Aplikasi Grafologi dari Huruf t Menggunakan Jaringan Syaraf Tiruan
|
|
- Ade Salim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Aplikasi Grafologi dari Hrf Menggnakan Jaringan Syaraf Tiran Iwan Awaldin 1, Alia Khairnisa 2 Absrac Graphology is a branch of science which classifies hman personaliy from handwriing. Graphologiss observe he paerns of handwriing and compare i wih personaliy class daabase. Compers can be rained o do he same procedre of hman personaliy classificaion based on handwriing. The procedre is o perform digial image processing ha exracs feares from handwriing images. The feares will become inp for Arificial Neral Nework. Neral neworks ha are already configred wih a nmber of hidden layers, he nmber of nerons, acivaion fncion, and he pariclar learning algorihm will be able o recognize cerain classes of hman handwriing, hs his personaliy. Tesed configraions inclde: changing he nmber of nerons in he hidden layer of eigh o welve, binary image resizing, changing he acivaion fncion, and also changing he learning algorihm. Resls of simlaion and analysis are also provided. Inisari Grafologi adalah cabang ilm yang mengklasifikasikan kepribadian mansia berdasarkan lisan angan. Cara grafologi mengenal kepribadian mansia adalah dengan mengamai pola-pola lisan angan dan membandingkannya dengan basis daa kelas kepribadian. Komper bisa dilaih nk mengenali pola yang sama dan mengklasifikasikan penlis berdasarkan kelas yang sdah ada. Caranya adalah dengan melakkan pemrosesan cira digial nk mendapakan fir cira yang siap menjadi inp bagi Jaringan Syaraf Tiran. Jaringan Syaraf Tiran yang sdah dikonfigrasi dengan jmlah hidden layer, jmlah neron, fngsi akivasi, dan algorime belajar eren ini dapa mengenali dengan pasi kelas-kelas lisan angan mansia yang berelasi dengan kepribadiannya. Konfigrasi yang dijicobakan dianaranya adalah dengan mengbah jmlah neron di hidden layer dari delapan sampai da belas bah, mengbah besar cira biner, mengbah fngsi akivasi, dan jga mengbah algorime belajar. Hasil simlasi dan analisisnya jga diberikan. Kaa Knci grafologi, jaringan syaraf iran, levenberg marqad. I. PENDAHULUAN Grafologi adalah cabang ilm psikologi yang mencoba mencari hbngan anara lisan angan dengan kepribadian mansia. Hbngan ini dicari dari benk dan pola lisan angan. Tlisan angan dipercaya sebagai represenasi perinah oak yang melali peneliian saisik elah dipeakan menjadi beberapa kaegori kepribadian mansia[1]. 1 Dosen, Jrsan Teknik Komper dan Informaika POLBAN. Jl. Geger kalong Hilir Bandng (lp: ; fax: ; awaldin@jk.polban.ac.id) 2 Almni, Jrsan Teknik Informaika Universias Komper Indonesia, Jln. Dipai Ukr 112 Bandng ( aliakhairnisa1@gmail.com) Biasanya pekerjaan menganalisis lisan angan ini dilakkan oleh grafologis, yai seorang psikolog yang mendapakan pelaihan nk membaca lisan angan. Pekerjaan ini dilakkan dengan mengambil beberapa conoh lisan angan seperi dari sebh dokmen, dari hrf, aa dari anda angan. Dari conoh ini akan dicari pola nk dibandingkan dengan daa yang ada. Proses pengambilan conoh dan pencarian pola sebenarnya bisa diganikan oleh komper. Pengambilan conoh lisan angan dalam benk gambar digial bisa dilakkan dengan menggnakan pemindai aa jga kamera digial. Hasil gambar digial ini kemdian diproses dengan pengolahan cira digial nk dicari fir-fir pembedanya. Berdasarkan fir pembeda inilah proses pencarian pola dilakkan nk mendapakan kemiripan dengan pola yang sdah ada dalam basis daa. Salah sa meode nk mencari pola yai memakai Jaringan Syaraf Tiran (JST). JST sering dipakai karena pola di lisan angan mansia ckp sli nk dicari menggnakan meode analiis. Pola lisan angan mansia idak linier sehingga sli dicari misalnya dengan menrnkan persamaan maemaikanya. Membenk JST yang mamp mengenali pola lisan angan mansia bkan pla hal yang mdah. Perl ada proses pengolahan cira dan perimbangan fir apa saja yang akan menjadi pembeda dari lisan angan mansia sehingga nani bisa diklasifikasi kepada sifa-sifa mansia yang ada dalam basis daa. Dalam makalah ini akan disajikan invesigasi proses pengolah cira lisan angan dan pencarian pola dengan memakai JST. Sebenarnya ada beberapa hrf yang biasa dignakan nk mengenali sifa mansia seperi, d, dan i. Teapi dalam makalah ini lisan angan yang dipakai hanya mengenali pola dari hrf. Hal ini dilakkan nk mengji kemampan awal JST sebagai pengklasifikasi sifa mansia berdasarkan lisan angan. Seelah poensi JST dapa dikenali dengan pasi maka peneliian lanj dengan hrf yang lain dapa dilakkan. II. GRAFOLOGI Ada banyak lisan angan yang bisa dipakai nk mengenali kepribadian penlisnya. Di anara lisan angan i ada dalam benk kalima, sa hrf, aa anda angan. Pembeda dari pendekaan yang diambil dari seiap penelii adalah pemilihan jenis lisan dan fir yang akan dipakai nk mengenali pola. Dalam [2], Widiasi dkk menggnakan anda angan sebagai conoh lisan yang akan diklasifikasikan. Jenis JST yang dignakan adalah Mlilayer Percepron dengan feedforward dan belajar dengan backpropagaion. Tidak ISSN Iwan Awaldin: Aplikasi Grafologi dari Hrf...
