BAB 1 PENDAHULUAN. 1.1 Latar Belakang
|
|
- Leony Sanjaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB PEDAHULUA. Latar Belakang Pengenalan pola atau dkenal dengan seutan pattern recognton merupakan salah satu caang sans yang pada dasarnya adalah suatu sstem yang ertujuan mengklasfkas ojek-ojek ke dalam kategor-kategor atau kelas-kelas (heodords, 2003), erdasarkan ak pada apror pengetahuan atau pada nformas statstk yang daml dar pola. Pola-pola terseut asanya dklasfkaskan ke dalam kelompok pengukuran atau pengamatan yang juga menentukan ttk-ttk ruang multdmens yang tepat. Suatu sstem pengenalan pola yang lengkap terdr atas suatu sensor yang mengumpulkan pengamatan untuk dklasfkas atau dgamar, suatu skema mekansme ekstraks ftur yang menghtung nformas numerk atau smolk dar pengamatan, dan skema klasfkas atau deskrps yang mengklasfkaskan atau mendeskrpskan pengamatan dengan mengandalkan ftur yang dekstraks (Wkpeda, 22 Feruar 200). Beraga metode dkenal dalam pengenalan pola, sepert analss dskrmnan lner, model hdden markov, k-earest eghour (k), teor Bayes, support vector machne (SVM) hngga metode kecerdasan uatan sepert artfcal neural netork. Pada umumnya, masyarakat mengenal pengenalan pola hanya dapat dselesakan dengan metode-metode dalam dang komputer salah satunya sepert artfcal neural netork, dan tdak mengenal pengenalan pola secara statstka. Oleh karena tu, dalam peneltan n penuls mengemukakan pengenalan pola secara statstka yakn dengan menggunakan pendekatan analss dskrmnan lner. Unverstas Sumatera Utara
2 2 erkut: Desan dar seuah sstem pengenalan pola terdr atas tga aspek seaga. akuss data dan pre-proses 2. representas data, dan 3. pengamlan keputusan Proses pada sstem pengenalan pola dmula dar pemlhan pola seaga sensor, kemudan pola-pola terseut masuk ke teknk pemrosesan, agan representas, dan terakhr adalah proses pemodelan pemuatan keputusan. Dalam hal n, empat pendekatan terak yang dkenal untuk pengenalan pola alah:. pencocokan template (template matchng) 2. klasfkas statstk 3. sntakts atau pencocokan struktur, dan 4. jarngan saraf truan Model-model n tdak ndependen dan kadang memlk metode pengenalan pola yang sama dengan peredaan nterpretas (Jan et. al, 2000). Pada pengenalan pola terdapat agan klasfkas yang dgunakan untuk mengelompokkan data. Bagan klasfkas yang dgunakan dalam peneltan n akan menggunakan pendekatan statstk. Pengenalan pola secara statstk ddasarkan pada pola-pola karaktersas statstk, dengan asums aha pola-pola yang dhaslkan merupakan suatu sstem proaltas. Fukunaga (990) dalam tulsannya menyajkan cara-cara dasar perhtungan matematka untuk proses pemuatan keputusan secara statstk dalam pengenalan pola. ujuan utama pattern recognton adalah mengklarfkaskan mekansas sult yang serng dtemukan dalam duna sehar-har sepert langkah dalam permanan catur ddasarkan pada pola yang ada d papan catur, pemelan atau persedaan penjualan dputuskan melalu suatu pola nformas yang kompleks. Beragam algortma dalam statstka dapat dterapkan untuk pengenalan pola sepert teor Bayes, k-earest eghour (k), dan analss dskrmnan lner. Unverstas Sumatera Utara
3 3 Dalam peneltan n, penelt menggunakan metode Analss Dskrmnan Lner dan perkemangannya yakn metode Analss Dskrmnan Lner 2-Dmens dan Analss Dskrmnan Lner 2-Dmens Smetrs. Analss Dskrmnan Lner selanjutnya dsngkat penuls dengan ADL telah sukses daplkaskan dalam vsualsas komputer. Penelt menggunakan metode n karena metode n dapat mengklasfkaskan ojekojek dengan ak sehngga terdapat peredaan antara pola yang memudahkan untuk proses pengenalan pola. Seaga suatu pendekatan analss suruang untuk mempelajar struktur erdmens rendah data erdmens tngg, ADL mencar suatu hmpunan vektor-vektor yang memaksmumkan Crteron Fsher Dscrmnant. Metode n secara smultan memnmumkan searan dalam kelas (S ) dan memaksmumkan searan antar