STRATEGI PEMILIHAN KALIMAT PADA PERINGKASAN MULTI DOKUMEN
|
|
- Widyawati Kurniawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 STRATEGI PEMILIHAN KALIMAT PADA PERINGKASAN MULTI DOKUMEN Satro Verdanto, Agus Zanal Arfn, dan Dana Purtasar Jurusan Teknk Informatka, Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember (ITS) ABSTRAK Rngkasan berta dartkan sebaga teks yang dhaslkan dar satu atau lebh kalmat yang menyampakan nformas pentng dar berta. Salah satu fase pentng dalam perngkasan adalah pembobotan kalmat (sentence scorng). Dmana pada perngkasan berta, metode pembobotannya sebagan besar menggunakan ftur dar berta sendr. Berdasarkan hasl dar peneltan [3] baha untuk pembobotan kalmat pada dokumen yang memlk karakter teks pendek dan terstruktur sepert berta maka teknk pembobotan kalmat terbak adalah dengan menggunakan kombnas dar keempat ftur yatu ord frequency, TF-IDF, poss kalmat, dan kemrpan kalmat terhadap judul (Resemblance to the ttle ). Pada peneltan n kombnas keempat ftur tersebut dbandngkan dengan kombnas tga ftur dan dua ftur dan devaluas menggunakan nla ROUGE-N dan devaluas berdasarkan lama aktu eksekus. Berdasarkan hasl uj coba ddapatkan hasl baha yang palng optmal dantara keempat kombnas ftur tersebut adalah kombnas antara dua buah ftur yakn ftur poss kalmat dan ord frequency dengan nla ROUGE-N sebesar dan lama aktu eksekus detk. Kata Kunc : kemrpan kalmat terhadap judul, pembobotan kalmat, poss kalmat, ROUGE-N, TF-IDF, ord frequency ABSTRACT Nes Brefs nterpreted as a text resultng from one or more sentences that convey mportant nformaton from nes. One mportant phase n perngkasan s eghtng sentence (sentence scorng). Where n perngkasan nes, the eghtng method mostly usng the features of the nes tself. Based on the results of the study [3] that for eghtng sentences n documents that have character short text and structured as nes, the technque of eghtng sentence s best to use a combnaton of all four features that ord frequency, TF-IDF, the poston of the sentence, and the smlarty of the sentence aganst ttle (Resemblance to the ttle). In ths study, the combnaton of all four of these features compared to the combnaton of three features and to features and evaluated usng a value ROUGE-N and evaluated based on the length of tme of executon. Based on tral results shoed that among the four most optmal combnaton of these features s the combnaton of to features of the feature poston of the sentence and ord frequency values ROUGE-N of 0679 and seconds long executon tme. Keyords: smlarty sentence aganst ttle, the eghtng sentence, sentence poston, ROUGE-N, TF-IDF, ord frequency K I. PENDAHULUAN EBUTUHAN untuk mengakses nformas khususnya berta secara prakts menjad masalah yang harus dselesakan serng berkembang-pesatnya berta yang dapat dakses secara onlne. Perngkasan berta secara otomats adalah salah satu solus untuk menjaab permasalahan datas. Rngkasan berta dapat dartkan sebaga sebuah teks yang dhaslkan dar satu atau lebh kalmat yang mampu menyampakan nformas pentng dar sebuah berta. Dmana panjang dar sebuah rngkasan tdak lebh dar setengah panjang dokumen asl, dan basanya lebh pendek [7]. Perngkasan mult dokumen berta merupakan sstem perngkasan yang melbatkan lebh dar satu berta sebaga nput. Selan tu, dbutuhkan teknk pembobotan kalmat yang handal untuk dapat menghaslkan rngkasan berta yang bak. Berdasarkan hasl dar peneltan [3] baha untuk pembobotan kalmat pada dokumen yang memlk karakter teks pendek dan terstruktur sepert berta maka teknk pembobotan kalmat terbak adalah dengan menggunakan kombnas dar keempat ftur yatu ord frequency, TF-IDF, poss, dan Resemblance to the ttle. 1