2 dijelaskan berapa bah hidden layer, jmlah neron, dan jenis fngsi akivasi yang dignakan. Penelii lainnya dalam [3] menggnakan anda angan dalam melakkan klasifikasi. Dari kaa ini fir yang diliha adalah arah dan kemiringan lisan. Unk melakkan klasifikasi dijelaskan proses yang dilali oleh lisan angan. Penelii ini melakkan pemindaian erhadap anda angan nk mendapakan cira digial. Cira ini kemdian diar krannya sesai dengan emplae. Seelah i cira dirampingkan nk mendapakan posr yang lebih kecil. Posr lisan yang sdah kecil lal dipoong dan diar posisinya. Hal ini dibhkan agar lisan bisa dikeahi kemiringannya. Jenis JST yang dignakan adalah backpropagaion dengan fngsi akivasi yang idak disebkan. Selanjnya dalam [4] dignakan lisan beberapa kaa sebagai pembeda kepribadian mansia. Pengolahan cira yang dikerjakan lebih banyak, misalnya menggnakan analisis hisogram dan segmenasi. Tidak disebkan konfigrasi JST yang dignakan. Jmlah kelas yang dicari memang disebkan eapi idak dijelaskan berapa jmlah daa yang menjadi bahan laihan dan pengjian. III. KONFIGURASI PERCOBAAN Dalam makalah ini akan dicari JST yang bisa dignakan nk memba klasifikasi kepribadian mansia berdasarkan lisan angan. JST ini akan dignakan oleh da akor yai pengembang dan penggna. Pengembang akan memba JST dan melaihnya agar saa penggna memakainya, JST yang sdah dilaih dapa dengan akra mengklasifikasi kepribadian mansia. Pengembang memerlkan daa lisan angan dan kepribadian yang berkaian dengannya. Daa lisan angan ini bisa didapakan dengan memindai lisan-lisan yang ada dalam bk psikologi, menambahkannya dengan noise, dan kemdian dipakai nk melaih JST. Cira hasil pemindaian biasanya berpa gambar lisan dalam forma warna RGB aa grayscale. Hrf yang menjadi acan nk klasifikasi hars dipisahkan dengan lisan lainnya. Cara pemisahan manal dipilih nk mempermdah proses. Hrf yang dipilih sebagai acan klasifikasi adalah hrf. Berdasarkan [1] erdapa 11 jenis kepribadian mansia dari cara penlisan hrf. Unk seiap jenis kepribadian diperlkan 20 bah conoh lisan hrf. Karena i conoh lisan yang dignakan adalah 220 bah. Conoh lisan ini nani akan dipisahkan nk fase pelaihan dan fase pengjian JST. Biasanya jmlah conoh lisan yang dijadikan bahan pelaihan sebanyak 80% sedangkan nk pengjian sebanyak 20%. Karena i jmlah conoh lisan yang dijadikan bahan pelaihan adalah 176 bah dan bahan pengjian adalah 44 bah. JST akan dilaih dan diji nk dicari konfigrasi yang memberikan hasil erbaik nk pelaihan dan pengjian. Sebelm cira dijadikan bahan nk pelaihan dan pengjian maka diperlkan pra-pengolahan erhadap cira erseb. Pra-pengolahan yang dilakkan dalam makalah ini diilsrasikan dalam Gbr. 1. Proses mengbah cira menjadi grayscale dapa dierangkan dalam algorime berik. Cira berwarna biasanya memiliki da dimensi. Dimensi ini dinyaakan dalam benk jmlah pixel dalam baris dikalikan dengan jmlah pixel dalam kolom. Arinya seiap cira memiliki jmlah pixel sebanyak hasil perkalian jmlah pixel di baris dan di kolom. Seiap pixel mengandng informasi komponen warna merah (red), hija (green), dan bir (ble). Informasi pixel dan komponen warna disimpan dalam benk mariks. Unk mendapakan grayscale dari gambar RGB, diperlkan sa proses yang mengambil informasi komponen warna. Misalnya yang dilakkan di [5], yai dari informasi RGB dikonversi ke rang warna YPQ. Kemdian perbedaan warna anar pixel diambil menggnakan pasangan Gassian. Smb predominan dari konras kromaik dihing nk selanjnya dikombinasikan dengan nilai lminasi dari daa kromaik dan akhirnya kalibrasi erhadap cira grayscale. Pengambilan Cira Merbah ke Greyscale Merbah Menjadi Biner Perampingan Gambar Pengbahan Ukran Gbr. 1 Pra-pengolahan cira sebelm menjadi inp ke JST. Konversi dari nilai RGB ke nilai YPQ diberikan seperi dalam (1). Y i 0,2989 0,5870 0,1140 R i P i = 0,5000 0,5000 1,000 G i (1) Q i 1,000 1,000 0 B i Dari (1) bisa dihing he dan saraion dari gambar berdasarkan (2). H i = 1 π an 1 Q i P i (2) S i = P i 2 + Q i 2 (3) Deail dari penrnan persamaan dan implemenasinya bisa dirjk pada [5]. Seelah mendapakan cira dalam forma warna grayscale, selanjnya dengan menggnakan filer baas cira akan dibah menjadi biner. Arinya hanya garis egas saja yang eap membenk gambar sedangkan cira lain yang idak egas akan menjadi warna pih. Filer baas ckp mdah dierapkan karena hanya dengan meneapkan baas angka yang akan dibah menjadi 1 dan 0 bisa didapakan gambar biner. Unk keperlan klasifikasi yang lain diperlkan informasi dari mana penlis memlai lisan, berapa besar ekanan, dan arah penlisan. Informasi ini bisa didapa dari berapa besar Iwan Awaldin: Aplikasi Grafologi dari Hrf... ISSN
3 kmplan pixel yang berwarna hiam. Teapi nk makalah ini, informasi yang diperlkan adalah benk hrf nya sendiri dengan idak memperhaikan darimana hrf i mlai dilis. Karena i, idak diperlkan daa keebalan hrf dimaksd sehingga selanjnya bisa dilakkan proses perampingan erhadap cira. Gbr. 2 mennjkkan hasil pemrosesan cira hrf menjadi mariks biner. Gbr. 2 Hasil konversi hrf ke mariks biner Hasil akhir dari cira yang sdah diolah adalah berpa mariks yang besarnya bisa diar dengan isi biner. Mariks ini yang akan menjadi inp nk JST. Arsiekr mm JST diperlihakan pada Gbr. 3. i n p bias Unk konfigrasi JST ada beberapa hal pening yang hars diperhaikan. Dari sisi inp dan op adalah jmlah neronnya. Jmlah neron di sisi op dienkan oleh jmlah kelas kepribadian mansia yang akan dicari. Menr bk pandan grafologi, dari hrf dapa dipisahkan 11 kelas kepribadian mansia. Arinya jmlah neron di sisi op JST yang dibangn ada 11 bah. Selanjnya di sisi inp JST. Ada da kemngkinan jmlah neron di sisi inp. Kemngkinan perama dienkan oleh jmlah fir yang akan dipakai nk membedakan lisan angan. Kemngkinan keda dienkan oleh jmlah pixel cira biner hasil pra-pengolahan. Unk kemngkinan perama ada proses ambahan yang hars dilali oleh cira biner. Proses ini adalah mengambil fir pembeda. Misalnya perbandingan panjang dan lebar komponen pembenk hrf, iik poong panjang dan lebar hrf, dan kemiringan dari lebar hrf. Terliha bahwa jmlah fir ini ckp kecil sehingga JST yang dibangnpn idak akan besar. Isi dari seiap fir dapa direpresenasikan dalam nilai yang menjadi nilai maksimm dan minimm dari inp JST. Misalnya saja kemiringan dari lebar hrf aa garis