kelas (S ) dalam proyeks ftur ruang vektor. c k k X k X S [ X ][ X ] c S [ ][ ] dmana kelas adalah jumlah sampel pada kelas X, dan adalah mage rata-rata dar X, dan adalah rata-rata keseluruhan. Rumus rata-rata kelas dan rata-rata keseluruhan adalah seaga erkut: x adalah mean (rata-rata) dar kelas ke-, dan x adalah rata-rata keseluruhan (Fukunaga, 990). k x x Metode-metode dasar termasuk Fsherfaces telah dtelt oleh Belhumeur, et. al (997) dan varansnya telah dtelt seelumnya oleh Sets dan Weng (996). Belheumeur et. al (997) mendskuskan perandngan antara Fsherfaces dan Egenfaces serta menunjukkan aha pendekatan ADL leh ak dandngkan Analss Komponen Utama (AKU). Beerapa tahun erkutnya, metode Analss Dskrmnan Lner 2-Dmens yang kemudan dsngkat penuls dengan ADL2-D dperkenalkan oleh Lu et al. (993). Selanjutnya, L dan Yuan (2005) dan Xong et. al (2005) memformulaskan gamar erdasarkan perhtungan matrks searan antar kelas dan matrks searan dalam kelas. Metode n tdak menguah gamar ke dalam vektor sehngga terjad pereduksan dmens dar matrks-matrks gamar. Peneltan erkutnya, Song et. al (2005) dan Yang et. al (2003) menggunakan korelas kolom Unverstas Sumatera Utara
4 4 dem kolom untuk mereduks sejumlah kolom. Kemudan, Yang et. al (2005) memperak dan memerkan suatu algortma pertama untuk mereduks anyaknya kolom, dan selanjutnya mereduks anyaknya ars. Metode n merupakan algortma yang dependen. Seelumnya, Ye et. al (2004) memperkenalkan suatu order eas (ndependen) ADL2-D dengan suatu solus algortma teras. Mereka mempertmangkan proyeks data ke dalam suatu ruang yang merupakan produk tensor dalam 2 vektor ruang. Meskpun metode ADL2-D leh ak dandngkan metode ADL klask, namun metode n menysakan suatu prolem mendasar yang tdak terpecahkan. Untuk vektor -Dmens, matrks searan antar kelas maupun matrks searan dalam kelas ddefnskan tunggal. Untuk matrks 2-Dmens sepert gamar, dan pada umumnya gamar ersfat tdak smetrs X X, maka matrks searan antar kelas maupun matrks searan dalam kelas ddefnskan tdak tunggal yakn S ( XX ) S ( X X ), S ( XX ) S ( X X ), sehngga terdapat sejumlah plhan-plhan yang mungkn untuk menentukan fungs ojektf ADL yang tepat..2 Perumusan Masalah Analss Dskrmnan Lner 2-Dmens menmulkan masalah keraguan dalam sstem pengklasfkasan, seaga contoh untuk matrks 2-Dmens sepert gamar, dapat menghaslkan suatu matrks tdak smetrs yakn X X. Dalam katan n, matrks searan antar-kelas (S ) maupun matrks searan dalam-kelas (S ) ddefnskan tdak tunggal, sehngga terdapat sejumlah plhan untuk menentukan fungs ojektf ADL2- D. Oleh karena tu, penelt mengajukan suatu metode Analss Dskrmnan Lner 2- Dmens Smetrs untuk mengatas masalah keraguan terseut dan menentukan fungs ojektf optmum yang tepat. Unverstas Sumatera Utara
5 5.3 njauan Pustaka Pengenalan pola merupakan caang sans yang ertujuan untuk mengklasfkas ojekojek ke dalam kategor-kategor atau kelas-kelas (heodords, 2003). Aplkas pengenalan pola sangat luas, d antaranya mengenal suara dalam sstem pengamanan, memaca huruf dalam OCR, mengklasfkaskan penyakt secara otomats erdasarkan hasl dagnosa konds meds pasen, analss gamar, pengenalan karakter, mengdentfkas seseorang, dan seaganya. Beraga metode dkenal dalam pengenalan pola, sepert analss dskrmnan lner, model hdden markov hngga metode kecerdasan uatan sepert artfcal neural netork. Banyak penelt menggunakan Analss Dskrmnan untuk mengklasfkaskan ojek dalam vsualsas komputer. Mereka menggunakan sstem pengklasfkasan umum dengan urutan pengenalan pola seaga sensor, pengukuran pola, pemlhan pola, pengklasfkasan, dan yang terakhr adalah sstem evaluas. Selanjutnya, Yu and Dasgupta (2008) menggunakan metode pengenalan pola dengan seutan Conserved Self Pattern Recognton Algorthm (CSPRA) yang daplkaskan untuk mendagoss penyakt kanker payudara. Algortma n mendeteks kasus malgnant menggunakan