctra mamograf normal dan 34 sampel ctra mamograf bermkrokalsfkas. Jmlah sampel ctra normal dambl kra-kra da kal lpat jmlah sampel ctra bermkrokalsfkas dengan alasan bahwa dalam sat ctra mamograf, jarngan yang normal basanya jah lebh las darpada jarngan bermkrokalsfkas. Dsampng t, ctra normal jga lebh bervaras bergantng pada sfat jarngannya (fatty, dense, glandlar). Gambar 4. Hstogram sampel norm_ Hstogram setelah perentangan kontras Gambar 4.6 Hstogram sampel calc_ Hstogram setelah perentangan kontras

5 Ekstraks cr dlakkan dengan bantan program Matlab dan dlakkan pada setap sampel bak sebelm mapn sesdah operas transformas perentangan kontras. Tabel 4. memperlhatkan hasl ekstraks cr pada sampel sebelm dan sesdah perentangan kontras ntk sampel norm_ dan calc_. Cr Tabel 4. Hasl ekstraks cr norm_ dan calc_ Norm_ Calc_ Sebelm Sesdah Sebelm Sesdah Rerata 8,6 97, 4,4 68,87 Varans 89, 3,3 3,9 93,76 Std 4,3 48,, 3,4 Entrop 6,36 6,36,84,84 Bedaan Bedaan 46,4 9,8 4,6 9, Pada Tabel 4. berkt dperlhatkan hasl ekstraks cr ntk sema sampel dan dsajkan dalam jangkaan masng-masng cr ntk sampel normal dan bermkrokalsfkas sebelm dlakkan operas transformas perentangan kontras. Tabel 4. Jangkaan nla cr sampel normal dan bermkrokalsfkas (sebelm perentangan kontras) Cr Norm Calc Rerata 9,6 96,6 8, Varans 779,8 39,8 39, Std 4, 6,3 9,79 Entrop 7, 4,6 6, Bedaan Bedaan 6,4 63,8 6,4 73, Pada Tabel 4.3 berkt dperlhatkan hasl ekstraks cr ntk sema sampel dan dsajkan dalam jangkaan masng-masng cr ntk sampel normal dan bermkrokalsfkas sesdah dlakkan operas transformas perentangan kontras. Tabel 4.3 Jangkaan nla cr sampel normal dan bermkrokalsfkas (sesdah perentangan kontras) Cr Norm Calc Rerata, 8,9, 8,9 Varans 4, ,4 938,9 Std 6,4 88,,7 44 Entrop 7, 4,6 6, Bedaan 78 4 Bedaan 9, 4,8,9 46, 4. Pembahasan Pengarh operas transformas perentangan kontras secara vsal dperlhatkan pada Gambar 4.3 dan 4.4. Pada keda gambar tersebt dapat dbandngkan sampel ctra normal dan ctra bermkrokalsfkas sebelm dan sesdah transformas. Tampak jelas dalam gambar bahwa setelah operas transformas perentangan kontras maka ctra yang dhaslkan mennjkkan kaltas kontras yang lebh bak darpada sebelmnya. Hal n jga dtnjkkan oleh Gambar 4. dan 4.6. Setelah operas perentangan kontras maka hstogram ctra menempat wlayah yang lebh lebar yang jga berart penngkatan kontras ctra yang bersangktan. Cr-cr yang dekstrak dar ctra sampel adalah cr statstk. Ctra dgtal dasmskan sebaga smber nformas berpa pksel-pksel ndependen, dan crsr statstknya dapat dperoleh dar hstogram ata dar nla-nla pkselnya secara langsng. Msalnya sebah ctra mempnya aras keaban 6 aras ( ) maka ctra tersebt merpakan smber nformas dengan 6 smbol yang dmngknkan. Tabel 4. memperlhatkan sat contoh hasl ekstraks cr pada da jens sampel, sampel ctra normal dan bermkrokalsfkas. Tampak pada tabel bahwa nla masng-masng cr berbeda ntk keda jens sampel bak sebelm mapn sesdah operas perentangan kontras. Hasl n memberkan petnjk bahwa ntk keda jens sampel dharapkan akan menghaslkan nla cr yang berbeda. Hasl ekstraks cr ntk keselrhan sampel yang ada dperlhatkan pada Tabel 4. dan 4.3. Dar keda tabel dapat dketah bahwa jangkaan nla masng-masng cr berbah setelah sampel dkenakan operas perentangan kontras, kecal ntk cr entrop. Hal n dsebabkan karena entrop ddefnskan sebaga nformas rerata yang dbangktkan oleh smber nformas. Transformas perentangan kontras memetakan sat nla pksel ke sat nla pksel yang lan, sehngga tdak akan mengbah nla entrop ctra yang bersangktan. Dengan demkan jangkaan nla cr entrop setelah operas perentangan kontras jga tdak berbah. Pengarh operas perentangan kontras jga tampak pada semakn lebarnya jangkaan nla pada masng-masng cr kecal pada cr rerata dan cr entrop. Jangkaan cr rerata setelah perentangan kontras menjad semakn sempt. Hal n dsebabkan karena operas perentangan kontras cenderng akan membat pksel berwarna gelap menjad lebh gelap dan pksel berwarna terang menjad semakn terang. Ctra normal basanya berwarna lebh gelap dan nla pkselnya cenderng lebh konstan (frekens rendah), sedangkan ctra bermkrokalsfkas mengandng komponen frekens tngg. V. KESIMPULAN DAN SARAN. Kesmplan Berdasarkan hasl peneltan dan pembahasan d atas dapat dtark beberapa kesmplan sebaga berkt.. Cr-cr statstk dapat dekstrak dar sebah ctra berdasarkan hstogramnya ata berdasarkan nlanla pkselnya secara langsng.