horizonal dari hrf ada dari -30⁰ sampai 30⁰ bisa dinyaakan sebagai nilai -1 sampai 1 di inp JST. Sayangnya memang kemngkinan perama ini memerlkan pengolahan lanj dari cira biner. Sedangkan nk kemngkinan keda hasil cira biner bisa langsng dignakan nk inp JST. Perl diperhaikan bahwa inp JST berpa mariks kolom sedangkan cira biner o p Gbr. 3 Konfigrasi mm JST. berpa mariks da dimensi. Perl ada konversi erlebih dahl dari mariks da dimensi ke mariks sa dimensi. Prosedrnya ckp mdah misalnya dengan memindahkan kolom keda sampai ke-n menjadi baris bar di kolom perama. Dimensi mariks inp JST erganng dari dimensi cira biner. Sebelmnya cira biner yang dihasilkan diba berdimensi sama besar baris dan kolom. Dengan demikian didapa jmlah baris inp JST sebesar baris x kolom dari cira biner. Memang bila diperhaikan, jmlah baris ini akan semakin besar bila dimensi cira biner semakin besar. Bahkan pembesaran ini bersifa kadraik. Ada keragan nani JST idak bisa beroperasi karena besarnya dimensi inp. Meskipn demikian kemngkinan keda ini yang dipilih nk diinvesigasi karena kemdahan prosesnya. Selanjnya seelah inp dan op JST dienkan, maka perl dieapkan berapa banyak hidden layer dan neron yang ada di dalamnya. Selain i perl dienkan jga fngsi akivasi. Biasanya jmlah hidden layer yang kecil sdah memberikan hasil yang memaskan nk fngsi nonlinier sederhana. Karena i dieapkan jmlah hidden layer nk JST yang dibangn adalah sa. Jmlah neron jga rivial. Tidak ada pandan khss enang berapa jmlah neron yang epa nk sa kass, apalagi pandan jmlah neron yang berlak mm. Penenan jmlah neron biasa dilakkan secara rial dan error. Dieapkan jmlah neron yang akan dicoba bervariasi dari delapan sampai da belas neron. Fngsi akivasi biasanya dikaikan dengan jan JST. Secara mm ada da jan yai memba klasifikasi aa memba regresi. Klasifikasi yai memisahkan op menjadi beberapa kelas, sedangkan regresi memba JST mengelarkan nilai yang konin dalam selang eren. Jenis akivasi yang dignakan berbeda. Unk keperlan klasifikasi biasa dignakan fngsi akivasi yang serpa dengan sigmoid. Fngsi akivasi seperi ini biasanya akan menarik op mendekai nilai maksimm aa nilai minimm. Unk keperlan regresi biasa dignakan fngsi akivasi linier. Fngsi ini idak menarik op menj nilai maksimm aa minimm melainkan menempakannya di iik yang ada dalam garis linier. Meskipn jan penggnaannya berbeda, ada kalanya fngsi akivasi sigmoid bisa dignakan nk keperlan regresi, aa jga sebaliknya, fngsi akivasi linier dignakan nk keperlan klasifikasi. Unk invesigasi yang dilakkan, dipilih fngsi akivasi linier di hidden layer dan sigmoid di op layer. Seelah ini perl dienkan bias. Bias adalah bagian dari inp ke hidden layer dan op layer yang idak berhbngan dengan inp dari layer sebelmnya. Misalnya di hidden layer bias idak berhbngan dengan inp dari cira biner. Bias berfngsi seperi konsana di persamaan linier yang idak berhbngan dengan pebah. Selain menggeser nilai, bias jga berfngsi nk mengakomodasi nilai lain yang berpengarh erhadap op eapi idak dinyaakan sebagai inp. Pada makalah ini, bias di hidden layer dan op layer diakifkan. ISSN Iwan Awaldin: Aplikasi Grafologi dari Hrf...
4 Bagian di aas berkaian dengan nilai yang idak berbah sepanjang pelaihan JST. Nilai inp dan arge op akan digani-gani sepanjang pelaihan eapi dengan nilai yang sdah dienkan berdasarkan cira biner dan kelas kepribadian mansia. Ada bagian JST yang akan berbah selama pelaihan yai nilai bobo JST. Bobo adalah penghbng anar neron. Fngsinya seperi dendri di jaringan syaraf mansia, yai membawa informasi dari sa neron ke neron lainnya. Pada awalnya bobo diberi nilai acak. Kemdian berdasarkan proses belajar JST bobo akan berbah Cara belajar JST adalah seperi berik. Perama daa inp dan arge op sdah dimiliki. Dalam invesigasi ini ada sebanyak 176 pasangan inp dan arge op yang dipakai nk pelaihan. Daa ini akan dimaskkan ke dalam JST per pasangan. Seiap kolom inp dimaskkan ke inp layer, kemdian dibawa informasinya ke hidden layer melali bobo yang menghbngkan inp layer dan hidden layer. Seiap neron di hidden layer akan menerima perkalian seiap inp erhadap bobo dan kemdian dijmlahkan seperi pada (4). k S i = w j i j j=1 S i merpakan penjmlahan dari hasil perkalian bobo w dengan inp i. Penjmlahan dari hasil perkalian bobo dengan inp yang bersesaian akan dimaskkan ke dalam (5) yai fngsi akivasi. o i = f(s i ) (5) Op dari seiap neron seperi dari (5) akan menjadi inp bagi layer beriknya. Persamaan yang dignakan eap saja, yang berbah hanya indeks yang mennjkkan empa layer yang bersesaian. Sesampainya di bagian op, hasil kelaran akan dibandingkan dengan arge. Op ini akan berbeda dengan arge, yang mennjkkan adanya error. Informasi error ini disimpan karena proses feedforward belm selesai. Proses feedforward akan memaskkan pasangan inp dan op arge sa per sa yai sampai 176 pasang. Error dari seiap pasang dicaa nk kemdian dihing roo mean sqare errornya (RMSE). Selesainya sema pasang dimaskkan ke dalam feedforward menyaakan sa epoch. RMSE dari sa epoch akan dignakan nk memperbari nilai bobo. Cara memperbari nilai bobo ada banyak. Yang erkenal dengan seban back propagaion, misalnya Levenberg Marqad (LM), Gradien Descen (GD), Gradien Descen wih Momenm (GDM), dan masih banyak lagi. Ininya adalah mengirimkan balik informasi RMSE ini nk memperbari nilai bobo, erama sekali nilai bobo yang berada di layer sebelm hidden layer karena idak ada arge yang menjadi acan berapa besar error yang erjadi. Pengiriman balik nilai error ini memperimbangkan persamaan yang dignakan nk memperbari bobo. Pada LM ada rnan orde sa yang dignakan nk memperbari nilai bobo. Cara ini ckp efekif eapi jga bisa membhkan wak sanga lama. Besarnya mariks inp, (4) seperi yang elah disebkan pada awal bab, jga menyebabkan lambanya nilai error mengecil. Sedangkan pada GD diperlkan perhingan gradien fngsi pada iik berdasarkan error yang didapa. Gradien ini menenkan jmlah langkah melonca nk mempercepa proses memperbari bobo. Keda algorime di aas memiliki kelemahan yai kadang erjebak pada local minima. Hal ini akan menyebabkan perhingan berheni. Karena i pada algorime GD diambahkan lagi momenm yang dapa menendang perhingan bila erjebak pada local minima. Keiga algorime ini akan diji coba sema. IV. HASIL DAN