REKONSTRUKSI PERMUKAAN TIGA DIMENSI PADA PHOTOMETRIC STEREO BERBASIS JARINGAN SYARAF
|
|
- Ivan Sugiarto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 REKONSRUKSI PERMUKAAN IGA DIMENSI PADA PHOOMERIC SEREO BERBASIS JARINGAN SYARAF Ann Yunart 1, Ftra Nur Andn 2, Agus Zanal Arfn 3 Jurusan en Informata, Faultas enolog Informas, Insttut enolog Sepuluh Nopember Emal: 1 ann@cs.ts.ac.d, 2 ftra@cs.ts.ac.d, 3 agus.za@cs.ts.ac.d Abstra Photometrc stereo merupaan metode untu mereonstrus permuaan 3 (tga) dmens suatu obe. Photometrc stereo menggunaan tga ctra obe ang sama, dengan poss pencahaaan ang berbeda. Namun, photometrc stereo uga membutuhan poss sumber cahaa ang detahu secara aurat. Dalam maalah n dgunaan arngan saraf untu melauan proses photometrc stereo terhadap tga ctra dengan hana mengandalan nla ntenstas ctra tanpa poss sumber cahaa ang detahu. Komputas dlauan pada tap-tap psel secara ndependen dengan menggunaan model permuaan Lambertan. Jarngan saraf n aan mengestras nformas surface normal obe ang dperoleh pada bobot arngan saraf. Informas surface normal n emudan dproses dengan metode enforcng ntegrablt untu mendapatan bentu permuaan 3D obe. Kata Kunc: Reonstrus 3D, photometrc stereo, arngan saraf, enforcng ntegrablt, model Lambertan. 1. PENDAHULUAN Beberapa tahun terahr, estras bentu permuaan tga dmens (3D) obe dar suatu ctra obe telah menad masalah utama d bdang vs omputer. Reonstrus bentu permuaan 3D n dbutuhan untu mendesan suatu sstem ang dapat mengenal obe pada stuas pencahaaan ang omples. Salah satu metode ang dgunaan untu mereonstrus bentu permuaan obe 3D adalah photometrc stereo. Pendeatan photometrc stereo n menggunaan beberapa ctra obe ang sama dengan suatu pose tertentu, namun dengan poss sumber cahaa ang berbeda dan detahu secara aurat. Haaawa telah mengembangan metode photometrc stereo tanpa data pror mengena arah sumber cahaa [1]. Namun, metode tersebut mash menggunaan batasan tambahan, atu mengasumsan bahwa sumber cahaa meml magntude ang onstan untu mnmal enam ctra. Belhumeur, Geoghades, d [2] telah membutan bahwa suatu transformas dar bentu permuaan dan oefsen pemantulan permuaan (albedo) untu sembarang permuaan Lambertan adalah transformas bas-relef general. Metode n memungnan untu memperraan geometr permuaan dar ctra waah dalam pose tertentu dengan poss pencahaaan tda detahu untu mentransformas bas-relef-na. Namun, metode n mash membutuhan beberapa batasan tambahan atau lebh bana ctra. Maalah n mentberatan pada penggunaan metode photometrc stereo berbass arngan saraf tanpa mengetahu poss sumber cahaa untu reonstrus permuaan obe 3D. Dar bobot arngan saraf, aan ddapat vetor normal permuaan. Estmas tngg permuaan suatu obe dlauan dengan algortma enforcng ntegrablt pada vetor normal permuaan. Dharapan dar maalah n proses reonstrus permuaan 3D dapat dlauan hana dengan data masuan berupa ntenstas ctra saa. 2. MODEL PERMUKAAN LAMBERIAN Model Lambertan memodelan suatu permuaan ang a dber satu tt pencahaaan, maa permuaan tersebut aan tampa sama terang dar semua arah pandang. Permuaan ang deman dsebut dengan permuaan ang terdfus sempurna (deal dffuse). Asumsan sebuah ctra hasl proes orthogonal sebuah obe. Maa, persamaan permuaan obe adalah : z( f (,...(1) 1