6 . Operas transformas perentangan kontras berpengarh pada pelebaran jangkaan nla cr varans, standar devas, bedaan, dan bedaan. Hal n sejalan dengan transformas t sendr yang bersfat memperlebar jangkaan nla pksel ctra ntk menngkatkan kontras. 3. Pada cr rerata, perentangan kontras jstr mempersempt jangkaan nlanya. Hal n berkatan dengan kecenderngan nla pksel ctra bak ctra normal mapn ctra bermkrokalsfkas. 4. Pada cr entrop, perentangan kontras tdak mengbah jangkaan nlanya. Hal n dsebabkan karena perentangan kontras memetakan sat nla pksel ke sat nla pksel yang lan.. Saran. Cr-cr yang telah dekstrak pada peneltan n dapat dgnakan sebaga cr pembeda antara keda jens jarngan (normal dan bermkrokalsfkas), sehngga dapat dgnakan sebaga maskan pengklasfkas (classfer), msalnya Jarngan Syaraf Tran (JST).. Dapat dlakkan ekstraks cr-cr statstk (berdasarkan nla pksel ctra) yang lan msalnya skewness, krtoss, dan lan-lan. [8] Mnr, R., 4, Pengolahan Ctra Dgtal dengan Pendekatan Algortmk, Informatka Bandng. [9] Sheshadr, H.S. dan Kandaswamy, A., 6, Compter Aded Decson System for Early Detecton of Breast Cancer, Indan J Med Res 4, pp [] Srvastava, V.,, Perfomance of Mcrocalcfcaton Detecton Algorthms, Thess, Department of Elekctrcal and Compter Engneerng, North Carolna State Unversty, Ralegh. [] Tembey, M., 3, Compter Aded Dagnoss for Mammographc Mcrocalcfcaton Clsters, Thess, Department of Compter Scence and Engneerng, College of Engneerng, Unversty of Soth Florda. [] Yaffe, Martn J,. 99, Mammography, Bomedcal Engneerng Handbook, IEEE Press. [3], help/ toolbox/ mages/, download tanggal Desember 7 pkl 4.7 WIB. [4], download tanggal 7 Desember 7 pkl. WIB. [], download tanggal Me 8 pkl 3.4 WIB. VI. DAFTAR PUSTAKA [] Abbaker, A.A., Qahwad, R.S., Aqel, M.J., Al-Osta, H., Saleh, M.H., 6, Effcent Pre-Processng of USF and MIAS Mammograms Images, Jornal of Compter Scence 3 (): 67 7, ISSN [] Candade, N.V., 4, Applcaton of Spport Vector Machnes and Neral Networks n Dgtal Mammography: A Comparatve Stdy, Thess, Bomedcal Engneerng Department of Chemcal Engneerng College of Engneerng, Unversty of Soth Florda. [3] El-Naqa, I., Yang, Y., Wernck, M.N., Galatsanos, N.P., Nshkawa, R.,, Spport Vector Machne Learnng for Detecton of Mcrocalcfcatons n Mammograms, Dept. Of Electrcal and Compter Engneerng, Illnos Insttte of Technology. [4] Iqbal, K., Salam, R.A., Osman, A., Talb, A.Z., 7, Underwater Image Enhancement Usng an Integrated Color Model, IAENG Internatonal Jornal of Compter Scence. [] Jan, A.K., 989, Fndamental of Dgtal Image Processng, Prentce Hall Internatonal, Inc. Sngapore. [6] L, Sheng., Babbs, Charles F., dan Delp, Edward J., Normal Mammogram Analyss and Recognton, Prde Unversty, Indana. [7] Mellol, M., Joskowcz, L.,, Segmentaton of Mcrocalcfcaton n X-ray Mammograms Usng Entropy Thresholdng, CARS.