2 B. TF-IDF Term Frequency Inverse Document Frequency (TF-IDF) adalah konsep pembobotan term pada sebuah dokumen. Ketka TF-IDF dterapkan pada lngkup kalmat, maka sebuah kalmat akan dberlakukan sebaga dokumen. Konsep dar TF-IDF adalah jka ada kata-kata yang spesfk muncul pada kalmat tertentu maka kalmat tersebut relatf danggap sebaga kalmat pentng [2]. Metode n melakukan perbandngan antara frekuens kemunculan term j pada kalmat ( dengan frekuens kalmat yang mengandung term j (. Bobot TF- Gambar 1. Dagram alr proses sstem secara umum Sebelum memasuk proses pembobotan, koleks dokumen berta melalu fase praproses data. Fase praproses data melput proses xml parsng, tokenzng, stopord removal, dan stemmng. XML parsng adalah proses pengubahan data.xml ke bentuk strng atau teks. Tokenzng adalah proses pemenggalan kata-kata sehngga setap kata dapat berdr sendr. Stopord removal adalah proses menghapus kata kunc yang tdak layak untuk dgunakan, sepert kata sambung, kata depan, kata gant dls. Sedangkan stemmng adalah proses untuk memperoleh kata dasar dar setap kata. Dalam tugas akhr n stemmng dlakukan dengan memanfaatkan kateglodb. Proses stemmng dlakukan dengan mengubah setap kata ke bentuk dasarnya dengan merujuk ke kateglodb. Data hasl praproses dsmpan ke dalam database. A. Word Frequency II. TINJAUAN PUSTAKA Konsep dar Word Frequency (WF) adalah semakn serng suatu kata muncul dalam sebuah teks maka kata tersebut danggap sebaga kata pentng [3]. Sehngga untuk mendapatkan kata-kata pentng dar sebuah dokumen dlakukan pembobotan kata dengan menghtung frekuens kemunculan kata tersebut pada dokumen. Semakn besar frekuens kemunculan sebuah kata maka skornya akan semakn tngg. Langkah aal yang dlakukan adalah ekstraks term dar dokumen kemudan memberkan bobot pada tap term tersebut berdasarkan jumlah kemunculan term pada dokumen. Kemudan merankng term berdasarkan bobot dan menyeleks term yang memlk bobot datas nla ambang (threshold). Term yang terseleks akan menjad Word Frequency Lst (WFLst). WFLst nlah yang nantnya dgunakan sebaga ftur pada pembobotan kalmat dengan cara mengukur kemrpan antara kalmat terhadap WFLst. Metode untuk mengukur kemrpan dapat menggunakan cosne smlarty atau metode pengukur kemrpan yang lan. IDF dar term j dapat dhtung dengan menggunakan persamaan 1, dmana tf doc j adalah frekuens kata ke- pada dokumen ke-j. Konsep tersebut memberkan pengukuran terhadap pentngnya kata ke- pada dokumen tersebut. Sedangkan df dtentukan melalu Persamaan 2, dmana N adalah jumlah dokumen, df adalah jumlah dar dokumen yang mengandung kata ke-. tf_ df tf df (1) doc j doc j N df log( ) (2) df C. Poss Kalmat Poss kalmat merupakan salah satu ftur yang dapat dgunakan untuk pembobotan kalmat. Dmana penlaannya berdasarkan pada letak kalmat dalam sebuah dokumen. Sama sepert peneltan [10] yang menggunakan poss sebaga salah ftur pembobotan kalmat. Dengan menggunakan aturan, kalmat yang possnya berada daal dokumen memlk skor lebh besar dbandng kalmat yang possnya dakhr. Peneltan tersebut mampu memberkan penjelasan lmah tentang alasan penggunaan aturan tersebut untuk pembobotan kalmat dengan mengutp pernyataan dar Baxendale baha kebanyakan kalmat yang muncul daal paragraf merupakan topc sentence. Hal nlah yang menjad dasar Jang-png (2012) untuk memberkan skor lebh besar pada kalmat yang muncul d aal dokumen. Namun sebenarnya, topc sentence kurang tepat dgunakan sebaga alasan dkarenakan topc sentence