SISTEM DETEKSIRETINOPATI DIABETIKA MENGGUNAKAN SUPPORT VECTOR MACHINE
|
|
- Utami Kartawijaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Vo 3, No 3Desember 03 ISSN SISEM DEEKSIREINOPAI DIABEIKA MENGGUNAKAN SUPPOR VECOR MACHINE Wahyud Setawan, Ftr Damayant Manaemen Informata, Unverstas runooyo J. Raya eang PO. BOX, Kama, Bangaan,Madura ema : wsetawan.o@gma.com Abstra Retnopat Dabeta adaah efe sampng dar Dabetes Metus. Ha n dapat menyebaban ebutaan a tda dtangan sedn mungn. Sstem yang dbuat daam penetan n adaah detes tngat retnopat dabet dar gambar yang dperoeh dar foto fundus. Ada tga angah utama untu menyeesaan masaah, preprocessng, estras ftur dan asfas. Metode Preprocessng yang dgunaan daam sstem n adaah Grayscae channe Hau, Gaussan Fter, Contrast Lmted Adaptve Hstogram Equazaton dan Masng. wo Dmensona Lnear Dscrmnant Anayss (DLDA dgunaan untu estras ftur. Support Vector Machne (SVM dgunaan untu asfas. Has penguan dauan dengan mengamb dataset dar Messdor dengan umah Images yang bervaras untu tahap peathan, ctra yang an dgunaan untu tahap penguan. Has penguan menunuan auras yang optma adaah 84%. Kata unc: Retnopat Dabet, Support Vector Machne, wo Dmensona Lnear Dscrmnant Anayss (DLDA, Messdor Abstract Dabetc Retnopathy s sde effect of Dabetes Metus. It can be a bndness f untreated setted as eary as possbe. System created n ths study s the detecton of dabetc retnopathy eve of the mage obtaned from fundus photographs. here are three man steps to resove the probems, preprocessng, feature extracton and cassfcaton. Preprocessng methods that used n ths system are Grayscae Green Channe, Gaussan Fter, Contrast Lmted Adaptve Hstogram Equazaton and Masng. wo Dmensona Lnear Dscrmnant Anayss (DLDA s used for feature extracton. Support Vector Machne (SVM s used for cassfcaton. he test resut performed by tang a dataset of MESSIDOR wth number of mages that vary for the tranng phase, otherwse s used for the testng phase. est resut show the optma accuracy are 84%. Keywords : Dabetc Retnopathy, Support Vector Machne, wo Dmensona Lnear Dscrmnant Anayss, MESSIDOR 70
2 Vo 3, No 3Desember 03 PENDAHULUAN Penetan dan pengembangan apas dengan berbaga metode daam penctraan meds teah berembang sangat uas.saah satu penetan daam penctraan medsadaah asfas ctra retna untu detes penyat. Pada ctra retna dapat danasa untu mendapatan nformas pentng msanya nformas tentang tngat reso penyat retnopat dabet. Retnopat dabeta tda bsa ddetes angsung secara asat mata arena tanda-tandanya berada d bagan syaraf retna.anda-tanda penyat n hanya dapat dhat menggunaan foto fundus tetap memeruan watu yang reatf ama untu mengetahu hasnya.permasaahan tersebut dseesaan dengan membangun sebuah sstem yang dapat mendetes tngatreso retnopat dabet dengan watu yang reatf cepat. Sstem detes yang dbangun memeruan sebuah mode omputas untu mengubah pse ctra retna menad suatu cr retna yang terndas retnopat dabet. ga permasaahan utama pada sstem, yatu prapengoahan, estras cr dan ten asfas. Prapengoahan berfungs mempersapan ctra agar dapat menghasan cr yang ebh ba pada tahap berutnya. Pada tahap n snya nformas dtonoan dan snya pengganggu (derau dmnmasas []. Estras cr adaah