Pengenalan Pola Jaringan Normal dan Jaringan Bermikrokalsifikasi pada Citra Mamografi Digital Menggunakan Support Vector Machines (SVM)

Pengenalan Pola Jaringan Normal dan Jaringan Bermikrokalsifikasi pada Citra Mamografi Digital Menggunakan Support Vector Machines (SVM) Pengenaan Poa Jarngan orma dan Jarngan ermkrokasfkas pada Ctra Mamograf Dgta Menggnakan Spport Vector Machnes (SVM) Indah Ssawat ssawat.ndah@yahoo.co.d Program Std Teknk Eektro, Faktas Teknk dan Im Kompter

Lebih terperinci

81 Bab 6 Ruang Hasilkali Dalam

81 Bab 6 Ruang Hasilkali Dalam 8 Bab Rang Haslkal Dalam Bab RUANG HASIL KALI DALAM Rang hasl kal dalam merpakan rang ektor yang dlengkap dengan operas hasl kal dalam. Sepert halnya rang ektor rang haslkal dalam bermanfaat dalam beberapa

Lebih terperinci

Pengenalan Pola/ Pattern Recognition

Pengenalan Pola/ Pattern Recognition Pengenalan Pola/ Pattern Reognton Dasar Pengenalan Pola Imam Cholssodn S.S., M.Kom. Dasar Pengenalan Pola. The Desgn Cyle. Collet Data 3. Objet to Dataset 4. Featre Seleton Usng PCA Menghtng Egen Vale

Lebih terperinci

DETEKSI POTENSI KANKER PAYUDARA PADA MAMMOGRAM MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRICES

DETEKSI POTENSI KANKER PAYUDARA PADA MAMMOGRAM MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRICES DETEKSI POTESI KAKER PAYUDARA PADA MAMMOGRAM MEGGUAKA METODE GRAY LEVEL CO-OCCURRECE MATRICES Ryan Hartad*, Imam Santoso**, Achmad Hdayatno** Abstrak -Kanker payudara adalah jens kanker yang palng umum

Lebih terperinci

PENINGKATAN CITRA UNTUK MEMPERJELAS FOTO BRAIN CT SCAN

PENINGKATAN CITRA UNTUK MEMPERJELAS FOTO BRAIN CT SCAN PENINGKATAN CITRA UNTUK MEMPERJELAS FOTO BRAIN CT SCAN Pryono Ylanto Jrsan Teknk Elektro Fakltas Teknk Unverstas Wjaya Ksma Prwokerto e-mal pryono_ylanto@yahoo.co.d ABSTRACT The CT scan bran photo represent