berlaku untuk semua jens tulsan termasuk berta onlne. Dan topc sentence bsa saja muncul dsemua poss dokumen, bak d aal, tengah, maupun akhr. Dalam lmu jurnalstk, ada beberapa teknk penulsan berta. Teknk yang palng banyak dgunakan untuk berta onlne adalah pramda terbalk. Pola pramda terbalk merupakan teknk penulsan berta yang dmula atau daal dar kalmat yang danggap palng pentng, setelah tu dkut hal-hal yang kurang pentng. Peneltan n meyakn baha alasan n merupakan alasan yang tepat untuk memberkan skor lebh besar pada kalmat yang ada d poss aal dbandng dengan penggunaan alasan topc sentence. 2
3 D. Kemrpan Kalmat dengan Judul Berta Judul berta merupakan satu komponen pentng dalam penulsan berta. Dalam berta onlne, judul dtuls secara rngkas dan jelas. Sebuah judul mnmal mengandung unsur S- P-O-K (Subyek Predkat Obyek Keterangan) dan dapat dambl dar beberapa kata atau kutpan yang ada dalam s berta. Hal nlah yang menjad dasar penggunaan judul sebaga nformas untuk mengetahu kalmat pentng dalam sebuah berta. Konsep dar teknk pembobotan kalmat berdasarkan kemrpan kalmat terhadap judul adalah baha bobot sebuah kalmat besar ketka nla kemrpan antara judul dengan kalmat tngg. Semakn besar bobot kalmat maka kalmat tersebut akan danggap semakn pentng. Hal n sama sepert yang ada pada peneltan [2] baha kalmat yang mrp dengan judul dan kalmat yang mencakup kata-kata dalam judul yang akan danggap sebaga kalmat pentng. III. PEMBOBOTAN KALIMAT DAN PEMILIHAN KALIMAT SEBAGAI RINGKASAN A. Pembobotan Kalmat Fase pembobotan kalmat merupakan proses perhtungan empat buah ftur untuk tap kalmat. Keempat buah ftur tersebut alah ftur poss kalmat, ftur ord frequency, ftur TF-IDF, dan ftur kemrpan kalmat dengan judul. Konsep dar pembobotan kalmat yang pertama adalah dengan menggunakan WF. Dalam hal n WFLst ddapatkan dar sejumlah term dengan nla WF memenuh nla ambang (threshold), WFLst = {. Pembobotan kalmat dhtung berdasarkan nla kemrpan antara kalmat terhadap WFLst, persamaan 3. Dalam peneltan n dgunakan cosne smlarty untuk mengukur kemrpan antara kalmat dengan WFLst, Bobot kalmat berdasarkan WF untuk selanjutnya dsebut dengan, dengan S adalah kalmat. Sehngga adalah nla kemrpan kalmat terhadap WFLst, dmana S={. Pembobotan kalmat kedua ( ) pada peneltan n menggunakan pendekatan TF-IDF. Setelah ddapatkan bobot tap term dengan menggunakan persamaan 1, langkah selanjutnya adalah menghtung bobot kalmat berdasarkan bobot TF-IDF yang selanjutnya dsebut dengan menggunakan persamaan 4. merupakan hasl penjumlahan dar seluruh bobot term j yang muncul pada kalmat ( Pembobotan kalmat ketga ( ) menggunakan ftur poss. dhtung dengan menggunakan persamaan 5 yang mengadops dar peneltan (Me & Chen, 2012). Dengan aturan, kalmat yang possnya berada daal dokumen memlk skor lebh besar dbandng kalmat yang possnya dakhr. Pembobotan kalmat keempat ( ) melbatkan judul berta (Ttle). Penghtungan menggunakan persamaan 6 yang mengadops dar [2] yatu dengan cara membag antara jumlah term judul yang muncul pada kalmat (Nt) dengan jumlah seluruh term yang ada pada judul (T). (3) (4) Setelah ddapatkan bobot sampa langkah berkutnya adalah menghtung total bobot kalmat dengan menggunakan persamaan 7. Bobot kalmat yang ddapat berdasarkan sampa seluruhnya djumlahkan. Seluruh kalmat akan dhtung bobotnya, hasl dar persamaan 7 nlah yang akan menjad total bobot kalmat. (5) (6) score( ) = + ( ) + ( ) + ( ) (7) B. Pemlhan Kalmat sebaga Rngkasan Fase pemlhan kalmat dan penyusunan rngkasan dlakukan dengan melakukan pengurutan bobot kalmat secara descendng (terbesar ke terkecl). Kemudan beberapa kalmat dengan bobot terbesar dambl sebaga rngkasan. IV. UJI COBA DAN EVALUASI Uj coba dlakukan dengan mengukur performa hasl rngkasan dengan menggunakan kombnas empat ftur berta yatu poss kalmat (p), ord frequency (), TF-IDF (t), dan judul berta (j). Nantnya kombnas 4 ftur akan dbandngkan dengan kombnas 3 ftur dan kombnas 2 ftur. Untuk mengukur performans hasl rngkasan dgunakan metode evaluas ROUGE-N yatu ROUGE-1 dan evaluas berdasarkan aktu eksekus. A. Dataset Pengujan pada sstem perngkasan dalam peneltan n dlakukan dengan membandngkan hasl rngkasan sstem dengan hasl rngkasan manusa dengan menggunakan ROUGE-N. Pengujan dlakukan terhadap 15 kelompok dokumen berta berformat.xml yang dkelompokkan berdasarkan topk dmana masng-masng kelompok memlk jumlah dokumen berta yang djelaskan pada Tabel 1. Rngkasan yang dhaslkan terdr dar 10 buah kalmat untuk masng-masng topk. Tabel 1. Dataset berta NO TOPIK BERITA JUMLAH BERITA 1 BLBI 4 2 LG G4 3 3 Kunjungan Mark Zuckerberg 4 4 Internet Indonesa lambat 2 5 Intel 3 6 Prosesor baru Intel 3 7 Smartphone 4G Intel 3 8 Kunjungan Joko 2 9 Pdato Presden dan pemberan 3 penghargaan 10 Saran SBY 3 11 Proyek LRT 3 3
4 12 Joko ke Arab Saud 2 13 Joko ancam copot menter 2 14 Iklan Joko 5 15 Unkom dan UPI d LIMA 3 TOT AL Badmnton 45 B. Evaluas berdasarkan Nla ROUGE-1 Dar Tabel 2 dapat dlhat baha kombnas empat ftur yakn poss kalmat (p), ord frequency (), TF-IDF (t), dan judul berta (j) memlk total nla ROUGE-1 terbesar kedua setelah kombnas tga ftur yakn poss kalmat, ord frequency, dan TF-IDF. Perbedaan dtunjukkan pada dataset rngkasan ke-4 yang dsebabkan oleh struktur xml yang kurang tepat sehngga mengakbatkan sstem dengan kombnas ptj mengambl kalmat yang bukan bagan dar berta, yakn kalmat Baca juga:. Tabel 2. Nla ROUGE-1 antara rngkasan sstem (kombnas 2, 3, dan 4 ftur) dengan rngkasan groundtruth Dar Tabel 3 dapat dlhat baha urutan rata-rata aktu eksekus seluruh kombnas terhadap 15 topk berta dar yang tercepat hngga yang terlambat alah sebaga berkut. 1. pj 2. j 3. p 4. pj 5. pt 6. tj 7. t 8. tj 9. pt 10. ptj 11. ptj Pengukuran berdasarkan aktu eksekus saja tentunya tdak dapat djadkan landasan mutlak untuk mengukur performa suatu metode. Maka dar tu, untuk mengetahu kombnas yang palng optmal untuk dgunakan dalam proses pemlhan kalmat, analss berdasarkan aktu eksekus akan dpadukan dengan analss berdasarkan nla ROUGE-1. Selanjutnya poss ketga adalah kombnas dua ftur yakn poss kalmat dan ord frequency. Perbedaan nla ROUGE-1 dantara ketganya pun dapat dkatakan sangat kecl yakn sektar Hal n menunjukkan baha kombnas empat ftur bukanlah yang terbak dalam menghaslkan rngkasan yang bak. Selan tu, hasl n juga menunjukkan baha ftur poss kalmat dan ord frequency mengambl peranan pentng dalam menghaslkan rngkasan yang bak. Sebalknya ftur kemrpan dengan judul berta tdak peranan pentng karena dengan atau tanpa ftur tersebut nla ROUGE-1 tdak menunjukkan perbedaan yakn antara ptj dan pt. Bahkan pada kombnas tga ftur dan dua ftur dapat dlhat baha penggunaan ftur tersebut menghaslkan nla ROUGE-1 yang lebh kecl dbandngkan menggunakan ftur lan. C. Evaluas berdasarkan Waktu Eksekus Selan tu, uj coba juga dlakukan dengan mengukur aktu eksekus masng-masng kombnas untuk seluruh berta. D. Analss Tabel 4 menunjukkan urutan kombnas berdasarkan nla ROUGE-1 dan aktu eksekus. Nla ROUGE-1 durutkan secara descendng (terbesar - terkecl) sedangkan aktu eksekus durutkan secara ascendng (tercepat terlambat). Tabel 4. Urutan kombnas berdasarkan ROUGE-1 dan aktu eksekus Tabel 3. Lama aktu eksekus program (dalam satuan detk) tap kombnas ftur untuk tap topk berta 4