2 dmana z( adalah tngg permuaan obe pada poss (, dan f( adalah fungs ang merepresentasan tngg permuaan obe. Fungs f( dsebut dengan fungs reflectance map nla ntenstas untu suatu permuaan. Reflectance map untu suatu permuaan Lambertan, dapat ddefnsan sebaga: Rn( n( s,... (2) dengan adalah oefsen pemantulan permuaan (albedo), n( adalah vetor normal, dan s adalah vetor sumber cahaa. Vetor normal pada permuaan ( adalah : z x z 1 n (,... (3) 2 2 z z 1 dmana z x dan z adalah turunan parsal dar z( terhadap sumbu x dan sumbu. Gambar 1 merepresentasan sudut sumber cahaa terhadap suatu permuaan obe. Ja detahu sudut slant () dan sudut tlt () sumber cahaa terhadap oordnat X, Y, Z, maa vetor sumber cahaa terhadap oordnat X, Y, Z adalah: s cos( )sn( ),sn( )sn( ),cos( ),.. (4) s s s s x z dmana s adalah vetor poss sumber cahaa, s x, s, s z,adalah poss sumber cahaa pada oordnat, dan z, berurutan. Gambar 1. Sudut slant dan tlt sumber cahaa 3. PHOOMERIC SEREO BERBASIS JARINGAN SYARAF Desan arngan saraf ang dgunaan, dtamplan pada Gambar 2 [3]. Data masuan dan data eluaran dar arngan saraf dsusun sedeman rupa dengan umlah neuron data masuan sama dengan umlah neuron data eluaran, sehngga membentu arngan saraf smetrs. x I 1 I I m Î 1 Î Î m w s`1 s`2 s`3 s 1 s 2 s 3 v ˆR 1 Rˆ Rˆm Gambar 2. Desan arngan saraf Fungs atvas arngan Asumsan sebuah ctra masuan meml m psel secara eseluruhan, maa data masuan arngan saraf aan meml varabel nput seumlah m. Ctra 2D dsusun menad sebuah vetor olom beruuran (m x 1), atu I = (I 1, I 2, I 3,... I m ), dan dmasuan e dalam arngan saraf. Data eluaran dar arngan saraf n adalah reflectance map R = (R 1, R 2, R 3,... R m ) dengan uuran ang sama sepert data masuan (m x 1). Fungs-fungs atvas (f (l) ) pada tap-tap laer dabaran sebaga berut: Laer 1: Laer n mengumpulan nla ntenstas dar ctra masuan sebaga data masuan networ. (1) I....(5) f. 1,... m. max( I) I adalah nla ntenstas pada psel e- ctra. Laer 2: Laer n menesuaan nla ntenstas ctra masuan dengan nla albedo ang bersesuaan. (2) (1) f f 1. 1,... m.....(6) adalah nla albedo e- ang bersesuaan dengan psel e- pada ctra. Bobot antara laer 1 dan laer 2 adalah 1/. Laer 3: Laer n aan memsahan parameter sumber cahaa dar ctra 2D. Parameter arah sumber cahaa (s 1, s 2, s 3 ) pada laer n belum ternormalsas. (3) (2) f f w. 1,... m. 1,2,3.....(7) s ' f m 1 (3), 1,2,3. Bobot antara laer 2 dan laer 3 dlambangan dengan w. Laer 4: Laer n menormalsas vetor sumber cahaa. ap node pada laer n 2
3 merepresentasan parameter arah sumber cahaa (s 1, s 2, s 3 ). ' s (4) f. 1,2,3. '2 '2 '2 s s s.... (8) s f (4) ,2,3. Laer 5: Laer n menghtung reflectance map ctra masuan. Bobot antara laer 4 dan laer 5 dnotasan sebaga v, dan merepresentasan vetor normal permuaan. (v 1, v 2, v 3,) melambangan vetor normal permuaan d tt, dengan = 1,...m. 3 (5) f s v. 1,... m..... (9) 1 ˆ (5) R f. 1,... m. Laer 6: Laer n menormalsas reflectance map dar laer 5 e dalam nterval {0... 1}. Rˆ mn( Rˆ) R. 1,... m..... (10) max( Rˆ) mn( Rˆ) Algortma Bacpropagaton Metode bacpropagaton dlauan untu memnmalsas fungs error: E m ( R D ),...(11) dengan m adalah total eseluruhan psel dar ctra 2D, R menotasan data eluaran e- dar arngan saraf, dan D melambangan target e- atu nla ntenstas e- dar ctra 2D ang sudah dnormalsas. Vetor normal pada arngan dnotasan sebaga n = (v 1, v 2, v 3 ) untu tt e- pada permuaan. ap elemen vetor normal dperbaru secara teratf menggunaan metode gradent descent : v ( t 1) v ( t) 2 s ( t) D ( t) R ( t), (12) 1,2,3 dmana s (t) menotasan elemen e- dar arah sumber cahaa s. Parameter v ang telah dperbaru tersebut perlu dnormalsas sebaga berut : v ( t 1) v ( t 1). 1,2,3....(13) n ( t 1) Bobot antara laer 2 dan laer 3, W, dapat dhtung dengan metode least-square dmana W(t+1) adalah pseudo-nverse dar V(t+1). 