Lebih terperinci

Vektor Kendali Permainan Dinamis LQ Non-Kooperatif Waktu Tak Berhingga

Vektor Kendali Permainan Dinamis LQ Non-Kooperatif Waktu Tak Berhingga Semnar Nasonal eknolog Informas Komnkas dan Indstr (SNIKI) 8 ISSN : 85-99 Pekanbar 9 November 6 Vektor Kendal Permanan Dnams LQ Non-Kooperatf Wakt ak Berhngga Nlwan Andraja UIN Sltan Syarf Kasm Ra Pekanbar

Lebih terperinci

Bab 6 Probabilistic Nerual Network (PNN) Multinomial Dengan Algoritme Expectation Maximization (EM)

Bab 6 Probabilistic Nerual Network (PNN) Multinomial Dengan Algoritme Expectation Maximization (EM) Probablstc eral (P Mltnomal Dengan Algortme Exectaton Maxmzaton (EM Metodolog klasfkas ctra yang dkembangkan menggnakan Probablstc eral (P model mltnomal yang dotmalkan dengan algortme Exectaton Maxmzaton

Lebih terperinci

Histogram Citra. Bab Membuat Histogram

Histogram 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 terperinci

III PEMODELAN MATEMATIS SISTEM FISIK

III PEMODELAN MATEMATIS SISTEM FISIK 34 III PEMODELN MTEMTIS SISTEM FISIK Deskrps : Bab n memberkan gambaran tentang pemodelan matemats, fungs alh, dagram blok, grafk alran snyal yang berguna dalam pemodelan sstem kendal. Objektf : Memaham

Lebih terperinci

UKURAN LOKASI, VARIASI & BENTUK KURVA

UKURAN LOKASI, VARIASI & BENTUK KURVA UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 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 terperinci

SMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP

SMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP Statstka, Vol., No., November 04 SMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP Ujang Malana, Moh Yamn Darsyah, 3 Tan Wahy Utam,,3 Program

Lebih terperinci

Dengan derajat bebas (pu-1) =(p-1)+(pu-p) (pu-1)=(p-1)+p(u-1) Sebagai contoh kita ambil p=4 dan u=6 maka tabulasi datanya sebagai berikut:

Dengan derajat bebas (pu-1) =(p-1)+(pu-p) (pu-1)=(p-1)+p(u-1) Sebagai contoh kita ambil p=4 dan u=6 maka tabulasi datanya sebagai berikut: X. ANALISIS RAGAM SEDERANA Jka erlakan yang ngn dj/dbandngkan lebh dar da(p>) dan ragam tdak dketah maka kta bsa melakkan j t dengan jalan mengj erlakan seasang dem seasang. Banyaknya asangan hotess yang

Lebih terperinci

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

IV. 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 terperinci

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c

BAB 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 terperinci

Misalkan S himpunan bilangan kompleks. Fungsi kompleks f pada S adalah aturan yang

Misalkan S himpunan bilangan kompleks. Fungsi kompleks f pada S adalah aturan yang Fngs Analtk FUNGSI ANALITIK Fngs sebt analtk ttk apabla aa sema ttk paa sat lngkngan Untk mengj keanaltkan sat ngs kompleks w = = + gnakan persamaan Cach Remann Sebelm mempelejar persamaan Cach-Remann

Lebih terperinci

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas

BAB.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 terperinci

Ensambel Statistik Distribusi Binomial Nilai Rata-rata Sistem Spin Distribusi Probabilitas Kontinu

Ensambel Statistik Distribusi Binomial Nilai Rata-rata Sistem Spin Distribusi Probabilitas Kontinu BAB 3 Penganta Metode Statstk Ensambel Statstk Dstbs Bnomal la Rata-ata Sstem Spn Dstbs Pobabltas Kontn Rvew Bab : Konsep pobabltas sangat pentng dgnakan ntk memaham sstem makoskopk Penggnaan Konsep Pobabltas:.