5 adalah kombnas ftur poss kalmat dan ord frequency dengan nla ROUGE-1 sebesar dan lama aktu eksekus detk. B. Saran Adapun saran untuk pengembangan lebh lanjut dar proses perngkasan mult-dokumen dalam Tugas Akhr n alah dlakukan pengembangan lebh lanjut agar tngkat akuras yang dhaslkan bsa lebh bak yatu dengan cara mencar tahu nla parameter-parameter yang optmal contohnya parameter threshold jumlah kata yang dmasukkan ke dalam WFLst. Dar tabel tersebut dapat dambl dsmpulkan baha kombnas dua ftur yakn poss kalmat dan ord frequency merupakan kombnas yang optmal untuk mendapatkan rngkasan yang bak dengan aktu yang cukup cepat. Kombnas dua ftur yakn poss kalmat dan ord frequency merupakan kombnas yang optmal dsebabkan oleh hal-hal berkut. 1. Sebagan besar berta cenderung menyampakan de pokoknya pada aal-aal kalmat sedangkan kalmatkalmat selanjutnya merupakan penjelas atau bahkan nformas-nformas lan d luar pokok bahasan. Sehngga dengan menggunakan ftur poss kalmat, kta dapat mengambl ntsar dar berta tersebut. Selan tu, perhtungan skor poss kalmat juga sangat sederhana (persamaan 5 ) sehngga tdak memakan aktu eksekus program. 2. Kalmat-kalmat berta yang dapat djadkan sebaga rngkasan secara umum mengandung kata-kata yang serng muncul pada kumpulan dokumen. 3. Ftur TF-IDF sebenarnya merupakan ftur yang cukup pentng untuk menghaslkan rngkasan yang bak. Hal n dapat dlhat dar nla ROUGE-1 yang tngg ketka menggunakan ftur TF-IDF. Namun, jka dlhat berdasarkan aktu, penggunaan ftur TF-IDF cukup memakan aktu eksekus karena dalam prosesnya ftur n harus menghtung bobot TF-IDF tap kata d tap dokumen. 4. Untuk ftur kemrpan dengan judul berta, berdasarkan hasl uj coba, dapat dsmpulkan baha ftur tersebut tdak terlalu memegang peranan pentng karena dengan atau tanpa ftur tersebut nla ROUGE-1 tdak menunjukkan perbedaan yakn antara kombnas 4 ftur dan kombnas ftur poss kalmat, ord frequency, dan TF-IDF. Bahkan pada kombnas tga ftur dan dua ftur dapat dlhat baha penggunaan ftur tersebut menghaslkan nla ROUGE-1 yang lebh kecl dbandngkan menggunakan ftur lan. DAFTAR PUSTAKA [1] Fachrurroz, M., Yuslan, N., & Yoanta, R. U. (2013). Frequent Term based Text Summarzaton for Bahasa Indonesa. Internatonal Conference on Innovatons n Engneerng and Technology (ICIET'2013). Bangkok (Thaland). [2] Ferrera, R., Cabral, L. d., Lns, R. D., e Slva, G. P., & Fretas, F. (2013). Assessng sentence scorng technques for extractve text summarzaton. Expert Systems th Applcatons, 40, [3] Ferrera, R., Fretas, F., Cabral, L. d., Lns, R. D., Lma, R., Franc a, G.,... Favaro, L. (2014). A Context Based Text Summarzaton System. 11th IAPR Internatonal Workshop on Document Analyss Systems. IEEE. [4] Hol, M. H. (2006). Integratng tf-df Weghtng Wth Fuzzy Ve based Search. Proceedngs of the ECAI Workshop on Text-Based Informaton Retreval (TIR-06). Rva del Garda, Italy. [5] Karel J., J. S. (2008). Automatc Text Summarzaton (The State of The Art 2007 and Ne Challenges). Znalost (hal. 1-12). Ústav nformatky a softvérového nznerstva: FIIT STU Bratslava. [6] Ln, C. Y. (2004). ROUGE: a Package for Automatc Evaluaton of Summares. In Proceedngs of Workshop on Text Summarzaton Brances Out (hal ). Barcelona: Assocaton for Computatonal Lngustcs. [7] Radev, D. R., Hovy, E. H., & McKeon, K. (2002). Introducton to the Specal Issue on Summarzaton. Computatonal Lngustcs, 28(4), [8] Salton, G., & Buckley, C. (1988). TERM-WEIGHTING APPROACHES IN AUTOMATIC TEXT RETRIEVAL. Informaton Processng & Management, 24, [9] Kavta-Ganesan (2016). ROUGE 2.0 Documentaton - Java Package for Evaluaton of Summarzaton Tasks [Onlne].Terseda: [18 Jul 2016] [10] Me, J.