PENDAHULUAN TINJAUAN PUSTAKA
|
|
- Suparman Tanudjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENDAHULUAN Latar Belakang Pada saat n penamplan nformas dalam bentuk ctra semakn banyak dbutuhkan Hal n tdak lepas dar karakterstk ctra yang cenderung mudah dpaham Surat kabar, televs, dan stus web d nternet adalah sebagan contoh meda yang banyak menamplkan nformas dalam bentuk ctra Dbandngkan dengan ctra dalam meda konvensonal sepert kertas, ctra dgtal lebh mudah untuk dproses sesua kebutuhan Selan tu ctra dgtal lebh mudah dalam hal transmsnya ke tempat lan Namun demkan, jumlah bt yang dbutuhkan oleh data ctra cukup besar, dan akbatnya waktu yang dbutuhkan dalam transmsnya ke tempat lan melalu saluran komunkas juga cukup lama Oleh karena tu upaya untuk memperkecl kebutuhan ruang penympanan dar ctra dgtal menjad sangat pentng, agar dalam transmsnya melalu saluran komunkas juga menjad lebh cepat Pemampatan ctra bertujuan memnmalkan kebutuhan ruang penympanan untuk merepresentaskan ctra dgtal Prnsp umum yang dgunakan pada proses pemampatan ctra adalah mengurang redundans data d dalam ctra sehngga ruang penympanan yang dbutuhkan untuk merepresentaskan ctra menjad lebh sedkt darpada representas ctra semula (Munr, 004) Salah satu metode pemampatan ctra yang banyak dterapkan adalah ransform Codng Pada pemampatan ctra berbass ransform Codng, matrks ctra ddekomposs dengan tujuan untuk memadatkan sebanyak mungkn nformas ctra ke dalam sejumlah kecl koefsen transformas Dengan demkan koefsen-koefsen transformas lan yang kurang pentng yatu koefsen transformas yang memuat sedkt nformas ctra dapat dkuantsas secara kasar atau bahkan dabakan, sehngga efsens pemampatan bsa lebh bak Sngular Value Decomposton (SVD) merupakan suatu teknk transformas yang pentng dalam pemampatan ctra, karena transformas n memungknkan efsens pemadatan nformas yang optmal untuk sembarang ctra (Jan, 989) Namun selan koefsen transformas yang berupa nla sngular, proses transformas ctra dengan SVD juga menghaslkan vektor-vektor sngular yang juga perlu dsmpan bersama dengan koefsen transformas Vector Quantzaton (VQ) adalah teknk kuantsas yang bekerja pada vektor Pada VQ, pemampatan data vektor ddapat dengan hanya menympan ndeks dar vektor tersebut, dmana dalam pengkodean dan pendekodeannya mengacu pada sejens tabel yang dsebut codebook Pemampatan ctra SVD yang Hybrd dengan DC dkembangkan oleh Wongsawat et al (004), menggunakan Adaptve Multstage Vector Quantzaton (AMVQ) dalam pengkodean vektor-vektor sngular SVD Karya lmah n akan membahas dan mendemonstraskan kerja pemampatan ctra SVD berdasarkan skema yang dperkenalkan oleh Wongsawat et al (004) ujuan Adapun tujuan dlakukannya peneltan n adalah : Mempelajar dan mengmplementaskan metode pemampatan ctra berbasskan transformas Sngular Value Decomposton (SVD) Menganalsa knerja metode pemampatan ctra SVD yang dukur dar kualtas ctra hasl pemampatan (Peak Sgnal o Nose Rato) dan efsens pemampatan (Bt Per Pxel), serta membandngkannya dengan knerja metode pemampatan ctra Jont Photographc Experts Group (JPEG) Ruang Lngkup Dalam peneltan n dbuat suatu sstem yang dapat memampatkan ctra dan merekonstruks ctra hasl pemampatan dengan metode SVD, dmana ctra asl yang akan dmampatkan adalah ctra dengan format btmap (BMP) 8-bt per pxel skala keabuan (grayscale) Pemampatan ctra terutama dfokuskan pada ctra dgtal fotograf Manfaat Hasl peneltan n dharapkan dapat memberkan alternatf dalam pemlhan metode pemampatan ctra yang terbak INJAUAN PUSAKA Ctra Dgtal Sebuah ctra dapat ddefnskan sebaga sebuah fungs dua dmens f(x,y), dmana x dan y menunjukkan koordnat spasal, dan nla f pada sembarang koordnat (x,y) dsebut ntenstas atau kecerahan ctra pada ttk tersebut Ketka x, y, dan nla f berbentuk dskret berhngga, maka ctra tu dsebut sebuah ctra dgtal (Gonzales & Woods, 00) Sebuah ctra dgtal dapat dtamplkan dalam bentuk matrks berdmens m n, dengan m dan n masng-masng menunjukkan jumlah