Lebih terperinci

PENDEKATAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION)

PENDEKATAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PENDEKAAN MEODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (SMALL AREA ESIMAION) Indawat, Ksman Sadk, Rat Nrmasar Dosen Departemen Statstka FMIPA IPB Maasswa S Departemen Statstka FMIPA IPB ABSRAK Pendgaan

Lebih terperinci

SMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP

SMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP Statstka, Vol., No., November 04 SMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP Ujang Malana, Moh Yamn Darsyah, 3 Tan Wahy Utam,,3 Program

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Jarngan Syaraf Bologs Mansa Jarngan syaraf tran (Artfcal Neral Netork) ata ANN merpakan model yang menr cara kera arngan bologs. Otak mansa terdr atas sel-sel syaraf yang dsebt

Lebih terperinci

Pengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine

Pengenalan 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

ANALISIS KEMIRIPAN POLA CITRA DIGITAL MENGGUNAKAN METODE EUCLIDEAN

ANALISIS 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 terperinci

PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI

PENGGUNAAN 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 terperinci

PERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT

PERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT BIAStatstcs (05) Vol. 9, No., hal. -7 PERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT Faula Arna Jurusan Teknk Industr, Unverstas Sultan Ageng Trtayasa Banten Emal : faulaarna@yahoo.com

Lebih terperinci

SEARAH (DC) Rangkaian Arus Searah (DC) 7

SEARAH (DC) Rangkaian Arus Searah (DC) 7 ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan

Lebih terperinci

BAB X RUANG HASIL KALI DALAM

BAB 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 terperinci

SUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD

SUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya

Lebih terperinci

BAB II LANDASAN TEORI

BAB 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 terperinci

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu

Lebih terperinci

Matematika Eigenface Menggunakan Metrik Euclidean

Matematika 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 terperinci

BAB I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.

BAB 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 terperinci

BAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING

PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas

Lebih terperinci

Pendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik

Pendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.

BAB 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 terperinci

BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL

BOKS 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 terperinci

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN

Didownload 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 terperinci

PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)

PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,

Lebih terperinci

PENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA

PENGENALAN 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 terperinci

BAB III METODOLOGI PENELITIAN

BAB 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 terperinci

PRESENTASI TUGAS AKHIR KI091391

PRESENTASI TUGAS AKHIR KI091391 PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy

Lebih terperinci

Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 DAFTAR REVIEWER

Konferensi 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 terperinci

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN Metode peneltan atau metodolog peneltan adalah strateg umum yang danut dalam mengumpulkan dan menganalss data yang dperlukkan, guna menjawab persoalan yang dhadap. Adapun rencana

Lebih terperinci

BAB 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 : 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 terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB 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 terperinci

PERBANDINGAN PEMILIHAN TAPIS PENGHAPUS DERAU PADA CITRA BERDASAR SIFAT STATISTIS, PSNR, DAN INDEKS KUALITAS

PERBANDINGAN PEMILIHAN TAPIS PENGHAPUS DERAU PADA CITRA BERDASAR SIFAT STATISTIS, PSNR, DAN INDEKS KUALITAS PERBADIGA PEMILIHA TAPIS PEGHAPUS DERAU PADA CITRA BERDASAR SIFAT STATISTIS, PSR, DA IDEKS KUALITAS Bernadetta Dyah Susant Wdoretno ), Achmad Hdayatno ), R. Rzal Isnanto ) Jurusan Teknk Elektro Fakultas

Lebih terperinci

Sifat-sifat Operasi Perkalian Modular pada Graf Fuzzy

Sifat-sifat Operasi Perkalian Modular pada Graf Fuzzy SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 07 Sfat-sfat Operas Perkalan Modular pada raf Fuzzy T - 3 Tryan, ahyo Baskoro, Nken Larasat 3, Ar Wardayan 4,, 3, 4 Unerstas Jenderal Soedrman transr@yahoo.com.au

Lebih terperinci

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.