tahapan untu memuncuan cr dan meredus dmens ctra dar dmens tngg e dmens ebh rendah.en estras cr yang handa merupaan unc utama daam penyeesaan masaah pengenaan poa[]. Proses asfas sama pentngnya dengan proses estras cr. Seteah cr-cr pentng data ctra retna yang dhasan pada proses estras cr, cr-cr tersebut nantnya aan dgunaan untu proses asfas. Penetan n mengntegrasan proses prapengoahan, estras cr dan asfas. Proses prapengoahan menggunaan metode Grayscae Green Channe, Fter Gaussan, Contrast Lmted Adaptve Hstogram Equazaton (CLAHE, dan Masng. Proses estras cr menggunaan metode wo Dmensona Lnear Dscrmnant Anayss (DLDA, sedangan proses asfas menggunaan Support Vector Machne (SVM. KERANGKA EORI Pengenaan Poa Pengenaan poa adaah suatu mu untu mengasfasan atau menggambaran sesuatu berdasaran penguuran uanttatf ctra atau sfat dar obye. Poa sendr merupaan suatu enttas yang terdefns, dapat ddentfas dan dber nama. Poa dapat berupa umpuan has penguuran atau pemantauan dan dapat dnyataan daam notas vetor atau matrs [].Strutur sstem pengenaan poa terdapat pada Gambar. Gambar. Strutur sstem pengenaan poa Auss ctra Auss ctra merupaan cara untu mendapatan ctra yang aan dgunaan daam proses pengoahan ctra. Daam penetan n ctra retna yang aan dath dan du berasa dar foto amera fundus. Pra-pengoahan Pra-pengoahan bertuuan untu memperba uatas ctra dengan cara memanpuas parameter-parameter ctra. Daam penetan n, proses pra pengoahan terdr dar grayscae, fter gaussan, euasas hstogram dan masng. Grayscae Ctra retna yang dterma adaah ctra berwarna, sehngga terebh dahuu peru dauan proses grayscae untu mendapatan ctra dengan aras eabuan. Jumah warna pada ctra grey adaah 56, arena ctra grey umah btnya adaah 8, sehngga umah warnanya adaah 8 =56, nanya berada pada angauan 0-55.Untu mendapatan ctra eabuan dgunaan persamaan. I ( x, y. R. G. B ( Fter Gaussan Fter Gaussan adaah saah satu fter ner dengan na pembobotan untu setap anggotanya dph berdasaran bentu fungs Gaussan. Fter n sangat ba untu menghangan derau (nose yang bersfat sebaran norma. Secara aam derau uga mem sebaran Gaussan, sehngga secara teorts aan menad netra a dawan dengan fungs an yang uga mem fungs Gaussan, ha n dsebut sebaga zero mean. Zero mean dar fungs Gaussan dengan na pembobotan dmens dtunuan pada persamaan [3]. (. ( dengan = onstanta normasas dan menyataan standar devas dar dstrbus. Fungs datas dasumsan mem zero mean (pusat dstrbus pada gars x=0. Seman besar na maa urva dstrbus Gaussan seman meebar dan puncanya 7
3 Wahyud Setawan d,sstem Detes Retnopat... menurun.bentu -D dar fungs gaussan dtunuan pada persamaan 3. ( (3 Contrast-Lmted Adaptve Hstogram Equazaton (CLAHE CLAHE dapat dgunaan sebaga aternatf penggant euasas hstogram. Euasas hstogram beera pada seuruh ctra, sedangan CLAHE beroperas pada daerah ec d ctra yang dsebut te. Setap te dtngatan na ontrasnya, sehngga hstogram dar wayah setar coco untu hstogram tertentu. Seteah meauan pemerataan, CLAHE menggabungante tetangga menggunaan nterpoas bner untu menghangan batas-batas artfsa. CLAHE uga dapat dgunaan untu menghndar nose yang ada pada ctra dengan membatas ontras pada daerah homogen. CLAHE menghasan output ctra yang mem na