2 bars dan kolom matrks tersebut sepert dlustraskan pada Gambar x f(x,y ) f(x,y ) f(x,y n) f(x,y ) Ctra m n f(x m,y ) f(x m,y n) pxel Gambar Representas ctra m n Setap elemen matrks tersebut menunjukkan nla elemen ctra (pxel) Suatu ctra dengan format 8 bt memlk 56 ntestas warna pada setap elemen ctranya, nla 0 untuk tngkat palng gelap dan 55 untuk tngkat yang palng terang (Gonzales & Woods 00) Pemampatan Ctra Pada umumnya representas ctra dgtal membutuhkan ruang penympanan yang cukup besar Sebaga contoh sebuah ctra btmap pxel dengan format 8-bt membutuhkan 768 KB ruang penympanan Besarnya jumlah data yang berkatan dengan nformas ctra dgtal merupakan sebuah masalah yang bsa mengakbatkan mahalnya baya penympanan, msalnya space dalam harddsk, dan baya transms Pemampatan ctra dapat mengatas masalah besarnya kebutuhan ruang penympanan ctra dan lamanya waktu transms Hal utama dalam proses pengurangan jumlah data ctra adalah penghlangan redundans data (Gonzales & Woods, 00) Dua buah ctra dgtal dengan jumlah data yang berbeda dapat merepresentaskan satu nformas yang sama In artnya salah satu ctra mengandung redundans data, yatu memuat data yang tdak memlk nformas yang relevan atau data yang hanya mengulang sesuatu yang telah dketahu sebelumnya Pemampatan ctra dcapa dengan mengurang ataupun menghlangkan satu atau lebh dantara ketga jens redundans data sebaga berkut (Gonzales & Woods, 00) : Codng Redundancy, adalah redundans yang terjad karena jumlah bt yang y dgunakan untuk merepresentaskan sebuah kode terlalu banyak Interpxel Redundancy, adalah redundans yang terjad karena tnggnya korelas antara satu pxel dengan pxel lannya, artnya nla ntenstas warna pxel yang salng bersebelahan serngkal sama Sehngga sebenarnya nla ntenstas warna pxel dapat dpredks dar ntenstas warna pxel tetangganya 3 Psychovsual Redundancy, adalah redundans yang terjad karena mata manusa tdak merespon dengan kepekaan yang sama terhadap semua nformas vsual Beberapa nformas memlk tngkat kepentngan yang lebh rendah dbandngkan dengan nformas lan Sehngga bsa dhlangkan tanpa berpengaruh sgnfkan terhadap pemahaman atas ctra secara keseluruhan Metode pemampatan ctra dapat dklasfkaskan ke dalam dua kelompok besar yatu (Munr, 004) : Metode lossless, adalah metode pemampatan ctra yang merekonstruks ctra hasl pemampatan dentk pxel dem pxel dengan ctra semula yang belum dmampatkan dak ada nformas yang hlang akbat pemampatan Metode n cocok untuk memampatkan ctra yang mengandung nformas pentng yang tdak boleh rusak akbat pemampatan Msalnya memampatkan gambar hasl dagnosa meds Metode lossy, adalah metode pemampatan ctra yang merekonstruks ctra hasl pemampatan hampr sama dengan ctra semula Basanya ada sedkt nformas yang hlang akbat pemampatan, tetap dapat dtolerr oleh perseps mata Dengan menggunakan metode n, efsens pemampatan bsa lebh bak Sngular Value Decomposton (SVD) SVD adalah suatu teknk untuk mentransformas matrks Pada pemampatan ctra berbasskan ransform Codng, transformas matrks ctra dlakukan untuk memetakan snyal ctra menjad representas lan yang lebh cocok untuk pemampatan Dalam hal n matrks ctra dtransformas sehngga sebagan besar dar nformas ctra terkonsentras ke dalam koefsen-koefsen transformas yang jumlahnya relatf kecl, untuk kemudan dkuantsas dan dkodekan (Jan, 989) ujuan dar proses transformas adalah untuk menemukan korelas antar pxel, atau untuk memadatkan sebanyak mungkn
3 nformas kedalam sejumlah kecl koefsen transformas Proses kuantsas kemudan secara selektf mengelmnas atau mengkuantsas secara lebh kasar koefsen yang membawa nformas palng sedkt Koefsen-koefsen n memlk pengaruh yang palng kecl terhadap kualtas ctra yang akan drekonstruks (Gonzales & Woods, 00) ransformas SVD memungknkan sebagan besar nformas ctra termuat dalam sedkt koefsen transformas, sedangkan sebagan besar koefsen lan menjad tdak pentng Jka A adalah sebuah matrks dengan dmens m n, maka SVD dar A adalah (Wongsawat et al, 004): A = U V dmana U dan V adalah matrks orthogonal yang masng-masng berdmens m m dan n n, dan Σ adalah matrks koefsen transformas m n yang semua elemen selan dagonalnya bernla 0 a K a k K a n A = M O M am amk a L L mn U = u u u u ( k m) ( ) V = v v vk vn Σ = dag (σ,, σ mn(m,n) ) Dmana σ adalah nla sngular ke- u adalah vektor kolom ke- dar U dan v adalah vektor kolom ke- dar V Vektor u dsebut vektor sngular kr dar σ, sedangkan vektor v dsebut vektor sngular kanan dar σ Vektor-vektor sngular kr tdak lan adalah vektor cr-vektor cr dar AA,, sedangkan vektor-vektor sngular kanan adalah vektor crvektor cr dar A A Akar cr-akar cr dar AA atau A A adalah kuadrat dar nla-nla sngular untuk matrks A Nla-nla sngular σ n tdak lan adalah elemen-elemen dagonal dar matrks Σ dan tersusun dalam urutan dar besar ke kecl Oleh karena tu kta bsa mendapatkan aproksmas A dengan menggunakan SVD sebagan: A' = U V k k k Dalam hal n A adalah matrks aproksmas rank-k untuk matrks A U k dan V k adalah matrks yang dambl dar k kolom pertama U dan V dan Σ k = dag (σ,, σk) dengan k<r Serngkal aproksmas matrks yang sangat bak bsa ddapatkan hanya dengan menggunakan sebagan kecl nla sngular, atau dengan k yang jauh lebh kecl dar r Besarnya energ atau nformas yang dkandung oleh matrks aproksmas dapat dhtung (Wongsawat et al, 004) : m n r ε k = λ, = A (, j) A'(, j) = λ = j= = k+ λ = σ k dmana λ = σ = akar cr dar AA atau A A Sedangkan Square Error antara matrks A dengan matrks aproksmas A adalah hasl penjumlahan dar akar cr yang dabakan, yatu (Dapena & Ahalt,004) : dmana Kuantsas Skalar Seragam Nla sngular-nla sngular hasl transformas SVD yang akan dsmpan nlanya bersfat kontnu dan ntervalnya cukup besar In mengakbatkan besarnya jumlah bt yang dbutuhkan dalam penympanan Oleh karena tu perlu dlakukan kuantsas Kuantsas skalar merupakan proses pemetaan sebuah nla skalar terhadap nla tertentu yang danggap mewaklnya, dmana nla yang mungkn mewakl menjad terbatas banyaknya Nlanla n dsebut level rekonstruks Selanjutnya nla n dperkecl menjad suatu nla ndeks sehngga bt yang dperlukan untuk menympannya menjad berkurang Indeks nlah yang dapat dgunakan pada proses dekuantsas untuk mengetahu level rekonstruks mana yang mewakl skalar awal tad Sebuah pengkuantsas skalar seragam l- level memlk l+ level keputusan d 0, d,, d l, dan l level rekonstruks r 0, r,, r l- d membag range data ke dalam l nterval [d 0, d ) [d, d ) [d l-, d l ), dengan panjang nterval yang sama yatu (Spelman, 996): dl d0 = l dmana d l dan d 0 masng-masng adalah nla maksmum dan nla mnmum dar data yang dkuantsas Kuantsas terhadap sebuah nla a artnya menemukan nterval [d, d + ) yang memuat a dan menggant a dengan ndeks a d 0 = 3
4 Sedangkan proses dekuantsas menerjemahkan nla ndeks ke dalam level rekonstruks r yang merupakan rataan dar nterval yang relevan, menggunakan rumus : d + d+ r =, d = d + Vector Quantzaton (VQ) Selan nla sngular, pemampatan ctra SVD juga mensyaratkan pengkodean vektor-vektor sngular yang bersesuaan Vektor-vektor n dkodekan dengan sebuah teknk kuantsas yang dsebut Vector Quantzaton (VQ) VQ merupakan teknk kuantsas yang dlakukan pada sebuah blok, atau sebuah vektor, dar nlanla dalam satu waktu VQ memetakan vektorvektor berdmens u pada ruang vektor R u ke dalam sebuah hmpunan terhngga vektorvektor Y = {y : =,,,N} dalam R u Setap vektor y dsebut codevector atau codeword, dan hmpunan dar semua codeword dsebut codebook VQ terdr dar dua operas, yatu encoder dan decoder Encoder menerma vektor nput dan menghaslkan output berupa ndeks dar codeword yang memberkan dstors palng mnmum Dstors palng mnmum n dtentukan berdasarkan jarak eucld antara vektor nput dengan setap codeword dalam codebook Jarak eucld antara vektor nput x dengan codeword y ddefnskan sebaga : d( x, y ) = ( x y ) 0 u j j j= dmana x j adalah elemen ke-j dar vektor nput x, y j adalah elemen ke-j dar codeword y, dan u adalah dmens vektor Setelah codeword terdekat dtemukan, ndeks dar codeword nlah yang akan dsmpan dalam meda penympanan data dgtal atau dkrmkan melalu saluran komunkas (Qasem, 005) Indeks yang menunjukkan codeword membutuhkan ruang penympanan yang lebh kecl, sehngga terjadlah pemampatan data Ketka decoder menerma ndeks n, decoder akan mengubahnya kembal menjad codeword yang bersesuaan dengan menggunakan codebook yang dentk dengan codebook pada encoder Sebaga contoh, encoder dan decoder VQ dapat dlhat pada Gambar Algortma Lnde-Buzo-Gray (LBG) Codebook yang akan dacu dalam proses VQ dbentuk berdasarkan algortma LBG Algortma n dperkenalkan oleh Lnde, Buzo, dan Gray pada tahun 980 LBG merupakan salah satu algortma teratf dalam pembentukan codebook dar sebuah hmpunan vektor tranng Adapun langkah-langkahnya adalah sebaga berkut (Qasem, 005): entukan jumlah codeword N atau ukuran codebook yang akan dbuat Bentuk codebook awal dengan cara memlh N codeword secara acak dar tranng vector 3 Dengan menggunakan jarak eucld, kelompokkan vektor nput pada codeword Vektor nput menjad satu kelompok dengan codeword yang memlk jarak eucld mnmum Rata rata dar jarak eucld setap vektor terhadap codewordnya dsebut dengan dstors rata rata dar codebook tersebut Varabel nlah yang akan dgunakan untuk menentukan tngkat kecocokan dar sebuah codebook Gambar Encoder dan Decoder dalam VQ (Qasem, 005) 4
5 4 Htung hmpunan codeword yang baru berdasarkan kelompok kelompok yang sudah terbentuk Codeword baru dbentuk dengan mencar rata rata dar tap elemen dar seluruh vektor yang merupakan anggota dar kelompok tersebut m y = x j m j= dmana merupakan ndeks komponen dar tap tap vektor, dan m adalah banyaknya vektor yang berada pada kelompok tersebut 5 Ulang langkah 3 dan 4 sampa codebok tdak berubah atau perubahannya kecl Perubahan codebook dlhat dar rataan dstors antara tranng vector dengan codebook Jka selsh dstors ternormalsas dar sebuah teras dengan teras selanjutnya lebh kecl dar suatu nla batas, maka algortma dhentkan (Khan & Smth, 000) Serngkal dalam pengelompokkan vektor nput menghaslkan satu atau lebh codeword tdak memlk anggota Keadaan n dapat datas dengan beberapa cara, dantaranya dengan memecah codeword yang memlk anggota palng banyak menjad dua untuk menggantkan codeword yang tdak memlk anggota (Khan & Smth, 000) Multstage VQ Ide dasar Multstage VQ adalah untuk membag tugas pengkodean VQ menjad beberapa tngkat berurutan ngkat pertama melakukan aproksmas level pertama dar vektor nput Aproksmas kemudan dperbak oleh aproksmas level kedua yang muncul pada tngkat kedua, untuk kemudan dperbak lag pada tngkat ketga, dan seterusnya (Khan & Smth, 000) Pembentukan codebook adalah sebaga berkut: sebuah hmpunan vektor tranng dgunakan untuk membentuk codebook pertama Dengan menggunakan codebook n, sebuah hmpunan vektor error dhtung dar a) b) Gambar 3 Multstage VQ a) encoder, b) decoder aproksmas vektor tranng oleh codebook Hmpunan vektor error n kemudan dgunakan untuk membentuk codebook untuk tngkat, dan seterusnya Prosedur pengkodeannya djelaskan dalam gambar 3 Dalam algortma encoder, pada awalnya vektor nput x akan daproksmas dengan menggunakan codebook pertama C Selanjutnya vektor error r dhtung dan codebook tngkat kedua C dgunakan untuk mengaproksmas vektor error tngkat pertama r, dan seterusnya Algortma decoder merekonstruks vektor aproksmas ˆx secara sederhana dengan penjumlahan vektor Penerapan SVD dalam Pemampatan Ctra Sebuah ctra dgtal dapat drepresentaskan dengan sebuah matrks m n pxel Oleh karena tu maka matrks ctra dapat pula dtransformas SVD dan daproksmas rank-k oleh sebuah matrks baru yang dbangun dengan memaka hanya sebagan kecl nla sngular (yatu sebanyak k) dan vektor sngular yang bersesuaan Aproksmas n adalah pemampatan selama jumlah bt yang dbutuhkan untuk menympan nla-nla sngular dan vektor-vektor sngular yang relevan lebh kecl dbandngkan dengan jumlah bt yang dbutuhkan oleh ctra aslnya Konsep dasar pemampatan ctra dengan SVD adalah penggunaan rank-k sekecl mungkn dalam membangun matrks aproksmas dan pengkodean vektor sngular dengan ukuran codebook yang tdak terlalu besar dalam VQ, sehngga dharapkan efsens pemampatan yang bak bsa dcapa Namun demkan dalam penerapannya harus dperhtungkan secara bjak agar kualtas ctra hasl pemampatan mash cukup bak Metode Pemampatan Ctra JPEG JPEG adalah metode pemampatan ctra standar yang umum dgunakan pada ctra fotograf Nama JPEG merupakan sngkatan dar Jont Photographc Experts Group, nama dar komte yang melakukan standarsas terhadap metode n (Wkpeda, 007) Struktur Encoder JPEG adalah sebaga berkut (Bovk, 000): Unt transformas snyal DC Pada bagan n dlakukan penghtungan matrks koefsen DC dar setap blok 8 8 pxel, sehngga nformas ctra dpadatkan kedalam sejumlah kecl koefsen DC Pengkuantsas Pengkuantsas memetakan setap koefsen DC ke dalam sebuah level dar blangan berhngga In dlakukan dengan membag 5
BAB 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 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 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 X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB 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 terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBAB 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 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih 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 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 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 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 terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih 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 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 II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciUKURAN LOKASI, VARIASI & BENTUK KURVA
UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciBAB II TINJAUAN PUSTAKA. George Boole dalam An Investigation of the Laws of Thought pada tahun
BAB II TINJAUAN PUSTAKA 2.1 Aljabar Boolean Barnett (2011) menyatakan bahwa Aljabar Boolean dpublkaskan oleh George Boole dalam An Investgaton of the Laws of Thought pada tahun 1954. Dalam karya n, Boole
Lebih terperinciBAB II TINJAUAN TEORETIS
4 BAB II TINJAUAN TEORETIS 2. Ctra Dgtal Ctra dgtal saat n banyak dgunakan dalam berbaga bdang. Mula dar keperluan sehar har sepert cetak foto, pemetaan hutan, dentfkas forensk, rekam meds dengan menggunakan
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih 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 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 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih 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 terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciDekomposisi Nilai Singular dan Aplikasinya
A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih 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 terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih 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 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 terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
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 terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciBAB I PENDAHULUAN. konsep strategi yang cocok untuk menghadapi persaingan baik itu mengikuti marketing
BAB I PENDAHULUAN 1.1 Latar Belakang Konds persangan dalam berbaga bdang ndustr saat n dapat dkatakan sudah sedemkan ketatnya. Persangan dalam merebut pasar, adanya novas produk, mencptakan kepuasan pelanggan
Lebih terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciBAB III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciPEMAMPATAN DATA CITRA BERWARNA DENGAN ALIHRAGAM WAVELET
PEMAMPATA DATA CITRA BERWARA DEGA ALIHRAGAM WAVELET HAAR Yul Astran*, Achmad Hdayatno**, R.Rzal Isnanto** Abstrak- Selama n belum pernah dlakukan peneltan mengena pemampatan data ctra berwarna menggunakan
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB 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 terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciPenyisipan Robust Watermark Dalam Suatu Citra Untuk Perlindungan Hak Cipta
Penyspan Robust Watermark Dalam Suatu Ctra Untuk Perlndungan Hak Cpta MURINTO Program Stud Teknk Informatka Unerstas Ahmad Dahlan Jogakarta Jl.Prof.Dr. Soepomo, Janturan, Jogakarta.Telp. (07) 3798 emal
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciI. PENGANTAR STATISTIKA
1 I. PENGANTAR STATISTIKA 1.1 Jens-jens Statstk Secara umum, lmu statstka dapat terbag menjad dua jens, yatu: 1. Statstka Deskrptf. Statstka Inferensal Dalam sub bab n akan djelaskan mengena pengertan