1 V ( t 1) V ( t 1) V ( t 1 W ( t 1) ),... (14) dengan V(t+1) melambangan bobot antara laer luaran dan laer pusat dar arngan smetrs. Nla n ( t 1) dnotasan sebaga albedo dmana = 1,2,...m. Insalsas bobot Ketga matrs ctra masuan beruuran m x n dubah menad bentu vetor olom beruuran mn x 1. Ketga vetor olom tersebut dgabungan menad sebuah matrs X, dengan umlah olom sama dengan umlah ctra masuan, dan sngular value decomposton (SVD) dalulas dar matrs X tersebut. SVD untu matrs X tersebut adalah : X UV,... (15) U adalah matrs beruuran (mn x 3). adalah matrs dagonal (3 x 3), dengan nla dagonalna bers nla sngular value. V adalah matrs beruuran (3 x 3). Hasl SVD dar matrs X tersebut, dapat dgunaan untu mengnsalsas poss sumber cahaa, s, untu etga ctra masuan. s V....(16) Dengan mengnsalsasan albedo,, sebaga rata-rata per-olom matrs X, maa surface normal, n, dapat dnsalsas sebaga : n ( s 1 X )...(17) Pemrosesan surface normal dan albedo Ketga ctra ang dproses pada arngan saraf aan menghaslan tga surface normal dan tga albedo. Oleh arena tu, perlu adana pemrosesan lebh lanut agar ddapat satu surface normal dan satu albedo. Pemrosesan dengan PCA Data masuan dalam proses n adalah matrs omponen surface normal dan matrs albedo dar etga ctra. Langahlangahna adalah : Untu surface normal, lauan pemsahan masng-masng omponen surface normal, sehngga satu matrs hana bers satu omponen surface normal, emudan matrs omponen n dtranspose. Untu albedo, matrs 3
4 albedo dar etga ctra dgabungan menad satu matrs. Htung matrs ovaran dar transpose matrs omponen surface normal dan dar matrs albedo gabungan. Htung egenvector dan egenvalue dar matrs ovaran. ranspose dar egenvector olom e-tga dalan dengan matrs omponen surface normal atau matrs albedo gabungan. Untu surface normal, etga omponen hasl dar langah sebelumna dgabungan menad satu matrs surface normal ang baru. sedangan untu albedo hasl dar langah sebelumna d transpose untu mendapatan matrs albedo ang baru. Pemrosesan dengan penumlahan vetor Surface normal pada suatu tt pada ctra adalah berupa vetor arah. Karena ada tga surface normal ang dhaslan, maa pada satu tt psel ctra terdapat tga vetor dengan arah ang berbeda. Oleh arenana, untu mendapatan satu vetor arah, dlauan penumlahan terhadap etga vetor tersebut. Lauan penumlahan terhadap masngmasng elemen ang bersesuaan untu etga matrs surface normal. Hal ang sama uga dterapan dalam penumlahan albedo. Pemrosesan dengan penghtungan ratarata Pada algortma photometrc stereo [4], vetor surface normal ddapatan sebaga rata-rata dar etga vetor surface normal ang berada d satu tt psel ctra, dengan sarat nla reflectance map dar psel tersebut pada etga ctra berrsan. Sedangan pada maalah n, nla rata-rata etga vetor surface normal dhtung tanpa memperdulan apaah nla reflectance mapna berrsan atau tda. Hal n untu menghndar adana nla NULL untu suatu tt psel ctra. Enforcng ntegrablt Metode enforcng ntegrablt merupaan salah satu ten shape from shadng ang menggunaan perndeatan mnmas fungs. Metode n dperenalan oleh R. Franot dan Rama Chellappa [5]. Merupaan suatu metode untu mengestmas nla permuaan z( dar surface normal suatu permuaan. Asumsan permuaan z( sebaga hmpunan dar fungs dasar ang dapat dntegralan, (,), dengan batasan tertentu. z ( c( ) (, ),...(18) dengan adalah ndes dua dmens dmana operas penumlahan tersebut dlauan. (,) adalah hmpunan terbatas fungs dasar ang dapat dntegralan. Dalam maalah n dgunaan fungs dasar dar fungs Dscrete Fourer ransform (DF), sehngga (,) = exp( x x + dan c() adalah DF dar z(. c() dapat dhtung dengan : ˆ ( ) ˆ xcx c ( ) c( )...