-P., & Chen, L. (2012). SumCR: A ne subtopc-based extractve approach for text summarzaton. Knol Inf Syst (2012), 31, A. Kesmpulan V. KESIMPULAN DAN SARAN Berdasarkan uj coba, ddapatkan kesmpulan baha dantara empat kombnas ftur yakn ftur poss kalmat, ord frequency, TF-IDF, dan judul berta, kombnas yang palng optmal berdasarkan nla ROUGE-1 dan aktu eksekus 5
Strategi Pemilihan Kalimat pada Peringkasan Multi Dokumen
JURNAL TEKNIK ITS Vol. 5, No. 2, (2016) ISSN: 2337-3539 (2301-9271 Prnt) A-924 Strateg Pemlhan Kalmat pada Perngkasan Mult Dokumen Satro Verdanto, Agus Zanal Arfn, dan Dana Purwtasar Jurusan Teknk Informatka,
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB 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 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 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih 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 terperinciANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE M. Fachrurroz, M.T. 1, Nov Yuslan, M.T. 2 1,2 Jurusan Teknk Informatka Fakultas Ilmu Komputer, Unverstas Srwjaya 1 obetsobets@gmal.com,
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 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 terperinciPENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN
PENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN Handry Wardoyo 1 Jeanny Pragantha Vny Chrstant M. 3 1 3 Teknk Informatka Unverstas Tarumanagara
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 terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
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 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 terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
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 terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
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 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 terperinciPengembangan Sistem Deteksi Kesesuaian Dokumen Proposal Program Kreativitas Mahasiswa Dengan Metode Extended Weighted Tree Similarity
Pengembangan Sstem Deteks Kesesuaan Dokumen Proposal Program Kreatvtas Mahasswa Dengan Metode Extended Weghted Tree Smlarty Wwk Suharso 1), Qurrota A yun 2), Den Arfanto 3) 1,2,3) Jurusan Teknk Informatka,
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 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 METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Bab n membahas tentang prosedur pengembangan pembelajaran dan mplementas model Problem Based Learnng dalam pembelajaran Konsep Dasar Matematka, Subjek Peneltan, Teknk dan Instrumen
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih 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 terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciBAB III METODE PENELITIAN. Karangkajen, Madrasah Tsanawiyah Mu'allimaat Muhammadiyah Yogyakarta,
BAB III METODE PENELITIAN A. Tempat dan Waktu Peneltan Peneltan n dlakukan pada 6 (enam) MTs d Kota Yogyakarta, yang melput: Madrasah Tsanawyah Neger Yogyakarta II, Madrasah Tsanawyah Muhammadyah Gedongtengen,
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 terperinciSUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD
SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya
Lebih terperinciPENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
