SEGMENTASI BERDASARKAN FITUR TEKSTUR MENGGUNAKAN METODE WAVELET HIDDEN MARKOV TREE PADA CITRA BATIK. Murinto 1, Eko Aribowo 2
|
|
- Herman Kusumo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Yogyakarta,15 November 214 SEGMENTASI BERDASARKAN FITUR TEKSTUR MENGGUNAKAN METODE WAVEET HIDDEN MARKOV TREE PADA CITRA BATIK Murnto 1, Eko Arbowo 2 1,2, Program Stud Teknk Informatka, Fakultas Teknolog Industr, Unverstas Ahmad Dahlan Yogyakarta e-mal : 1 murntokusno@tf.uad.ac.d, 2 ekoab@tf.uad.ac.d ABSTRACT Image segmentaton has been become an mportant area of research n mage processng, snce ths process used for the net process n mage analyss. Image analyss nclude mage recognton process of a partcular nput mage. The man objectve of mage segmentaton s to dvde mage nto parts of the regon (sub-regons) that have common features nclude: levels of gray scale, teture, color, moton. Image segmentaton and classfcaton s often a frst step n the acquston process or the analyss of an mage. Applcaton among others n the feld of machne vson, face recognton, medcal mage analyss (analyss of medcal magng), tetle ndustry (batk), etc. There are several methods of teture feature etracton for mage segmentaton such as Gray evel Co-occurence Matr (GCM), Gabor flter method and wavelet transform method. Segmentaton s the frst step and become a key mportance n pattern recognton objects (object recognton). In ths paper proposed teture based mage segmentaton usng unsupervsed methods n the concept of clusterng. Clusterng method used s the mean-shft method, whle the method of feature etracton usng wavelet hdden Markov tree. Image data used n ths paper s a data mage of batk. Keywords: Batk mage, Teture Features, Image Segmentaton, Wavelet Hdden Markov Tree. PENDAHUUAN Segmentas ctra dalam beberapa tahun belakangan bdang peneltan yang pentng dalam pengolahan ctra, karena proses n merupakan proses yang pentng untuk proses selanjutnya yakn analss ctra. Analss ctra melput proses pengenalan ctra dar suatu ctra nputan tertentu. Fungs utama dar segmentas ctra adalah membag ctra ke dalam bagan-bagan wlayah (sub-regons) yang mempunya kesamaan ftur antara lan : tekstur, warna, bentuk dan lan sebaganya. Segmentas dan klasfkas ctra serngkal merupakan langkah awal dalam proses akuss atau analss suatu ctra. Aplkasnya antara lan dalam bdang machne vson, pengenalan wajah, analss ctra medk (magng medcal analyss), ndustr tekstl (batk) dan lan sebaganya (Gaetano, 26). Dalam aplkas tertentu, msalnya pengenalan pola batk tertentu, kegatan awal yang dlakukan adalah melakukan proses segmentas menggunakan model yang sesua dengan karakterstk ctra tersebut. Melalu model segmentas yang tepat maka proses pengenalan akan lebh mendapatkan hasl yang memuaskan. Dalam makalah n dtekankan pada teknk segmentas ctra untuk beberapa kasus ctra khusus, yakn ctra batk. Batk merupakan bagan dar ndustr tekstl dan prntng, d mana berbeda dengan ctra warna alam, ctra tekstl mempunya beberapa ftur yang berbeda : secara umum dalam tekstl terdapat sedkt warna yang domnan dan dalam ndustr tekstl serng kal perancang mengkombnaskan warna-warna yang berbeda, thckness dan denstas untuk menghaslkan vsual mpersf dar warna yang lan (teknk halftonng color dalam tekstl cetak). Struktur tekstur tekstl hasl ndustr (pabrk), nose tekstur yang dhaslkan mempunya pengaruh yang sangat besar pada tamplan warna ctra tekstl, dan n membuat segmentas warna dar ctra tekstl menjad pekerjaan yang amat sult (u, 29). Struktur benang kan menjadkan pekerjaan yang sult untuk mengelompokkan secara otomats untuk proses ekstraks ftur warna yang domnan tersebut dar ctra tekstl. Pendekatan multskala dgunakan untuk menghndar adanya permasalahan antara batas lokalsas dan segmentas ctra beresolus resolus tngg melalu penympulan probabltas posteror maksmum untuk tap blok secara rekursf dar skala kasar ke halus (fne to coarse). A-327