(19) 2 2 x dengan ĉ x () adalah DF dar ˆ ( dan ĉ () adalah DF dar ˆ (. Setelah oefsen c() detahu, maa reonstrus z( bsa ddapatan dengan cara menalanan nverse DF pada c(). 4. IMPLEMENASI DAN ANALISIS Penguan terhadap mplementas photometrc stereo berbass arngan saraf untu reonstrus 3D dlauan pada dua ens ctra, atu ctra sntess dan ctra obe waah. Proses u coba dlauan dengan menggunaan Matlab 6.5, pada omputer destop dengan prosesor Intel Pentum IV 3.0 GHz, RAM 480MB, dan sstem operas Mcrosoft Wndows XP SP2. Ctra sntess Obe sntess ang dgunaan pada u coba n adalah obe sntess sphere dan obe sntess sombrero. rue depth map dar edua obe n dbuat secara matemats. Untu ctra sntess sphere, persamaan matemata ang dgunaan adalah : r x, a x r z( 0, lanna, (20) dmana r = 48, 0< 100, dan pusat sphere berada pada oordnat ( = (51, 51). Untu z z x 4
5 nla albedo, dasumsan permuaan sphere meml nla albedo ang berbeda. Untu bagan r-atas sphere nla albedona adalah 0.6. Sedangan nla albedo untu bagan anan bawah sphere adalah 0.8. Bagan permuaan sphere ang lan meml nla albedo 1. Poss sumber cahaa ang dgunaan beserta ctra sntess sphere dtamplan pada abel 1 dan abel 2. Gambar 3 menamplan bentu permuaan dar obe sntess sphere. abel 1. Ctra Sntess Sphere dengan Beberapa Sumber Cahaa Nama S1 S2 S3 Ctra Sudut Cahaa lt : -140 lt : 0 Slant : 0 lt : -40 abel 2. Ctra Sntess Sphere dengan Beberapa Sumber Cahaa (Lanutan) Nama S4 S5 S6 Ctra abel 3 dan abel 4 menamplan eenam ctra beserta sumber cahaa masng-masng ctra. Gambar 4 menamplan bentu permuaan obe sntess sombrero. abel 3. Ctra Sntess Sombrero dengan Beberapa Sumber Cahaa Nama Som1 Som2 Som3 Ctra Sudut Cahaa lt : lt : 0 Slant : 0 lt : -40 abel 4. Ctra Sntess Sombrero dengan Beberapa Sumber Cahaa (Lanutan) Nama Som4 Som5 Som6 Ctra Sudut Cahaa lt : lt : 0 lt : 140 Sudut Cahaa lt : -180 lt : 0 lt : 140 Gambar 3. Permuaan Obe Sntess Sphere Ctra sntess edua ang dgunaan adalah ctra sntess sombrero, dmana persamaan matemata ang dgunaan adalah: 2 2 x z( 15 15cos,...(21) 17 dmana 0< 100, dan pusat sombrero berada pada oordnat ( = (51, 51). Nla albedo untu ctra sombrero n dasumsan onstan untu setap tt permuaan, atu bernla 0,4. Gambar 4. Permuaan Obe Sntess Sombrero U coba dlauan pada edua obe sntess dengan tga metode pemrosesan surface normal dan albedo angberbeda. Untu menguur eauratan hasl reonstrus dgunaan metode mean absolute depth error (MAE). x 1 1 z( z( xm N MAE,...(22) MN dmana z( adalah tngg obe sebenarna pada poss (, dan ž( adalah tngg obe hasl reonstrus. MAE hasl u coba dengan menggunaan sntess sphere n dtamplan pada abel 5. Sedangan abel 6 menamplan watu 5
6 proses pada masng-masng u coba dengan sntess sphere. abel 5. Hasl U Coba Dengan Ctra Sntess Sphere U Ctra MAE Coba PCA SUM AVG I S1,S2,S3 11,51 11,57 11,57 II S4,S2,S5 12,37 12,12 12,12 III S6,S2,S3 11,29 11,27 11,27 IV S4,S2,S3 11,25 12,69 12,69 V S1,S2,S5 12,34 12,94 12,94 VI S6,S2,S5 715, abel 6. Watu Proses Hasl U Coba Dengan Ctra Sntess Sphere U Ctra Watu (det) Coba PCA SUM AVG I S1,S2,S3 17,95 18,69 18,95 II S4,S2,S5 11,85 11,67 11,98 III S6,S2,S3 11,83 11,92 12,02 IV S4,S2,S3 17,92 17,58 17,94 V S1,S2,S5 18,92 18,95 19,17 VI S6,S2,S5 19,86 20,44 20,25 Dar abel 5 dan abel 6, dapat dsmpulan bahwa hasl reonstrus untu obe sntess sphere terba, atu ang meml nla error terendah, adalah pada u coba