data yang dkumpulkan oleh Dr. Wolerg, kemudan devaluas untuk pengukuran rata-rata deteks dan kesalahan alarm rata-rata. Hasl peneltan n menunjukkan aha pendekatan yang mereka gunakan telah menjanjkan dan memerkan suatu potens yang esar dalam pendagnossan kanker secara klns. Sstem pengenalan pola yang selalu dgunakan dalam peneltan, doperaskan ke dalam dua model yatu: pelathan (learnng) dan pengujan (testng). Peraturan dar modul pemrosesan adalah dengan memag-ag pola dar latar elakang, pemndahan nose, menormalsaskan pola, dan pengoperasan lan yang akan terlat dalam pendefnsan representas data. Dalam model pelathan (learnng), modul pengekstras ftur atau pemlhan ftur menemukan ftur yang tepat untuk mempresentaskan pola masukan dan kemudan sstem klasfkas dlath untuk memparts ruang ftur. anda panah alk mengkut suatu rancangan untuk mengoptmsaskan pemrosesan. Dalam model Unverstas Sumatera Utara
6 6 klasfkas, pengklasfkas terlath memerkan pola masukan ke salah satu pola-pola kelas dengan pertmangan erdasarkan ftur-ftur terhtung. Untuk leh jelasnya mar perhatkan agan pengenalan dan pengklasfkasan pola erkut (Jan et. al, 2000). test pola Pemrosesan Pengukuran ftur Pengklasfkasan Pengklasfkasan Pelathan lathan Pemrosesan pola Pengukuran ftur Pemlhan ftur Gamar. : Model pengenalan pola secara statstk Metode klasfkas yang dgunakan dalam pengenalan pola n adalah Analss Dskrmnan Lner 2-Dmens Smetrs (ADL2-D Smetrs) yatu perkemangan dar Analss Dskrmnan Lner klask (ADL klask). Analss dskrmnan adalah teknk statstka multvarat yang terkat dengan pemsahan (separatng) atau alokas/klasfkas (classfcaton) sekelompok ojek atau oservas ke dalam kelompok (group) yang telah terleh dahulu ddefnskan. Dalam tujuan pengenalan ojek (oservas), metode n mencoa menemukan suatu dscrmnant yang nlanya secara numers sedemkan sehngga mampu memsahkan ojek yang karakterstknya telah dketahu. Sedangkan dalam tujuan klasfkas ojek, metode n akan mensortr ojek (oservas) ke dalam 2 atau leh kelas (Fukunaga, 990). Jka derkan suatu matrks data menemukan suatu transformas G A n R, ADL klask ertujuan untuk l R yang memetakan setap kolom a dar Unverstas Sumatera Utara
7 7 matrks A, untuk n, dalam ruang dmens ke vektor dalam ruang dmens l. Yakn G : a R n G a R l ( l ). Ekvalennya, ADL ertujuan untuk menemukan suatu ruang vektor drentangkan oleh { g } l dmana G= [g, g 2,,g l ], sehngga setap a dproyekskan ke oleh ( g. a,...,. ) l gl a R (Ye et. al, 2004). Asumskan aha data asl dalam A dparts ke dalam k kelas sehngga A = {, 2,, k }, dmana memuat n ttk data dar kelas ke, dan k n n. ADL klask ertujuan untuk menemukan transformas optmal G sehngga struktur kelas dar data ruang erdmens tngg yang asl duah ke dalam ruang erdmens rendah (Ye et. al, 2004). Dalam metode Analss Dskrmnan Lner, terdapat dua matrks searan yatu matrks searan dalam kelas dsmolkan dengan S, dan matrks searan antar kelas dsmolkan dengan S ddefnskan masng-masng seaga erkut: c k k X k X (.) S [ X ][ X ] c S [ ][ ] (.2) dmana kelas adalah jumlah sampel pada kelas X, dan adalah mage rata-rata dar X, dan adalah rata-rata keseluruhan. Rumus rata-rata kelas dan rata-rata keseluruhan adalah seaga erkut: x adalah mean (rata-rata) dar kelas ke-, dan x x adalah rata-rata keseluruhan (Fukunaga, 990). k x Sepert dutarakan seelumnya, metode Analss Dskrmnan mengharapkan dapat memnmumkan matrks searan dalam-kelas S sementara matrks searan antar kelas S dmaksmumkan. Dalam transformas lner, seuah transformas optmal Unverstas Sumatera Utara