ANALISIS Simlasi dilakkan menggnakan konfigrasi yang elah dijelaskan pada bab sebelmnya. Berik ini perilak yang dapa diambil dari simlasi. Simlasi perama dilakkan dengan delapan bah neron di hidden layer dan LM sebagai algorime belajar nk memperbari bobo. Simlasi berjalan lamba dan memerlkan belasan rib epoch nk mencapai RMSE yang ckp kecil. Keika dimlai, secara raa-raa RMSE berada pada kisaran 1 kemdian berkrang sediki demi sediki sampai pada nilai yang diinginkan. Hasil pelaihan memberikan op yang membawa kisaran 0 0,3 dan 0,73 sampai 1. Unk mendapakan hasil klasifikasi yang bags maka perl diberikan nilai baas. Saa nilai baas di aas 0,75 maka ada beberapa kelas yang salah klasifikasinya. Bar bila diberi baas nilai 0,7 hasil klasifikasi memberikan akrasi 100% nk sema kelas dan keselrhan 176 daa. Sayangnya keika bobo yang didapa ini dipakai nk daa pengjian hasilnya menrn ckp besar. Akrasi 65% didapakan secara keselrhan. Sebenarnya diharapkan akrasi daa pengjian bisa diingkakan, misalnya dengan memperbesar dimensi cira biner. Teapi saa dijicobakan dimensi cira biner idak bisa diba lebih besar dari 15 x 15. Arinya erdapa 225 bah inp maksimm yang bisa dijalankan oleh komper. Pesan yang diangkap dari program yang dignakan adalah kehabisan memori. Memang menr beberapa hasil percobaan, algorime LM ini sanga boros menggnakan memori komper. Selanjnya simlasi dilakkan dengan menggnakan GD dan GDM. Ternyaa nilai awal RMSE raa-raa sama seperi LM. Hanya saja nk epoch beriknya RMSE langsng ke nilai seengah dari nilai awal. Seelah mencapai nilai seengah ini idak ada lagi perbaikan dari GD dan GDM bahkan sampai jmlah epoch maksimm ercapai. Padahal ada kelebihan dari keda algorime ini. Kedanya sanggp mengaasi kekrangan memori yang ada di LM. Tidak ada masalah sampai epoch maksimm ercapai, idak ada peringaan memori habis. Seelah mendapakan algorime belajar yang memberikan hasil yang ckp baik, simlasi dilakkan dengan konfigrasi yang lain. Konfigrasi yang dignakan adalah mengbah jmlah neron di hidden layer. Percobaan perama menggnakan delapan neron dibah sa per sa sampai da Iwan Awaldin: Aplikasi Grafologi dari Hrf... ISSN
5 belas neron. Berdasarkan hasil simlasi idak ada perbahan signifikan erhadap hasil sehingga disimplkan dengan memakai delapan bah neron dirasa menckpi nk keperlan klasifikasi kepribadian mansia ini. Kemdian konfigrasi dibah lagi dengan memakai fngsi akivasi yang berbeda. Menr pengamaan idak ada perbahan akrasi, jmlah epoch, dan kecepaan proses dengan perbahan fngsi akivasi. Arinya fngsi sigmoid dan fngsi linier dapa dignakan nk keperlan klasifikasi ini. V. KESIMPULAN Berdasarkan hasil simlasi bisa dilaporkan bahwa JST bisa dignakan nk memba klasifikasi kepribadian mansia berdasarkan hrf. Klasifikasi ini dilakkan dengan konfigrasi JST Mli Layer Percepron, sa bah hidden layer dengan delapan bah neron. Konfigrasi seperi ini memberikan akrasi 100% nk 176 daa pelaihan dan 65% nk daa pengjian. Perbahan jmlah neron di hidden layer dan fngsi akivasi idak memberikan perbahan siginifikan erhadap hasil simlasi. Algorime GD dan GDM jga idak bisa dicari hasilnya karena idak bisa konvergen ke sa nilai meskipn jmlah epoch maksimm sdah ercapai. Peneliian selanjnya adalah dengan menggnakan fir perbandingan inggi, kemiringan garis, dan perpoongan garis hrf. Fir ini memngkinkan jmlah inp menjadi lebih kecil sehingga bisa menggnakan daa cira yang lebih besar. Peneliian jga bisa dilakkan pada conoh hrf lain seperi d dan i. REFERENSI [1] B. Lfiano, Analisis Tlisan Tangan: Grapho for Scc. Gramedia Psaka Uama, [2] F. Widiasi, W. Kaswidjani, and H. C. Rsamaji, JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK APLIKASI PENGENALAN TANDA TANGAN, Telemaika, vol. 11, no. 1, [3] S. Dang and M. K. Mahesh, Handwriing Analysis of Hman Behavior Based on Neral Nework, In. J. Adv. Res. Comp. Sci. Sofw. Eng., vol. 4, no. 9, Sep [4] H. N. Champa and K. R. AnandaKmar, Arificial Neral Nework for Hman Behavior Predicion hrogh Handwriing Analysis, In. J. Comp. Appl. IJCA, vol. 2, no. 2, pp , [5] M. Grndland and N. A. Dodgson, The decolorize algorihm for conras enhancing, color o grayscale conversion, Universiy of Cambridge, Technical Repor UCAM-CL-TR-649, ISSN Iwan Awaldin: Aplikasi Grafologi dari Hrf...
BAB II PENGENDALI DIGITAL
BAB II ENGENDALI DIGIAL ada bab ini akan dibahas enang dasar-dasar pengendali ID. Selanjnya dibahas enang penrnan persamaan diskri pengendali ID yang menjadi dasar perancangan pengendali digial. ada bagian
Lebih terperinciPENGOLAHAN AWAL DATA GRAVITASI
Modl 4 ENGOLAHAN AWAL DATA GRAVITASI Unk dapa melakkan inerpreasi, maka daa hasil pengkran lapangan perl diolah. engolahan daa graviasi adalah nk mencari perbedaan harga graviasi dari sa iik ke iik yang
Lebih terperinciKAJIAN DAERAH STABILITAS MODEL TINGKAT BUNGA RENDLEMAN-BARTTER. Tri Handhika dan Murni
KAJIAN DAERAH STABILITAS MODEL TINGKAT BUNGA RENDLEMAN-BARTTER Tri Handhika dan Mrni Program Magiser Maemaika, Deparemen Maemaika, Universias Indonesia, Depok ri.handhika@i.ac.id ; mrni@i.ac.id ABSTRAK
Lebih terperinciBAB I PENDAHULUAN. sistem assembly line. PLC digunakan di berbagai industri dan mesin pengemasan dan
BAB I PENDAHULUAN.. Laar Belakang Masalah Prgrammable Lgic Cnrller () merpakan sa kmper digial yang dignakan nk masi dari prses-prses elekrmagneik. Seperi pengnrlan mes pada sisem assembly le. dignakan
Lebih terperinciCatatan Fisika Einstein cs 1
Caaan Fisika Einsein cs 1 1 SATUAN DAN DIMENSI SATUAN Pengkran adalah sa proses pembandingan sesa dengan sesa yang lain yang dianggap sebagai paokan (sandar) yang diseb saan. Saan yang sanga mendasar diseb
Lebih terperinciKAJIAN STABILITAS MODEL TINGKAT BUNGA RENDLEMAN-BARTTER
Mahemaical Science KAJIAN STABILITAS MODEL TINGKAT BUNGA RENDLEMAN-BARTTER Tri Handhika dan Mrni Program Magiser Maemaika, Deparemen Maemaika, Universias Indonesia, Depok ri.handhika@i.ac.id ; mrni@i.ac.id
Lebih terperinciBAB II DASAR TEORI 2.1 Investasi
A II DASAR EORI Sebelm melangkah lebih jah pada penenan porfolio opimal maka erlebih dahl dibahas mengenai pengerian invesasi pengerian porfolio lemma Io persamaan diferensial sokasik gerak rown bak proses
Lebih terperinciTINJAUAN PUSTAKA. ρw z. Gambar 1 Elemen luas fluida dalam dua dimensi.