etga. U coba etga n uga meml watu proses ang ba untu etga metode pemrosesan surface normal dan albedo, atu berada dalam saran 11 det. Hasl u coba dengan menggunaan sntess sombrero dtamplan pada abel 7 dan abel 8. Pada u coba dengan obe sntess sombrero, nla MAE terendah berada pada u coba eempat. Watu proses pada u coba eempat n uga cuup ba, atu setar 13 det. Pada u coba dengan menggunaan obe sntess sombrero n, nla MAE masng-masng u coba meml perbedaan ang relatf besar. Pada eempat tabel hasl u coba n, olom PCA menandaan pemrosesan surface normal dan albedo dlauan dengan metode PCA. Sedangan SUM menandaan bahwa pemrosesan dlauan dengan metode penumlahan vetor, dan AVG menandaan bahwa pemrosesan dlauan dengan metode penghtungan rata-rata. Dar eseluruhan u coba dengan menggunaan obe sntess n, MAE hasl u coba antara metode penumlahan dan metode rata-rata meml nla ang sama. Hal n darenaan surface normal pada suatu tt psel merupaan sebuah vetor, sehngga hasl penumlahan dan rata-ratana aan menghaslan sebuah vetor dengan arah ang sama. Sehngga permuaan ang dbentu dar vetor surface normal tersebut uga aan sama. Namun, watu proses untu metode penumlahan relatf lebh cepat darpada metode rata-rata. abel 7. MAE Hasl U Coba Dengan Ctra Sntess Sombrero U Ctra MAE Coba PCA SUM AVG I Som1,Som2,Som3 10,43 10,99 10,99 II Som4,Som2,Som III Som6,Som2,Som3 348,15 333,73 333,73 IV Som4,Som2,Som3 9,4139 9,4130 9,4130 V Som1,Som2,Som5 11,02 11,29 11,29 VI Som6,Som2,Som5 14,17 6,79 6,79 abel 8. Watu Proses Hasl U Coba Dengan Ctra Sntess Sombrero U Ctra Watu (det) Coba PCA SUM AVG I Som1,Som2,Som3 18,90 19,35 20,03 II Som4,Som2,Som5 10,83 10,17 10,25 III Som6,Som2,Som3 10,36 10,56 10,48 IV Som4,Som2,Som3 13,92 13,83 13,95 V Som1,Som2,Som5 15,03 15,27 15,55 VI Som6,Som2,Som5 15,64 15,28 15,41 Ctra obe waah Ctra waah ang dgunaan adalah ctra waah Yalefaces Database B ang teseda secara onlne dan dapat dperoleh dar ftp://pluc.cs.ale.edu/cvc/pub/mages/ale facesb/. U coba dlauan pada enam orang ang berbeda. Untu tap orang, dambl tga ctra dengan pose tetap dan dambl dar sudut pengamblan gambar ang sama serta dengan tga pencahaaan ang berbeda. 6
7 Gambar 5. ga Ctra Waah ang Dgunaan Ketga ctra waah ang dgunaan pada u coba, dtamplan pada Gambar 5. Hasl u coba dengan ctra waah n dtamplan pada Gambar 6 dan Gambar 7. Gambar 6 menamplan omponen pertama, omponen edua, dan omponen etga dar surface normal secara berurutan. Sedangan Gambar 7 menamplan albedo dan hasl reonstrus permuaan 3D pada obe waah tersebut. Gambar 6. Komponen Pertama, Kedua dan Ketga dar Surface Normal dengan tga metode pemrosesan, atu PCA, penumlahan, dan rata-rata untu mengetahu metode mana ang performana lebh ba. Hasl u coba menamplan bahwa hasl etga metode pemrosesan tersebut relatf sama, namun watu tercepat dperoleh dar metode penumlahan. Bentu permuaan obe berpengaruh terhadap hasl reonstrus. Metode photometrc stereo berbass arngan saraf n menghaslan bentu 3D ang lebh ba a permuaan obe berbentu cembung. Agar hasl surface normal ang ddapat lebh aurat, dperluan peneltan lebh lanut untu mendapatan algortma arngan saraf ang dapat mengestras surface normal dan albedo dengan lebh optmal. Selan tu, perlu memperbana ens obe ang aan dreonstrus agar dapat detahu apaah metode n efetf pada sembarang obe. Dapat uga dgunaan model permuaan selan permuaan Lambertan untu mengatas permuaan ang menglap. 