BAB 2 LANDASAN TEORI. linear antara atom-atom (tiap kolom dalam matriks sebuah dictionary), dengan
|
|
- Glenna Sanjaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 LADASA TEORI 2.1 Represetasi da Sparsity Represetasi siyal adalah suatu koefisie yag meyataka suatu siyal dalam betuk siyal basis. Represetasi siyal diperoleh dari hubuga kombiasi liear atara atom-atom (tiap kolom dalam matriks sebuah dictioary), dega siyal iput. Secara matematis diyataka sebagai berikut: y = i = 1 d i x i (2.1) Dimaa: y : siyal iput d : dictioary atau basis x : koefisie represetasi Persamaa (2.1) diatas biasa ditulis dalam betuk matriks mejadi y = Dx ( D adalah matrix sedagka y da x adalah vektor 1). Dictioary merupaka sekumpula kostata siyal basis dari frekuesi redah ke frekuesi tiggi. Betuk siyal basis mempegaruhi hasil koefisie represetasi dari suatu siyal, karea itu tidak ada basis yag mampu merepresetasika semua betuk siyal dega baik. Represetasi sparse adalah represetasi sebuah siyal yag memiliki ilai o-zero yag sedikit. Represetasi sparse dapat memudahka proses pegolaha siyal, hal ii disebabka karea dega sparse represetatio suatu siyal aka direpresetasika mejadi betuk yag lebih padat iformasi. Sehigga memudahka pegambila data utuk proses lebih lajut seperti 6
2 kompresi atau ektraksi ciri. Hasil represetasi meggambarka peyebara siyal basis dega berbagai frekuesi yag berada pada gambar tersebut, sehigga dapat diamati tigkat frekuesi apa saja yag dimiliki gambar tersebut. Kebayaka siyal atau citra memiliki represetasi yag sparse bila diyataka dega basis yag tepat [3]. Siyal y dikataka K-sparse apabila sejumlah K dari koefisieya berilai tidak ol, sedagka sisaya ( 7 K ) berilai ol. Kodisi sparsity yag diigika adalah ketika K <<. Pada keyataaya tidak ada siyal yag sparse, yag ada adalah siyal yag compressible, yaitu apabila siyal y memiliki koefisie represetasi x yag memiliki sebagia kecil koefisie berilai besar da sebagia besar sisaya berilai kecil [8]. Dari siyal yag compressible, sparsity bisa didapatka dega megambil sebagia koefisie besar saja da megabaika sisaya mejadi ol. Tekik tersebut disebut trasform-codig yag merupaka tekik umum yag diguaka pada kompresi citra [9]. Gambar 2.1 [3] (a) Citra asli berukura 1 Megapiksel. (b) Koefisie-koefisie wavelet. (c) Rekotruksi citra yag didapatka dega haya megguaka 25. koefisie wavelet terbesar.
3 8 2.2 Dictioary Yag dimaksud dega dictioary atau kamus dalam image processig adalah sekumpula siyal elemeter dalam betuk kostata, disebut atom, yag dapat merepresetasika siyal sebagai kombiasi liear dari atom-atom tersebut [1]. Bila kamus tersebut orthogoal, maka koefisie represetasiya adalah ier product dari atom-atom dega siyal iput sedagka utuk kasus oorthogoal koefisie represetasi didapat dari ier product atara siyal dega iverse dari kamus, biasa disebut juga sebagai bi-orthogoal. Yag dimaksud dega kamus orthogoal adalah kamus yag tiap atomya uik, tidak dapat dibetuk dari kompoe atom lai atau atau ier product atar atomya ol. Kamus dapat disebut sebagai kamus legkap apabila jumlah atomya sama dega pajag jumlah eleme siyal iput. Selama bertahu-tahu, kamus legkap orthogoal da bi-orthogoal dipakai secara luas karea secara matematis sederhaa [1]. Kamus legkap yag umum diguaka atara lai adalah kamus basis DCT yag diguaka pada kompresi JPG / JPEG da kamus basis wavelet yag diguaka pada kompresi JPEG2. amu kamus legkap memiliki beberapa kekuraga, misalya keefektifa satu jeis kamus yag bagus haya utuk tipe gambar tertetu, da kekuraga tersebut medorog pegembaga kamus lewat-legkap atau overcomplete dictioary. Kamus lewat-legkap adalah kamus yag memiliki jumlah atom lebih bayak dari pajag jumlah eleme siyal iput. Kamus lewat-legkap dapat dihasilka dega berbagai metode, salah satuya yag palig sederhaa adalah dega meggabugka beberapa kamus legkap yag disebut dega uio basis. Secara matematis kamus lewatlegkap uio basis didefiisika sebagai:
4 D = B, B,..., B ] (2.2) [ 1 2 L Dimaa: D : kamus lewat-legkap B : kamus basis orthoormal L : jumlah kamus basis orthoormal yag diguaka. Karea kamus lewat-legkap memiliki piliha atom yag lebih bayak dari yag dibutuhka oleh suatu siyal, maka kamus lewat-legkap diyakii dapat meghasilka represetasi yag lebih baik utuk berbagai macam siyal Discrete Cosie Trasform (DCT) Merupaka salah satu kamus legkap yag umum diguaka. Kepajagaya adalah Discrete Cosie Trasform. Kostata pegaliya merupaka siyal kosius yag sifatya diskrit. Secara matematis, DCT dirumuska sebagai berikut: π(2x + 1) u C( u) = α ( u) (2.3) Dimaa: 1 f ( x)cos x = 2 u :, 1, 2,, -1, merupaka variabel frekuesi f (x) : siyal iput : jumlah data / samplig
5 1 Sedagka iverse DCT adalah sebagai berikut: f ( x) = π(2x + 1) u α (2.4) 1 ( u) C( u)cos u= 2 Dimaa: x :, 1, 2,, -1, merupaka variabel waktu Dalam persamaa (2.3) da (2.4), α (u) didefiisika sebagai: 1, u = α ( u) (2.5) 2, u Dari persamaa (2.3) didapat bahwa utuk u = persamaa (2.3) mejadi: C () = 1 1 x = f ( x) Dega kata lai utuk ilai u = koefisie yag didapat merupaka koefisie DC sedagka utuk ilai u yag lai koefisie yag didapat merupaka koefisie AC. Beberapa sifat dari DCT atara lai eergy compactio, yaitu pemadata iformasi dari siyal kedalam koefisie sesedikit mugki, separability, yaitu pemisaha operasi DCT multi-dimesioal mejadi beberapa operasi DCT 1 dimesi, da orthoormal, yaitu ier product atara atom-atomya berilai da pajag tiap-tiap atom adalah 1. Sifat orthogoal memberika keutuga karea iverse dari matriks trasformasi DCT sama dega matriks traspose-ya. Sama seperti trasformasi Fourier, DCT memproyeksika siyal iput kedalam sekumpula atom berupa siyal kosius yag kotiu sehigga DCT bagus dalam
6 11 meerjemahka siyal yag cederug kosta atau smooth. amu karea siyal kosius bersifat kotiu, DCT kurag bagus dalam meerjemahka iformasi siyal yag bersifat lokal [1] Trasformasi Wavelet Istilah Wavelet pertama kali diperkealka oleh J. Morlet da A. Grossma [12]. Awalya Wavelet berasal dari bahasa Peracis Odelettes yag berarti gelombag kecil. Pada saat itu Wavelet masih berupa sebuah kosep matematika utuk meagai masalah aalisis trasie, ketidakstasioera, serta time-variat. Peerapa dari Wavelet dalam pemrosesa siyal baru ada setelah peelitia oleh Daubechies da Mallat [13] [14] [15]. Pada dasarya trasformasi Wavelet bekerja dega megkovolusika gelombag Wavelet dega siyal iput. Kelebiha dari trasformasi Wavelet adalah sifat multi-resolusiya. Secara matematis trasformasi Wavelet didefiisika sebagai berikut: X WT Dimaa: 1 t τ ( τ, s) = x( t). ψ * dt (2.6) s s x (t) : siyal iput ψ (t ) : mother wavelet atau fugsi basis Sedagka iverse dari trasformasi Wavelet didefiisika sebagai berikut: t τ x( t) = XWT ( τ, s)ψ dτds (2.7) s
7 12 Dari fugsi basis tersebut didapatka semua fugsi Wavelet yag dibutuhka dalam trasformasi melalui proses shiftig dega variabel τ sebagai iformasi waktu / spasial serta proses scalig dega variabel s sebagai iformasi frekuesi. Dari persamaa (2.6) tersebut dapat kami lihat bahwa kelebiha dari trasformasi Wavelet adalah hasil represetasi koefisie dalam domai waktu / spasial da frekuesi secara bersamaa serta sifat multi-resolusiya, utuk frekuesi redah, gelombag Wavelet aka diperlebar da berfugsi utuk meagkap iformasi global dari siyal, sedagka utuk frekuesi tiggi gelombag Wavelet aka dipersempit da berfugsi utuk meagkap iformasi detil dari siyal. Defiisi diatas merupaka Cotiuous Wavelet Trasform atau CWT. Dalam praktikya trasformasi Wavelet diproses megguaka komputer sehigga dibuatlah tekik Discrete Wavelet Trasform atau DWT. Proses DWT berbeda dega CWT karea peghituga koefisie dega cara pecuplika CWT membutuhka proses komputasi yag berat. Utuk itu proses DWT megguaka filter digital yag ekuivale dega mother wavelet pada proses CWT. Sebuah siyal iput aka dilewatka pada sebuah low-pass filter da high-pass filter sehigga meghasilka 2 set koefisie. Utuk itu masig-masig set aka didowsamplig mejadi setegahya saja utuk meghasilka jumlah koefisie yag sama dega jumlah siyal iput. Hasil dowsamplig ii biasa disebut dega koefisie a da koefisie d. Koefisie a merupaka koefisie hasil dari LPF, berisika iformasi aproksimasi dari citra secara keseluruha sedagka koefisie d merupaka koefisie hasil dari HPF, berisika iformasi detil dari citra. Proses ii disebut proses dekomposisi satu level. Selajutya koefisie a
8 13 dapat diguaka sebagai iput utuk proses dekomposisi level berikutya. Proses ii dapat dilakuka beberapa kali higga level dekomposisi yag diigika tercapai. Gabuga dari beberapa koefisie d da satu koefisie a dari LPF pada level terakhir disebut dega koefisie Wavelet yag bersifat sparse. Gambar berikut meujukka DWT tiga level. Gambar 2.2 Proses DWT tiga level Pada setiap level dekomposisi, retag frekuesi dari siyal berkura g setegah sehigga resolusi frekuesi dari koefisie meigkat dua kali pada setiap level. Hal iilah yag disebut sebagai sifat multi-resolusi dari trasformasi Wavelet. Level dekomposisi maksimum yag dapat dicapai tergatug dari pajag siyal, tetuya semaki pajag siyal semaki dalam level yag bisa dicapai. Hasil koefisie dari DWT bisa didapatka dega meggabugka semua koefisie a [ ] da [ ] d dimulai dari level dekomposisi terakhir. Demikia juga utuk proses rekostruksi, kedua set koefisie aka diupsamplig mejadi 2 kali da aka dilewatka pada LPF da HPF lalu dijumlahka utuk medapatka siyal rekostruksi. Gambar berikut meujukka iverse DWT tiga level.
9 14 Gambar 2.3 Proses iverse DWT tiga level Pasaga filter HPF da LPF yag diguaka dalam DWT harus merupaka quadrature mirror filter atau QMF. Pasaga HPF da LPF merupaka QMF bila memeuhi persamaa berikut: h[ L 1 ] = ( 1) g[ ] (2.8) Dimaa: h [] : HPF g [] : LPF L : Pajag filter Jeis-jeis fugsi basis yag dapat diguaka sebagai mother wavelet dalam trasformasi Wavelet ada bayak da masig-masig memiliki karakteristikya sediri. Karea itu pegguaaya perlu disesuaika dega tujua aplikasi utuk medapatka hasil yag efektif. Secara garis besar fugsi basis Wavelet dapat dibagi mejadi dua, yaitu orthogoal wavelet da biorthogoal Wavelet. Beberapa Wavelet yag orthogoal adalah Haar, Daubechies, Coiflet, da Symlet. Sedagka yag bersifat biorthogoal adalah Meyer, Morlet, da Mexica Hat.
10 15 Gambar 2.4 Berbagai macam jeis mother wavelet (a) Haar (b) Daubechies4 (c) Coiflet1 (d) Symlet2 (e) Meyer (f) Morlet (g) Mexica Hat. 2.3 Sparse Codig Sparse codig adalah proses pecaria koefisie y dari siyal x dega dictioary D yag disebut juga dega proses dekomposisi atom. Proses ii melibatka peyelesaia: ( P ) mi x x subject to y = Dx (2.9) ( P x subject to y Dx (2.1), ) mi x 2 Dimaa. adalah l orm (dibaca zero orm), yaitu jumlah koefisie ozero. Utuk mecari peyelesaia dari persamaa (2.9) da (2.1), membutuhka kompleksitas komputasi P, karea bersifat kombiatorial [18]. Utuk itu biasaya diguaka algoritma pursuit dimaa algoritma tersebut haya mecari
11 16 peyelesaia aproksimasi saja. Algoritma pursuit memiliki bayak macam, salah satuya adalah Orthogoal Matchig Pursuit atau disigkat OMP. OMP megguaka algoritma greedy yag memilih atom dictioary secara sekuesial utuk mecari ier product terbesar atara siyal dega atom tersebut Orthogoal Matchig Pursuit (OMP) Utuk megaplikasika OMP, dictioary yag diguaka harus bersifat orthoormal. Dalam setiap lagkah, sebuah atom dari dictioary yag memiliki ier product terbesar dega siyal residu aka dipilih da dimasukka sebagai koefisie. Selajutya siyal residual aka dihitug sebagai selisih dari siyal iput dega siyal rekostruksi utuk kemudia mecari koefisie kembali. Utuk setiap siyal y R K da dictioary D dega K atom { }, OMP = d k k 1 aka dimulai dega siyal residu awal r = y, k = 1 da dalam mecari koefisie x aka melakuka proses berikut: 1. Memilih ideks dictioary i k = arg max w rk 1, d w 2. Meg-update koefisie x = r, d ik k 1 i k 3. M eg-update siyal rekostruksi y k = Dx 4. Meg-update ilai residu rk = y yk Proses pegulaga ii dapat dihetika dega meetuka jumlah perulaga k yag diigika, dega meetuka besar orm dari residu r yag diigika, atau dega meetuka besar ier product maksimal pada tahapa proses selajutya. OMP dapat diterapka dega mudah da dapat diprogram
12 17 utuk meghasilka koefisie dega jumlah o-zero yag telah ditetuka sebelumya. Variasi lai dari OMP adalah dega tidak megguaka ier product terbesar lagsug sebagai ilai dari koefisie, melaika megguaka pseudoiverse dari sub-matriks kamus lewat-legkap. Γ adalah sebuah vektor berisi ideks dari eleme o-zero. Vektor ii diguaka utuk megacu kepada submatriks dari suatu matriks dictioary D atau sub-vektor dari suatu vektor koefisie x. Utuk setiap siyal y R da dictioary D dega K atom { iisialisasi r = y =, s =, Γ = Ø, da prosesya adalah sebagai berikut: K d k } k 1 1. Mecari ier product atom dega residu T 1 α i = d i r utuk i Γ 1 2. Semua ideks atom dega ier product terbesar digabug dalam satu vektor Γ = Γ 1 U arg maxα i ' 3. M eghitug koefisie megguaka atom-atom yag terpilih x = D y Γ Γ 4. Meg-update siyal residu r = y Dx 2.4 Peak Sigal to oise Ratio (PSR) PSR atau Peak Sigal to oise Ratio adalah perbadiga atara ilai power maksimum suatu siyal dega ilai power error atau oise. PSR biasa diyataka dalam desibel, yaitu satua logaritmik basis 1. Satua desibel diguaka karea siyal biasaya memiliki retag yag sagat luas sehigga dega desibel presetasi dari suatu ilai PSR dapat disederhaaka karea
13 18 retagya mejadi jauh lebih kecil. Idealya ilai PSR adalah tak higga yaitu ketika tidak terdapat oise sama sekali. Berikut adalah rumus dari PSR: 2 Max Sigal PSR = 1 log1 (2.11) MSE Dimaa: PSR Max Sigal MSE : Peak Sigal to oise Ratio (db) : ilai maksimum siyal : Mea Square Error MSE sediri dirumuska sebagai: MSE = Dimaa: 1 i = 1 ( S S) 2 (2.12) S : Siyal iput S : Siyal output : Pajag siyal
Bab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciBAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy
BAB III PEMBAHASAN Pada BAB III ii aka dibahas megeai betuk program liear fuzzy dega koefisie tekis kedala berbetuk bilaga fuzzy da pembahasa peyelesaia masalah optimasi studi kasus pada UD FIRDAUS Magelag
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciBAB 2 LANDASAN TEORI. lebar pita sinyal tersebut. Pada kebanyakan aplikasi, termasuk kamera digital video dan
BAB LADASA TEORI Teorema Shao-yquist meyataa agar tida ada iformasi yag hilag etia pecuplia siyal, maa ecepata pecuplia harus miimal dua ali dari lebar pita siyal tersebut. Pada ebayaa apliasi, termasu
Lebih terperinciBAB I KONSEP DASAR PERSAMAAN DIFERENSIAL
BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciPERTEMUAN 13. VEKTOR dalam R 3
PERTEMUAN VEKTOR dalam R Pegertia Ruag Vektor Defiisi R Jika adalah sebuah bilaga bulat positif, maka tupel - - terorde (ordered--tuple) adalah sebuah uruta bilaga riil ( a ),a,..., a. Semua tupel - -terorde
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih terperinciB a b 1 I s y a r a t
34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciSINYAL WAKTU Pengolahan Sinyal Digital Minggu II
SINYAL WAKTU Pegolaha Siyal Digital Miggu II 24 Goodrich, Tamassia PENDAHULUAN Defiisi Siyal x(t) Fugsi dari variabel bebas yag memiliki ilai real/skalar yag meyampaika iformasi tetag keadaa atau ligkuga
Lebih terperinciBAB II TEORI MOTOR LANGKAH
BAB II TEORI MOTOR LANGKAH II. Dasar-Dasar Motor Lagkah Motor lagkah adalah peralata elektromagetik yag megubah pulsa digital mejadi perputara mekais. Rotor pada motor lagkah berputar dega perubaha yag
Lebih terperinciAnalisis Kinerja Kompresi Citra Digital dengan Komparasi DWT, DCT dan Hybrid (DWT-DCT)
Aalisis Kierja Kompresi Citra Digital dega Komparasi DWT, DCT da Hybrid (DWT-DCT) Aditya Mahmud Faza 1, Cepy Slamet, Dia Nursatika 3 1,,3 Jurusa Tekik Iformatika, Fakultas Sais da Tekologi Uiversitas Islam
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciKompleksitas dari Algoritma-Algoritma untuk Menghitung Bilangan Fibonacci
Kompleksitas dari Algoritma-Algoritma utuk Meghitug Bilaga Fiboacci Gregorius Roy Kaluge NIM : 358 Program Studi Tekik Iformatika, Istitut Tekologi Badug Jala Gaesha, Badug e-mail: if8@studets.if.itb.ac.id,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Racaga da Jeis Peelitia Racaga peelitia ii adalah deskriptif dega pedekata cross sectioal yaitu racaga peelitia yag meggambarka masalah megeai tigkat pegetahua remaja tetag
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT
Vol. 6. No., 97-09, Agustus 003, ISSN : 40-858 METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak Tulisa ii membahas peetua persamaa ruag
Lebih terperinciII. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel.