8 8 G akan memaksmumkan ( S ) dan memnmumkan ( S ). Optmsas umum dalam L Analss Dskrmnan Lner melput (lhat Fukunaga, 990) : L L L L max{ trace(( S ) S )} dan mn{ trace(( S ) )} S G G Catatan aha trace(a/b) = trace(b - A) = trace (AB - ). L Peneltan selanjutnya tentang Analss Dskrmnan Lner 2-Dmens (ADL2- D) yakn suatu metode aru yang merupakan perkemangan dar Analss Dskrmnan Lner. Beerapa tahun elakangan n, metode-metode ADL2-D n telah dperkenalkan. L and Yuan (2005), dan Xong et. al (2005) memformulaskan gamar erdasarkan perhtungan matrks searan dalam kelas dan antar kelas. Metode-metode terseut tdak merepresentaskan gamar ke dalam vektor sehngga tereduks secara dmensonal ke dalam matrks gamar. Song et. al (2005) dan Yang et. al (2003) menggunakan korelas kolom dem kolom untuk mereduks sejumlah kolom. Selanjutnya Yang et. al (2005) memperak dan memerkan suatu algortma untuk mereduks langan-langan pada kolom pertama dan mereduks langan-langan pada ars erkutnya. Metode n merupakan suatu algortma dependen. Ye et. al (2005) memperkenalkan suatu ADL2-D ndependen dengan suatu algortma solus teratf. Untuk Analss Dskrmnan Lner 2 Dmens, peredaan utama antara ADL klask dan ADL2-D yang penelt usulkan dalam peneltan n adalah peraklan (representas) data. ADL klask menggunakan representas vektor, sedangkan ADL2- D ekerja dengan data dalam representas matrks. Dalam penggunaan metode ADL2- D akan terlhat aha representas mengarah ke egen-dekomposs pada matrks dengan ukuran leh kecl. Leh khusus, ADL2-D melatkan egen-dekomposs dar matrks dengan ukuran r r dan c c, yang jauh leh kecl darpada matrks ADL klask (Ye et. al, 2005). Dalam ADL2-D telah dsepakat aha suatu hmpunan gamar dsmolkan r c dengan X =(X, X 2,..., X n ), X. Dengan ntus yang sama dengan ADL klask, ADL2-D mencoa untuk mencar suatu transformas lner Y = L X R (.3) Unverstas Sumatera Utara
9 9 sehngga kelas-kelas yang ereda dpsahkan. Kuncnya adalah agamana memlh ruang agan L dan R erdasarkan matrks searan dalam kelas dan antar kelas (Luo et. al, 2007). dak sepert ADL klask, ADL2-D menganggap hal erkut (l l 2 ) - ruang dmens L R, yang merupakan tensor product (kronecker product) dua ruang erkut: L drentang oleh { } l u dan R drentangkan oleh { v } l. Ddefnskan dua matrks L r l = [u,..., u l ] R c l2 dan R = [v,..., v l ] R r c. Kemudan proyeks dar X R ke ruang L R adalah L l l2 X R R (Ye et. al, 2004). Meskpun demkan, ADL2-D mempunya suatu masalah mendasar yatu masalah keraguan sehngga metode terseut menmulkan anyak spekulas untuk menentukan suatu fungs ojektf optmum. ADL2-D Smetrs adalah suatu perkemangan metode dar ADL2-D yang dperkenalkan oleh Luo, et al. (2007). Kontrus utama dalam peneltan n adalah untuk memperkenalkan suatu representase data aru untuk memecahkan masalah amgu dar ADL2-D yang ada. Pendekatan n ddorong oleh satu kunc peneltan: jka gamar smetrs, yakn X = X, maka: S ( XX ) S ( X X ), S ( XX ) S ( X X ). Kemudan masalah amgu yang terdapat dalam ADL2-D asa dapat dpecahkan. Karena alasan n, penelt memperkenalkan suatu representas data aru yang dseut ransformas Blner..4 ujuan Peneltan Adapun tujuan peneltan yakn untuk menentukan fungs ojektf optmum ADL2-D Smetrs dan algortma untuk mengatas masalah keraguan yang terdapat pada ADL2- D asa. Unverstas Sumatera Utara
10 0.5 Manfaat Peneltan. Memerkan manfaat ag pemaca untuk leh mengetahu dan memaham tentang pengenalan pola secara statstka dengan pendekatan Analss Dskrmnan Lner 2-Dmens Smetrs yang juga dapat dgunakan dalam pengklasfkasan data. 2. Dapat daplkaskan dalam pengenalan ajah atau klasfkas ojek dalam vsualsas komputer..6 Metodolog Peneltan Metode n ersfat lteratur dan kepustakaan. Untuk mengatas masalah keraguan yang terdapat pada Analss Dskrmnan Lner 2-Dmens asa dlakukan dengan cara pendekatan seaga erkut:. erleh dahulu memaham cara menentukan matrks searan dalam kelas (S ), matrks searan antar kelas (S ) yang merupakan matrks kovarans, matrks R dan L, egen vektor dar kedua matrks terseut, dan transformas lner B l = L A l R. 2. Menganalss persamaan-persamaan yang terdapat pada Analss Dskrmnan Lner 2-Dmens kemudan dengan menggunakan ransformas Blner akan dtentukan fungs ojektf optmum ADL2-D 3. Mengurakan teorema dan kemudan menyelesakan masalah keraguan yang terdapat pada ADL2-D asa 4. Menyusun algortma seaga solus untuk mengatas masalah keraguan yang dapat dgunakan dalam program vsualsas komputer 5. Mengaplkaskan metode ak fungs ojektf maupun algortma sehngga dapat leh jelas terura aha metode ADL2-D Smetrs memlk kelehan dalam hal mengatas masalah keraguan yang dtmulkan dalam ADL2-D dan akan dperlhatkan hasl pengklasfkasan yang efsen dan akurat. Unverstas Sumatera Utara