BAB 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

Perancangan Simulasi Integrasi Pengirim-Penerima DVB-T

Perancangan Simulasi Integrasi Pengirim-Penerima DVB-T Bab 3 Perancangan Smulas Integras Pengrm-Penerma DVB-T 3.1 Pendahuluan Program smulas pada tess n bertujuan untuk mensmulaskan perbandngan knerja algortma snkronsas waktu dan frekuens dalam berbaga tpe

Lebih terperinci

RANGKAIAN SERI. 1. Pendahuluan

RANGKAIAN SERI. 1. Pendahuluan . Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 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 terperinci

STUDI PERBANDINGAN HASIL PENGUKURAN ALAT TEODOLIT DIGITAL DAN MANUAL: STUDI KASUS PEMETAAN SITUASI KAMPUS KIJANG

STUDI PERBANDINGAN HASIL PENGUKURAN ALAT TEODOLIT DIGITAL DAN MANUAL: STUDI KASUS PEMETAAN SITUASI KAMPUS KIJANG STUDI PERBANDINGAN HASIL PENGUKURAN ALAT TEODOLIT DIGITAL DAN MANUAL: STUDI KASUS PEMETAAN SITUASI KAMPUS KIJANG Andryan Suhendra Cvl Engneerng Department, Faculty of Engneerng, Bnus Unversty Jl. K.H.

Lebih terperinci

Page 1

Page 1 Image Recognton Tresold Sebelum melangka pada proses pendeteksan ss terleb daulu ctra duba ke dalam ctra yang anya terdr dar dua warna saa yatu warna tam yang menampakkan ss obek dan yang lannya akan dbuat

Lebih terperinci

BAB IV PERHITUNGAN DAN ANALISIS

BAB 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 terperinci

BAB 2 LANDASAN TEORI. fungsi f(x,y), dimana x dan y merupakan spatial koordinat, dan tingkatan aplitude

BAB 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 terperinci

BAB VB PERSEPTRON & CONTOH

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 terperinci

PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE

PENGENALAN 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 terperinci

ANALISIS DETEKSI TEPI PADA CITRA BERDASARKAN PERBAIKAN KUALITAS CITRA

ANALISIS DETEKSI TEPI PADA CITRA BERDASARKAN PERBAIKAN KUALITAS CITRA AALISIS DETEKSI TEPI PADA CITRA BERDASARKA PERBAIKA KUALITAS CITRA Achmad Hdayatno R. Rzal Isnanto Bahrun am Edge detecton and mage enhancement a part of mage processng. The purpose ths fnal project to

Lebih terperinci

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

BAB 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 terperinci

berasal dari pembawa muatan hasil generasi termal, sehingga secara kuat

berasal dari pembawa muatan hasil generasi termal, sehingga secara kuat 10 KARAKTRISTIK TRANSISTOR 10.1 Dasar Pengoperasan JT Pada bab sebelumnya telah dbahas dasar pengoperasan JT, utamannya untuk kasus saat sambungan kolektor-bass berpanjar mundur dan sambungan emtor-bass

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen

BAB 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 terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di

III. 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 terperinci

METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR

METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN Metode peneltan atau metodolog peneltan adalah strateg umum yang danut dalam mengumpulkan dan menganalss data yang dperlukkan, guna menjawab persoalan yang dhadap. Adapun rencana

Lebih terperinci

BAB III 3. METODOLOGI PENELITIAN

BAB III 3. METODOLOGI PENELITIAN BAB III 3. METODOLOGI PENELITIAN 3.1. PROSEDUR ANALISA Penelitian ini merpakan sebah penelitian simlasi yang menggnakan bantan program MATLAB. Adapn tahapan yang hars dilakkan pada saat menjalankan penlisan

Lebih terperinci

Analisis Serangan dengan Selective Plaintext pada Sebuah Algoritma Enkripsi Citra Berbasis Chaos

Analisis Serangan dengan Selective Plaintext pada Sebuah Algoritma Enkripsi Citra Berbasis Chaos Analss Serangan dengan Selectve Plantext pada Sebuah Algortma Enkrps Ctra Berbass Chaos Rnald Munr 1) 1) Program Stud Informatka, Sekolah Teknk Elektro dan Informatka (STEI), ITB Jl. Ganesha 10, Bandung

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam

III. 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 terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap

BAB 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 terperinci

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj

Lebih terperinci

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

BAB 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 terperinci

PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON

PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)