merata d seuruh bagan ctra [4]. Masng Ctra has segmentas dberan masng agar nantnya bacground htam pada ctra retna, tda dhtung sebaga obye. Operator AND dgunaan untu mendapatan ctra has operas dar dua ctra yang berbeda. wo-dmensona Lnear Dscrmnant Anayss(DLDA DLDA adaah pengembangan dar metode LDA. Ddaam LDA pada pengenaan ctra dengan matr D terebh dahuu dtransformasan edaam bentu ctra vetor satu dmens. Sedangan pada DLDA atau dsebut ten proyes ctra secara angsung, matrs ctra D tda peru dtransformasan edaam bentu ctra vetor namun secara angsung matrs scatter ctranya dapat dbentu angsung dengan menggunaan matrs ctra asnya. DLDA adaah pengembangan dar metode LDA. Ddaam LDA pada pengenaan ctra dengan matr D terebh dahuu dtransformasan edaam bentu ctra vetor satu dmens. Sedangan pada DLDA atau dsebut ten proyes ctra secara angsung, matrs ctra D tda peru dtransformasan edaam bentu ctra vetor namun secara angsung matrs scatter ctranya dapat dbentu angsung dengan menggunaan matrs ctra asnya. {A,.,A n } adaah n matrs ctra, dmana A (=,, adaah r x c matrs. M (=,, adaah rata-rata ctra peathan dar eas e dan M adaah rata-rata ctra dar semua data peathan. x adaah ruang dmens (dmensona space L R, dmana menunuan tensor product, L menangau {u,,u } dan R menangau {v,..,v }, sehngga ddefnsan dua matrs L = [u,,u ] dan R = [v,..,v ] [5]. Metode estras cr adaah untu menemuan L dan R sehngga ruang ctra as (orgna mage space A drubah edaam ruang ctra dmens rendah (ow-dmensona mage menad B =L A R. Ruang dmens rendah (ow-dmensona space dperoeh dengan transformas ner L dan R, ara between-cass D b dan ara wthn-cass D w ddefnsan sebaga berut : dmana D b = D w = x n L ( M M R L ( X M R F F merupaan Frobenus norm. Mennau bahwa F F (4 (5. A = Ptrace(A A = trace(aa untu matrs A. Sedeman sehngga persamaan (4 dan (5 dapat drepresentasan ebh anut. D b = trace ( Dw trace( n L ( M x M RR L ( X M RR ( M M L (6.. ( X M L. (7 Sama hanya dengan LDA, metode DLDA adaah untu menemuan matrs L dan R, sedeman hngga strutur eas dar ruang orsn tetap ddaam ruang proyes, sehngga patoan (crteron dapat ddefnsan sebaga: D b J(L,R=max. (8 D Ha tersebut eas bahwa persamaan (8 terdr dar matrs transformas L dan R. Matrs transformas optma L dan R dapat dperoeh dengan memasmaan D b dan memnmuman D w. Bagamanapun, sangat sut untu menghtung L dan R yang optma secara smutan. Dua fungs optmas dapat ddefnsan untu memperoeh L dan R. Untu sebuah R yang past, L dapat dperoeh dengan menyeesaan fungs optmas sebaga berut : W 7
4 Vo 3, No 3Desember 03 J (L=maxtrace((L S R W L- (L S R b L (9 dmana S R b = n ( M M RR ( M M (0. S R W = R b x ( X M RR ( X M Dengan catatan bahwa uuran matrs ( R S W dan S adaah r x r yang ebh ec darpada uuran matrs S w dan S b pada LDA as. Untu sebuah L yang past, R dapat dperoeh dengan menyeesaan fungs optmas sebaga berut : J 3 (R=maxtrace((R S L W R- (R S L b R ( dmana S L b = n ( M M LL ( M M dan S L W = ( X M LL ( X M x (3 (4 Support Vector Machne (SVM Konsep SVM dapat deasan secara sederhana sebaga usaha mencar hyperpane terba yang berfungs sebaga pemsah dua buah cass pada nput space. Hyperpane daam ruang vector berdmens d adaah affne subspace berdmens d- yang