BAB 3 GAMBARAN UMUM TEMPAT RISET
BAB 3 GAMBARAN UMUM TEMPAT RISET 3. Sejarah dan Kegatan Operasonal Perusahaan 8 3.. Sejarah Perkemangan Kantor Perwaklan Bank Indonesa Wlayah I (Sumut & Aceh) 8 3. Struktur Organsas dan Deskrps Tugas Kantor
Lebih terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB 2 LANDASAN TEORI. Istilah regresi diperkenalkan oleh seorang yang bernama Francis Gulton dalam
BAB LANDASAN TEORI Pengertan Regres Istlah regres dperkenalkan oleh seorang yang ernama Francs Gulton dalam makalah erjudul Regresson Towerd Medacraty n Heredtary Stature Menurut hasl peneltan elau, meskpun
Lebih terperincimenyelesaikan permasalahan dalan penulisan.
BAB 5 : IMPLEMENTASI SISTEM Ba n mengurakan proses pengolahan data dengan program yang akan dgunakan yatu SPSS yang memantu dalam menyelesakan permasalahan dalan penulsan. BAB 6 : KESIMPULAN DAN SARAN
Lebih terperinciPENGENALAN POLA HURUF KAPITAL TULISAN DENGAN ANALISIS DISKRIMINAN LINIER 2-DIMENSI SIMETRIS
ZEO UNA MAEMAIKA DAN EAPAN Volume No. 7 P-ISSN: 58-569X E-ISSN : 58-5754 PENGENAAN POA HUUF KAPIA UISAN DENGAN ANAISIS DISKIMINAN INIE -DIMENSI SIMEIS na Wdyasar, Ismal Husen Program Stud Matemata FS Unverstas
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB LANDASAN TEORI Unverstas Sumatera Utara . Pengertan Regres Istlah regres pertama kal dperkenalkan oleh Francs Galtom. Menurut Galtom, analss regres erkenaan dengan stud ketergantungan dar satu varael
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperincib. Tentukan eigenket-eigenket dari sistem tersebut sebagai kombinasi linier dari 1 dan 2
Solus UTS Mekanka Kuantum Program Stud S Fska Tanggal ujan: 6 Oktoer 7 Dosen: Muhammad Azz Majd, Ph.D. Assten: Ahmad Syahron, S.S. Soal Hamltonan seuah sstem -keadaan two states system dnyatakan dengan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
I ENDHULUN. Latar elakang Mengambl keputusan secara aktf memberkan suatu tngkat pengendalan atas kehdupan spengambl keputusan. lhan-plhan yang dambl sebenarnya membantu dalam penentuan masa depan. Namun
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciBAB III METODE PENELITIAN. 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 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 terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Matematka dbag menjad beberapa kelompok bdang lmu, antara lan analss, aljabar, dan statstka. Ruang barsan merupakan salah satu bagan yang ada d bdang
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB 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 terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciPEMBUATAN 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 terperinciMULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari
MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuh Tugas Matakulah Multvarat yang dbmbng oleh Ibu Tranngsh En Lestar oleh Sherly Dw Kharsma 34839 Slva Indrayan 34844 Vvn Octana 34633 UNIVERSITAS
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciBab III 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 terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciMetode Estimasi Kemungkinan Maksimum dan Kuadrat Terkecil Tergeneralisasi pada Analisis Pemodelan Persamaan Struktural