Lebih terperinci

Bab III Analisis Rantai Markov

Bab 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 terperinci

ANALISIS BENTUK HUBUNGAN

ANALISIS 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 terperinci

BAB II TINJAUAN PUSTAKA

BAB 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 terperinci

BAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh

BAB 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 terperinci

Perbandingan Penggunaan Beberapa Metode Deteksi Tepi Pada Pengolahan Citra Radiologi Fraktur Tulang

Perbandingan 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 terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN Metode peneltan atau metodolog peneltan adalah strateg umum yang danut dalam mengumpulkan dan menganalss data yang dperlukan, guna menjawab persoalanpersoalan yang d hadap. Adapun

Lebih terperinci

BAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif

BAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses

Lebih terperinci

REKONSTRUKSI CITRA PADA SUPER RESOLUSI MENGGUNAKAN PROJECTION ONTO CONVEX SETS

REKONSTRUKSI 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 terperinci

Segmentasi Citra Ikan Tuna dengan Mahalanobis Histogram Thresholding dan Mahalanobis Fuzzy C-Means

Segmentasi Citra Ikan Tuna dengan Mahalanobis Histogram Thresholding dan Mahalanobis Fuzzy C-Means Kaswar, Segmentas Ctra Ikan Tna dengan Mahalanobs Hstogram Thresholdng dan Mahalanobs Fzzy C-Means 197 Segmentas Ctra Ikan Tna dengan Mahalanobs Hstogram Thresholdng dan Mahalanobs Fzzy C-Means And Baso

Lebih terperinci

BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode

BAB 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 terperinci

PERBAIKAN AKUISISI DATA PADA METODE PERBANDINGAN DALAM KALIBRASI PENGUKUR ALIRAN JENIS TURBIN

PERBAIKAN AKUISISI DATA PADA METODE PERBANDINGAN DALAM KALIBRASI PENGUKUR ALIRAN JENIS TURBIN Jrnal Standardsas Volme 15 Nomor 3, November 013: Hal 170-178 PERBAIKAN AKUISISI DATA PADA METODE PERBANDINGAN DALAM KALIBRASI PENGUKUR ALIRAN JENIS TURBIN Improvng of the Data Acqston on Comparson Method

Lebih terperinci

APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )

APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi ) APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka

Lebih terperinci

SEGMENTASI CITRA BERWARNA MENGGUNAKAN ALGORITMA JSEG

SEGMENTASI 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 terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :

JURNAL 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 terperinci

III PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan

III PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF

Lebih terperinci

PENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN

PENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN PENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN Oleh : And Prasojo (L2F098584) Jurusan Teknk Elektro Fakultas Teknk Unverstas Dponegoro Jl. Prof. H. Sudarto, S.H., Tembalang, Semarang e-mal

Lebih terperinci

PENERAPAN 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 (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

UKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a

UKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya

Lebih terperinci

FAKTOR PENENTU TINGKAT EFISIENSI TEKNIK USAHATANI CABAI MERAH DI KECAMATAN SELUPU REJANG, KABUPATEN REJANG LEBONG

FAKTOR PENENTU TINGKAT EFISIENSI TEKNIK USAHATANI CABAI MERAH DI KECAMATAN SELUPU REJANG, KABUPATEN REJANG LEBONG FAKTOR PENENTU TINGKAT EFISIENSI TEKNIK USAHATANI CABAI MERAH DI KECAMATAN SELUPU REJANG, KABUPATEN REJANG LEBONG Kett Skyono Jrsan Sosal Ekonom Pertanan, Fakltas Pertanan Unverstas Bengkl Jl. Raya Kandang

Lebih terperinci

BAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel

BAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel 4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk

Lebih terperinci

BAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK

BAB 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 terperinci

HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT

HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT ABSTRAK STEVANY HANALYNA DETHAN Fakultas Ekonom Unv. Mahasaraswat Mataram e-mal : stevany.hanalyna.dethan@gmal.com

Lebih terperinci

PENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA

PENERAPAN 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 terperinci

SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK

SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums

Lebih terperinci