2 Yogyakarta,15 November 214 Tujuan akhr dar segmentas adalah mendapatkan suatu regon yang ddasarkan pada parts ctra batk pada area yang berbeda-beda (dalam kelas yang berbeda-beda), dmana tap regon dcrkan dengan spesfkas khusus. Model yang dgunakan dalam segmentas ctra melput model actve contour dan model probablstk (Synder, 25). Model probablstk termasuk dantaranya adalah Model Hdden Markov. Dalam makalah n dfokuskan pada penggunaan model model wavelet hdden Markov tree untuk segmentas ctra berdasarkan ftur tekstur. Teknk Segmentas Ctra Multskala Segmentas ctra dapat danggap sebaga proses nferens konfguras terbak dar pelabelan X dar data ctra pengamatan Y, d mana keduanya merupakan random feld X dan Y yang ddefnskan pada suatu grd perseg S. Dalam dasar pendekatan segmentas menggunakan Bayesan, ftur ctra yang dekstrak dnotaskan sebaga Y, sedangkan X merepresentaskan random feld dskrt yang mengandung kelas dar tap pel. Model data kemudan dtulskan dalam bentuk denstas probabltas p y ( y ), d mana denstas sebelumnya p () dgunakan untuk menggabungkan pengetahuan mengena struktur kontekstual dar akuras segmentas. Dalam pendekatan Bayesan, segmentas yang benar (correct segmentaton) kemudan destmas dengan menggunakan dstrbus posteror p y ( y) (Bouman and Shapro, 1994). Dalam Gambar 1 dlustraskan mengena model multskala. Pada tap skala n, terdapat suatu random feld dar vektor ftur ctra, Y dan suatu random feld dar label kelas, X. Dalam aplkas n ftur-ftur ctra Y bersesuaan dengan koefsen wavelet Haar pada skala n, Y mengandung tekstur ctra dan nformas tep pada skala n, sedangkan X mengandung kelas label yang bersesuaan. Kelakuan dar Y d sn dasumskan tergantung pada kelas label X dan ftur ctra skala lebh kasar Y. Gambar 1. Ilustras Pendekatan untuk Segmentas Bayesan. Y merupakan ctra observas dan X adalah random feld yang mengandung kelas dar tap pel dalam Y. Tujuan selanjutnya adalah mengestmas X dar Y (Bouman and Shapro, 1994) D sn tap random feld X tergantung pada feld skala lebh kasar setelahya X. Dependens n memberkan X sebaga suatu struktur ranta Markov dalam varabel skala n. ( n) ( ) n Untuk kenyamanan saja d sn ddefnskan bahwa X = { X } = sebaga hmpunan dar ( > n) ( ) label-label kelas pada skala n atau halus, dan X = { X } = n+ 1 d mana adalah skala palng kasar. Demkan juga untuk Y dan Y > secara sama. Dengan menggunakan notas n, struktur ranta Markov dapat dtulskan dalam bentuk fungs mass probabltas (probablty mass functon) sebaga berkut : ( > n) p ( n ) ( > n) ( ) = p (... ( sehngga probabltas dar adalah : p ( ) = p )... (2) n= 1 ( ) d mana melalu bagan n term : ( ) p ( ( ) ( + ( + A-328
3 Yogyakarta,15 November 214 ( ) d asumskan sebaga p ( ) ( ) ketka merupakan skala palng kasar. Ftur-ftur ctra y dasumskan tdak tergantung bersyarat (condtonally ndependent) yang berkan label kelas dan ftur ctra y pada skala lebh kasar. Dsn denstas bersyarat (condtonal densty) dar y yang dberkan dapat dtulskan sebaga persamaan : p y ( y ) = p ( n ) 1 ( y, y )... (3) ) n= y, y dengan mengkombnaskan persamaan (1.2) dan (1.3) menghaslkan denstas gabungan sebaga berkut : p ( y, ) = p ( y ) p ( ) y, = y n= p y, y ( y, y ) p ( )... (4) untuk melakukan segmentas ctra, maka harus destmas label-label kelas X dar data ftur ctra Y. Wavelet-Hdden Markov Tree Suatu algortma segmentas Bayesan ddasarkan pada konteks yang berbeda dkenalkan oleh Cho and Baranuk (1999), d mana model konteks dcrkan melalu suatu vektor konteks n v yang dturunkan dar suatu hmpunan sampel ketetanggaan pada skala kasar berkutnya. Untuk menangkap propert tap regon ctra yang akan dsegmentas, bak kelakuan skala kecl ataupun besar harus benar-benar dmanfaatkan untuk men-segmentas, homogentas