Jurnal Graden Vol. 11 No. 1 Januar 015 : 1035-1039 Metode Estmas Kemungknan Maksmum dan Kuadrat Terkecl Tergeneralsas pada Analss Pemodelan Persamaan Struktural Dan Agustna Jurusan Matematka, Fakultas
Lebih terperinciMENCERMATI BERBAGAI JENIS PERMASALAHAN DALAM PROGRAM LINIER KABUR. Mohammad Asikin Jurusan Matematika FMIPA UNNES. Abstrak
JURAL MATEMATIKA DA KOMUTER Vol. 6. o., 86-96, Agustus 3, ISS : 4-858 MECERMATI BERBAGAI JEIS ERMASALAHA DALAM ROGRAM LIIER KABUR Mohammad Askn Jurusan Matematka FMIA UES Abstrak Konsep baru tentang hmpunan
Lebih terperinciPost test (Treatment) Y 1 X Y 2
BAB III METODOLOGI PENELITIAN A. Metode Peneltan Metode Peneltan adalah cara lmah untuk memaham suatu objek dalam suatu kegatan peneltan. Peneltan yang dlakukan n bertujuan untuk mengetahu penngkatan hasl
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB 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 terperinciOptimasi Penampang Persegi Panjang pada Elemen Balok Prategang (Studi Kasus pada Hotel Alila Surakarta)
Optmas Penampang Perseg Panjang pada Elemen Balok Prategang Stud Kasus pada Hotel Alla Surakarta) Dweky Anugerah 1), Steanus Ad Krstawan 2), Edy Purwanto 3) 1) Mahasswa Program Stud Teknk Spl, Fakultas
Lebih terperinciBAB 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 terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Pengertan Regres Regres pertama kal dgunakan seaga konsep statstka oleh Sr Francs Galton (8 9). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, ang selanjutna dnamakan
Lebih terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
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 terperinciDekomposisi Nilai Singular dan Aplikasinya
A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
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 X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB II TINJAUAN PUSTAKA. George Boole dalam An Investigation of the Laws of Thought pada tahun
BAB II TINJAUAN PUSTAKA 2.1 Aljabar Boolean Barnett (2011) menyatakan bahwa Aljabar Boolean dpublkaskan oleh George Boole dalam An Investgaton of the Laws of Thought pada tahun 1954. Dalam karya n, Boole
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciPercobaan Faktor Tunggal (RAL, RAKL, RBSL)
Percoaan Faktor Tunggal RAL, RAKL, RBSL Faktor Tunggal Dalam RAKL Rancangan Acak Kelompok Lengkap Karakterstk Rancangan Perlakuan yang dcoakan merupakan taraftaraf dar satu faktor tertentu Faktor-faktor
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sumer daya kelautan dan perkanan adalah salah satu sumer daya alamyang merupakan aset negara dan dapat memerkan sumangan yang erharga ag keseahteraan suatu angsa termasuk
Lebih terperinciBab V Aliran Daya Optimal
Bab V Alran Daya Optmal Permasalahan alran daya optmal (Optmal Power Flow/OPF) telah menjad bahan pembcaraan sejak dperkenalkan pertama kal oleh Carpenter pada tahun 196. Karena mater pembahasan tentang
Lebih terperinciKLASTERISASI DATA MICROARRAY MENGGUNAKAN METODE CLIQUE PARTITIONING
KLASTERISASI DATA MICROARRAY MENGGUNAKAN METODE CLIQUE PARTITIONING Lsa Maranah 1, Fhra Nhta, Adwjaya 3 1,,3 ProdS1 Ilmu Komputas, Fakultas Informatka, Unverstas Telkom 1 lsamaranah@gmal.com, fhranhta@telkomunversty.ac.d,
Lebih terperinciSEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN
AALISIS DISKRIMIA DISKRIT UTUK MEGELOMPOKKA KOMPOE Bernk Maskun Jurusan Statstka FMIPA UPAD jay_komang@yahoo.com Abstrak Untuk mengelompokkan hasl pengukuran yang dukur dengan p buah varabel dmana penlaan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
Lebih terperinciBAB 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 terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciBAB 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(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciBAB III METODOLOGI PENELITIAN. bulan November 2011 dan direncanakan selesai pada bulan Mei 2012.