3 II TINJAUAN PUSTAKA Pada bagian ini akan dibahas penrnan persamaan dasar flida ideal yang disarikan dari psaka (Doglas 2001) dan konsep dere Forier disarikan dari psaka (Ross 1984) 2.1 Persamaan Dasar
Lebih terperinciPada gambar 5.1 trayek
Mingg ke V DEFINISI JALUR, LINTASAN, DAN SIRKUIT GRAF. Sa raek ang sema sisina berbeda diseb jalr (rail). Sedangkan sa jalr ang sema simplna berbeda diseb linasan (pah). Sa raek, jalr, aa linasan diseb
Lebih terperinciPREMI UNTUK ASURANSI JIWA BERJANGKA PADA KASUS MULTISTATE
REMI UNUK ASURANSI JIWA BERJANGKA ADA KASUS MULISAE S Aminah 1*, Hasriai 2, Johannes Kho 2 1 Mahasiswa rogram S1 Maemaika 2 Dosen Jrsan Maemaika Faklas Maemaika dan Ilm engeahan Alam Universias Ria Kamps
Lebih terperinciAPROKSIMASI METODE DEKOMPOSISI ADOMIAN PADA PERSAMAAN DIFERENSIAL HIPERBOLIK LINEAR
Vol. 9. No. 1, 11 Jrnal Sains, Teknologi dan Indsri APROKSIMASI METODE DEKOMPOSISI ADOMIAN PADA PERSAMAAN DIFERENSIAL HIPERBOLIK LINEAR Warono, Yslenia Mda Jrsan Maemaika Faklas Sains dan Teknologi UIN
Lebih terperinciXII. BALOK ELASTIS KHUSUS
[Balok Elasis Khss] X. BALOK ELASTS KHUSUS.. Balok Berpenampang Simeris Jika beban ransversal ang menghasilkan lengkngan (bending) dikenakan pada balok ang penampangna simeris maka idak menghasilkan orsi
Lebih terperinciSYARAT BATAS SERAP PADA GELOMBANG AKUSTIK DUA DIMENSI
Jrnal Maemaika Mrni dan Terapan Vol. 5 No. Desember 0: 3-39 SYARAT BATAS SERAP PADA GELOMBANG AUSTI DUA DIMENSI Mohammad Mahfzh Shiddiq ABSTRACT Aosi wave eqaion wih Dirihle and Nemann bondar ondiions
Lebih terperinciBAB II Metode Pembentukan Fungsi Distribusi
Saisika Maemaika II b Dian Kniai BAB II Meode Pembenkan Fngsi Disibsi Pada bab akan dibahas bebeapa meode alenaive nk menenkan fngsi disibsi dai pebah acak ba ang ebenk dai pebah acak ang lama. Dengan
Lebih terperinciPENYELESAIAN PERSAMAAN DIFERENSIAL PARABOLIK NONLINEAR DENGAN MENGGUNAKAN METODE PERTUBASI HOMOTOPI TUGAS AKHIR
PENYELESAIAN PERSAMAAN DIFERENSIAL PARABOLIK NONLINEAR DENGAN MENGGUNAKAN METODE PERTUBASI HOMOTOPI TUGAS AKHIR Diajkan Sebagai Salah Sa Syara Unk Memperoleh Gelar Sarjana Sains Pada Jrsan Maemaika Oleh:
Lebih terperinciII LANDASAN TEORI. menyatakan koordinat horizontal, koordinat vertikal, dan waktu. dan hukum kekekalan momentum memberikan persamaan Euler berikut
II LANDASAN EORI Paa bagian ini akan iraikan beberapa konsep ang menasari peneliian ini. Konsep inamika flia akan isajikan ari psaka [5] an [] seangkan eori sisem amilonian irangkm ari psaka [7] an [8]..
Lebih terperinciANALISIS SISTEM LINEAR SINGULAR PADA RANGKAIAN RLC SEDERHANA
Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode SSN: 979-9X Yogyakara, 3 November ANASS SSTEM NEA SNGUA PADA ANGKAAN SEDEHANA Kris Sryowai Jrsan Maemaika, Faklas Sains Terapan, ST
Lebih terperinciBAB III 3. METODOLOGI PENELITIAN
BAB III 3. METODOLOGI PENELITIAN 3.1. PROSEDUR ANALISA Penelitian ini merpakan sebah penelitian simlasi yang menggnakan bantan program MATLAB. Adapn tahapan yang hars dilakkan pada saat menjalankan penlisan
Lebih terperinciMODUL X FISIKA MODERN KONSEKUENSI TRANSFORMASI LORENTZ
MODUL X FISIKA MODERN KONSEKUENSI TRANSFORMASI LORENTZ Tjan Insrksional Umm : Agar mahasiswa dapa memahami mengenai Konsekensi Transformasi Lorenz Tjan Insrksional Khss : Dapa menjelaskan enang pemaian
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperinciBAB 2 KINEMATIKA. A. Posisi, Jarak, dan Perpindahan
BAB 2 KINEMATIKA Tujuan Pembelajaran 1. Menjelaskan perbedaan jarak dengan perpindahan, dan kelajuan dengan kecepaan 2. Menyelidiki hubungan posisi, kecepaan, dan percepaan erhadap waku pada gerak lurus
Lebih terperinciRANK DARI MATRIKS ATAS RING
Dela-Pi: Jurnal Maemaika dan Pendidikan Maemaika ISSN 089-855X ANK DAI MATIKS ATAS ING Ida Kurnia Waliyani Program Sudi Pendidikan Maemaika Jurusan Pendidikan Maemaika dan Ilmu Pengeahuan Alam FKIP Universias
Lebih terperinciBAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu
BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,
Lebih terperinciMODEL HIDRODINAMIKA. Pendahuluan. CFD di Bidang Hidraulika Saluran Terbuka Istiarto JTSL FT UGM
MODEL HIDRODINAMIKA CFD di Bidang Hidralika Salran Terbka Isiaro JTSL FT UGM Isiaro Jrsan Teknik Sipil dan Lingkngan FT UGM hp://isiaro.saff.gm.ac.id email: isiaro@gm.ac.id Pendahlan Model maemaik hidralika
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan
Lebih terperinciBAB XV DIFERENSIAL (Turunan)
BAB XV DIFERENSIAL (Trnan) 7. y co y ' - cosec. y sec y ' sec an 9. y cosec y ' - cosec coan Jika y f(), maka rnan peramanya dinoasikan dy dengan y f ' () d dy Lim f ( + h) f ( ) dengan d h 0 h Penggnaan
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciBAB 2 TINJAUAN TEORITIS. bahasa Yunani yang berarti Demos adalah rakyat atau penduduk, dan Grafein adalah
37 BAB 2 TINJAUAN TEORITIS 2.1 Pengerian-pengerian Kependudukan sanga era kaiannya dengan demgrafi. Kaa demgrafi berasal dari bahasa Yunani yang berari Dems adalah rakya aau penduduk, dan Grafein adalah
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang
Lebih terperinciBAB 2 LANDASAN TEORI
35 BAB LANDASAN TEORI Meode Dekomposisi biasanya mencoba memisahkan iga komponen erpisah dari pola dasar yang cenderung mencirikan dere daa ekonomi dan bisnis. Komponen ersebu adalah fakor rend (kecendrungan),
Lebih terperinci*Corresponding Author:
Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion
Lebih terperinciEKSISTENSI DAN KESTABILAN SOLUSI GELOMBANG JALAN MODEL KUASILINER DISSIPATIF DUA KANAL
EKSISTENSI DAN KESTABILAN SOLSI GELOMBANG JALAN MODEL KASILINER DISSIATIF DA KANAL SMARDI Jrsan Maemaika niersias Gadjah Mada mas_mardi@yahoo.com SOEARNA DARMAWIJAYA Jrsan Maemaika niersias Gadjah Mada
Lebih terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperincix 4 x 3 x 2 x 5 O x 1 1 Posisi, perpindahan, jarak x 1 t 5 t 4 t 3 t 2 t 1 FI1101 Fisika Dasar IA Pekan #1: Kinematika Satu Dimensi Dr.