6. DAFAR PUSAKA Gambar 7. Albedo dan Hasl Reonstrus 3D Permuaan Waah Pada u coba dengan ctra waah, hasl reonstrus tngg permuaan ang palng ba terdapat pada bagan dagu, mulut, dan setar mata. Sedangan hasl reonstrus ang urang memuasan adalah pada bagan hdung. Hal n darenaan adana shadow ang dabatan oleh bentu hdung. 5. KESIMPULAN DAN SARAN Metode photometrc stereo berbass arngan saraf n, memungnan untu mendapatan surface normal dar bobot arngan saraf, walaupun hana detahu nla ntenstas ctra saa. Namun, untu mendapatan hasl ang terba, dbutuhan nsalsas bobot arngan saraf ang sesua. Pada maalah n dgunaan metode Sngular Value Decomposton untu mengnsalsas bobot arngan saraf. Surface normal ang dhasan oleh masng-masng ctra dproses [1]. A.L Yulle and D.Snow, Shape and Albedo from Multple Images usng Integrablt, IEEE rans on PAMI, [2]. P.N. Belhumeur, A.S. Geoghades, and D.J Kregman, From Few o Man: Illumnaton Cone Models for Face Recognton Under Varable Lghtng And Pose, IEEE rans on PAMI, Vol 23, No 6, pp , June [3]. Wen-Chang Chen. Neural-Networ- Based Photometrc Stereo for 3D Surface Reconstructon, Internatonal Jont Conference on Neural Networs, IJCNN 06. [4]. Lnda G. Shapro and George C. Stocman, Computer Vson, New Jerse, Prentce Hall, [5]. R.. Franot and R.Chellappa, A Method for Enforcng Integrablt n Shape From Shadng Algorthms, IEEE rans on PAMI, Vol.10, No. 4, pp , Jul [6]. R.J. Woodham, Photometrc Method for Determnng Surface Orentaton from Multple Images, Jour of Optcal Engneerng, Vol. 19, No. 1,
8 [7]. K.M Lee, C.J Kuo, Shape Reconstructon from Photometrc Stereo, IEEE rans. Pattern Analss and Machne Intelgence, [8]. P. Belhumeur, A. Georghades and D. Kregman, Illumnaton Based Image Snthess, [9]. Amt Agrawal, Ramesh Rasar and Rama Chellappa, What s the Range of Surface Reconstructons from a Gradent Feld?, Berln, Sprnger Berln/Hedelberg, onlne : [10]. Parsht Prasad, Shape from Shadng and Photometrc Stereo Algorthm Modfcaton and Experments, Master hess, Department of Electrcal & Computer Engneerng and Computer Scence, Unverst of Cncnnat, [11].. J. Chn, D. Suter, A Stud of he Illumnaton Cones Method for Face Recognton Under Varable Illumnaton, echncal Report MECSE Department of Electrcal and Computer Sstem Engneerng, Monash Unverst,
BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciImplementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0
Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,
Lebih terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
Lebih terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinciANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING
Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciAnalisis Variasi Parameter Backpropagation Artificial Neural Network dan Principal Component Analysis Terhadap Sistem Pengenalan Wajah
ELECTRANS, Jurnal Ten Eletro, Komputer dan Informata http://eournal.up.edu/ndex.php/electrans Analss aras Parameter Bacpropagaton Artfcal Neural Networ dan Prncpal Component Analyss Terhadap Sstem Pengenalan
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciV E K T O R Kompetensi Dasar :
MODUL PEMELJRN I V E K T O R Kompetens Dasar : 1. Mahasswa mampu memaham perbedaan besaran vetor dan salar serta memberan contohcontohna dalam ehdupan sehar-har, 2. Mahasswa mampu melauan operas penumlahan
Lebih terperinciPENYELESAIAN SISTEM PERSAMAAN TAK LINIER
PENYELESIN SISTEM PESMN TK LINIE Mater Kulah: Pengantar; Iteras Satu Tt; Iteras Newton # PENGNT # erut n adalah contoh seumpulan buah persamaan ta lner smulta dengan buah varabel ang ta detahu:... ( 57...