BAB III METODOLOGI PENELITIAN 1.1. Tempat dan waktu Peneltan Peneltan dlakukan pada Perusahaan Daerah Ar Mnum Kabupaten Gorontalo yang beralamat d jalan Gunung Bolyohuto No. 390 Kelurahan Bolhuangga Kecamatan
Lebih terperinciISSN: Kata kunci: pengenalan tulisan tangan, ekstraksi ciri, jaringan saraf tiruan.
ISSN: 1693-6930 17 PENGARUH KOMPLEKSITAS EKSTRAKSI CIRI PADA SISTEM PENGENALAN TULISAN TANGAN DINAMIS (Influence of Feature Etracton Complet n Onlne Handwrtng Recognto Abdul Fadll Program Stud Teknk Elektro,
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 terperinciIII. METODELOGI PENELITIAN. Suatu penelitian dapat berhasil dengan baik dan sesuai dengan prosedur ilmiah,
III. METODELOGI PENELITIAN A. Metode Peneltan Suatu peneltan dapat berhasl dengan bak dan sesua dengan prosedur lmah, apabla peneltan tersebut menggunakan metode atau alat yang tepat. Dengan menggunakan
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciBAB II DASAR TEORI (2.1) Keterangan: i = jumlah derajat kebebasan q i. = koordinat bebas yang digeneralisasi Fq i = gaya yang digeneralisasi
BAB II DASAR TEORI. Metode Elemen Hngga Sstem Rotor Dnamk [7] Pemodelan elemen hngga sstem rotor dnamk dkembangkan berdasarkan konsep energ. Persamaan energ knetk, energ regangan, dan kerja maya yang terdapat
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciPENYELESAIAN PERSAMAAN REGRESI LINIER NON PARAMETRIK DENGAN METODE THEIL S
LPPM Polteknk Bengkals PENELESAIAN PERSAMAAN REGRESI LINIER NON PARAMERIK DENGAN MEODE HEIL S Darsono Staff pengaar Program Stud eknolog Informas Jl. Batn alam Sunga Alam Bengkals darsono@poleng.ac.d Astrak
Lebih terperinciOPTIMASI MASALAH PENUGASAN. Siti Maslihah
JPM IIN ntasar Vol. 01 No. 2 Januar Jun 2014, h. 95-106 OPTIMSI MSLH PNUGSN St Maslhah bstrak Pemrograman lner merupakan salah satu lmu matematka terapan yang bertuuan untuk mencar nla optmum dar suatu
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
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 terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu
Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciIII.METODE PENELITIAN. Pada penelitian ini subyek yang digunakan adalah siswa VII A SMPN 5
33 III.METODE PENELITIAN A Jens Dan Desan Peneltan. Jens peneltan yang dgunakan dalam peneltan n adalah peneltan kuanttatf. Peneltan n merupakan peneltan korelas yang bertujuan untuk mengetahu hubungan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciPENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER
Penerapan Program Lner Kabur dalam Analss.. Elfranto PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER Elfranto Dosen Unverstas Muhammadyah Sumatera Utara Abstrak: Salah satu kaan
Lebih terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih terperinciLAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES
LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES Hubungan n akan dawal dar gaya yang beraks pada massa fluda. Gaya-gaya n dapat dbag ke dalam gaya bod, gaya permukaan, dan gaya nersa. a. Gaya Bod Gaya bod
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBab III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
Lebih terperinciMODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut
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 terperinci