Pekan #1: Kinemaika Sau Dimensi 1 Posisi, perpindahan, jarak Tinjau suau benda yang bergerak lurus pada suau arah erenu. Misalnya, ada sebuah mobil yang dapa bergerak maju aau mundur pada suau jalan lurus.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
11 BAB I PENDAHULUAN 1.1 Laar Belakang Salah sau masalah analisis persediaan adalah kesulian dalam menenukan reorder poin (iik pemesanan kembali). Reorder poin diperlukan unuk mencegah erjadinya kehabisan
Lebih terperinciBAB VI PERSAMAAN DIFERENSIAL PARSIAL (PDP)
BAB VI PERSAMAAN DIFERENSIAL PARSIAL (PDP) Pendahlan Persamaan diferensial parsial memegang peranan pening di dalam penggambaran keadaan fisis, dimana besaran-besaran yang erliba didalamnya berbah erhadap
Lebih terperinciBAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan
BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,
Lebih terperinci=====O0O===== Gerak Vertikal Gerak vertikal dibagi menjadi 2 : 1. GJB 2. GVA. A. GERAK Gerak Lurus
A. GERAK Gerak Lurus o a Secara umum gerak lurus dibagi menjadi 2 : 1. GLB 2. GLBB o 0 a < 0 a = konsan 1. GLB (Gerak Lurus Berauran) S a > 0 a < 0 Teori Singka : Perumusan gerak lurus berauran (GLB) Grafik
Lebih terperinciANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Studi kasus pada CV Cita Nasional.
JURNAL ILMIAH RANGGAGADING Volume 7 No. 1, April 7 : 3-9 ANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Sudi kasus pada CV Cia Nasional. Oleh Emmy Supariyani* dan M. Adi Nugroho *Dosen
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciPenduga Data Hilang Pada Rancangan Bujur Sangkar Latin Dasar
Kumpulan Makalah Seminar Semiraa 013 Fakulas MIPA Universias Lampung Penduga Daa Pada Rancangan Bujur Sangkar Lain Dasar Idhia Sriliana Jurusan Maemaika FMIPA UNIB E-mail: aha_muflih@yahoo.co.id Absrak.
Lebih terperinciBAB 2 LANDASAN TEORI. Metode Peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
20 BAB 2 LADASA TEORI 2.1. Pengerian Peramalan Meode Peramalan merupakan bagian dari ilmu Saisika. Salah sau meode peramalan adalah dere waku. Meode ini disebu sebagai meode peramalan dere waku karena
Lebih terperinciPemodelan Produksi Minyak dan Gas Bumi pada Platform MK di PT X Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network
D-378 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) 2337-3520 (23-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi pada Plaform MK di PT X Menggunakan Meode ARIMA, Neural Nework, dan Hibrida ARIMA-Neural
Lebih terperinciUntuk pondasi tiang tipe floating, kekuatan ujung tiang diabaikan. Pp = kekuatan ujung tiang yang bekerja secara bersamaan dengan P
BAB 3 LANDASAN TEORI 3.1 Mekanisme Pondasi Tiang Konvensional Pondasi tiang merpakan strktr yang berfngsi ntk mentransfer beban di atas permkaan tanah ke lapisan bawah di dalam massa tanah. Bentk transfer
Lebih terperinciPENERAPAN MULTI DIRECTION GRADIENT VECTOR FLOW (MDGVF) UNTUK SEGMENTASI CORTICAL BONE PADA CITRA MEDIS DENTAL PANORAMIC RADIOGRAPHS
Seminar Nasional Pascasarjana IX ITS Srabaa Ass 009 ISBN No. 978-979-96565-5- PENERAPAN MULTI DIRECTION GRADIENT ECTOR FLOW MDGF UNTUK SEGMENTASI CORTICAL BONE PADA CITRA MEDIS DENTAL PANORAMIC RADIOGRAPHS
Lebih terperinciAplikasi Metode Seismik 4D untuk Memantau Injeksi Air pada Lapangan Minyak Erfolg
Aplikasi Meode Seismik 4D unuk Memanau Injeksi Air pada Lapangan Minyak Erfolg Prillia Aufa Adriani, Gusriyansyah Mishar, Supriyano Absrak Lapangan minyak Erfolg elah dieksploiasi sejak ahun 1990 dan sekarang
Lebih terperinciPENGUJIAN HIPOTESIS. pernyataan atau dugaan mengenai satu atau lebih populasi.
PENGUJIAN HIPOTESIS 1. PENDAHULUAN Hipoesis Saisik : pernyaaan aau dugaan mengenai sau aau lebih populasi. Pengujian hipoesis berhubungan dengan penerimaan aau penolakan suau hipoesis. Kebenaran (benar
Lebih terperinciPENELUSURAN LINTASAN DENGAN JARINGAN SARAF TIRUAN
Bab 4 PENELUSURAN LINTASAN DENGAN JARINGAN SARAF TIRUAN Tgas mendasar dari robot berjalan ialah dapat bergerak secara akrat pada sat lintasan (trajectory) yang diberikan Ata dengan kata lain galat antara
Lebih terperinciPemodelan Volatilitas Saham Menggunakan Jaringan Syaraf Tiruan dan Algoritma Genetika
Pemodelan Volailias Saham Menggunakan Jaringan Syaraf Tiruan dan Algorima Geneika Hasbi Yasin 1 1 Jurusan Saisika Undip, hasbiyasin@undip.ac.id Absrak. Flukuasi yang besar dan idak pasi dalam peramalan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciEKONOMETRIKA PERSAMAAN SIMULTAN
EKONOMETRIKA PERSAMAAN SIMULTAN OLEH KELOMPOK 5 DEKI D. TAPATAB JUMASNI K. TANEO MERSY C. PELT DELFIANA N. ERO GERARDUS V. META ARMY A. MBATU SILVESTER LANGKAMANG FAKULTAS PERTANIAN UNIVERSITAS NUSA CENDANA
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi
Lebih terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih terperinciAPLIKASI METODE JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI DATA INDEKS HARGA SAHAM GABUNGAN DI INDONESIA
APLIKASI METODE JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI DATA INDEKS HARGA SAHAM GABUNGAN DI INDONESIA 1 Arani Indraseianigsih, 2 Ika Damayani 1,2 Program Sudi Saisika, Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciADOPSI REGRESI BEDA UNTUK MENGATASI BIAS VARIABEL TEROMISI DALAM REGRESI DERET WAKTU: MODEL KEHILANGAN AIR DISTRIBUSI DI PDAM SUKABUMI
ADOPSI REGRESI BEDA UNTUK MENGATASI BIAS VARIABEL TEROMISI DALAM REGRESI DERET WAKTU: MODEL KEHILANGAN AIR DISTRIBUSI DI PDAM SUKABUMI Yusep Suparman Universias Padjadjaran yusep.suparman@unpad.ac.id ABSTRAK.
Lebih terperinciPENGARUH STRATEGI PEMBELAJARAN GENIUS LEARNING TERHADAP HASIL BELAJAR FISIKA SISWA
ISSN 5-73X PENGARUH STRATEGI PEMBELAJARAN GENIUS LEARNING TERHADAP HASIL BELAJAR ISIKA SISWA Henok Siagian dan Iran Susano Jurusan isika, MIPA Universias Negeri Medan Jl. Willem Iskandar, Psr V -Medan
Lebih terperinciDAFTAR PUSTAKA. 1. Burger, H.R.,. Exploration Geophysics of the Shallow Subsurface. New
DAFTAR PUSTAKA 1. Brger H.R.. Eploraion Geophsics of he Shallo Sbsrface. Ne Jerse : Prenice Hall Inc199.. Boas M.L. Mahemaical Mehods in The Phsical Sciences Wile 1983. 3. Fergson R.J. and Margrae G.F.