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciU JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK
Jurusan Ten Spl dan Lngungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SENIN, 4 JANUARI 23 OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara tda boleh menggunaan omputer untu mengerjaan soal- soal ujan
Lebih terperinciMETODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciIMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN
E-Jurnal Matemata Vol. 5 (4), November 2016, pp. 126-132 ISSN: 2303-1751 IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN I Made Dw Udayana Putra 1, G. K. Gandhad
Lebih terperinciImplementasi Metode Backpropagation untuk Mengenali Teks pada Natural Scene Image
Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2527-2533 http://-pt.ub.ac.d Implementas Metode Bacpropagaton untu Mengenal Tes pada Natural Scene
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciPengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis
Konferens Nasonal Sstem & Informata 05 STMIK STIKOM Bal, 9-0 Otober 05 Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Two-Dmensonal Lnear Dscrmnant Analyss Ftr Damayant Prod Manajemen Informata,
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
Lebih terperinciIDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER
IDENIFIKASI SISEM NONLINIE DENGAN MENGGUNAKAN ECUEN NEUAL NEOK DAN ALGOIMA DEAD-ZONE KALMAN FILE ully Soelaman, angga fa Faultas enolog Informas Insttut enolog Sepuluh Nopember Kampus Keputh, Suollo, Surabaya
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN REKUREN PADA IDENTIFIKASI SISTEM NONLINIER DENGAN ALGORITMA OPTIMAL BOUNDED ELLIPSOID
APLIKASI JARINGAN SARAF IRUAN REKUREN PADA IDENIFIKASI SISEM NONLINIER DENGAN ALGORIMA OPIMAL BOUNDED ELLIPSOID Rully Soelaman, Mohammad Azs Efend Faultas enolog Informas, Insttut enolog Sepuluh Nopember
Lebih terperinciBab IV Pemodelan dan Perhitungan Sumberdaya Batubara
Bab IV Pemodelan dan Perhtungan Sumberdaa Batubara IV1 Pemodelan Endapan Batubara Pemodelan endapan batubara merupakan tahapan kegatan dalam evaluas sumberdaa batubara ang bertuuan menggambarkan atau menatakan
Lebih terperinciPENGENALAN WAJAH BERBASIS METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS
PENGENALAN WAJAH BERBASIS MEODE WO-DIMENSIONAL LINEAR DISCRIMINAN ANALYSIS Ftr Damayant, Agus Zanal Arfn, Rully Soelaman Program Magster en Informata, Insttut enolog Sepuluh Nopember (IS) - Surabaya Kampus
Lebih terperinciBAB 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 terperinciBAB II STUDI PUSTAKA
Masur Kmsan 5 7 1 BAB II STUDI PUSTAKA 1 Umum Secara umum sstem strutur dbedaan dar egunaan strutur, sepert strutur embatan, gedung, tang, bendungan atau pesawat udara Secara husus penamaan n dbedaan dar
Lebih terperinciPendekatan Hurdle Poisson Pada Excess Zero Data
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 05 Pendeatan Hurdle Posson Pada Excess Zero Data S - 7 Def Yust Fadah, Resa Septan Pontoh Departemen Statsta FMIPA Unverstas Padadaran def.yust@unpad.ac.d
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciPemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a
Pemodelan Anomal Magnet Berbentu Prsma Menggunaan Algortma Geneta Antonus a, Yudha Arman a *, Joo Sampurno a a Jurusan Fsa, FMIPA Unverstas Tanjungpura, Jalan Pro. Dr. Hadar Nawaw, Pontana, Indonesa *Emal
Lebih terperinciGambar 3.1 Diagram alir penelitian
BAB 3 METODE PENELITIAN 3.1 Dagram Alr Peneltan Materal Amorph Magnetk (Fe 73 Al 5 Ga 2 P 8 C 5 B 4 S 3 ) Ekspermen DfraksNeutron (I vs 2theta) Smulas Insalsas atom secara random Fungs struktur, F(Q) Perhtungan
Lebih terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
Lebih terperinciPROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM
Konferens Nasonal Sstem dan Informata 2009; Bal, November 14, 2009 PROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM Tjoorda Agung Bud W., 1, Mela
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciKOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda
KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinci.. Kekakuan Rangka batang Bdang (Plane Truss) BAB ANAISIS STRUKTUR RANGKA BATANG BIANG Struktur plane truss merupakan suatu sstem struktur ang merupakan gabungan dar seumlah elemen (batang) d mana pada
Lebih terperinciBab III Model Estimasi Outstanding Claims Liability
Bab III Model Estmas Outstandng Clams Lablty. Model ELRF Suatu model yang dgunaan untu menasr outstandng clams lablty, tda cuup hanya melbatan data pada run-off trangle saa. Sebab, pembayaran lam d masa
Lebih terperinciPerbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield
Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya
Lebih terperinciJARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU
JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU Ea Saputra LF096585 Jurusan Ten Eletro Faultas Ten Unverstas Dponegoro Abstra Jarngan saraf truan merupaan suatu metode yang salah satunya
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciRestorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization
Restoras Ctra Dengan Menggunaan Metode Iteratf Lanczos Hybrd Regularzaton Yudh Purwananto, Rully Soelaman, Alfa Masjta Rahmat Jurusan Ten Informata, Faultas Tenolog Informas Insttut Tenolog Sepuluh Nopember
Lebih terperinciPEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION
PEMODELAN INGKA KERAWANAN DEMAM BERDARAH DENGUE DI KABUPAEN LAMONGAN DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION Marsa Rfada 1, Purhad 1) Mahasswa Magster Jurusan Statsta, Insttut
Lebih terperinciPengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA
Pengaruh Kelembaban dan Ser Tanah Terhadap Mutu dan Produs Tanaman Tembaau Temanggung dengan Metode MANOVA Mftala Al Rza ), Sutno ), dan Dumal ) ) Jurusan Statsta, Faultas MIPA, Insttut Tenolog Sepuluh
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciPemodelan Faktor-Faktor Yang Mempengaruhi Tingkat Buta Huruf Kabupaten/kota di Jawa Timur dengan Geographically Weighted Ordinal Logistic Regression
JURNAL SAINS DAN SENI IS Vol., No., (Sept. 0) ISSN: 30-98X D-3 Pemodelan Fator-Fator Yang Mempengaruh ngat Buta Huruf Kabupaten/ota d Jawa mur dengan Geographcally Weghted Ordnal Logstc Regresson Nur Lalyah
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciIV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN
69 IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN Dtnau dar sfat hubungan antar persamaan terdapat dua ens model persamaan yatu model persamaan tunggal dan model sstem persamaan. Model persamaan tunggal adalah
Lebih terperinciPENGENALAN 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 terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA. Ten Pengodean Vdeo Konvensonal Ten pengodean vdeo onvensonal coco dgunaan untu televs dgtal, penympanan dgtal dan vdeo streamng dmana nformas sumber dodean seal dan ddeodean beberapa
Lebih terperinciEstimasi Posisi Magnetic Levitation Ball Menggunakan Metode Akar Kuadrat Ensemble Kalman Filter (AK-EnKF)
R.E.M. (Reayasa Energ Manufatur Jurnal Vol. No. 1 017 ISSN 7-674 (prnt, ISSN 8-373 (onlne Journal Homepage: http://ojs.umsda.ac.d/ndex.php/rem DOI: https://do.org/10.1070/r.e.m.v1.768 Estmas Poss Magnetc
Lebih terperinciTEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA
IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan
Lebih terperinciBAB IV HASIL ANALISIS
BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan
Lebih terperinciBAB III MODUL INJEKTIF
BAB III ODUL INJEKTIF Bab n adalah bab yang palng pentng arena bab n bers mula dar hal-hal dasar mengena modul njet sampa sat-sat stmewanya yang tda dml oleh modul lan yang tda njet, yang merupaan ous
Lebih terperinciSTUDI PERBANDINGAN PENGENALAN CITRA SENYUMAN BERDASARKAN AESTHETIC DENTISTRY MENGGUNAKAN METODE 2D-PCA DAN METODE 2D-LDA
Vol. 5, No. 4, Jul 00 ISSN 06-0544 SUDI PERBNDINGN PENGENLN CIR SENYUN BERDSRKN ESHEIC DENISRY ENGGUNKN EODE D-PC DN EODE D-LD * Rma r ahyunngrum, ** Ftr Damayant Jurusan en Informata, Unverstas runojoyo
Lebih terperinciAnalisis Sensitivitas
Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,
Lebih terperinciAKAR KUADRAT ENSEMBLE KALMAN FILTER (AK-EnKF) PADA ESTIMASI POSISI ROBOT MOBIL
-6 98:. eguh d. AAR UADRA ESEMBLE ALMA FILER (A-EnF PADA ESIMASI POSISI ROBO MOBIL. eguh, Subchan,*,. endro, A. Erna, S.P. Dd 2, dan M. omarudn 3 Insttut enolog Seuluh oember 2 Polten Eletrna eger Surabaya
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciPRA-PEMROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING
PRA-PEMROSESAN DATA LUARAN GCM CSIRO-M3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING Vvn Mandasar (306 00 069), Dr Ir Setawan, M S (960030 9870 00) Mahasswa Jurusan
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)
BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciπ(x) JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-112
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. ) ISSN: 3-98X D- Analss Pemaaan Kemoterap pada Kasus Kaner Payudara dengan Menggunaan Metode Regres Logst Multnomal (Stud Kasus Pasen d Rumah Sat X Surabaya)
Lebih terperinciIMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN
SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas,
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciBAB 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA Pada Bab n aan dpaparan beberapa teor tentang analss dsrmnan dar berbaga sumber sepert: buu, jurnal dan prosdng. Analss dsrmnan adalah salah satu metode dependens dar analss multvarat.
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciPengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Prnt) 1 Pengenalan Karakter Tulsan Tangan Angka dan Operator Matematka Berdasarkan Zernke Moments Menggunakan Support Vector Machne
Lebih terperinciSeemingly Unrelated Regression (SUR) Penderita Penyakit DBD RS. Wahidin Sudirohusodo Dan RS. Stella Maris Makassar
Vol. 3, o., -5, Jul 6 Seemngl Unrelated Regresson Penderta Penakt DBD RS. Wahdn Sudrohusodo Dan RS. Stella ars akassar A n s a Abstrak Hubungan antar varabel adalah salah satu hal ang selalu menark dalam
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinci