DISAIN DAN IMPLEMENTASI PERANGKAT LUNAK KLASIFIKASI CITRA INDERAJA MULTISPEKTRAL SECARA UNSUPERVISED
|
|
- Ratna Wibowo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 DISAIN DAN IMPLEMENTASI PERANGAT LUNA LASIFIASI CITRA INDERAJA MULTISPETRAL SECARA UNSUPERVISED AGUS ZAINAL ARIFIN, Faultas Teologi Iformasi, Istitut Teologi Sepuluh Nopember, Surabaya Gedug Tei Iformatia, ampus ITS, eputih, Suolilo, Surabaya, ANIATI MURNI, Faultas Ilmu omputer, Uiversitas Idoesia, Depo Gedug Fasilom UI Depo, Abstra lasifiasi citra pegideraa jauh (ideraja) bertujua utu meghasila peta temati, dimaa tiap wara mewaili sebuah obje, misala huta, laut, sugai, sawah, da lai-lai. Maalah ii mempresetasia disai da implemetasi peragat lua utu meglasifiasi citra ideraja multispetral. Metode berbasis usupervised yag diusula ii adalah itegrasi dari metode feature extractio, hierarchical (hirari) clusterig, da partitioal (partisi) clusterig. Feature extractio dimasuda utu medapata ompoe utama citra multispetral tersebut, sealigus megelimiir ompoe yag reduda, sehigga aa meguragi omplesitas omputasi. Histogram ompoe utama ii diaalisa utu melihat loasi terosetasiya pixel dalam feature space, sehigga proses split dapat meghasila cluster dega cepat. Beberapa cluster yag sagat mirip aa digabuga oleh proses merge. Pada tahap ahir, proses partisi aa medetesi prototype tiap cluster dega Fuzzy C-Mea (FCM). Uji coba peragat lua ii dilaua pada citra Ladsat TM da GOES-8. Hasilya diuur berdasara homogeitas tiap cluster, heterogeitas atar cluster, watu eseusi, da ilai tabel cotigecy. Tabel ii aa membutia eberhasila lasifiasi terhadap 800 sampel dari Jawa Timur yag sebelumya telah dieali. Utu baha pembadiga, sampel juga diuji coba dega algoritma ISMC (Improved Split ad Merge Classificatio), yag berdasara peelitia sebelumya telah terbuti lebih bai dari pada ISODATA. Secara umum, uji coba meujua euggulaya dibadiga ISMC. ata uci : lasifiasi usupervised, citra pegideraa jauh, split, merge, fuzzy c mea. I. PENDAHULUAN Aalisa cluster merupaa suatu betu pegeala pola yag beraita dega pembelajara secara usupervised, dimaa jumlah pola elas tida dietahui [][5]. Proses clusterig berusaha membagi data set dega megelompoa seluruh pixel pada feature space (ruag ciri) e dalam sejumlah cluster secara alami. Hampir semua algoritma clusterig yag populer selalu megharusa adaya iisialisasi jumlah cluster awal [8][3]. Padahal jumlah ii sagatlah sulit utu dietahui, sebab dibutuha orag yag bear-bear meguasai ofigurasi objeya. Dega adaya feomea tersebut, maa para peeliti dalam bidag pegeala pola (patter recogitio) berusaha meghasila algoritma yag mampu medetesi jumlah cluster ii secara otomatis [3][8][5]. J. J. Simpso [5] telah megembaga algoritma ISMC (Improved Split ad Merge Classificatio). Algoritma clusterig ii meggabuga proses split da merge yag diiterasi higga overge. Prosedur split yag diembagaya berusaha membagi sebuah cluster mejadi 2 sub cluster. Pembagiaya berdasara pasaga pixel yag jaraya terjauh (2 pixel utub). Setelah masig-masig pixel telah memilih salah satu pixel utub ii, maa terbetulah 2 sub cluster baru. Tiap cluster yag sudah terbetu dipecah lagi dega proses yag sama higga uura cluster tersebut melampaui batas Threshold utu split. Selajutya dilaua proses peggabuga (mergig) atar cluster yag berdeata. Proses selajutya adalah partitioal, yai assigmet pixel terhadap tiap pusat cluster utu meetua pusat cluster baru. Proses split, merge, da partitioal ii diulag higga overge. Nampa bahwa meaisme split pada algoritma tersebut tida mempertimbaga loasi tempat berumpulya mayoritas pixel. Namu haya mempertimbaga jara terjauh atar pixel. Hal ii bisa megaibata pemotoga cluster yag berada di atara edua pixel tersebut. Peyebabya bisa berupa perbedaa distribusi atau juga uura cluster yag terlalu besar. Dega demiia dibutuha metode split yag memperhatia distribusi pixel dalam feature space. Distribusi ii dapat digambara melalui histogram, dimaa tiap urva yag terbetu dapat diasosiasia sebagai sebuah cluster. Masalah dalam pembagia secara lagsug ii juga dilaua oleh Mehmet Cele [6]. Metodeya meggabuga split da merge, dega membagi seluruh citra mejadi o-overlappig widow 4x4. Tiap widow di-split mejadi 2 cluster dega -meas clusterig, da ii bisa dilaua secara paralel. Seluruh cluster hasil split, digabuga dega metode yag sama. Oleh area tiap widow memilii 2 cluster, maa jumlah cluster mejadi sedemiia baya, sehigga proses merge aa memaa watu lama. Dega demiia, dibutuha metode yag secepat mugi mampu membetu sejumlah cluster.
2 Pada eyataaya, proses pembetua cluster dega pecaria urva pada feature space citra multispetral sagatlah sulit. Sebab dibutuha tei scaig urva yag sagat rumit. Cara yag termudah adalah metrasformasiaya mejadi satu dimesi, amu mampu mewaili seluruh spetrum. Proses ii biasa disebut dega PCT (Pricipal Compoet Trasformatio). Bila proses split di atas meghasila cluster yag cuup baya, maa dibutuha metode pegabuga yag lebih etat. Peggabuga ii tida haya seedar mecari cluster yag terdeat emudia digabuga, amu juga perlu dilihat apaah efe peggabuga ii meyebaba chai effect. Efe ii sagat mugi terjadi, bila pada citra tersebut terdapat oise. Noise yag terleta diatara 2 cluster yag berjauha dapat bertida sebagai peratara. Aibatya, edua cluster yag seharusya tida laya digabug ii, ahirya aa tergabug, bila salah satu cluster tersebut meari cluster oise utu mejadi aggotaya. Masalah lai yag harus dihadapi oleh algoritma clusterig adalah adaya ucetaity bai yag berupa oise maupu outlier. Salah satu metode yag dapat megatasi edua problema ii adalah Fuzzy C-Meas (FCM) [4]. Algoritma ii selajutya diembaga oleh para peeliti [7][3][8] utu meigata ierjaya. Posisi oise da outlier, pada umumya berada di atara sejumlah cluster, dimaa jara terhadap tiap pusat cluster tersebut hampir sama. Dega metode ii, membership eduaya terhadap semua pusat cluster tida aa terlalu besar. Sehigga tida aa terlalu meetua loasi pusat cluster yag diiutiya pada tiap iterasi. Peelitia ii bertujua utu membagu sebuah peragat lua yag mampu melaua usupervised classificatio (lasifiasi ta terawasi) terhadap citra multispetral dega lebih aurat, dalam artia odisi cluster yag lebih ompa da perbedaa atar cluster yag lebih meigat, serta etepata pegeala elas yag lebih tiggi. II. CLUSTERING ADAPTIF Bab ii membahas tetag algoritma clusterig yag diusula yai algoritma Clusterig Adaptif (CA). Peamaa adaptif disebaba pembagia pada tahap split dilaua sesuai dega distribusi gray level citra dalam histogram. Dega demiia, jumlah hasil pembagia itu diadaptasia sesuai dega arateristi citra. II.. Uura uatitatif Represetasi cluster dalam feature space dapat diuur melalui 2 scatter matrix. Tigat edeata dalam satu cluster diuur dega withi-cluster scatter matrix S W, sedaga jara atar cluster diuur dega betweecluster scatter matrix S B [2][5]. Idealya, eaggotaa setiap cluster haruslah sehomoge mugi, sehigga S W haruslah seecil mugi. Di sampig itu perbedaa atar cluster seharusya sebesar mugi, sehigga S B haruslah setiggi mugi. Misala C adalah cluster e- dari buah cluster yag dihasila. Cluster C terdiri dari buah vector, yai {y, y 2, }. Bila pusat cluster C adalah m, dega rata-rata m, maa utu N vetor, S B da S W didefiisia sebagai beriut: m = yi dimaa m = m i= N = = T S ( yi m )( yi m ) dimaa S W = S i B i= = S ( m m)( m m) = Bila terdapat 2 algoritma yag melaua clusterig terhadap data set yag sama, maa hasil clusterig eduaya dapat diuur berdasara edua variabel ii. Pembadiga dapat dilaua dega megoversia matris tersebut mejadi bilaga salar. Metode yag dapat diguaa atara lai trace da determiat [2]. Berdasara pertimbaga emudaha peghituga da epopuleraya [3] [2] [] [5], maa dalam peelitia ii, metode trace yag diguaa dega rumus : tr( S tr( S w B ) = ) = II.2. Disai Algoritma Disai dari algoritma ii direpresetasia melalui Data Flow Diagram atau Diagram Alir Data (DAD). DAD merupaa metode yag sagat sesuai utu meggambara disai peragat lua, sebab alira data seja awal diiputa higga ahir proses dapat dietahui dega jelas. Gambar 2. meampila DAD level 0 atau cotext diagram, yai diagram yag meampila iput, proses, da output secara global. Iputya adalah citra pegideraa jauh multispetral, threshold merge, da threshold overgesi. Sedaga outputya adalah citra hasil lasifiasi yag disertai dega aalisa uatitatifya. User = tr( S = ) = m = m 2 T i= y i m Citra ideraja Multispetral Threshold merge, da overgesi Citra terlasifiasi, Traces Sb da Trace Sw Gambar 2.. Cotext Diagram Software lasifiasi Threshold merge adalah batas jara miimal atar cluster. Dega demiia, bila terdapat 2 cluster yag 2 i=
3 jaraya urag dari threshold, maa eduaya diasumsia mewaili satu elas yag sama, oleh area itu eduaya harus digabug. Sedaga overgesi adl dimasuda utu memberi batasa iterasi pada fuzzy c mea. Pada tiap iterasi, ilai trace dari S B diuur, bila tigat perubaha yag terjadi pada iterasi beriutya urag dari threshold ii, maa diasumsia sudah tida terdapat perubaha. Algoritma ii terdiri dari 3 lagah utama, yai proses split, merge, da fuzzy c mea sebagaimaa ampa pada Gambar 4.2, yai Diagram 0 Level. Citra Ideraja Multispetral Proses Split User II.2.. Proses Split Jumlah cluster da Mea tiap cluster 3 overgesi Fuzzy C-Mea Citra terlasifiasi, Traces Sb da Trace Sw Gambar 2.2. Diagram 0 Level Proses split berisi pembagia citra multispetral yag diiputa, mejadi sejumlah cluster. Tiap cluster direpresetasia sebagai vetor mea yag dihitug berdasara histogram dimesi. Diagram Level 2 utu proses Split dapat dilihat pada Gambar 2.3. Citra ideraja Multisp.. PCT da hist. Threshold Merge Histogram ompoe utama.2 Detesi urva hist. Citra ideraja Multispetral Jumlah cluster da Mea tiap cluster Iterval tiap urva Array Aggota tiap cluster Gambar 2.3. Diagram Level 2 Proses Split 2 Proses Merge.3 Assig Pixel e cluster Jml. cluster.4 Detesi pusat cluster Mea tiap cluster Proses split dimulai dega lagah Feature Extractio utu megelimiir iformasi yag reduda. Metode yag diguaa adalah Priciple Compoet Trasformatio (PCT). Trasformasi ii dilaua dega megalia vetor pixel dega eige vector dari ompoe yag memilii eige value terbesar. Bila x adalah matris ovaria da I adalah matris idetitas, maa eige value λ dapat dihitug berdasara rumus : x λ I = 0 Bila terdapat dimesi, maa aa dihasila eige value. Eige vector e- E dapat dicari dari eige value e- λ dega rumus : x λ I E = 0 Dalam hal ii eige vector yag diguaa adalah hasil dari eige value yag terbesar diatara eige value. Hasil trasformasi yag merupaa ompoe utama citra ii diaumulasi mejadi histogram. Tiap urva dalam histogram tersebut dapat diasumsia sebagai sebuah cluster yag terpisah [9] [] [0]. Bila seluruh pixel telah diasosiasia terhadap suatu cluster, maa terbetulah daftar cluster yag direpresetasia melalui strutur data lied list. Tiap list meyataa sebuah cluster yag meliputi jumlah aggota beserta daftar omor pixel tiap aggota tersebut. Lagah pembetua suatu list sealigus diiuti dega peghituga vetor mea cluster dalam list tersebut. Vetor mea sebuah cluster adalah ilai rata-rata dari seluruh vetor pixel aggota cluster tersebut. II.2.2. Proses Merge Pada umumya, diatara sejumlah cluster yag dihasila, terdapat beberapa cluster yag mirip satu sama lai. Cluster demiia sagat laya digabuga, sebab masig-masig mecermia satu elas yag mirip atau baha sama. Terdapat beberapa metode yag dapat diapliasia, diataraya adalah earest-eighbor, furthest-eighbor, da compromise [2] [3]. Berdasara esperime yag tida ami sertaa di maalah ii da berdasara pertimbaga elebiha da euraga yag dimilii tiap metode, maa peelitia ii megguaa metode furthest-eighbor (complete li). Metode ii mampu megatasi resio chai effect, yag dihawatira terjadi bila terdapat oise. Di dalam feature space eberadaa oise dapat meyebaba tergabugya sejumlah cluster yag tida mirip. Bila obje oise ii mirip dega masig-masig cluster tersebut, maa aa mejadi jembata peghubug atar cluster tersebut, sehigga terjadilah chai effect. Terdapat 3 proses utama yag dilaua, yai peguura jara atar mea, peggabuga dega complete li, da peghituga vetor mea dari clustercluster yag baru terbetu. Peguura jara atar mea meghasila tabel yag mampu meyimpa jara euclidea atar vetor mea tersebut. Bila jumlah cluster yag diiputa adalah C, maa memory yag dibutuha adalah O(C 2 ). Tabel diguaa oleh complete li yag algoritmaya adalah :. Cari pasaga cluster dega jara euclidea terecil.
4 2. Bila urag dari threshold merge, maa selesai. 3. Gabuga edua cluster tersebut. 4. Hitug ulag jara euclidea atara semua cluster dega cluster baru dega megambil jara terjauh dega aggota cluster baru. embali e lagah. Sedaga peghituga vetor mea adalah dega meghitug rata-rata dari hasil ali mea sub cluster dega jumlah aggotaya masig-masig. II.2.3. Proses Fuzzy C Mea Proses Fuzzy C Mea berusaha mecari prototype tiap cluster, sehigga dapat diguaa utu memilih vetor pixel yag palig mirip utu dijadia aggotaya. Pada setiap iterasi dilaua peghituga U i (membership pixel terhadap cluster i) da v i (vetor mea dari cluster i), dega rumus sebagai beriut : U 2 c ( m ) i i =, j= j D D i da Proses di atas diiterasi higga tercapai stoppig criteria, yai berdasara perubaha pada Trace S B yag tida melebihi ilai overge. II.3. Implemetasi Algoritma i Algoritma di atas diimplemetasia pada PC Petium MMX 233 MHz dega memori 64 MB, VGA memory 4 MB, da Sistem Operasi Widows 98. Peragat lua Pegembagya adalah Borlad Turbo C++ versi 4.5 berbasis OOP (Object Orieted Programmig). Program ii harus meduug osep Multiple Documet Iterface melalui peampila child widow utu tiap bad. Dega pertimbaga emudaha pembacaaya, maa implemetasi fuctio yag ditulis di sii dimodifiasi mejadi pseudocode yag mirip bahasa C. Sebagaimaa pejelasa pada sub bab di atas, fugsi Split diimplemetasia sebagai beriut : void Split(ClusterClass *listc) { BYTE HUGE **patter = ew BYTE HUGE *[Bad]; Patter=AmbilAddressAwalPatterUtuTiapBad(); Histogram=PCT(patter, Bad); Jumlahurva=AalisaCluster(Histogram); if (Jumlahurva < 2) retur; ClusterClass **SubList = ew ClusterClass* [Jumlahurva]; for (cluster := 0 ; cluster < Jumlahurva ; cluster++) SubList[cluster]=CreateBufferAggota(cluster); CreateLiedList(SubList, Jumlahurva); HapusLiedListLama(listc); } Proses merge didahului dega pembuata tabel jara atar cluster. Uura tabel ii adalah ½ (-) utu v i = U = = m i U X m i cluster. Implemetasi proses merge yag dalam hal ii megguaa metode complete li adalah sebagai beriut : void CompleteLi() { Tabel=TabelJaraAtarCluster(JumlahCluster); do { JaraMiimum=ClusterTerdeat(Tabel, C, C2); if (JaraMiimum < ThresholdMerge) Gabuga(C, C2); else BisaMerge=0; } while (BisaMerge); } Adapu implemetasi proses FCM adalah : void FuzzyCMea() { do { HitugMembership(); ModifiasiVetorMea(); Belumoverge= PerisaStoppigCriteria(); } while (Belumoverge); } II.4. Aalisa omplesitas omplesitas omputasi ii dihitug utu 2 fator, yai pembadiga (Cmp) da peralia atau pembagia (Ar). Pada bagia iisialisasi, pecaria vetor max i da mi i, utu pixel sejumlah da bad sejumlah b, membutuha Cmp =.b serta Ar = 2 + b (tapa threshold split). Tahap split diawali Pembuata matris ovariasi dega Ar = (b +.b 2 + b 2 ), emudia detesi ilai eige terbesar da vetor eige, serta traspose-ya membutuha Ar = O (b 2 ), selajutya pada trasformasi Ar =.b. Sedaga pada pecaria pea histogram, Cmp = O (256.b ½ ). Bila terdapat v urva, maa peetua eaggotaa pixel membutuha Cmp = v., diahiri dega detesi v vetor mea dega Ar = b.v. Proses merge berlagsug sama dega merge pada algoritma ISMC. Pada pembuata matris jara atar mea, Ar = ½.v.(v-).b. Pecaria jara terdeat membutuha Cmp = O (v 3 ). Update jara juga membutuha Cmp = O (v 2 ). Da diahiri peghituga vetor mea baru, dega Ar = (v.b +.b). Pada proses Fuzzy C Mea, peghituga membership membutuha Ar =..(b + 3). Selajutya utu peghituga vetor mea yag baru berdasara membership tersebut dibutuha Ar =.(.2.b + b). Peghituga S B, harus didahului dega peetua eaggotaa tiap vetor, dega Cmp =.. Dilajuta peghituga vetor TotalMea seluruh cluster, dega Ar =.b + b. Berdasara vetor mea tiap cluster da TotalMea tersebut, maa Matris S B di sii membutuha Ar = 2.b 2., ditambah pemerisaa overgesi dega Ar = da Cmp =. Seluruh proses Fuzzy C Mea di atas diulag higga overge.
5 III. UJI COBA DAN EVALUASI Sebagaimaa telah dibahas, bahwa pembadiga hasil lasifiasi ii atiya aa dilaua terhadap algoritma ISMC. Oleh area itu, implemetasi juga dilaua terhadap algoritma ISMC. Adapu betu atar mua peragat lua utu eseusi edua algoritma ii dapat dilihat pada Gambar 3.. Gambar 3.. Atar mua grafis peragat lua Sedaga pada GOES-8, dari 5 bad tersedia, haya bad 2, 4, da 5 yag diguaa, agar lebih releva dega uji coba ISMC [5] yag megguaa AVHRR bad 2, 3, da 4. III.2. Eseusi dega esamaa Parameter Data sampel tersebut di atas dieseusi dega algoritma ISMC dega iput 3 parameter, yai SPLIT = 750, MERGE = 50, da Tol = 0,05. Sedaga CA haya membutuha 2 parameter di atas MERGE = 50, da overgesi = 0,05. Gambar 3.2 meampila hasil lasifiasi ISMC (a) da CA (b) utu data sampel A. Sedaga utu sampel B, output ISMC da CA ditujua oleh Gambar 3.3. (a) da (b). (a) (b) Gambar 3.2. Output ISMC da CA utu sampel A Uruta uji coba ii adalah sebagai beriut :. Uji coba terhadap algoritma CA da ISMC dega iput threshold merge da overgesi sama. Hasil yag dihitug adalah jumlah cluster, watu eseusi, tr(s B ) da tr(s W ). 2. Uji coba terhadap algoritma CA dega iput jumlah cluster yag dihasila oleh ISMC di atas. Hasil yag dihitug adalah watu eseusi, tr(s B ) da tr(s W ). 3. Uji coba secara visual terhadap algoritma CA da ISMC dega iput jumlah cluster yag sama utu sampel daerah Jawa Timur. Sampel loasi yag diambil sebaya 800 pixel utu loasi peraira da perotaa. III.. Data Sampel arateristi data sampel dapat dilihat pada Tabel 3.. Sampel dari Ladsat TM sebearya adalah 7 bad, oleh area perbedaa resolusi, maa bad 6 tida diguaa, sehigga jumlahya mejadi 6 bad. Tabel 3.. Sampel citra uji coba ode Loasi Satelit Uura A Jawa Tegah Ladsat TM B Riau Ladsat TM C Califoria GOES D Galapagos GOES E Paama GOES F Texas GOES G Nicaragua GOES (a) (b) Gambar 3.3. Output ISMC da CA utu sampel B Parameter jumlah cluster da watu eseusi ditampila pada tabel 3.2 beserta peigata ecepata pada CA dibadiga ISMC. Adapu parameter tr(s B ) da tr(s W ) ditampila pada Tabel 3.3 da 3.4 dega disertai peigata yag terjadi. Perlu diigat bahwa ierja yag lebih bai, ditetua oleh lebih tiggiya Tr(S B ) da lebih redahya Tr(S W ) [5]. Tabel 3.2. Jumlah cluster da watu eseusi Jumlah cluster Watu eseusi (deti) ISMC CA ISMC CA Peigata A ,53 39, 76,5% B ,55 65,9 65,9% C 7 9,87,54 2,8% D 5 7,09 2,20-9,2% E 6 5 0,54 7,96-70,4% F 9 8 4,6 2,04-44,0% G 5 7 9,88 20,5-03,9%
6 Tabel 3.2 meujua ecederuga CA utu meghasila jumlah cluster yag lebih baya daripada ISMC, walaupu edua iput parameterya sama. Sedaga dalam hal watu eseusi, teryata tida semua sampel dieseusi dalam watu yag lebih cepat. Hal ii merupaa ucertaity yag eberadaaya sagat tergatug odisi sampel. Namu demiia berdasara uji t (studet-t test), edua sebara ilai di atas tida diaggap megalami perbedaa yag sigifia. Sebab hasil uji statisti, ilai t adalah,857. Sedaga pada ilai t tabel utu jumlah sampel 7 (df = 6) da tigat sigifiasi 0,0 memperlihata ilai ritis (critical value) sebesar 3,43. Hipotesa ull meyataa bahwa perbedaa rata-rata edua watu tersebut adalah 0. Oleh area,857 tersebut lebih redah dari pada ilai ritis, maa hipotesa ull dapat diterima. Namu demiia terdapat sebuah pola yag cuup meari, yai peigata ecepata yag sagat tajam mai terlihat pada sampel dega jumlah bad yag lebih baya. Tabel 3.3. Nilai Tr(S B ) sampel ode Tr(S B ) ISMC CA Peigata A 4,478022e+07 5,382784e+07 6,8% B 4,408e+07 8,32390e+07 47,0% C 2,773709e+08 2,898602e+08 4,3% D 3,638e+08 3,74004e+08 3,44% E 6,92406e+07 7,5698e+07 3,25% F,732320e+08,747408e+08 0,86% G 2,06036e+08 2,74889e+08 5,28% Idealya, Tr(S B ) haruslah setiggi mugi, sebab perbedaa atar cluster harus sebesar mugi. Tabel 3.3 meujua peigata Tr(S B ) utu seluruh data sampel. Hal ii meujua euggula CA dalam hal heterogeitas atar cluster. Tabel 3.4. Nilai Tr(S W ) sampel o Tr(S W ) Peigata de ISMC CA homogeitas A 2,052004e+07 8,67945e+06 58,00% B 3,950288e+07 8,26886e+06 79,43% C 2,46730e+07 9,39228e+06 62,4% D,725970e+07 4,020906e+06 76,70% E 4,74370e+06,922373e+06 59,46% F 8,2367e+06 5,502580e+06 32,99% G,486727e+07 3,354379e+06 77,44% Sedaga odisi ideal Tr(S W ) adalah harus seredah mugi atau dega ata lai eadaa tiap data dalam setiap cluster harus dibuat sehomoge mugi. Teryata Tabel 3.4 meujua peurua Tr(S W ). Hal ii membutia euggula CA dalam hal heterogeitas atar cluster. III.3. Eseusi dega Jumlah Cluster Sama Setelah data sampel diuji coba dega ISMC, maa aa dietahui jumlah cluster yag dihasilaya. Bila algoritma CA dipasa utu meghasila jumlah cluster yag sama, maa watu eseusi, homogeitas, da heterogeitas aa dapat dihitug dega lebih obyetif. Pemasaa ii dilaua dega meggati stoppig criteria pada complete li yag semula berdasara threshold merge, searag digatia dega jumlah cluster. Tabel 3.5, 3.6, da 3.7 memperlihata watu eseusi, tr(s B ), da tr(s W ) uji coba CA ii, sealigus membadigaya dega hasil ISMC sebelumya. Tabel 3.5. Jumlah cluster da watu eseusi Jumlah cluster Watu eseusi (deti) ISMC CA ISMC CA Peigata A ,53 27,9 83,7% B ,55 26,20 86,5% C 7 7,87 26,92-26,8% D 5 5,09 8,3 26,7% E 6 6 0,54 8,40 20,3% F 9 9 4,6,64 20,3% G 5 5 9,88 7,69 22,2% Adapu perbadiga watu eseusi seperti ampa pada Tabel 3.5, teryata juga megalami hal yag sama dega perbadiga watu pada uji coba tahap pertama. Tida semua sampel dapat dieseusi lebih cepat oleh algoritma ii dibadiga algoritma ISMC. Namu demiia berdasara uji t (studet-t test), edua sebara ilai di atas juga tida diaggap megalami perbedaa yag sigifia. Sebab hasil uji statisti, ilai t adalah,720. Sedaga pada tabel distribusi t, ilai ritis (critical value) adalah 3,43. Oleh area,720 tersebut lebih redah dari pada ilai ritis, maa hitpotesa ull juga dapat diterima. Tabel 3.6. Nilai Tr(S B ) sampel ode Tr(S B ) ISMC CA Peigata A 4,478022e+07 4,757978e+07 5,88% B 4,408e+07 7,608887e+07 42,5% C 2,773709e+08 2,878832e+08 3,65% D 3,638e+08 3,657468e+08,26% E 6,92406e+07 7,06225e+07,96% F,732320e+08,723e+08 -,8% G 2,06036e+08 2,35345e+08 3,52% Berdasara jumlah cluster yag sama, ilai Tr(S B ) ii juga meujua peigata, sebagaimaa Tabel 3.6. Namu, terdapat sampel (F) yag justru meuru. Jadi algoritma CA ii memag meujua peigata heterogeitas atar cluster, amu dimugia pula
7 terjadiya aomali pada suatu odisi tertetu yag ucertaity. Tabel 3.7. Nilai Tr(S W ) sampel ode Tr(S W ) ISMC CA Peigata A 2,052004e+07,44408e+07 29,63% B 3,950288e+07,523252e+07 6,44% C 2,46730e+07,63752e+07 33,72% D,725970e+07,966575e+07-3,94% E 4,74370e+06 3,97660e+06 7,37% F 8,2367e+06 8,948068e+06-8,97% G,486727e+07,79007e+07 20,70% Tabel 3.7 memperlihata lebih redahya ilai Tr(S W ) pada algoritma CA. Namu, sebagaimaa Tabel 3.6, di sii terjadi pula aomali, yai pada sampel D da F. Algoritma CA ii memag meujua homogeitas eaggotaa cluster yag lebih meigat, amu dimugia pula terjadi sebaliya pada suatu odisi cluster tertetu. III.4. Pegujia Secara Visual Sampel utu uji coba ii adalah citra Ladsat TM dari daerah Jawa Timur, tepatya daerah Surabaya da seitarya. Salah satu bad yag diguaa, yai bad 5 dapat dilihat pada Gambar 3.4. Citra ii telah dieai proses histogram equalisasi, agar dapat dilihat dega jelas. Nampa terdapat 8 loasi berupa ota yag diberi wara hitam atau putih yag masig-masig beruura 0 x 0 pixel. Natiya masig-masig loasi tersebut dijadia sebagai sampel elas. Adapu oordiat sudut iri atas edelapa blo tersebut adalah (8, 40), (233.85), (8.0), da (234.20) utu peraira, selajutya oordiat awal (83.29), (29.87), (40.22), da (27.67) utu perotaa. Gambar 3.4. Pegambila 800 sampel daerah Jawa Timur Eseusi dega ISMC teryata meghasila 4 cluster. Oleh area diigia agar hasil pemetaa itu bisa dilihat secara visual, maa algoritma CA juga harus meghasila jumlah cluster yag sama, yai 4 cluster. Gambar 3.5 (a) meampaa hasil ISMC da Gambar 3.5 (b) meampaa hasil CA. Sealipu teresa mirip, amu, teryata CA mampu meampaa eadaa ota secara lebih detail dibadiga ISMC. (a) (b) Gambar 3.5. Hasil lasifiasi daerah Jawa Timur Pegujia secara visual melibata 2 elas, yai peraira da perotaa. Peraira meliputi laut, rawa, da tamba. Sedaga perotaa meliputi jala, peridustria, da perumaha. Jumlah sampel tiap elas adalah 4 blo, sedaga tiap blo beruura 0x0 pixel. Jadi sampel utu peraira da perotaa masig-masig berjumlah 400 pixel. Tiap oordiat blo hasil eseusi edua algoritma didetesi omor ode waraya, yag sealigus meujua ode cluster daerah tersebut. Selajutya tiap omor diaumulasi, sehigga dietahui jumlah eseluruhaya. Detesi ii sealigus membadiga tigat etelitia edua algoritma dalam proses clusterig. Matris cofusio pada Tabel 3.8 (a) meujua bahwa ISMC meglasifiasia 800 pixel sampel tersebut e dalam 9 elas. Sedaga CA mejadiaya elas, sebagaimaa ampa pada Tabel 3.8 (b). Tabel 3.8. Matris cofusio lasifiasi Jawa Timur (a) (b) Hasil lasifiasi ISMC Hasil lasifiasi CA No elas Laha No elas Laha Cluster # #2 Cluster # # Total Total Pada Tabel 3.8 (a) ampa terjadi dualisme pada cluster omor 2, dimaa 6 pixel diataraya dieali sebagai peraira, amu 8 pixel diataraya dieali sebagai perotaa. eeam pixel tersebut terdapat pada blo dega oordiat awal (234,30), yai yag berloasi di daerah tamba.
8 elas laha peraira da perotaa pada Tabel 3.8 (b) teryata berhasil dieali dega bai oleh 800 sampel pixel tersebut. Hal ii membutia bahwa algoritma CA memilii etepata pegelompoa pixel yag lebih tiggi terhadap suatu elas laha. IV. ESIMPULAN Berdasara peelitia yag diawali dega megaji berbagai perembaga algoritma clusterig higga diusulaya algoritma CA ii, maa dapat ditari beberapa esimpula beriut ii :. Berdasara uji coba dega parameter merge da threshold yag diset sama dega reomedasi dari algoritma ISMC, terbuti bahwa algoritma CA ii mampu meghasila cluster yag lebih ompa da lebih meampaa heterogeitas atar cluster, serta lebih tepat dalam megidetifiasi elas. 2. Peigata ecepata eseusi algoritma CA dibadiga algoritma ISMC, aa lebih tajam utu citra dega jumlah bad yag lebih baya. 3. Proses pembagia (split) suatu cluster aa dapat dilaua dega lebih cepat, bila mempertimbaga juga fator distribusi wara pixel yag dalam peelitia ii direpresetasia melalui histogram. Sebab dega cara ii, loasi terosetrasiya pixel, yag diasumsia sebagai loasi pusat suatu cluster, dapat didetesi secara lagsug. 4. Peggabuga (merge) sejumlah cluster yag serupa memag dapat dilaua dega berbagai metode, amu perlu diperhatia arateristi data tersebut. eberadaa oise juga aa berpegaruh terhadap omposisi cluster. Dega meggabuga clustercluster yag diasumsia terlalu berdeata, aa meyebaba jara atar cluster mai jauh. Hal ii aa semai meigata perbedaa prototype suatu cluster dega cluster laiya. 5. Fuzzy C Mea yag memag berjeis partitioal ii, tetap saja megharusa tersediaya iisialisasi loasi pusat tiap cluster. Oleh area itu, diperlua tei yag tepat utu meghasila periraa awal loasi pusat cluster tersebut, agar eadaa overge leas tercapai. Dalam peelitia ii, Fuzzy C Mea didahului dega proses split da merge yag meghasila jumlah cluster yag optimal da loasi pusat cluster yag cuup mewailiya. 6. Pegguaa PCT utu proses pembuata histogram sagat dipegaruhi oleh orelasi atar spetrum, oleh areaya algoritma CA ii lebih sesuai utu citra multispetral yag orelasi atar spetrumya tiggi. 7. ualitas hasil lasifiasi algoritma CA ii sagat tergatug pada distribusi pixel pada feature space yag sulit dipredisi. Oleh area itu, sulit utu meghidari terjadiya aomali sebagaimaa pada citra sampel C da F. V. SARAN Beriut ii adalah beberapa sara utu peyempuraa da pegembaga lebih lajut :. Metode yag diusula ii masih megguaa jara euclidea sebagai parameter peetu eaggotaa suatu cluster. 2. Pemaaia jara ii beraibat etidamampuaya utu membedaa cluster yag berlaia uura. Oleh area itu, perlu juga mempertimbaga pegguaa variasi. 3. Peetua ilai threshold yag tepat, juga aa sagat membatu proses ii. Oleh area itu dibutuha eseperime yag lebih baya utu meggeeralisir threshold tersebut. 4. Megigat peambaha jumlah bad membuat peigata watu yag cuup drastis, maa diperlua proses pemiliha ciri utu meredusi jumlah dimesi yag terlibat proses clusterig. VI. REFERENSI [] Aiati Muri da S. Setiawa, Pegatar Pegolaha Citra, Jaarta; Elex Media omputido, 992. [2] Aita M. Seddo da Garry E. Hut, Segmetatio of Cloud Cluster Aalysis, Iteratioal Joural of Remote Sesig, (6), 985, [3] H. Frigui da R.rishapuram, A Robust Clusterig Algorithm Based o Competitive Agglomeratio ad Soft Rejectio of Outliers, Proceedigs of the 996 Coferece o Computer Visio ad Patter Recogitio, 996. [4] J. C. Bezde, Patter Recogitio with Fuzzy Objective Fuctio Algorithms, New Yor; Pleum, 98. [5] James J. Simpso, Timothy J. McItire, da Matthew Sieo, A Improved Hybrid Clusterig Algorithm for Natural Scees, IEEE Tras. o Geosciece ad Remote Sesig, 38(2), [6] Mehmet Cele, Hierarchical color clusterig for segmetatio of textured images, Proceedigs of the 29 th Southeaster Symposium o System Theory (SSST '97), 997. [7] Nevi A. Mohamed, M. N. Ahmed da A. A. Farag, "Modified Fuzzy C-Mea i Medical Image Segmetatio," Proc. of IEEE-EMBS, 20(3), 998, [8] Nozha B., O Competitive Usupervised Clusterig, Proceedigs of the Iteratioal Coferece o Patter Recogitio (ICPR'00), [9] Joh. A. Richards, Remote Sesig Digital Image Aalysis, A Itroductio, Berli; Spriger-Verlag Berli Heidelberg, 986. [0] Ph. Schmid da S. Fischer, Color segmetatio for the aalysis of Pigmeted Si Lesios, Proceedigs
9 of the Sixth Iteratioal Coferece o Image Processig ad Its Applicatios, 2, 997, [] R. M. Haralic da L. G. Saphiro, Computer ad Robot Visio, Vol. I da II, Addiso-Wesley, 993. [2] Richard O. Duda da Peter E. Hart, Patter Classificatio ad Scee Aalysis, New Yor; Joh Wiley & Sos, 973. [3] William R. Dillo da Matthew Goldstei, Multivariate Aalysis Methods ad Applicatios, New Yor; Joh Wiley & Sos, 984.
Gambar 3.1Single Channel Multiple Phase
BAB III MODEL ANTRIAN PADA PEMBUATAN SIM C. Sigle Chael Multiple Phase Sistem atria sigle chael multiple phase merupaa sistem atria dimaa pelagga yag tiba, dapat memasui sistem dega megatri di tempat yag
Lebih terperinciMACAM-MACAM TEKNIK MEMBILANG
0 MACAM-MACAM TEKNIK MEMBILANG ATURAN PERKALIAN Beriut ii diberia sebuah dalil tetag peetua baya susua yag palig sederhaa dalam suatu permasalaha yag beraita dega peluag. Dalil 2.1: ATURAN PERKALIAN SECARA
Lebih terperinciTEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS
Jural Matematia Vol.6 No. November 6 [ 5 : ] TEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS Ooy Rohaei Jurusa Matematia, UNISBA, Jala Tamasari No, Badug,6, Idoesia
Lebih terperinciDeret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka
oi eswa (fmipa-itb) Deret Positif Deret (ta berhigga) adalah ugapa berbetu a + a + a 3 + a 4 + dega a i disebut suu. Pejumlaha ii berbeda dega pejumlaha dua, tiga, atau berhigga bilaga. Maa, ita perlu
Lebih terperinciSifat-sifat Fungsi Karakteristik dari Sebaran Geometrik
Sifat-sifat Fugsi Karateristi dari Sebara Geometri Dodi Deviato Jurusa Matematia, Faultas MIPA, Uiversitas Adalas Kamus Limau Mais, Padag 563, Sumatera Barat, Idoesia Abstra Fugsi arateristi dari suatu
Lebih terperinciDeret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka
oi eswa (fmipa-itb) Deret Positif Deret (ta berhigga) adalah ugapa berbetu a + a + a 3 + a 4 + dega a i disebut suu. Pejumlaha ii berbeda dega pejumlaha dua, tiga, atau berhigga bilaga. Maa, ita perlu
Lebih terperinciRepresentasi sinyal dalam impuls
Represetasi siyal dalam impuls Represetasi siyal dalam impuls adalah siyal yag diyataa sebagai fugsi dari impuls atau sebagai umpula dari impuls-impuls. Sembarag siyal disret dapat diyataa sebagai pejumlaha
Lebih terperinciMASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK. Masalah 1 Terdapat berapa carakah kita dapat memilih 2 baju dari 20 baju yang tersedia?
Kartia Yuliati, SPd, MSi MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK Masalah Terdapat berapa caraah ita dapat memilih baju dari 0 baju yag tersedia? Cara Misala baju diberi omor dari sampai
Lebih terperinciMODUL 1.03 DINAMIKA PROSES. Oleh : Ir. Tatang Kusmara, M.Eng
MODUL 1.03 DINMIK PROSES Ole : Ir. Tatag Kusmara, M.Eg LBORTORIUM OPERSI TEKNIK KIMI JURUSN TEKNIK KIMI UNIVERSITS SULTN GENG TIRTYS CILEGON BNTEN 2008 2 Modul 1.03 DINMIK PROSES I. Pedaulua Dalam bidag
Lebih terperinciBAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE)
BAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE) 5.1. Pembagit Radom Variate Disrit Suatu Radom Variate diartia sebagai ilai suatu radom variate yag mempuyai distribusi tertetu. Utu megambil
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Tempat da Watu Peelitia Peelitia megeai Kepuasa Kosume Restora Gampoeg Aceh, dilasaaa pada bula Mei 2011 higga Jui 2011. Restora Gampoeg Aceh, bertempat di Jl Pajajara, Batarjati,
Lebih terperinciMODUL BARISAN DAN DERET
MODUL BARISAN DAN DERET SEMESTER 2 Muhammad Zaial Abidi Persoal Blog http://meetabied.wordpress.com BAB I. PENDAHULUAN A. Desripsi Dalam modul ii, ada aa mempelajari pola bilaga, barisa, da deret diidetifiasi
Lebih terperinciPerluasan Uji Kruskal Wallis untuk Data Multivariat
Statistia, Vol. No., Mei Perluasa Uji Krusal Wallis utu Data Multivariat TETI SOFIA YANTI Program Studi Statistia, Uiversitas Islam Badug, Jl. Purawarma No. Badug. E-mail: buitet@yahoo.com ABSTAK Adaia
Lebih terperinciBAB II LANDASAN TEORI. gamma, fungsi likelihood, dan uji rasio likelihood. Misalkan dilakukan percobaan acak dengan ruang sampel C.
BAB II LANDASAN TEORI Pada bab ii aa dibahas teori teori yag meduug metode upper level set sca statistics, atara lai peubah aca, distribusi gamma, fugsi gamma, fugsi lielihood, da uji rasio lielihood.
Lebih terperinciPEMBUKTIAN SIFAT RUANG BANACH PADA D(K)
JMP : Volume 4 Nomor 1, Jui 2012, hal. 41-50 PEMBUKTIAN SIFAT RUANG BANACH PADA D(K) Malahayati Program Studi Matematia Faultas Sais da Teologi UIN Sua Kalijaga malahayati_01@yahoo.co.id ABSTRACT. I this
Lebih terperinciMAKALAH TEOREMA BINOMIAL
MAKALAH TEOREMA BINOMIAL Disusu utu memeuhi tugas mata uliah Matematia Disrit Dose Pegampu : Dr. Isaii Rosyida, S.Si, M.Si Rombel B Kelompo 2 1. Wihdati Martalya (0401516006) 2. Betha Kuria S. (0401516012)
Lebih terperinciBAB III TAKSIRAN PROPORSI POPULASI JIKA TERJADI NONRESPON. Dalam bab ini akan dibahas penaksiran proporsi populasi jika terjadi
BAB III TAKSIRA PROPORSI POPULASI JIKA TERJADI ORESPO Dalam bab ii aa dibaas peasira proporsi populasi jia terjadi orespo da dilaua allba sebaya t ali. Selai itu, juga aa dibaas peetua uura sampel yag
Lebih terperinciBAB 2 LANDASAN TEORI. lebar pita sinyal tersebut. Pada kebanyakan aplikasi, termasuk kamera digital video dan
BAB LADASA TEORI Teorema Shao-yquist meyataa agar tida ada iformasi yag hilag etia pecuplia siyal, maa ecepata pecuplia harus miimal dua ali dari lebar pita siyal tersebut. Pada ebayaa apliasi, termasu
Lebih terperinciAplikasi Sistem Orthonormal Di Ruang Hilbert Pada Deret Fourier
Apliasi Sistem Orthoormal Di Ruag Hilbert Pada Deret Fourier A 7 Fitriaa Yuli S. FMIPA UNY Abstra Ruag hilbert aa dibahas pada papper ii. Apliasi system orthoormal aa diaji da aa diapliasia pada ruahg
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 5
Mata Kuliah : Matematia Disrit Program Studi : Tei Iformatia Miggu e : 5 KOMBINATORIAL PENDAHULUAN Persoala ombiatori bua merupaa persoala baru dalam ehidupa yata. Baya persoala ombiatori sederhaa telah
Lebih terperinciMakalah Tugas Akhir. Abstract
Maalah Tugas Ahir IDENTIFIKASI JENIS PENYAKIT KULIT BERDASARKAN ANALISIS WARNA DAN TEKSTUR PADA CITRA KULIT MENGGUNAKAN KLASIFIKASI K-NEAREST NEIGHBOR Faris Fitriato 1, R Rizal Isato 2, Ajub Ajulia Zahra.
Lebih terperinciBARISAN DAN DERET. U n = suku ke-n Contoh: Barisan bilangan asli, bilangan genap, bilangan ganjil, dan lain-lain.
BARIAN DAN DERET A. Barisa Barisa adalah uruta bilaga yag memilii atura tertetu. etiap bilaga pada barisa disebut suu barisa yag dipisaha dega lambag, (oma). Betu umum barisa:,, 3, 4,, dega: = suu pertama
Lebih terperinci3. Integral (3) (Integral Tentu)
Darublic www.darublic.com. Itegral () (Itegral Tetu).. Luas Sebagai Suatu Itegral. Itegral Tetu Itegral tetu meruaa itegral ag batas-batas itegrasia jelas. Kose dasar dari itegral tertetu adalah luas bidag
Lebih terperinciBab 6: Analisa Spektrum
BAB Aalisa Spetrum Bab : Aalisa Spetrum Aalisa Spetrum Dega DFT Tujua Belajar Peserta dapat meghubuga DFT dega spetrum dari sial hasil samplig sial watu otiue. -poit DFT dari sial x adalah Xω ag diealuasi
Lebih terperinciSTUDI TENTANG PETA KENDALI p YANG DISTANDARISASI UNTUK PROSES PENDEK KUALITAS
STUDI TENTANG PETA KENDALI p YANG DISTANDARISASI UNTUK PROSES PENDEK KUALITAS (Tati Octavia et al.) STUDI TENTANG PETA KENDALI p YANG DISTANDARISASI UNTUK PROSES PENDEK KUALITAS Tati Octavia Dose Faultas
Lebih terperinciPEMBAHASAN SOAL OSN MATEMATIKA SMP TINGKAT PROPINSI 2011 OLEH :SAIFUL ARIF, S.Pd (SMP NEGERI 2 MALANG)
PEMBAHASAN SOAL OLIMPIADE SAINS NASIONAL SMP A. ISIAN SINGKAT SELEKSI TINGKAT PROPINSI TAHUN 011 BIDANG STUDI MATEMATIKA WAKTU : 150 MENIT 1. Jia x adalah jumlah 99 bilaga gajil terecil yag lebih besar
Lebih terperinciAproksimasi Terbaik dalam Ruang Metrik Konveks
Aprosimasi Terbai dalam Ruag etri Koves Oleh : Suharsoo S Jurusa atematia FIPA Uiversitas Lampug Abstra asalah esistesi da etuggala aprosimasi terbai suatu titi dalam ruag berorm telah dipelajari oleh
Lebih terperinciBAB II LANDASAN TEORI. persamaan yang mengandung diferensial. Persamaan diferensial
5 BAB II LANDASAN TEORI A. Persamaa Diferesial Dari ata persamaa da diferesial, dapat diliat bawa Persamaa Diferesial beraita dega peelesaia suatu betu persamaa ag megadug diferesial. Persamaa diferesial
Lebih terperinciPeluang Suatu Kejadian, Kaidah Penjumlahan, Peluang Bersyarat, Kaidah Perkalian dan Kaidah Baiyes
eluag uatu Kejadia, Kaidah ejumlaha, eluag ersyarat, Kaidah eralia da Kaidah aiyes.eluag uatu Kejadia Defiisi : eluag suatu ejadia adalah jumlah peluag semua titi otoh dalam. Dega demiia : 0 (), ( ) =
Lebih terperinciKonvolusi pada Distribusi dengan Support Kompak
Prosidig SI MaNIs (Semiar Nasioal Itegrasi Matematia da Nilai Islami) Vol1, No1, Juli 2017, Hal 453-457 p-issn: 2580-4596; e-issn: 2580-460X Halama 453 Kovolusi pada Distribusi dega Support Kompa Cythia
Lebih terperinciKeywords: Convergen Series, Banach Space, Sequence space cs, Dual-α, Dual-
Jural MIPA FST UNDANA, Volume 2, Nomor, April 26 DUAL-, DUAL- DAN DUAL- DARI RUANG BARISAN CS Albert Kumaereg, Ariyato 2, Rapmaida 3,2,3 Jurusa Matematia, Faultas Sais da Tei Uiversitas Nusa Cedaa ABSTRACT
Lebih terperinciMASALAH DISTRIBUSI BOLA KE DALAM WADAH SEBAGAI FUNGSI ATAU KUMPULAN FUNGSI
Vol. 11, No. 1, 45-55, Juli 2014 MASALAH DISTRIBUSI BOLA KE DALAM WADAH SEBAGAI FUNGSI ATAU KUMPULAN FUNGSI Fauziah Baharuddi 1, Loey Haryato 2, Nurdi 3 Abstra Peulisa ii bertujua utu medapata perumusa
Lebih terperinciPERBANDINGAN PENDEKATAN SEPARABLE PROGRAMMING DENGAN THE KUHN-TUCKER CONDITIONS DALAM PEMECAHAN MASALAH NONLINEAR
Jural Tei da Ilmu Komputer PERBANDINGAN PENDEKATAN SEPARABLE PROGRAMMING DENGAN THE KUHN-TUCKER CONDITIONS DALAM PEMECAHAN MASALAH NONLINEAR Budi Marpaug Faultas Tei da Ilmu Komputer Jurusa Tei Idustri
Lebih terperinciBab 16 Integral di Ruang-n
Catata Kuliah MA3 Kalulus Elemeter II Oi Neswa,Ph.D., Departeme Matematia-ITB Bab 6 Itegral di uag- Itegral Gada atas persegi pajag Itegral Berulag Itegral Gada atas Daerah sebarag Itegral Gada Koordiat
Lebih terperinciBAB II TINJAUAN PUSTAKA. membahas distribusi normal dan distribusi normal baku, penaksir takbias μ dan σ,
BAB II TINJAUAN PUSTAKA.1 Pedahulua Dalam peulisa materi poo dari sripsi ii diperlua beberapa teori-teori yag meduug, yag mejadi uraia poo pada bab ii. Uraia dimulai dega membahas distribusi ormal da distribusi
Lebih terperinciSEGMENTASI PELANGGANPLN MENGGUNAKAN FUZZY KLUSTERING SHORT TIME SERIES. Maria Titah Jatipaningrum
Yogyaarta, 5 November 04 SEGMENTASI PELANGGANPLN MENGGUNAKAN FUZZY KLUSTERING SHORT TIME SERIES Maria Titah Jatipaigrum Jurusa Matematia, Faultas Sais Terapa, IST AKPRIND Yogyaarta e-mail : titah.jp@gmail.com
Lebih terperinciBAGAN KENDALI G UNTUK PENGENDALIAN VARIABILITAS PROSES MULTIVARIAT (Studi Kasus pada data cuaca di kota Makassar pada tahun 2003 sampai tahun 2012)
BAGAN KENDALI G UNTUK PENGENDALIAN VARIABILITAS PROSES MULTIVARIAT (Studi Kasus pada data cuaca di ota Maassar pada tahu 003 sampai tahu 0) PAISAL, H, HERDIANI, E.T. DAN SALEH, M 3 Jurusa Matematia, Faultas
Lebih terperinciSIMULASI MODEL RLC BERBANTUAN MS EXCEL ASSISTED RLC MODEL SIMULATION MS EXCEL
SIMULASI MODEL RLC BERBANTUAN MS EXCEL ASSISTED RLC MODEL SIMULATION MS EXCEL Edag Habiuddi (Staf Pegajar UP MKU Politei Negeri Badug (Email : ed_.hab@yahoo.co.id ABSTRAK Sistem ragaia listri RLC seri
Lebih terperinciPemilihan Kapasitas Dan Lokasi Optimal Kapasitor Paralel Pada Sistem Distribusi Daya Listrik
ELECTRICIAN Jural Reayasa da Teologi Eletro 0 Pemiliha Kapasitas Da Loasi Optimal Paralel Pada Sistem Distribusi Daya Listri Osea Zebua Jurusa Tei Eletro, Faultas Tei, Uiversitas Lampug Jl. Prof. Sumatri
Lebih terperinciMetode Perhitungan Grafik Dalam Geolistrik Tahanan Jenis Bumi Dengan Derajat Pendekatan Satu
Metode Perhituga Grafi.. P. Maurug Metode Perhituga Grafi Dalam Geolistri Tahaa Jeis Bumi Dega Derajat Pedeata Satu Posma Maurug Jurusa Fisia, FMIPA Uiversitas Lampug Jl. S. Brojoegoro No. Badar Lampug
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini bertujuan untuk mengetahui ada tidaknya peningkatan
BAB III METODE PENELITIAN A. Desai Peelitia Peelitia ii bertujua utu megetahui ada tidaya peigata emampua siswa dalam pealara setelah megguaa model pembelajara berbasis masalah terstrutur dalam pembelajara
Lebih terperinciPenerapan Algoritma Dijkstra dalam Pemilihan Trayek Bus Transjakarta
Peerapa Algoritma Dijstra dalam Pemiliha Traye Bus Trasjaarta Muhammad Yafi 504 Program Studi Tei Iformatia Seolah Tei Eletro da Iformatia Istitut Teologi Badug, Jl. Gaesha 0 Badug 40, Idoesia 504@std.stei.itb.ac.id
Lebih terperinciANALISA PENGARUH PANJANG BELT CONVEYOR TERHADAP FREKUENSI REPAIR SEBELUM DAN SESUDAH MENGGUNAKAN LOCKING BOLT PADA SAMBUNGAN COLD SPLICING ABSTRAKSI
ANALIA PENGARUH PANJANG BELT CONVEYOR TERHAAP FREKUENI REPAIR EBELUM AN EUAH MENGGUNAKAN LOCKING BOLT PAA AMBUNGAN COL PLICING ABTRAKI Ach. Hadi Widodo¹,Priyagug Hartoo²,uatmio³ ¹Mahasiswa Tei Mesi,Uiversitas
Lebih terperinci1.1 METODE PENGEMBANGAN PENDEKATAN RATA- RATA SAMPEL UNTUK PROGRAM STOKASTIK DUA TAHAP. Faridawaty Marpaung. Abstrak
METODE PEGEMBAGA PEDEKATA RATA- RATA SAMPEL UTUK PROGRAM STOKASTIK DUA TAHAP Faridawaty Marpaug Abstra Peelitia ii megemuaa metode pegembaga pedeata rata rata sampel utu program stoasti dua tahap. Metodologi
Lebih terperinciPenggunaan Transformasi z
Pegguaa Trasformasi pada Aalisa Respo Freuesi Sistem FIR Oleh: Tri Budi Satoso E-mail:tribudi@eepis-its.eduits.edu Lab Siyal,, EEPIS-ITS ITS /3/6 osep pemiira domais of represetatio Domai- discrete time:
Lebih terperinciUNIVERSITAS INDONESIA META-ANALISIS UNTUK RELIABILITAS SUATU ALAT UKUR BERDASARKAN KOEFISIEN ALPHA CRONBACH SKRIPSI JANUARINA ANGGRIANI
UNIVERSITAS INDONESIA META-ANALISIS UNTUK RELIABILITAS SUATU ALAT UKUR BERDASARKAN KOEFISIEN ALHA CRONBACH SKRISI JANUARINA ANGGRIANI 080655 FAKULTAS MATEMATIKA DAN ILMU ENGETAHUAN ALAM ROGRAM STUDI SARJANA
Lebih terperinciPENJADWALAN JOBS PADA SINGLE MACHINE DENGAN MEMINIMUMKAN VARIANS WAKTU PENYELESAIAN JOBS (Studi Kasus di P.T. XYZ )
(Fey Nilawati Kusuma et al.) PENJADWALAN JOBS PADA SINGLE MACHINE DENGAN MEMINIMUMKAN VARIANS WAKTU PENYELESAIAN JOBS (Studi Kasus di P.T. XYZ ) I Gede Agus Widyadaa I Nyoma Sutapa Dose Faultas Teologi
Lebih terperinciUJI STATISTIK PENGARUH PERLAKUAN PERMUKAAN TERHADAP UMUR FATIK DENGAN DATA TERBATAS
Uji Statisti Pegaruh Perlaua Permuaa terhadap dega Data Terbatas (Agus Suhartoo) Areditasi LIPI omor : 536/D/007 Taggal 6 Jui 007 UJI STATISTIK PEGARUH PERLAKUA PERMUKAA TERHADAP UMUR FATIK DEGA DATA TERBATAS
Lebih terperinciMASALAH RUTE DISTRIBUSI MULTIDEPOT DENGAN KAPASITAS DAN KECEPATAN KENDARAAN HETEROGEN
MASALAH RUTE DISTRIBUSI MULTIDEPOT DENGAN KAPASITAS DAN KECEPATAN KENDARAAN HETEROGEN Adam Priyo Hartoo 1), Farida Haum 2), Toi Bahtiar 3) 1)2)3) Departeme Matematia, FMIPA, Istitut Pertaia Bogor Kampus
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciTEOREMA KEKONVERGENAN FUNGSI TERINTEGRAL HENSTOCK- KURZWEIL SERENTAK DAN FUNGSI BERSIFAT LOCALLY SMALL RIEMANN SUMS (LSRS) DARI RUANG EUCLIDE
Teorema Keovergea Fugsi Teritegral Hestoc(Aiswita) TORMA KKONVRGNAN FUNGSI TRINTGRAL HNSTOCK- KURZWIL SRNTAK DAN FUNGSI BRSIFAT LOCALLY SMALL RIMANN SUMS (LSRS) DARI RUANG UCLID K RUANG BARISAN Aiswita,
Lebih terperinciEstimasi Prob. Density Function dengan EM
Estimasi rob. Desity Fuctio dega EM Sumber: -Forsyth & oce Chap. 7 -Stadford Visio & Modelig robability Desity Estimatio arametric Represetatios o-arametric Represetatios Miture Models age Metode estimasi
Lebih terperinciSIFAT ALJABAR BANACH KOMUTATIF DAN ELEMEN IDENTITAS PADA
SIFAT ALJABAR BANACH KOMUTATIF DAN ELEMEN IDENTITAS PADA KELAS D(K) Malahayati Program Studi Matematia Faultas Sais da Teologi UIN Sua Kalijaga Yogyaarta e-mail: malahayati_01@yahoo.co.id ABSTRAK Himpua
Lebih terperinciBAHAN AJAR DIKLAT GURU MATEMATIKA
BAHAN AJAR DIKLAT GURU MATEMATIKA DEPARTEMEN PENDIDIKAN NASIONAL DIREKTORAT JENDERAL PENDIDIKAN DASAR DAN MENENGAH DIREKTORAT PENDIDIKAN MENENGAH KEJURUAN 005 DAFTAR ISI Kata Pegatar.. i Daftar Isi...
Lebih terperinciPENGEDITAN DETIL KURVA DENGAN METODE CURVE ANALOGIES MENGGUNAKAN PUSTAKA KURVA MULTIRESOLUSI
PENGEDITAN DETIL KURVA DENGAN METODE CURVE ANALOGIES MENGGUNAKAN PUSTAKA KURVA MULTIRESOLUSI Nai Suciati, Rizy Yuiar Hau Jurusa Tei Iformatia, Faultas Teologi Iformasi, Istitut Teologi Sepuluh Nopember
Lebih terperinciBAB 6 NOTASI SIGMA, BARISAN DAN DERET
BAB 6 NOTASI SIGMA, BARISAN DAN DERET A RINGKASAN MATERI. Notasi Sigma Diberia suatu barisa bilaga, a, a,..., a. Lambag deret tersebut, yaitu: a = a + a +... + a a meyataa jumlah suu pertama barisa Sifat-sifat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Risio Operasioal.1.1 Defiisi Dewasa ii risio operasioal semai diaui sebagai salah satu fator uci yag perlu dielola da dicermati oleh para pelau usaha, hususya di bidag jasa euaga.
Lebih terperinciJurnal Ilmu Matematika dan Terapan Maret 2016 Volume 10 Nomor 1 Hal
Jural Ilmu Matematia da Terapa Maret 16 Volume 1 Nomor 1 Hal. 61 68 ANALISIS FAKTOR-FAKTOR YANG MEMPERNGARUHI KANKER LEHER RAHIM DI KOTA AMBON DENGAN MENGGUNAKAN REGRESI LOGISTIK BINER (Studi asus: Pasie
Lebih terperinciKompleksitas dari Algoritma-Algoritma untuk Menghitung Bilangan Fibonacci
Kompleksitas dari Algoritma-Algoritma utuk Meghitug Bilaga Fiboacci Gregorius Roy Kaluge NIM : 358 Program Studi Tekik Iformatika, Istitut Tekologi Badug Jala Gaesha, Badug e-mail: if8@studets.if.itb.ac.id,
Lebih terperinciOPTIMASI PENEMPATAN DISTRIBUTED GENERATION PADA IEEE 30 BUS SYSTEM MENGGUNAKAN BEE COLONY ALGORITHM
OPTIMASI PENEMPATAN DISTRIBUTED GENERATION PADA IEEE 30 BUS SYSTEM MENGGUNAKAN BEE COLONY ALGORITHM Nur Ilham Luthfi *), Yuigtyastuti, ad Susatyo Hadoo Jurusa Tei Eletro, Uiversitas Dipoegoro Semarag Jl.
Lebih terperinciStudi Determinasi Nilai Tukar di Indonesia : Pendekatan Vector Autoregressive (VAR)
Mie et al., Studi Determiasi Nilai Tuar di Idoesia : Pedeata Vector Autoregressive... 1 Studi Determiasi Nilai Tuar di Idoesia : Pedeata Vector Autoregressive (VAR) Exchage Rate Determiatio Studies i Idoesia
Lebih terperinciGerak Brown Fraksional dan Sifat-sifatnya
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 06 S - 3 Gera Brow Frasioal da Sifat-sifatya Chataria Ey Murwaigtyas, Sri Haryatmi, Guardi 3, Herry P Suryawa 4,,3 Uiversitas Gadjah Mada,4 Uiversitas
Lebih terperinciSinyal dan Sistem Waktu Diskrit ET 3005 Pengolahan Sinyal Waktu Diskrit EL 5155 Pengolahan Sinyal Waktu Diskrit
Siyal da Sistem Watu Disrit ET 35 Pegolaha Siyal Watu Disrit EL 5155 Pegolaha Siyal Watu Disrit Effria Yati Hamid 1 2 Siyal da Sistem Watu Disrit 2.1 Siyal Watu Disrit 2.1.1 Pegertia Siyal Watu Disrit
Lebih terperinciGRAFIKA
6 5 7 3 6 3 3 GRAFIKA 3 6 57 08 0 9 5 9 385 946 5 3 30 0 8 9 5 9 3 85 946 5 ANALISA REAL Utu uliah (pegatar) aalisa real yag dilegapi dega program MATLAB Dr. H.A. Parhusip G R A F I K A Peerbit Tisara
Lebih terperinciJurnal MIPA 38 (1) (2015): Jurnal MIPA.
Jural MIPA 38 () (5): 68-78 Jural MIPA http://ouraluesacid/u/idephp/jm APROKSIMASI ANUIAS HIDUP MENGGUNAKAN KOMBINASI EKSPONENSIAL LJ Siay S Gurito Guardi 3 Jurusa Matematia FMIPA Uiversitas Pattimura
Lebih terperinciPendekatan Teori Antrian : Kasus Nasabah Bank pada Pukul WIB di Bank BNI 46 Cabang Bengkulu
Jural Gradie Vol. No. Juli 5 : 9-97 edeata Teori Atria : Kasus Nasabah Ba pada uul 8.-. WIB di Ba BNI 46 Cabag Begulu Fahri Faisal Jurusa Matematia, Faultas Matematia da Ilmu egetahua Alam, Uiversitas
Lebih terperinci1) Leptokurtik Merupakan distribusi yang memiliki puncak relatif tinggi
Statisti Desriptif Keruciga atau Kurtosis Pegertia Kurtosis Peguura urtosis (peruciga) sebuah distribusi teoritis adaalaya diamaam peguura eses (excess) dari sebuah distribusi Sebearya urtosis bisa diaggap
Lebih terperinciSTATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran
KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua
Lebih terperinciPenulis: Penilai: Editor: Ilustrator: Dra. Puji Iryanti, M.Sc. Ed. Al. Krismanto, M.Sc. Sri Purnama Surya, S.Pd, M.Si. Fadjar N. Hidayat, S.Si.,M.Ed.
PAKET FASILITASI PEMBERDAYAAN KKG/MGMP MATEMATIKA Pembelajara Barisa, Deret Bilaga da Notasi Sigma di SMA Peulis: Dra. Puji Iryati, M.Sc. Ed. Peilai: Al. Krismato, M.Sc. Editor: Sri Purama Surya, S.Pd,
Lebih terperinciBab 5 Sinyal dan Sistem Waktu Diskrit. Oleh: Tri Budi Santoso Laboratorium Sinyal, EEPIS-ITS
Bab 5 Siyal da Sistem Watu Disrit Oleh: Tri Budi Satoso Laboratorium Siyal, EEPIS-ITS Materi: Represetasi matemati pada siyal watu disrit, domai watu da freuesi pada suatu siyal watu disrit, trasformasi
Lebih terperinciFUNCTIONALLY SMALL RIEMANN SUMS (FSRS) DAN ESSENTIALLY SMALL RIEMANN SUMS (ESRS) FUNGSI TERINTEGRAL HENSTOCKn. p )
βeta -ISSN: 85-5893 e-issn: 54-458 Vol. 3 No. (Noember), Hal. 79-89 βeta DOI: htt://dx.doi.org/.44/betajtm.v9i.7 FUNCTIONALLY SMALL RIMANN SUMS (FSRS) DAN SSNTIALLY SMALL RIMANN SUMS (SRS) FUNGSI TRINTGRAL
Lebih terperincix x x1 x x,..., 2 x, 1
0.4 Variasi Kaoi amel Da Korelasi Kaoi amel amel aca dari observasi ada masig-masig variabel dari ( + q) variabel (), () daat digabuga edalam (( + q) ) data matris,,..., dimaa (0-5) Adau vetor rata-rata
Lebih terperinciPENGARUH MODAL KERJA TERHADAP KREDIT YANG DISALURKAN SERTA DAMPAKNYA TERHADAP RENTABILITAS PERUSAHAAN
Jural Autasi FE Usil, Vol. 4, No., 009 ISSN : 907-9958 PENGARUH MODAL KERJA TERHADAP KREDIT YANG DISALURKAN SERTA DAMPAKNYA TERHADAP RENTABILITAS PERUSAHAAN Rai Rahma Dose Jurusa Autasi Faultas Eoomi Uiversitas
Lebih terperinciBAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.
BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder
Lebih terperinciModel Antrian Multi Layanan
Jural Gradie Vol. No. Juli : 8- Model Atria Multi Layaa Sisa Yosmar Jurusa Matematia, Faultas Matematia da Ilmu egetahua Alam, Uiversitas Begulu, Idoesia Diterima 9 April; Disetujui 8 Jui Abstra - Salah
Lebih terperinciPEMODELAN LAMA PEMBERIAN ASI EKSKLUSIF PADA RUMAH TANGGA MISKIN DENGAN METODE REGRESI POHON DI PROVINSI SULAWESI TENGAH
PEMODELAN LAMA PEMBERIAN ASI EKSKLUSIF PADA RUMAH TANGGA MISKIN DENGAN METODE REGRESI POHON DI PROVINSI SULAWESI TENGAH Yermia Firma Setiawirawa da Dr. Bambag Widjaaro Oto, S.Si, M.Si Mahasiswa Jurusa
Lebih terperinciMETODE HISTOGRAM EQUALIZATION UNTUK PERBAIKAN CITRA DIGITAL
Semiar Nasioal Teologi Iformasi & Komuiasi Terapa 2012 (Semati 2012) ISBN 979-26 - 0255-0 METODE HISTOGRAM EQUALIZATION UNTUK PERBAIKAN CITRA DIGITAL Nazaruddi Ahmad 1, Arifyato Hadiegoro 2 21 Program
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
Lebih terperinciMENGUJI KEMAKNAAN SAMPEL TUNGGAL
MENGUJI KEMAKNAAN SAMPEL TUNGGAL 1.1 Uji Biomial 1. Uji esesuaia Chi Kuadrat 1.3 Uji Kesesuaia K-S 1.4 Uji Ideedesi Chi Kuadrat 1.5 Uji Pasti Fisher UJI BINOMIAL Meruaa uji roorsi dalam suatu oulasi Poulasi
Lebih terperinciBAB I PENDAHULUAN. A. Latar Belakang. B. Tujuan dan Sasaran. C. Ruang Lingkup
BAB I PENDAHULUAN A. Latar Belaag Kombiatoria mempuyai beberapa aspe, yaitu eumerasi, teori graf, da ofigurasi atau peyusua. Eumerasi membahas peghituga susua berbagai tipe. Sebagai cotoh: (i) meghitug
Lebih terperinciPenerapan Metode Content-Based Filtering Pada Sistem Rekomendasi Kegiatan Ekstrakulikuler (Studi Kasus di Sekolah ABC)
Jural Tei Iformatia da Sistem Iformasi e-issn : 2443-2229 Volume 2 Nomor 3 Desember 2 Peerapa Metode Cotet-Based Filterig Pada Sistem Reomedasi Kegiata Estrauliuler (Studi Kasus di Seolah BC) Firmahsyah,
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI. mandiri jika tidak mengandung t secara eksplisit di dalamnya. (Kreyszig, 1983)
I PENDAHULUAN Latar Belaag Permasalaha ebiaa pemaea ia yag memberia eutuga masimum da berelauta (tida teradi epuaha dari populasi ia yag dipae) adalah hal yag sagat petig bagi idustri periaa Para ilmuwa
Lebih terperinciMengkaji Perbedaan Diagonalisasi Matriks Atas Field dan Matriks Atas Ring Komutatif
Megaji Perbedaa Diagoalisasi Matris Atas Field da Matris Atas Rig Komutatif Teorema : Jia A adalah matris x maa eryataa eryataa beriut eivale satu sama lai : a A daat didiagoalisasi b A memuyai vetor eige
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinciPemodelan Matematis Beban Tersebar Sebagai Beban Terpusat pada Sistem Distribusi 20 kv untuk Studi Aliran Daya
Pemodela Matematis Beba Tersebar Sebagai Beba Terpusat pada Sistem Distribusi 0 V utu Studi Alira Daya I Made Giarsa da I Made Ari Nrartha Dose Jurusa Tei Eletro Faultas Tei Uiversitas Mataram Tel. +6-30-63616
Lebih terperinciPELUANG. Drs. Marsudi Raharjo, M.Sc.Ed JENJANG LANJUT
DIKLAT INSTRUKTUR PENGEMBANG MATEMATIKA SMA JENJANG LANJUT PELUANG JENJANG LANJUT Drs Marsudi Raharjo, MScEd DEPARTEMEN PENDIDIKAN NASIONAL DIREKTORAT JENDERAL PENINGKATAN MUTU PENDIDIK DAN TENAGA KEPENDIDIKAN
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Objek Peelitia Peelitia dilakuka di bagia spiig khususya bagia widig Pabrik Cambrics Primissima (disigkat PT.Primissima) di Jala Raya Magelag Km.15 Slema, Yogyakarta. Peelitia
Lebih terperinciJurusan Pendidikan Matematika, Fakultas Keguruan dan Ilmu Pendidikan Universitas Bung Hatta
PENERAPAN MODEL COOPERATIVE LEARNING TIPE THINK PAIR SQUARE UNTUK MENINGKATKAN KEMAMPUAN PEMECAHAN MASALAH MATEMATIKA SISWA KELAS VIII SMP PERTIWI 1 PADANG Cherly Mardelfi 1, Lutfia Almash 2, Yusri Wahyui
Lebih terperinciMODUL BARISAN DAN DERET
MODUL BARISAN DAN DERET KELAS XII. IPS SEMESTER I Oleh : Drs. Pudjul Prijoo ( http://vidyagata.wordpress.co ) SMA NEGERI 6 Jala Mayje Sugoo 58 Malag Telp./Fax : (034) 75036 E-Mail : sa6_alag@yahoo.co.id
Lebih terperinciAnova (analysis of varian)
ova (aalysis of varia) Ui hipotesis perbedaa ilai rata-rata dari atau lebih elompo idepede Cotoh: daah perbedaa berat bayi lahir dari eluarga E tiggi dega E sedag atau E redah sumsi Ui ova: 1. ube diambil
Lebih terperinciANALISIS KESALAHAN Deskripsi : Objektif : 6.1 Pendahuluan 6.2 Koefesien Kesalahan Statik
96 VI ANALISIS ESALAHAN Desrisi : Bab ii memberia gambara tetag aalisis esalaha da eeaa ada sistem edali yag terdiri dari oefesie esalaha stati, oefesie esalaha diami da aalisis eeaa sistem Objetif : Memahami
Lebih terperinciANALISIS DATA GRAVITASI MAGRES REGIONAL MENGGUNAKAN METODE GRADIEN UNTUK MENGETAHUI ARAH FRACTURE BERBASISKAN FFT
ANALISIS DATA GRAVITASI MAGRES REGIONAL MENGGUNAKAN METODE GRADIEN UNTUK MENGETAHUI ARAH FRACTURE BERBASISKAN FFT Irwa Setyowidodo Tei Mesi, Faultas Tei, Uiversitas Nusatara PGRI Kediri E-mail: irwa.setyowidodo@mail.com
Lebih terperincie-journal Program Pascasarjana Universitas Pendidikan Ganesha Program Studi Teknologi Pembelajaran (Volume 3 Tahun 2013)
PENGARUH MOEL PEMELAJARAN TIPE STA AN MOTIVASI ERPRESTASI TERHAAP PRESTASI ELAJAR KETERAMPILAN MENULIS NARASI SISWA KELAS VII SMPN 1 ANGLI TAHUN PELAJARAN 2012/2013 I.N. Widiai 1, Wy. Satyasa 2, Raa Arsaa
Lebih terperinci1. Integral (1) Pembahasan yang akan kita lakukan hanya mengenai bentuk persamaan diferensial seperti contoh yang pertama.
Darublic www.darublic.com 1. Itegral (1) (Macam Itegral, Pedeata Numeri) Sudarato Sudirham Dalam bab sebeluma, ita memelajari salah satu bagia utama alulus, aitu alulus diferesial. Beriut ii ita aa membahas
Lebih terperinciEXPERT SYSTEM DIAGNOSA JENIS PENYAKIT GIGI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Komang Aryasa
Komag, Expert System Diagosa Jeis 81 EXPERT SYSTEM DIAGNOSA JENIS PENYAKIT GIGI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Komag Aryasa STMIK Dipaegara Maassar, Jl. Peritis Kemerdeaa Km.9 Telp (0411)
Lebih terperinciPENYELESAIAN PERSAMAAN DIFERENSIAL LANE-EMDEN MENGGUNAKAN METODE TRANSFORMASI DIFERENSIAL
PENYELESAIAN PERSAMAAN DIFERENSIAL LANE-EMDEN MENGGUNAKAN METODE TRANSFORMASI DIFERENSIAL Ahma Sya roi, M Natsir, Eag Lily E-mail: Arolativa@yahoocom Mahasiswa Program S Matematia Dose Jurusa Matematia
Lebih terperinciVolume 8 Nomor 1 Maret 2014m
Volume 8 Nomor Maret 04m Volume 8 Nomor Maret 04 PENANGGUNG JAWAB Ketua Jurusa Matematia FMIPA - Uiversitas Pattimura KETUA DEWAN REDAKSI H. J. Wattimaela, S.Si, M.Si PENYUNTING AHLI Prof. Drs. Subaar,
Lebih terperinci7. Perbaikan Kualitas Citra
7. Perbaia Kualitas Citra Perbaia ualitas citra (image ehacemet) merupaa salah satu proses awal dalam pegolaha citra (image preprocessig). Perbaia ualitas diperlua area serigali citra yag diadia obe pembahasa
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI0939 APLIKASI PERBAIKAN KONTRAS PADA CITRA RADIOGRAFI GIGI MENGGUNAKAN KOMBINASI METODE HISTOGRAM EQUALIZATION DAN FAST GRAY LEVEL GROUPING (Kata kuci: Fast gray level groupig,
Lebih terperinciKLASIFIKASI MUTASI JABATAN STRUKTURAL PEGAWAI NEGERI SIPIL MENGGUNAKAN METODE DECISION TREE
KLASIFIKASI MUTASI JABATAN STRUKTURAL PEGAWAI NEGERI SIPIL MENGGUNAKAN METODE DECISION TREE Yati, I Ketut Edy Purama, da Surya Sumpeo Tekik Elektro,Istitut Tekologi Sepuluh Nopember Alamat: Gedug B, C
Lebih terperinci