regon dan batas detal regon-regon. Dalam peneltan tersebut dgunakan suatu dyadc square (blok-blok) untuk mplementas klasfkas dengan ukuran wndow yang berbeda-beda. Dberkan suatu nsal square 2 ctra dar n = 2 pel-pel dengan ukuran 2 2, blok ddapatkan secara sederhana melalu pembagan secara rekursf ctra ke dalam empat square subctra dar ukuran yang sama sepert yang dtunjukkan dalam Gambar 2. Gambar 2. (a) Ctra dbag ke dalam blok perseg d j pada skala berbeda. Tap blok dapat dasosaskan dengan suatu subtree koefsen wavelet Haar (b) Struktur Quad-Tree dar j Blok Perseg. Blok perseg d ρ dbag ke dalam empat blok chld pada skala j. ( ) Dnotaskan suatu blok perseg pada skala j oleh d j (dengan suatu ndeks abstrak enumeras kotak-kotak pada skale n). Pada dua tempat ayng ekstrem, d (root of the tree) adalah nputan ctra, dan tap d (leaf of the tree) merupakan suatu pksel tunggal. Dberkan suatu j random feld ctra X, blok perseg n juga merupakan random feld, yang dnotaskan dengan D. Melalu struktur sepert n untuk merepresentaskan regon-regon, ctra akan dsegmentas melalu pengestmasan label kelas c pada tap blok perseg d. Estmas n memerlukan suatu Model pksel PDF untuk tap kelas yang dsesuakan pada blok perseg. Kebanyak ctra dalam duna nyata, khususnya ctra teksture skala keabuan (gray-scale), dcrkan melalu struktur sngulartasnya (edge dan rdge). Transformas wavelet merupakan doman transformas untuk A-329
4 Yogyakarta,15 November 214 pemodelan ctra yang kaya akan sngulartas. Transformas wavelet dapat dnterpretaskan sebaga suatu detektor tep multskala yang merepresentaskan konten sngulartas suatu ctra pada multple skala dan tga orentas yang berbeda-beda. Karaktersas sngulartas multskal mmembuat doman wavelet alamah untuk pemodelan ctra bertekstur. Crouse (1998) membangun model hdden Markov tree (HMT), suatu model statstc parametrk untuk transformas wavelet. Segmentas ctra menggunakan HMT terdr dar tga stuktur pohon (tree) yang terpsah yatu : transformas wavelet quad-tree, HMT dan pelabelan tree. Adapun algortma HMTseg adalah sebaga berkut : 1. Dlath wavelet-doman HMT model untuk tap tekstur menggunakan homogentas ctra pelathan. 2. Htung lkelhood multskala. Dhtung dengan menggunakan algortma penghtungan lkelhood untuk model HMT (Crouse et al, 1998), htung lkelhood tap blok perseg ctra pada skala yang berbeda-beda. Kejadan ( untuk tap blok perseg hasl Mamum kelhood (M) klasfkas j dasar c M untuk suatu jangkauan skala j. 3. Gabungkan lkelhood multskala menggunakan pelabelan tree untuk bentuk klasfkas MAP multskala. Transformas Wavelet Transformas wavelet merepresentaskan sngulartas konten suatu ctra pada multpel skala. Dalam peneltan n dgunakan wavelet yang palng sederhana yatu wavelet Haar. Kontruks koefsen-koefsen wavelet Haar dar suatu ctra dapat dterangkan menggunakan empat flter wavelet 2-D : okal smoother h, horsontal detektor tep g H, vertcal edge detector g H, dagonal detektor tep g HH yang dtulskan sebaga bentuk matrk berkut n : h =, g H =, g H =, g HH = untuk menghtung transformas wavelet dar suatu ctra dskrt X yang berukuran 2 2, maka dlakukan dengan: 1. set u [ k, l] = [ k, l], k, l 2 2. Konvolus u dengan keempat flter d atas dan membuang setap sampel yang lan dalam dua arah ke k dan l. Menghaslkan subband ctra : H H HH u 1,,,. 1 1 Tap subband ctra tersebut berukuran bagan dapat secara langsung djadkan satu kembal ke dalam suatu matrk 2 2 H u H HH 3. Proses flterng dan downsamplng dapat dlanjutkan pada ctra u dan prosedur dteras sampa waktu ke. METODE PENEITIAN Metode yang dgunakan dalam peneltan n melput metode pustaka, observas lapangan dan penelusuran referens (browsng) yang berkatan dengan peneltan yang dlakukan. Metode pustaka melput pengumpulan data dengan cara membandngkan dan membandngkan referens yang berkatan dengan peneltan yang dlakukan, berupa jurnal, buku, dan referens yang berhubungan dengan peneltan n. Observas lapangan dlakukan untuk mengamat objek data yang dperlukan dalam hal n adalah batk yang ddapatkan dar pengrajn, pasar batk dan museum batk. Alat yang dgunakan dalam peneltan n melput: perangkat keras berupa laptop fujtsu, A-33
5 Yogyakarta,15 November 214 kamera dgtal, flasdsk dan modem. Perangkat lunak berupa sstem operas wndows p 2, adope photoshop, matlab r.28, mcrosoft offce dan mozlla frefo. PEMBAHASAN Dalam peneltan n dtamplkan segmentas ctra batk ddasarkan pada representas teknk segmentas ctra multskala, dan duj tamplannya secara analtk. Nose tekstur yang muncul dalam ctra batk menmbulkan masalah dalam proses segmentas. Kebanyakan ctra batk dambl secara langsung dar bagan produks dalam suatu ndustr batk, maka dar tu tdak terdapat ground truth hasl segmentas dar ctra batk n, dan n merupakan sesuatu hal yang sult untuk secara manual menyedakan data pelathan untuk segmentas ctra berdasarkan teknk terawas (supervsed). Dalam peneltan n ctra segmentas multskala yang dmaksud dasumskan bahwa jumlah warna-warna yang berbeda dar ctra batk nputan dketahu dan warna domnant dan ftur-ftur yang bersesuaan dengannya sebelumnya sudah ddapatkan. D sn dekstraks dua warna yang domnan yatu warna merah dan puth sepert terlhat dalam Gambar 3(a). Ctra batk amb motf kapal sanggat dpergunakan dalam mplementas model wavelet hdden markov tree sepert yang dperlhatkan dalam Gambar 3(b). Ctra batk n merupakan hasl dar ndustr pabrkan (batk cap) sehngga dalam ctra tersebut mash mengandung nose. Sedangkan dalam Gambar 3 (c) dperlhatkan koefsen wavelet haar dar ctra batk motf kapal sanggat tersebut. (a) (b) (c) Gambar 3.(a) Motf Bungo Cengkeh Batk amb, 3(b). Koefsen Wavelet Haar Motf Bungo, 3(c) Model Wavelet-HMT Motf Bungo Cengkeh Ctra Batk amb Dalam peneltan n untuk menerapkan algortma HMT (Crouse et al, 1998) pada ctra batk amb motf bungo cengkeh, beberapa blok homogen dar ctra nputan djadkan sebaga data pelathan (tranng data), dan untuk tap warna domnantsecara random dbag ke dalam 8 blok Sedangkan algortma EM (Crouse at al, 1998) dgunakan untuk mengestmas parameter dar model HMT pada tap warna yang domnan. Pada saat model dlath pada blok dengan ukuran 16 16, hasl segmentas berupa blok-blok yang mash domnan bloknya. Dar sn maka dapat dlhat bahwa model wavelet-hmt sangat berguna bag ctra dengan tep-tep, sedangkan pada ctra batk dar ndustr tekstl (pabrk) tep-tep tersebut serngkal hlang atau terdstors karena adanya nose tekstur yang muncul, sehnga pengulangan perhtungan lkelhood dar sub blok ctra dasumskan bahwa blok-blok tersebut ndependen. Dar pengamatan hasl segmentas vsual maka dapat dlhat bahwa model wavelet-hmt untuk ctra batk dar hasl pabrkan mash terdapat nose, hal n bsa dlhat juga bahwa msklafkas area warnanya besar, sepert terlhat dalam Gambar 3(c). KESIMPUAN Dar pembahasan d atas dapat dambl beberapa kesmpulan sebaga berkut: 1. Berbeda dengan ctra alamah, ctra batk dar hasl pabrkan mempunya propert yang berbeda-beda : secara umum terdapat beberapa warna domnan. 2. Struktur ctra batk pabrkan mengandung nose sehngga menmbulkan permasalahan yang serus A-331
6 Yogyakarta,15 November 214 untuk menentukan metode segmentas multskala mana yang bak. 3. Telah dterapkan model segmentas dengan menggunakan wavelet-hmt untuk ctra batk hasl pabrkan dengan hasl segmentas yang terlhat memuaskan.. DAFTAR PUSTAKA u, X, 29, Multscale Segmentaton Technques for Tetle Images. College of Computer Scence, Zhejang Unversty, Hangzhou, Chna. Bouman, C., u, B.,1991, Multple resoluton segmentaton of tetured mages, IEEE Trans. On Pattern Analyss and Machne Intellgence, vol.13, no.2, pp Bouman, C.A, Shapro, M.,1994, A multscale random feld model for Bayesan mage segmentaton, IEEE Trans. On Image Processng, vol3., no.2 pp Cheng, H., Bouman, C.A.,21,Multscale Bayesan Segmentaton Usng a Tranable contett model, IEEE Trans. On Image Processng, vol. 1, no.4, pp Cho, H., Baranu, R.G..,21, Multscale mage segmentaton usng wavelet-doman hdden Markov models, IEEE Trans.On Image Processng, Vol.1, no.9, pp Crouse, M.S., Nowak, R.D., Baranu, R.G.., 1998, Wavelet-based statstcal sgnal processng usng hdden Markov models, IEEE Trans. On Sgnal Processng, vol.46, no.4, pp Fan, G. Xa, X.G..,2, Mamum kelhood teture analyss and classfcaton usng wavelet-doman hdden Markov models, Proc. Of 34 th Aslomar Conference on Sgnals, Systems and Computers, Pacfc Grove, CA. Crouse,M.S., Nowak, R.D., Baranu, R.G Wavelet-based statstcal sgnal processng usng hdden Markov models, IEEE Trans.On Sgnal Processng, vol.46, no.4, pp A-332
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB III 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 terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciSEGMENTASI CITRA BERWARNA MENGGUNAKAN ALGORITMA JSEG
SEGMENTASI CITRA BERWARNA MENGGUNAKAN ALGORITMA JSEG Rully Soelaman 1), Darls Herumurt ), Dyah Wardhan Kusuma. 3) Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember (ITS), Surabaya, 6111, Indonesa
Lebih terperinciREKONSTRUKSI CITRA PADA SUPER RESOLUSI MENGGUNAKAN PROJECTION ONTO CONVEX SETS
REKONSTRUKSI CITRA PADA SUPER RESOLUSI MENGGUNAKAN PROJECTION ONTO CONVEX SETS Nama Mahasswa : Achmad Bryand NRP : 1207 100 006 Jurusan : Matematka FMIPA-ITS Dosen Pembmbng : 1. Dr. Imam Mukhlash, S.S,
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 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 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 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 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 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 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 I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Ctra dgtal merupakan ctra hasl dgtalsas yang dapat dolah pada suatu komputer dgtal [12]. Ctra dgtal tersusun atas sejumlah elemen. Elemen-elemen yang menyusun ctra
Lebih terperinciSEGMENTASI BERBASIS REGION PADA CITRA BERWARNA UNTUK KEPERLUAN TEMU KEMBALI CITRA PADA EVENT OLAH RAGA LAPANGAN HIJAU
EGMENTAI BERBAI REGION PADA CITRA BERWARNA UNTUK KEPERLUAN TEMU KEMBALI CITRA PADA EVENT OLAH RAGA LAPANGAN HIJAU Arf Basof,.Kom, Moch. Harad, T, M.c, Ph.D. Program Magster Bdang Keahlan Jarngan Cerdas
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 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 terperinciModel Potensial Gravitasi Hansen untuk Menentukan Pertumbuhan Populasi Daerah
Performa (2004) Vol. 3, No.1: 28-32 Model Potensal Gravtas Hansen untuk Menentukan Pertumbuhan Populas Daerah Bambang Suhard Jurusan Teknk Industr, Unverstas Sebelas Maret, Surakarta Abstract Gravtaton
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING BERBASIS SIMILARITAS MAKSIMAL
MAKALA EMINAR TUGA AKIR PERIODE JULI 00 IMPLEMENTAI EGMENTAI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING ERAI IMILARITA MAKIMAL Ayu Arta Paramta Relga, andayan Tjandrasa, Anny Yunart 3 Teknk Informatka,
Lebih terperinciAnalisis Kecepatan Dan Percepatan Mekanisme Empat Batang (Four Bar Lingkage) Fungsi Sudut Crank
ISSN 907-0500 Analss Kecepatan Dan Percepatan Mekansme Empat Batang (Four Bar ngkage Fungs Sudut Crank Nazaruddn Fak. Teknk Unverstas Rau nazaruddn.unr@yahoo.com Abstrak Pada umumnya analss knematka dan
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB 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 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 terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