II. LANDASAN TEORI Defiisi 2.1 Distribusi Samplig Distribusi samplig adalah distribusi probibilitas dari suatu statistik. Distribusi tergatug dari ukura populasi, ukura sampel da metode memilih sampel.
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinciDefinisi Integral Tentu
Defiisi Itegral Tetu Bila kita megedarai kedaraa bermotor (sepeda motor atau mobil) selama 4 jam dega kecepata 50 km / jam, berapa jarak yag ditempuh? Tetu saja jawabya sagat mudah yaitu 50 x 4 = 200 km.
Lebih terperinciBab 7 Penyelesaian Persamaan Differensial
Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala
Lebih terperinciII. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang
II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI0939 APLIKASI PERBAIKAN KONTRAS PADA CITRA RADIOGRAFI GIGI MENGGUNAKAN KOMBINASI METODE HISTOGRAM EQUALIZATION DAN FAST GRAY LEVEL GROUPING (Kata kuci: Fast gray level groupig,
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 31-41, April 2004, ISSN :
Vol. 7. No. 1, 31-41, April 24, ISSN : 141-8518 Peetua Kestabila Sistem Kotrol Lup Tertutup Waktu Kotiu dega Metode Trasformasi ke Betuk Kaoik Terkotrol Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciPersamaan Non-Linear
Persamaa No-Liear Peyelesaia persamaa o-liear adalah meghitug akar suatu persamaa o-liear dega satu variabel,, atau secara umum dituliska : = 0 Cotoh: 2 5. 5 4 9 2 0 2 5 5 4 9 2 2. 2 0 2 5. e 0 Metode
Lebih terperinciUkuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus
-Mar- Ukura Pemusata Pertemua STATISTIKA DESKRIPTIF Statistik deskripti adalah pegolaha data utuk tujua medeskripsika atau memberika gambara terhadap obyek yag diteliti dega megguaka sampel atau populasi.
Lebih terperinciKestabilan Rangkaian Tertutup Waktu Kontinu Menggunakan Metode Transformasi Ke Bentuk Kanonik Terkendali
Jural Tekika ISSN : 285-859 Fakultas Tekik Uiversitas Islam Lamoga Volume No.2 Tahu 29 Kestabila Ragkaia Tertutup Waktu Kotiu Megguaka Metode Trasformasi Ke Betuk Kaoik Terkedali Suhariyato ) Dose Fakultas
Lebih terperinciPENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK. Sutikno
sutiko PENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK Sutiko Program Studi Tekik Iformatika Fakultas Sais da Matematika UNDIP tik@udip.ac.id
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciBAB III METODOLOGI PENELITIAN. Variabel-variabel yang digunakan pada penelitian ini adalah:
BAB III METODOLOGI PENELITIAN 3. Variabel da Defiisi Operasioal Variabel-variabel yag diguaka pada peelitia ii adalah: a. Teaga kerja, yaitu kotribusi terhadap aktivitas produksi yag diberika oleh para
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciBAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28
5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.