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 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 terperinciBab 2 AKAR-AKAR PERSAMAAN
Analsa Numerk Bahan Matrkulas Bab AKAR-AKAR PERSAMAAN Pada kulah n akan dpelajar beberapa metode untuk mencar akar-akar dar suatu persamaan yang kontnu. Untuk persamaan polnomal derajat, persamaannya 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 terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
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. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciBAB 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 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 III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
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 terperinciBAB III METODE PENELITIAN. Jenis penelitian yang akan digunakan dalam penelitian ini adalah
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan yang akan dgunakan dalam peneltan n adalah peneltan pengembangan (Research and Development). Peneltan Research and Development (R&D) n merupakan
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 terperinciVol. 6, No. 2, September 2013 ISSN
Vol. 6, No. 2, September 2013 ISSN 1979-5661 PENDEKATAN POSITIONAL TEXT GRAPH UNTUK PEMILIHAN KALIMAT REPRESENTATIF CLUSTER PADA PERINGKASAN MULTI-DOKUMEN I Putu Gede Hendra Suputra, Agus Zanal Arfn, Anny
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
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 terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih 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 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 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 terperinciPERINGKAS DOKUMEN OTOMATIS MENGGUNAKAN METODE FUZZY MODEL SISTEM INFERENSI MAMDANI
Semnar Nasonal Teknolog Informas dan Multmeda 2013 STMIK AMIKOM Yogyakarta, 19 Januar 2013 PERINGKAS DOKUMEN OTOMATIS MENGGUNAKAN METODE FUZZY MODEL SISTEM INFERENSI MAMDANI Achmad Rdok 1), Tr Cahyo Romadhona
Lebih terperinciBAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas
BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan
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 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciBAB I PENDAHULUAN Latar Belakang. menghimpun dana dari pihak yang kelebihan dana (surplus spending unit) kemudian
Pengaruh Captal Structure terhadap Proftabltas pada Industr Perbankan d Indonesa Mutara Artkel n d-dgtalsas oleh Perpustakaan Fakultas Ekonom-Unverstas Trsakt, 2016. 021-5663232 ext.8335 BAB I PENDAHULUAN
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 terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih 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 IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
Lebih terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciTINJAUAN PUSTAKA Kualitas Dosen
4 TINJAUAN PUSTAKA Kualtas Dosen Menurut Kamus Besar Bahasa Indonesa (KBBI) tahun 2002, kualtas dartkan sebaga : (1) tngkat bak buruknya sesuatu atau kadar; (2) derajat atau taraf (kepandaan, kecakapan,
Lebih terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
Lebih terperinciUKURAN LOKASI, VARIASI & BENTUK KURVA
UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya
Lebih terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
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 terperinciBOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL
BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL Analss sumbangan sektor-sektor ekonom d Bal terhadap pembangunan ekonom nasonal bertujuan untuk mengetahu bagamana pertumbuhan dan
Lebih terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB III METODOLOGI PENELITIAN. dalam situs BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal dari dua
BAB III METODOLOGI PENELITIAN 3.1. Ruang Lngkup Peneltan Reksadana yang dgunakan dalam peneltan n adalah reksadana yang terdaftar dalam stus BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih 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 METODE PENELITIAN. hasil penelitian. Walaupun penelitian ini merupakan penelitian kuasi eksperimen,
BAB III METODE PENELITIAN A. Metode dan Desan Peneltan Metode peneltan n adalah quas ekspermen karena terdapat unsur manpulas, yatu mengubah keadaan basa secara sstemats ke keadaan tertentu serta tetap
Lebih terperinciBAB III METODE PENELITIAN. menggunakan strategi pembelajaran mind mapping dalam pendekatan
35 BAB III METODE PENELITIAN A. Jens dan Desan Peneltan Jens peneltan n adalah kuas ekspermen. Pada peneltan n terdapat dua kelompok subjek peneltan yatu kelompok ekspermen yang dberkan suatu perlakuan
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: madha@stkom.edu 2) S1
Lebih terperinciPENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI
PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI Reky Stenly Wndah Dosen Jurusan Teknk Spl Fakultas Teknk Unverstas Sam Ratulang Manado ABSTRAK Pada bangunan tngg,
Lebih terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Sejalan dengan semakn populernya penggunaan Internet dan Perpustakaan Dgtal nformas dalam jumlah yang luar basa besar kn bsa dakses secara luas oleh masyarakat suatu hal yang
Lebih terperinciANALISIS KEMIRIPAN POLA CITRA DIGITAL MENGGUNAKAN METODE EUCLIDEAN
AALISIS KEMIRIPA POLA CITRA DIGITAL MEGGUAKA METODE EUCLIDEA Eus St ur Asyah1), Abdul Hayat2), Puspa Wdant3), Shnta Yulnda Prasetya4), Helm Iskandar5) 1), 2 ), 3) Komputersas Akuntans AMIK Raharja Informatka
Lebih 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih 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 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 III METODE PENELITIAN
BAB III METODE PENELITIAN Metode peneltan atau metodolog peneltan adalah strateg umum yang danut dalam mengumpulkan dan menganalss data yang dperlukkan, guna menjawab persoalan yang dhadap. Adapun rencana
Lebih terperinciEVALUASI METODE PENELUSURAN KERAGAMAN DALAM BLOK DENGAN ANALISIS INTERBLOK
Prosdng SPMIPA. pp. 147-15. 006 ISBN : 979.704.47.0 EVALUASI METODE PENELUSURAN KERAGAMAN DALAM BLOK DENGAN ANALISIS INTERBLOK Rta Rahmawat, I Made Sumertajaya Program Stud Statstka Jurusan Matematka FMIPA
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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber
Lebih terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciSTATISTIK menyatakan kumpulan data, bilangan maupun non bilangan, yg disusun ke dlm tabeldiagram-grafik yang menggambarkan suatu persoalan.
PERTEMUAN 1 STATISTIK menyatakan kumpulan data, blangan maupun non blangan, yg dsusun ke dlm tabeldagram-grafk yang menggambarkan suatu persoalan. STATISTIKA lmu yang berhubungan dengan cara-cara pengumpulan
Lebih terperinciPERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM
PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM 1) Membuat dstrbus frekuens. 2) Mengetahu apa yang dmaksud dengan Medan, Modus dan Mean. 3) Mengetahu cara mencar Nla rata-rata (Mean). TEORI PENUNJANG
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 terperinci