membag ruang vector tersebut e daam dua bagan, yang masng-masng berorespondens pada cass yang berbeda. Hyperpane pemsah terba antara edua eas dapat dtemuan dengan menguur margn hyperpane tersebut.dan mencar tt masmanya. Margn adaah ara antara hyperpane tersebut dengan pattern terdeat dar masng-masng eas. Pattern yang pang deat n dsebut sebaga support vector.gars sod pada Gambar. menunuan hyperpane yang terba, yatu yang tereta tepat pada tengah-tengah edua eas, sedangan tt merah dan unng yang berada daam ngaran htam adaah support vector. Usaha untu mencar oas hyperpane n merupaan nt dar proses pembeaaran pada SVM. x Gambar SVM berusaha menemuan hyperpane terba yang memsahan edua cass dan + Data yang terseda dnotasan sebaga d, sedangan abe masng-masng dnotasan, y untu =,,3.. Yang mana adaah banyanya data. Dasumsan edua cass dan + dapat terpsah secara sempurna oeh hyperpane berdmens d. yang ddefnsan w x b 0 (5 Pattern w yang termasu cass (sampe negatf dapat drumusan sebaga pattern yang memenuh pertdasamaan w x b (6 Sedangan pattern w yang termasu cass + (sampe postf w x b (7 Margn terbesar dapat dtemuan denganmemasmaan na ara antara hyperpane dan tt terdeatnya, yatu w. Ha n dapat drumusan sebaga Quadratc Programmng (QP probem, yatu mencar tt mnma persamaan (6, dengan memperhatan constrant persamaan (7. mn w x w b 0, ( w w (8 y (9 Probem n dapat dpecahan dengan berbaga ten omputas, d antaranya Lagrange Mutper. Lw, b, w ( y ( x w b (0 dengan =,,,. α adaah Lagrange mutpers, yang berna no atau postf ( α 0. Na optma dar persamaan (0 dapat dhtung dengan memnmaan L terhadap w dan b, dan memasmaan L terhadap α. Dengan 73
5 Wahyud Setawan d,sstem Detes Retnopat... memperhatan sfat bahwa pada tt optma gradent L =0, persamaan (0 dapat dmodfassebaga masmasas probem yang hanya mengandung saa α, sebagamana persamaan (. y y x x (, dmana 0(,,..., y 0( Dar has dar perhtungan n dperoeh α yang ebanyaan berna postf. Data yang beroreas dengan α yang postf nah yang dsebut sebaga support vector [6]. MEODOLOGI Desan Sstem Sstem asfas retna meput tahap peathan dan penguan. ahap peathan dmua dengan mengnputan ctra retna, seanutnya pada ctra aan dauan proses pra-pengoahan. Ctra dubah terebh dahuu edaam format grayscae green channe, seanutnya dauan operas fter Gaussan untu menghangan nose.proses seanutnya dauan euasas hstogram untu mengubah sebaran tngat eabuan ctra, menggunaan Contrast Lmted Adaptve Hstogram Equazaton (CLAAHE. Seanutnya ctra aan dauan operas masng untu memsahan obye dengan bacground. Estras cr pada proses peathan dauan dengan menggunaan metode DLDA. ahap n bertuuan untu mendapatan cr-cr yang terph dar masuan data-data peathan. Cr-cr yang terph nantnya dgunaan untuproses asfas peathan dan dgunaan untu estras cr data penguan. Estras cr pada proses penguan dauan dengan mengamb has estras cr pada proses peathan dterapan pada data penguan. Has estras cr pada data penguan n nantnya dgunaan sebaga nputan pada proses asfas penguan. Proses asfas peathan dauan seteah data-data peathan damb cr-cr husus, cr-cr husus n berupa vetor cr yang dmensnya ebh ec. Daam penetan n menggunaan SVM mutcass One Aganst A dengan erne gaussan. Pada proses