Lebih terperinciPERSAMAAN GERAK VEKTOR SATUAN. / i / = / j / = / k / = 1
PERSAMAAN GERAK Posisi iik maeri dapa dinyaakan dengan sebuah VEKTOR, baik pada suau bidang daar maupun dalam bidang ruang. Vekor yang dipergunakan unuk menenukan posisi disebu VEKTOR POSISI yang diulis
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah persediaan merupakan masalah yang sanga pening dalam perusahaan. Persediaan mempunyai pengaruh besar erhadap kegiaan produksi. Masalah persediaan dapa diaasi
Lebih terperinciBAB III PEMODELAN ALIRAN FLUIDA STREAMLINES DI BAWAH PERMUKAAN BUMI
BAB III PEMODELAN ALIRAN FLUIDA STREAMLINES DI BAWAH PERMUKAAN BUMI 3. Model Maemais Aliran Flida Model maemais aliran flida di baah ermkaan bmi dienarhi oleh ersamaan aliran flida ideal (ersamaan bernolli),
Lebih terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY DAN DIMAS HARI SANOSO Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH
BAB 3 METODOLOGI PEMECAHAN MASALAH 3.1 Tahapan Pemecahan Masalah Tahapan pemecahan masalah berfungsi unuk memudahkan dalam mencari jawaban dalam proses peneliian yang dilakukan agar sesuai dengan arah
Lebih terperinci1.4 Persamaan Schrodinger Bergantung Waktu
.4 Persamaan Schrodinger Berganung Waku Mekanika klasik aau mekanika Newon sanga sukses dalam mendeskripsi gerak makroskopis, eapi gagal dalam mendeskripsi gerak mikroskopis. Gerak mikroskopis membuuhkan
Lebih terperinci3. Kinematika satu dimensi. x 2. x 1. t 1 t 2. Gambar 3.1 : Kurva posisi terhadap waktu
daisipayung.com 3. Kinemaika sau dimensi Gerak benda sepanjang garis lurus disebu gerak sau dimensi. Kinemaika sau dimensi memiliki asumsi benda dipandang sebagai parikel aau benda iik arinya benuk dan
Lebih terperinciFaradina GERAK LURUS BERATURAN
GERAK LURUS BERATURAN Dalam kehidupan sehari-hari, sering kia jumpai perisiwa yang berkaian dengan gerak lurus berauran, misalnya orang yang berjalan kaki dengan langkah yang relaif konsan, mobil yang
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini adalah penelitian Quasi Eksperimental Design dengan
BAB III METODOLOGI PENELITIAN A. Jenis dan Desain Peneliian Peneliian ini adalah peneliian Quasi Eksperimenal Design dengan kelas eksperimen dan kelas conrol dengan desain Prees -Poses Conrol Group Design
Lebih terperinciBAB 2 TINJAUAN TEORITIS. dari bahasa Yunani yang berarti Demos adalah rakyat atau penduduk,dan Grafein
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian Demografi Keadaan penduduk sanga era kaiannya dengan demografi. Kaa demografi berasal dari bahasa Yunani yang berari Demos adalah rakya aau penduduk,dan Grafein adalah
Lebih terperinciKLASIFIKASI DOKUMEN TUGAS AKHIR MENGGUNAKAN ALGORITMA K-MEANS. Wulan Fatin Nasyuha¹, Husaini 2 dan Mursyidah 3 ABSTRAK
KLASIFIKASI DOKUMEN TUGAS AKHIR MENGGUNAKAN ALGORITMA K-MEANS Wulan Fain Nasyuha¹, Husaini 2 dan Mursyidah 3 1,2,3 Teknologi Informasi dan Kompuer, Polieknik Negeri Lhokseumawe, Jalan banda Aceh-Medan
Lebih terperinciKINEMATIKA GERAK LURUS
Kinemaika Gerak Lurus 45 B A B B A B 3 KINEMATIKA GERAK LURUS Sumber : penerbi cv adi perkasa Maeri fisika sanga kenal sekali dengan gerak benda. Pada pokok bahasan enang gerak dapa imbul dua peranyaan
Lebih terperinciBAB 2 LANDASAN TEORI
8 BAB LANDASAN TEORI. Pasar.. Pengertian Pasar Pasar adalah sebah tempat mm yang melayani transaksi jal - beli. Di dalam Peratran Daerah Khss Ibkota Jakarta Nomor 6 Tahn 99 tentang pengrsan pasar di Daerah
Lebih terperinciSekilas Pandang. Modul 1 PENDAHULUAN
Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,
Lebih terperinciB a b 1 I s y a r a t
TKE 305 ISYARAT DAN SISTEM B a b I s y a r a Indah Susilawai, S.T., M.Eng. Program Sudi Teknik Elekro Fakulas Teknik dan Ilmu Kompuer Universias Mercu Buana Yogyakara 009 BAB I I S Y A R A T Tujuan Insruksional.
Lebih terperinciJurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jember ABSTRAK
PERBANDINGAN METODE DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN TES (TRIPLE EXPONENTIAL SMOOTHING) PADA PERAMALAN PENJUALAN ROKOK (STUDI KASUS TOKO UTAMA LUMAJANG) 1 Fajar Riska Perdana (1110651142) 2 Daryano,
Lebih terperinci(T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF
Seminar Nasional Saisika 12 November 2011 Vol 2, November 2011 (T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF Gumgum Darmawan, Sri Mulyani S Saf Pengajar Jurusan Saisika FMIPA UNPAD
Lebih terperinciBAB 1 PENDAHULUAN. tahun 1990-an, jumlah produksi pangan terutama beras, cenderung mengalami
11 BAB 1 PENDAHULUAN 1.1. Laar Belakang Keahanan pangan (food securiy) di negara kia ampaknya cukup rapuh. Sejak awal ahun 1990-an, jumlah produksi pangan eruama beras, cenderung mengalami penurunan sehingga
Lebih terperinciPREDIKSI CURAH HUJAN KOTA SEMARANG DENGAN FEEDFORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA QUASI NEWTON BFGS DAN LEVENBERG-MARQUARDT
Jurnal PRESIPIASI Volume 3 No Sepember 007 PREDIKSI CURAH HUJAN KOA SEMARANG DENGAN FEEDFORWARD NEURAL NEWORK MENGGUNAKAN ALGORIMA QUASI NEWON BFGS DAN LEVENBERG-MARQUARD Budi Warsio 1), Sri Sumiyai )
Lebih terperinciPEMBUATAN KARBON AKTIF DARI KULI UBI KAYU (Mannihot esculenta)
PEMBUATAN KARBON AKTIF DARI KULI UBI KAYU (Manniho esclena) Tri Krnia Dewi, Arif Nrrahan, Edwin Perana Jrsan Teknik Kiia Faklas Teknik Universias Sriwijaya Absrac Soe research proved ha acivaed carbon
Lebih terperinciBAB X GERAK LURUS. Gerak dan Gaya. Buku Pelajaran IPA SMP Kelas VII 131
BAB X GERAK LURUS. Apa perbedaan anara jarak dan perpindahan? 2. Apa perbedaan anara laju dan kecepaan? 3. Apa yang dimaksud dengan percepaan? 4. Apa perbedaan anara gerak lurus berauran dan gerak lurus