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciBab 2 AKAR-AKAR PERSAMAAN
Analsa Numerk Bahan Matrkulas Bab AKAR-AKAR PERSAMAAN Pada kulah n akan dpelajar beberapa metode untuk mencar akar-akar dar suatu persamaan yang kontnu. Untuk persamaan polnomal derajat, persamaannya dapat
Lebih terperinciPRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel
PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan
Lebih terperinciAnalisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :
Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan
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 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 terperinci2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil
.1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)
Lebih terperinciPENERAPAN ALGORITMA KOMPRESI JPEG DAN METODE FUZZY C-MEANS PADA KOMPRESI CITRA BERBASIS ENTROPI
PENERAPAN ALGORITMA KOMPRESI JPEG DAN METODE FUZZY C-MEANS PADA KOMPRESI CITRA BERBASIS ENTROPI Dka Asoka Masatu 1, Indah Soesant 2, Hanung Ad Nugroho 3 Abstract Advances n technology demand nformaton
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 terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
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 terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
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 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 terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih 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 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 terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciPERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT
BIAStatstcs (05) Vol. 9, No., hal. -7 PERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT Faula Arna Jurusan Teknk Industr, Unverstas Sultan Ageng Trtayasa Banten Emal : faulaarna@yahoo.com
Lebih terperinciBAB III METODE KOMPRESI DAN DEKOMPRESI. untuk setiap B X. fraktal. Penjelasan dimulai dengan pengenalan Multiple Reduction Copy
BAB III METODE KOMPRESI DAN DEKOMPRESI Kompres ctra fraktal memodelkan ctra sebaga lmt dar suatu proses teras. Jka dberkan suatu ctra A X, metode n akan mencar suatu proses W sedemkan sehngga ttk tetap
Lebih terperinciBAB III SKEMA NUMERIK
BAB III SKEMA NUMERIK Pada bab n, akan dbahas penusunan skema numerk dengan menggunakan metoda beda hngga Forward-Tme dan Centre-Space. Pertama kta elaskan operator beda hngga dan memberkan beberapa sfatna,
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.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 terperinciBAB II DASAR TEORI. 2.1 Definisi Game Theory
BAB II DASAR TEORI Perkembangan zaman telah membuat hubungan manusa semakn kompleks. Interaks antar kelompok-kelompok yang mempunya kepentngan berbeda kemudan melahrkan konflk untuk mempertahankan kepentngan
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih 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 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 terperinciPENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA
MAKALAH SEMINAR TUGAS AKHIR PENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA Suharto Jat Santoso *, Bud Setyono **, R. Rzal Isnanto ** Abstrak - Selama n pengenalan jens kan pada
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 terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciBAB 2 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 Tinjauan Pustaka 2.1 Penelitian Terdahulu
Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan
Lebih terperinciKAJIAN DAN ALGORITMA PELABELAN PSEUDO EDGE-MAGIC. memiliki derajat maksimum dan tidak ada titik yang terisolasi. Jika n i adalah
BAB III KAJIAN DAN ALGORITMA PELABELAN PSEUDO EDGE-MAGIC III. Batas Bawah Magc Number pada Pelabelan Total Pseudo Edge-Magc Teorema 3.. Anggap G = (,E) adalah sebuah graf dengan n-ttk dan m-ss dan memlk
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 terperinci