Lebih terperinciBAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA DAN FAKTOR DISKON
BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARA DAN FAKTOR DIKON 3.1 Ecoomic Order Quatity Ecoomic Order Quatity (EOQ) merupaka suatu metode yag diguaka utuk megedalika
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI III.1 Peambaga Teks (Text Miig) Text Miig memiliki defiisi meambag data yag berupa teks dimaa sumber data biasaya didapatka dari dokume, da tujuaya adalah mecari kata-kata yag dapat
Lebih terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinciBAB V METODOLOGI PENELITIAN
BAB V METODOLOGI PEELITIA 5.1 Racaga Peelitia Peelitia ii merupaka peelitia kualitatif dega metode wawacara medalam (i depth iterview) utuk memperoleh gambara ketidaklegkapa pegisia berkas rekam medis
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciBAB II TINJAUAN PUSTAKA
3 BAB II TINJAUAN PUSTAKA Pada bab ii aka dituliska beberapa aspek teoritis berupa defiisi, teorema da sifat-sifat yag berhubuga dega aljabar liear, struktur aljabar da teori kodig yag diguaka sebagai
Lebih terperinciANALISIS TABEL INPUT OUTPUT PROVINSI KEPULAUAN RIAU TAHUN Erie Sadewo
ANALISIS TABEL INPUT OUTPUT PROVINSI KEPULAUAN RIAU TAHUN 2010 Erie Sadewo Kodisi Makro Ekoomi Kepulaua Riau Pola perekoomia suatu wilayah secara umum dapat diyataka meurut sisi peyediaa (supply), permitaa
Lebih terperinciDeret Fourier. Modul 1 PENDAHULUAN
Modul Deret Fourier Prof. Dr. Bambag Soedijoo P PENDAHULUAN ada modul ii dibahas masalah ekspasi deret Fourier Sius osius utuk suatu fugsi periodik ataupu yag diaggap periodik, da dibahas pula trasformasi
Lebih terperinciI. PENDAHULUAN II. LANDASAN TEORI
I PENDAHULUAN 1 Latar belakag Model pertumbuha Solow-Swa (the Solow-Swa growth model) atau disebut juga model eoklasik (the eo-classical model) pertama kali dikembagka pada tahu 195 oleh Robert Solow da
Lebih terperinciTINJAUAN PUSTAKA. 2.1 Ruang Vektor. Definisi (Darmawijaya, 2007) Diketahui (V, +) grup komutatif dan (F,,. ) lapangan dengan elemen identitas
II. TINJAUAN PUSTAKA 2.1 Ruag Vektor Defiisi 2.1.1 (Darmawijaya, 2007) Diketahui (V, +) grup komutatif da (F,,. ) lapaga dega eleme idetitas 1. V disebut ruag vektor (vector space) atas F jika ada operasi
Lebih terperinciBAB II TINJAUAN PUSTAKA. dengan asumsi bahwa telah diketahui bentuk fungsi regresinya. atau dalam bentuk matriks dapat ditulis dengan:
BAB II TINJAUAN PUSTAKA 2.1 Regresi Parametrik Regresi parametrik merupaka metode statistika yag diguaka utuk megetahui pola hubuga atara variabel prediktor dega variabel respo, dega asumsi bahwa telah
Lebih terperinciCATATAN KULIAH Pertemuan I: Pengenalan Matematika Ekonomi dan Bisnis
CATATAN KULIAH Pertemua I: Pegeala Matematika Ekoomi da Bisis A. Sifat-sifat Matematika Ekoomi 1. Perbedaa Matematika vs. Nomamatematika Ekoomi Keutuga pedekata matematika dalam ilmu ekoomi Ketepata (Precise),
Lebih terperinci1 Persamaan rekursif linier non homogen koefisien konstan tingkat satu
Secara umum persamaa rekursif liier tigkat-k bisa dituliska dalam betuk: dega C 0 0. C 0 x + C 1 x 1 + C 2 x 2 + + C k x k = b, Jika b = 0 maka persamaa rekursif tersebut diamaka persamaa rekursif liier
Lebih terperinciSolusi Numerik PDP. ( Metode Beda Hingga ) December 9, 2013. Solusi Numerik PDP
( Metode Beda Higga ) December 9, 2013 Sebuah persamaa differesial apabila didiskritisasi dega metode beda higga aka mejadi sebuah persamaa beda. Jika persamaa differesial parsial mempuyai solusi eksak
Lebih terperinciPenyelesaian Persamaan Non Linier
Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode
Lebih terperinciKarakteristik Dinamik Elemen Sistem Pengukuran
Karakteristik Diamik Eleme Sistem Pegukura Kompetesi, RP, Materi Kompetesi yag diharapka: Mahasiswa mampu merumuskaka karakteristik diamik eleme sistem pegukura Racaga Pembelajara: Miggu ke Kemampua Akhir
Lebih terperinciBAB III METODE PENELITIAN
22 BAB III METODE PENELITIAN 3.1. Metode Peelitia Pada bab ii aka dijelaska megeai sub bab dari metodologi peelitia yag aka diguaka, data yag diperluka, metode pegumpula data, alat da aalisis data, keragka
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciBAB II TEORI DASAR. Definisi Grup G disebut grup komutatif atau grup abel jika berlaku hukum
BAB II TEORI DASAR 2.1 Aljabar Liier Defiisi 2. 1. 1 Grup Himpua tak kosog G disebut grup (G, ) jika pada G terdefiisi operasi, sedemikia rupa sehigga berlaku : a. Jika a, b eleme dari G, maka a b eleme
Lebih terperinciPemilihan Ketua BEM Fakultas Teknik UN PGRI Kediri menggunakan Metode ELECTRE
Pemiliha Ketua BEM Fakultas Tekik UN PGRI Kediri megguaka Metode ELECTRE Nalsa Citya Resti Sistem Iformasi, Fakultas Tekik, Uiversitas Nusatara PGRI Kediri E-mail: alsacitya@upkediri.ac.id Abstrak salah
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia Daerah peelitia adalah Kota Bogor yag terletak di Provisi Jawa Barat. Pemiliha lokasi ii berdasarka pertimbaga atara lai: (1) tersediaya Tabel Iput-Output
Lebih terperinciBAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.
BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder
Lebih terperinciBAB II METODOLOGI PENELITIAN. kualitatif. Kerangka acuan dalam penelitian ini adalah metode penelitian
BAB II METODOLOGI PEELITIA 2.1. Betuk Peelitia Betuk peelitia dapat megacu pada peelitia kuatitatif atau kualitatif. Keragka acua dalam peelitia ii adalah metode peelitia kuatitatif yag aka megguaka baik
Lebih terperinciBAB IV PEMECAHAN MASALAH
BAB IV PEMECAHAN MASALAH 4.1 Metodologi Pemecaha Masalah Dalam ragka peigkata keakurata rekomedasi yag aka diberika kepada ivestor, maka dicoba diguaka Movig Average Mometum Oscillator (MAMO). MAMO ii
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan.
9 III. METODOLOGI PENELITIAN A. Populasi Da Sampel Peelitia ii dilaksaaka di MTs Muhammadiyah Natar Lampug Selata. Populasiya adalah seluruh siswa kelas VIII semester geap MTs Muhammadiyah Natar Tahu Pelajara
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciBAB III METODOLOGI PENELITIAN
22 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di tiga kator PT Djarum, yaitu di Kator HQ (Head Quarter) PT Djarum yag bertempat di Jala KS Tubu 2C/57 Jakarta Barat,
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciIII. METODE PENELITIAN. Pembangunan Daerah (BAPPEDA) Provinsi NTB, BPS pusat, dan instansi lain
III. METODE PENELITIAN 3.1 Jeis da Sumber Data Data yag diguaka pada peelitia ii merupaka data sekuder yag diperoleh dari Bada Pusat Statistik (BPS) Provisi NTB, Bada Perecaaa Pembagua Daerah (BAPPEDA)
Lebih terperinciBAB III METODOLOGI PENELITIAN. kuantitatif karena bertujuan untuk mengetahui kompetensi pedagogik mahasiswa
54 BAB III METODOLOGI PENELITIAN A. Jeis Peelitia Peelitia ii merupaka peelitia deskriptif dega pedekata kuatitatif karea bertujua utuk megetahui kompetesi pedagogik mahasiswa setelah megikuti mata kuliah
Lebih terperinciSecara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real:
BARISAN TAK HINGGA Secara umum, suatu barisa dapat diyataka sebagai susua terurut dari bilaga-bilaga real: u 1, u 2, u 3, Barisa tak higga merupaka suatu fugsi dega domai berupa himpua bilaga bulat positif
Lebih terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciUKURAN PEMUSATAN UKURAN PENYEBARAN
UKURAN PEMUSATAN DATA TUNGGAL DATA KELOMPOK. MEAN / RATA-RATA. MODUS 3. MEDIAN 4. KUARTIL. MEAN / RATA-RATA. MODUS 3. MEDIAN 4. KUARTIL UKURAN PENYEBARAN JANGKAUAN HAMPARAN RAGAM / VARIANS SIMPANGAN BAKU
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinciBAB III METODE PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode korelasional, yaitu
BAB III METODE PENELITIAN 3.1 Metode Peelitia Metode yag diguaka dalam peelitia ii adalah metode korelasioal, yaitu Peelitia korelasi bertujua utuk meemuka ada atau tidakya hubuga atara dua variabel atau
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperincioleh hasil kali Jika dan keduanya fungsi yang dapat didiferensialkan, maka
Itegral etu Jika fugsi kotiu yag didefiisika utuk, kita bagi selag mejadi selag bagia berlebar sama Misalka berupa titik ujug selag bagia ii da pilih titik sampel di dalam selag bagia ii, sehigga terletak
Lebih terperinciIV. METODE PENELITIAN. berdasarkan tujuan penelitian (purposive) dengan pertimbangan bahwa Kota
IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia ii dilaksaaka di Kota Bogor Pemiliha lokasi peelitia berdasarka tujua peelitia (purposive) dega pertimbaga bahwa Kota Bogor memiliki jumlah peduduk yag
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian ini adalah penelitian pengembangan (research and
BAB III METODE PENELITIAN A. Jeis Peelitia Jeis peelitia ii adalah peelitia pegembaga (research ad developmet), yaitu suatu proses peelitia utuk megembagka suatu produk. Produk yag dikembagka dalam peelitia
Lebih terperinciUniversitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas
Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga REGRESI DAN KORELASI Statistika da Probabilitas Kurva Regresi Mecari garis/kurva yag mewakili seragkaia titik data Ada dua cara utuk
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Disai Peelitia Tujua Jeis Peelitia Uit Aalisis Time Horiso T-1 Assosiatif survey Orgaisasi Logitudial T-2 Assosiatif survey Orgaisasi Logitudial T-3 Assosiatif survey Orgaisasi
Lebih terperinciBAB 2 LANDASAN TEORITIS
BAB LANDAAN TEORITI.. Deskripsi Teori... Aalisis Ragam Multivariate Yag dimaksud dega aalisis ragam multivariate (multivariate aalysis of variace MANOVA) meurut Gaspersz (99, p486) adalah suatu pegembaga
Lebih terperinciBAB II DASAR TEORI. 2.1 Pengolahan Sinyal Digital Pada Sistem Pengenalan Ucapan
BAB II DASAR TEORI 2. Pegolaha Siyal Digital Pada Sistem Pegeala Ucapa Sistem produksi suara mausia meghasilka siyal akustik aalog yag bersifat kotiyu terhadap waktu, yaitu siyal yag ditimbulka oleh getara
Lebih terperinciBAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
Lebih terperinciBAB IV. METODE PENELITlAN. Rancangan atau desain dalam penelitian ini adalah analisis komparasi, dua
BAB IV METODE PENELITlAN 4.1 Racaga Peelitia Racaga atau desai dalam peelitia ii adalah aalisis komparasi, dua mea depede (paired sample) yaitu utuk meguji perbedaa mea atara 2 kelompok data. 4.2 Populasi
Lebih terperinciLANDASAN TEORI. Pada bab ini akan diberikan beberapa konsep dasar (pengertian) yang akan digunakan dalam. pembahasan penelitian. 2.
II. LANDASAN TEORI Pada bab ii aka diberika beberapa kosep dasar (pegertia) yag aka diguaka dalam pembahasa peelitia 2.1 Ruag Vektor Defiisi 3.1.1 (Darmawijaya, 2007) Diketahui (V, +) grup komutatif da
Lebih terperinciLIMIT. = δ. A R, jika dan hanya jika ada barisan. , sedemikian hingga Lim( a n
LIMIT 4.. FUNGSI LIMIT Defiisi 4.. A R Titik c R adalah titik limit dari A, jika utuk setiap δ > 0 ada palig sedikit satu titik di A, c sedemikia sehigga c < δ. Defiisi diatas dapat disimpulka dega cara
Lebih terperinciAn = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3
SUKU BANYAK A Pegertia: f(x) x + a 1 x 1 + a 2 x 2 + + a 2 +a 1 adalah suku bayak (poliom) dega : - a, a 1, a 2,.,a 2, a 1, a 0 adalah koefisiekoefisie suku bayak yag merupaka kostata real dega a 0 - a
Lebih terperinci= Keterkaitan langsung ke belakang sektor j = Unsur matriks koefisien teknik
Aalisis Sektor Kuci Dimaa : KLBj aij = Keterkaita lagsug ke belakag sektor j = Usur matriks koefisie tekik (b). Keterkaita Ke Depa (Forward Ligkage) Forward ligkage meujukka peraa suatu sektor tertetu
Lebih terperinciII. LANDASAN TEORI. Pada bab ini akan diberikan beberapa istilah, definisi serta konsep-konsep yang
II. LANDASAN TEORI Pada bab ii aka diberika beberapa istilah, defiisi serta kosep-kosep yag medukug dalam peelitia ii. 2.1 Kosep Dasar Teori Graf Berikut ii aka diberika kosep dasar teori graf yag bersumber
Lebih terperinciAplikasi Interpolasi Bilinier pada Pengolahan Citra Digital
Aplikasi Iterpolasi Biliier pada Pegolaha Citra Digital Veriskt Mega Jaa - 35408 Program Studi Iformatika Sekolah Tekik Elektro da Iformatika Istitut Tekologi Badug, Jl. Gaesha 0 Badug 403, Idoesia veriskmj@s.itb.ac.id
Lebih terperinci4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN
4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN Saat asumsi keormala tidak dipuhi maka kesimpula yag kita buat berdasarka suatu metod statistik yag mesyaratka asumsi keormala meadi tidak baik, sehigga mucul
Lebih terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciModul Kuliah statistika
Modul Kuliah statistika Dose: Abdul Jamil, S.Kom., MM SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER MUHAMMADIYAH JAKARTA Bab 2 Populasi da Sampel 2.1 Populasi Populasi merupaka keseluruha pegamata
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
Lebih terperinci