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 terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciBAB 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 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 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
Lebih 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 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 terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciBAB 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Matematka dbag menjad beberapa kelompok bdang lmu, antara lan analss, aljabar, dan statstka. Ruang barsan merupakan salah satu bagan yang ada d bdang
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciBAB 2 LANDASAN TEORI. fungsi f(x,y), dimana x dan y merupakan spatial koordinat, dan tingkatan aplitude
BAB 2 LANDASAN TEORI 2.1 Ctra Menurut Gonzales (2004, p1) Ctra bsa djelaskan sebaga 2 dmens dar fungs f(x,y), dmana x dan y merupakan spatal koordnat, dan tngkatan apltude pada poss n dsebut dengan ntenstas
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 terperinciIII PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan
Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciMETODE PENELITIAN. dalam penelitian ini adalah siswa kelas XI IPA 2 Tahun Pelajaran
III. METODE PENELITIAN A. Settng Peneltan Peneltan n menggunakan data kuanttatf dengan jens Peneltan Tndakan Kelas (PTK). Peneltan n dlaksanakan d SMAN 1 Bandar Lampung yang beralamat d jalan Jend. Sudrman
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Bab n akan menjelaskan latar belakang pemlhan metode yang dgunakan untuk mengestmas partspas sekolah. Propns Sumatera Barat dplh sebaga daerah stud peneltan. Setap varabel yang
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 terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)
Lebih terperinciMODEL PENGENALAN TERBAIK DENGAN TREE-AUGMENTED NETWORK (TAN) DAN ESTIMATOR MAXIMUM LIKELIHOOD (ML) BERDASARKAN FITUR OBJEK
MOEL PENGENALAN TERBAIK ENGAN TREE-AUGMENTE NETWORK (TAN) AN ESTIMATOR MAIMUM LIKELIHOO (ML) BERASARKAN FITUR OBJEK Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam Neger (UIN)
Lebih terperinciSistem Pengenalan Wicara Otomatis Menggunakan Discrete Wavelet Neural Network (DWNN)
Sstem Wcara Otomats Menggunakan Dscrete Wavelet Neural Network (DWNN) Yunus Wcaksono S 1, Djoko Purwanto 2, Agus Sgt Pramono 3 1,2 Program Stud Teknk Elektro Insttut Teknolog Sepuluh Nopember Surabaya
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
I ENDHULUN. Latar elakang Mengambl keputusan secara aktf memberkan suatu tngkat pengendalan atas kehdupan spengambl keputusan. lhan-plhan yang dambl sebenarnya membantu dalam penentuan masa depan. Namun
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciANALISIS ALGORITMA BAYESIAN TERHADAP BASIS KASUS UNTUK KERUSAKAN PERSONAL COMPUTER (PC)
ANALISIS ALGORITMA BAYESIAN TERHADAP BASIS KASUS UNTUK KERUSAKAN PERSONAL COMPUTER (PC) Dna Maulna Sstem Informas STMIK AMIKOM Yogyakarta emal : dna.m@amkom.ac.d Abstract Personal Computer ( PC ) s a set
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih 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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBAB III 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 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 terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih 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. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciConfigural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Confgural Frequency Analyss untuk Melhat Penympangan pada Model Log Lnear Resa Septan Pontoh 1, Def Y. Fadah 2 1,2 Departemen Statstka FMIPA
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus
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 terperinciHistogram Citra. Bab Membuat Histogram
Bab 6 Hstogram Ctra I nformas pentng mengena s ctra dgtal dapat dketahu dengan membuat hstogram ctra. Hstogram ctra adalah grafk yang menggambarkan penyebaran nla-nla ntenstas pxel dar suatu ctra atau
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 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. 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. 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 terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciPROSIDING ISSN: M-16 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN
M-6 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN Zulhanf ), I Gede Nyoman Mndra Jaya ),) Departemen Statstka FMIPA UNPAD dzulhanf@yahoo.com, jay.komang@gmal.com Abstrak
Lebih terperinciPEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL
PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL Tan Wahyu Utam, Indah Manfaat Nur Unverstas Muhammadyah Semarang, emal : tan.utam88@gmal.com
Lebih terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciBAB III 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 terperinciKonferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 DAFTAR REVIEWER
Konferens Nasonal Sstem & Informatka 2015 STMIK STIKOM Bal, 9 10 Oktober 2015 DAFTAR REVIEWER Dr. Agus Harjoko Prof. Dr. Sr Hartat Dr.-Ing. Reza Pulungan Dr. Djoko Soetarno, DEA Dr. Ir. Rla Mandala, M.Eng
Lebih terperinciPengenalan Wajah Menggunakan Pseudo-2D Hidden Markov Model
Pengenalan Wajah Menggunakan Pseudo-2D Hdden Markov Model Anak Agung Gde Agung 1, Fazmah Arf Yulanto 2, Warh Maharan 3 1 Program Stud Komputersas Akuntans Polteknk Telkom, Bandung 2,3 Fakultas Teknk 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 X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciBAB 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 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
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 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Menghadap era globalsas yang penuh tantangan, aparatur negara dtuntut untuk dapat memberkan pelayanan yang berorentas pada kebutuhan masyarakat dalam pemberan pelayanan
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 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 terperinciINTEGRASI EKSTRAKSI FITUR LOCAL BINARY PATTERN DAN GRAY-LEVEL COOCCURENCE METRIX UNTUK PENGENALAN EKSPRESI MULUT PEMBELAJAR
ISSN prnt 087-1716 ISSN onlne 548-7779 ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017 INTEGRASI EKSTRAKSI FITUR LOCAL BINARY PATTERN DAN GRAY-LEVEL COOCCURENCE METRIX UNTUK PENGENALAN EKSPRESI MULUT PEMBELAJAR
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 terperinciMULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari
MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuh Tugas Matakulah Multvarat yang dbmbng oleh Ibu Tranngsh En Lestar oleh Sherly Dw Kharsma 34839 Slva Indrayan 34844 Vvn Octana 34633 UNIVERSITAS
Lebih terperinciBAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinciREKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA
REKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA Jl. Boulevard Bntaro Sektor 7, Bntaro Jaya Tangerang Selatan 15224 PENDAHULUAN Bangktan perjalanan (Trp generaton model ) adalah suatu tahapan
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 terperinciIDENTIFIKASI IRIS MATA MENGGUNAKAN ALIHRAGAM WAVELET HAAR Teguh Dwi Prihartono 1, R. Rizal Isnanto 2, Imam Santoso 2. Abstract
Makalah Tugas Akhr IDENTIFIKASI IRIS MATA MENGGUNAKAN ALIHRAGAM WAVELET HAAR Teguh Dw Prhartono 1, R. Rzal Isnanto, Imam Santoso Abstract Human rs has a very unque pattern whch s dfferent for each person
Lebih terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih terperinci