Lebih terperinciPERTEMUAN 2 KINEMATIKA SATU DIMENSI
PERTEMUAN KINEMATIKA SATU DIMENSI RABU 30 SEPTEMBER 05 OLEH: FERDINAND FASSA PERTANYAAN Pernahkah Anda meliha aau mengamai pesawa erbang yang mendara di landasannya? Berapakah jarak empuh hingga pesawa
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.. Hasil Peneliian 4... Daa Hasil Peneliian Dari hasil peneliian diperoleh daa kemampuan dribble. hasilnya sebagai mana pada abel I (dilampirkan) 4... Deskripsi
Lebih terperinciEFEKTIVITAS MODEL PEMBELAJARAN BERBASIS MASALAH TERHADAP KEMAMPUAN PEMECAHAN MASALAH MATEMATIKA SISWA KELAS VIII SMP N 3 SEWON. Oleh: Nurul Hidayati
EFEKTIVITAS MODEL PEMBELAJARAN BERBASIS MASALAH TERHADAP KEMAMPUAN PEMECAHAN MASALAH MATEMATIKA SISWA KELAS VIII SMP N 3 SEWON Oleh: Nurul Hidayai Mahasiswa S1 Pendidikan Maemaika, Fakulas Keguruan dan
Lebih terperinciBAB 1 PENDAHULUAN. Dalam pelaksanaan pembangunan saat ini, ilmu statistik memegang peranan penting
BAB 1 PENDAHULUAN 1.1. Laar Belakang Dalam pelaksanaan pembangunan saa ini, ilmu saisik memegang peranan pening baik iu di dalam pekerjaan maupun pada kehidupan sehari-hari. Ilmu saisik sekarang elah melaju
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA.1 Small Area Estimation Small Area Estimation (SAE) adalah sat teknik statistika ntk mendga parameter-parameter sb poplasi yang kran sampelnya kecil. Sedangkan, area kecil didefinisikan
Lebih terperinciBEBERAPA SIFAT JARAK ROTASI PADA POHON BINER TERURUT DAN TERORIENTASI
JRISE, Vol.1, No.1, Febrari 2014, pp. 28~40 ISSN: 2355-3677 BEBERAPA SIFA JARAK ROASI PADA POHON BINER ERURU DAN ERORIENASI Oleh: Hasniati SMIK KHARISMA Makassar hasniati@kharisma.ac.id Abstrak Andaikan
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinciSolusi Sistem Persamaan Linear Fuzzy
Jrnal Matematika Vol. 16, No. 2, November 2017 ISSN: 1412-5056 / 2598-8980 http://ejornal.nisba.ac.id Diterima: 14/08/2017 Disetji: 20/10/2017 Pblikasi Online: 28/11/2017 Solsi Sistem Persamaan Linear
Lebih terperinciPREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED
PREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED Wahyuda 1, Budi Sanosa 2, Nani Kurniai 3 1 Teknik Indusri Universias Mulawarman-Samarinda
Lebih terperinciBAB II PERTIDAKSAMAAN CHERNOFF
BAB II PERTIDAKSAMAAN CHERNOFF.1 Pendahuluan Di lapangan, yang menjadi perhaian umumnya adalah besar peluang dari peubah acak pada beberapa nilai aau suau selang, misalkan P(a
Lebih terperinciMODUL PERTEMUAN KE 3. MATA KULIAH : FISIKA TERAPAN (2 sks)
Polieknik Negeri Banjarmasin 4 MODUL PERTEMUAN KE 3 MATA KULIAH : ( sks) MATERI KULIAH: Jarak, Kecepaan dan Percepaan; Gerak Lurus Berauran, Percepaan; Gerak Lurus Berauran, Gerak Lurus Berubah Berauran
Lebih terperinciPERAMALAN TIME SERIES NONLINEAR MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK - SELF ORGANIZING MAP (RBFN-SOM)
PERAMALAN TIME SERIES NONLINEAR MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK - SELF ORGANIZING MAP (RBFN-SOM) oleh SURYANTO WIBOWO M0107059 SKRIPSI diulis dan diajukan unuk memenuhi sebagai persyaraan memperoleh
Lebih terperinciMETODE PENELITIAN. Penelitian dilakukan pada bulan Februari-April 2015, bertempat di
III. METODE PENELITIAN 3.1 Waku dan Tempa Peneliian Peneliian dilakukan pada bulan Februari-April 2015, berempa di Laboraorium Perikanan Program Sudi Budidaya Perairan Fakulas Peranian Universias Lampung.
Lebih terperinciPENGARUH PENGEMBANGAN KARYAWAN TERHADAP MOTIVASI DAN PRESTASI KERJA KARYAWAN (Studi pada karyawan tetap PT PG Tulangan Sidoarjo)
PENGARUH PENGEMBANGAN KARYAWAN TERHADAP MOTIVASI DAN PRESTASI KERJA KARYAWAN (Sudi pada karyawan eap PT PG Tulangan Sidoarjo) Niken Dwi Okavia Heru Susilo Moehammad Soe`oed Hakam Fakulas Ilmu Adminisrasi
Lebih terperinciKOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES. Abstrak
KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES Universias Muhammadiyah Purwokero malim.muhammad@gmail.com Absrak Pada persamaan regresi linier sederhana dimana variabel dependen dan variabel independen
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi dan Waku Peneliian Peneliian ini dilaksanakan pada kasus pengolahan ikan asap IACHI Peikan Cia Halus (PCH) yang erleak di Desa Raga Jaya Kecamaan Ciayam, Kabupaen Bogor,
Lebih terperinciPENGGUNAAN KONSEP FUNGSI CONVEX UNTUK MENENTUKAN SENSITIVITAS HARGA OBLIGASI
PENGGUNAAN ONSEP FUNGSI CONVEX UNU MENENUAN SENSIIVIAS HARGA OBLIGASI 1 Zelmi Widyanuara, 2 Ei urniai, Dra., M.Si., 3 Icih Sukarsih, S.Si., M.Si. Maemaika, Universias Islam Bandung, Jl. amansari No.1 Bandung
Lebih terperinciPenerapan Masalah Transportasi
KA4 RESEARCH OPERATIONAL Penerapan Masalah Transportasi DISUSUN OLEH : HERAWATI 008959 JAKA HUSEN 08055 HAPPY GEMELI QUANUARI 00890 INDRA MOCHAMMAD YUSUF 0800 BAB I PENDAHULUAN.. Pengertian Riset Operasi
Lebih terperinciIII KERANGKA PEMIKIRAN
III KERANGKA PEMIKIRAN 3.1 Teori Risiko Produksi Dalam eori risiko produksi erlebih dahulu dijelaskan mengenai dasar eori produksi. Menuru Lipsey e al. (1995) produksi adalah suau kegiaan yang mengubah
Lebih terperinci(Indeks Rata-rata Harga Relatif, Variasi Indeks Harga, Angka Indeks Berantai, Pergeseran waktu dan Pendeflasian) Rabu, 31 Desember 2014
ANGKA NDEKS (ndeks Raa-raa Harga Relaif, Variasi ndeks Harga, Angka ndeks Beranai, Pergeseran waku dan Pendeflasian) Rabu, 31 Desember 2014 NDEKS RATA-RATA HARGA RELATF Rumus, 1 P 100% n P,0 = indeks raa-raa
Lebih terperinci