asfas peathan varabe hyperpane untu setap pengasfas (cassfer yang ddapat aan dsmpan dan nantnya aan dgunaan sebaga data tap pengasfas daam proses penguan, dengan ata an proses asfas peathan adaah untu mencar support vector dar data nput, menggunaanquadratc programmng. Pada proses asfas penguan menggunaan has estras cr data penguan dan has proses asfas peathan. Has dar proses n berupa na ndes dar fungs eputusan yang terbesar yang menyataan eas dar data penguan. Ja eas yang dhasan dar proses asfas penguan sama dengan eas data penguan, maa pengenaan dnyataan benar. Has ahrnya berupa ctra retna yang sesua dengan na ndes dar fungs eputusan yang terbesar has dar proses asfas penguan. Pada Gambar 3. merupaan tahapan proses sstem detes retnopat dabet. Pada proses peathan terdapat metode DLDA yang dgunaan untu mengestras cr, cr-cr yang terph pada saat proses peathan dgunaan daam proses asfas dan uga dgunaan untu mengestras cr pada data u coba. Masng-masng dataset ctra retna yang dgunaan dbag menad dua, sebagan dgunaan untu proses peathan (tranng dan ssanya dgunaan untu proses penguan (testng. Desan Agortma Desan Agortma DLDA Desan agortma DLDA dbag menad dua subsstem yatu subsstem peathan dan subsstem penguan.berut n adaah penabaran masngmasng subsstem. Proses Peathan DLDA Untu proses peathan DLDA dbag menad tga tahapan, yatu : tahap pertama menghtung na rata-rata eas dan rata-rata goba, tahap edua menghtung matrs wthn cass scatter dan matrs between cass scatter, dan tahap terahr menghtung matrs cr estras data-data peathan. Agortma DLDA Inputannya adaah matrs data peathan, pada matrs data peathan tda dtransformasan edaam vetor tetap tetap berupa matrs. Inputan annya adaah umah eas (, umah data pereas (n, dan n (banyanya data peathan.. Ja daam suatu dataset ctra retna terdapat hmpunan sebanya n ctra peathan A = [A,A,,A n ] ( =,,,n dengan dmens ctra (r x c, maa hmpunan tota matrs dar semua ctra tersebut adaah : n n... nc A n = n n... nc n r n r... n rc Matrs n dgunaan sebaga data nputan. Data nputan annya adaah umah eas (, umah 74
6 Vo 3, No 3Desember 03 data pereas (n, dan banyanya data peathan (n.. ahapan berutnya adaah menghtung rata-rata ctra peathan dar eas e : M X X. n 3. Menghtung rata-rata semua ctra peathan : M= n X 4. Menentuan na (dmens proyes bars dan (dmens proyes oom. Na r dan c. 5. Menetapan matrs transformas R uuran (c, yang dperoeh dar gabungan antara matrs denttas uuran (, dengan matrs no uuran (c-,. 6. Menghtung matrs between cass scatterr sesua dengan persamaan S R b = X n ( M M RR ( M M matrsnya (r x r.., uuran Uuranmatrs S R b ebh ec dar uuran matrs S b pada LDA as (Dmens x Dmens. 7. Menghtung matrs wthn cass scatterr sesua dengan persamaan S R W = ( ( X M RR X M, x uuran matrsnya (r x r. Uuranmatrs S R W ebh ec dar uuran matrs S w pada LDA as (Dmens x Dmens. 8. Htung generazed egenvaue ( dar S R b dan S R W sesua dengan persamaan (7. J (L=maxtrace((L S R W L- (L S R b L, uuran matrsnya (r x r. 9. Amb sebanya egenvector terbesar dar angah 5 sebaga matrs transformas bars (L. L L L = [,..., ], uuran matrsnya (r x. 0. Menghtung matrs between cass scatter L sesua dengan persamaan uuran matrsnya (c x c. Uuranmatrs S L b ebh ec dar uuran matrs S b pada LDA as (Dmens x Dmens.. Menghtung matrs wthn cass scatter L sesua dengan persamaan S L W = ( X M LL ( X M, x uuran matrsnya (c x c. Uuranmatrs S L W ebh ec dar uuran matrs S w pada LDA as (Dmens x Dmens. Htung generazed egenvaue ( dar S L b dan S L W sesua dengan persamaan (9. J (R=maxtrace((R S L W R- (R S L b R, uuranmatrsnya (c x c. 3. Amb sebanya egenvector terbesar dar angah 9 sebaga matrs transformas oom (R. R R R = [,..., ], uuran matrsnya (c x. 4. Htung matrs cr estras adaah B =L A R, uuran matrsnya ( x. 5. Output : matrs cr etras B, matrs transformas bars L, dan matrs transformas oom R. Desan Agortma SVM Pengasfas SVM untu mutcassone Aganst A aan membangun seumah SVM bner ( adaah umah eas. Fungs eputusan yang mempunya na masma, menunuan bahwa data x d merupaan anggota dar eas fungs eputusan tersebut. Pengasfasan dengan SVM dbag menad dua proses, yatu proses peathan dan penguan. Pada proses peathan SVM menggunaan matrs cr yang dhasan pada proses estras cr peathan sebaga nput. Sedangan pada penguan SVM memanfaatan matrs cr yang dhasan pada proses estras cr penguan sebaga nput [7]. S L b = ( n M M LL ( M M, 75
7 Wahyud Setawan d,sstem Detes Retnopat... Prapengoahan Ctra As Grayscae Fter Gaussan Hstogram Masng Resze x9 Grayscae basa Red Channe Green Channe Bue Channe Euasas Hstogram CLAHE ahap Peathan nput dataset peathan ahap Penguan nput data penguan Estras cr DLDA ahap peathan Estras cr DLDA ahap Penguan Kasfas Support Vector Machne Mutcass One Agants A ahap Peathan Kasfas Support Vector Machne Mutcass One Agants A ahap Penguan Data Hyperpane Has asfas Gambar 3. ahapan Proses Sstem Detes Retnopat Dabet Proses Peathan SVM Agortma peathan untu masng-masng pengasfas SVM bner dapat dtusan sebaga berut : nput berupa matrs B (matrs has etras cr peathan dan vetor Y sebaga pasangan nput-target dan outputnya adaah w, x, b (varabe - varabe persamaan hyperpane. Langah angahnya deasan sebaga berut :. entuan Input (Z =B dan arget (Y sebaga pasangan peathan dar dua eas.. Htung Kerne Gaussan K(Z,Z = exp Z Z ( ( 3. Htung Matrs Hessan H = K(Z,Z * Y * Y. 4. etapan c dan epson. 5. etapan vetor e sebaga vetor satuan yang mem dmens sama dengan dmens Y. 6. Htung sous quadratc programmng: mn L( H e, 76
8 dmana y 0 dan 0 c. Input matrs Z merupaan matrs cr yang dhasan pada proses estras cr dan vetor Y sebaga target. Contoh untu Dataset MESSIDOR yang terdr dar 5 eas, maa a dgunaan sepuuh sampe tap eas dan dmens proyes bars = 0, dmens proyes oom = 0, maa matrs Z yang dhasan adaah matrs cr dengan dmens 50 x 00 (50 ddapat dar umah sampe tap eas daan dengan banyanya eas, 00 ddapat dar peraan dmens proyes bars dengan dmens proyes oom. Vetor Y merupaan vetor oom untu pengasfas pertama dmana semua ctra retna dar eas pertama aan dsmboan dengan anga, semua ctra retna dar eas annya dengan anga -. Vetor Y untu pengasfas edua semua ctra retna dar eas edua dsmboan dengan dan semua ctra retna buan eas edua dsmboan dengan -, deman seterusnya untu pengasfas etga sampa e. Pada penetan n, dgunaan fungs erne gaussan dengan na varan (σ =. Langah seanutnya adaah menghtung matrs Hessan, yatu peraan antara erne gaussan dengan Y. Y dsn adaah berupa vector yang bers na dan -. Dar contoh d atas a cassfer pertama yang dath, maa na Y untu 0 eemen pertama (a dgunaan 0 sampe ctra retna per eas aan berna dan eemen annya berna -. Ja cassfer edua dath, maa eemen, sampa dengan 0 berna, sedangan ssanya berna -. Matrs Hessan n nantnya dgunaan sebaga varabe nput daam quadratc programmng. Fungs quadratc programmng monqp memeruan varabe c dan epson. Untu tu tetapan na c dan epson (c adaah batas atas na α dar C-SVM. Vetor satuan e uga dbentu dengan dmens sama dengan vetor Y. Penyeesaan mn L( H e dengan quadratc programmng, merupaan mpementas dar n pencaran sous atas permasaahan mn w C. Ja dmpementasan daam bentu matrs menad n mn w w C, dengan y ( w ( x b. Ja formua daam bentu matrs tersebut dubah e bentu dua probem, maa formua tersebut menad mn L( H e, dmana y 0 dan 0 C. Dsn H y y K( x, x, dan K(x,x = exp x x ( ( adaah fungs ernenya, dan e adaah vetor satuan yang dmens sama dengan Y, sedangan c> 0 adaah batas atas dar na α Daam penetan n dgunaan na c = 000 dan epson = x0-7. Has dar fungs monqp (quadratc programmng adaah na varabe w, x, dan b yang nantnya aan dgunaan untu proses penguan. Dagram ar untu agortma peathan SVM Gambar 3.6. Proses Penguan SVM dapat dhat pada Seteah pada proses peathan ddapat na varabe w, x, dan b untu masng - masng eas. Na varabe w, x, dan b untu ddefnsan sebaga vetor w, x, dan b. Untu nput data yang aan dasfasan adaah matrs cr Dyang dhasan pada proses estras cr penguan. Matrs cr D tersebut dtransformasan duu edaam bentu vetor menad x ( x dber nama. Langah angahnya sebaga berut :. Input : vetor (data penguan, vetor w, x, b, dan (umah eas.. Htung Kerne Gaussan K(,x = exp x (. ( 3. Htung f K, x w b. ( 4. Uang angah dan 3 untu = sampa. 5. entuan na f yang pang masma. 6. Keas dengan f terbesar adaah eas dar vetor. Na adaah transformas matrs cr D edaam bentu vetor. Langah seanutnya adaah dengan menghtung Kerne Gaussan K (, x, dengan adaah data nput dan x adaah support vector yang dhasan pada proses peathan SVM. Fungs eputusan f K(, x w b dhtung untu masng-masng na. dmana = sampa ( adaah umah eas. Output dar agortma n berupa ndes dengan f terbesar yang merupaan eas dar vetor. Dagram ar untu agortma penguan dapat dhat pada Gambar 3.7. Dar proses peathan dan penguan SVM dapat drngas daam bentu bo dagram proses peathan dan penguan yang dtunuan pada Gambar 3.8. Gambar 3.8 meneasan secara gars besar proses peathan dan penguan pada SVM. Data peathan yang sudah dproyesan oeh DLDA, seanutnya menad data peathan SVM. Ja sebaran data yang dhasan pada proses DLDA mempunya dstrbus yang tda ner, maa saah satu metode yang dgunaan SVM untu mengasfasan data tersebut adaah dengan mentransformasan data e daam dmens ruang cr (feature space, sehngga dapat dpsahan secara ner pada feature space. Karena feature space daam pratenya basanya mem dmens yang ebh tngg dar vetor nput (nput space. Ha n mengabatan omputas pada feature space mungn sangat besar, arena ada emungnan feature space dapat mem umah feature yang tda terhngga. Maa pada SVM dgunaan erne trc.fungs erne yang dgunaan pada penetan n adaah Gaussan 77
9 Vo 3, No 3Desember 03 K(x,y=exp x y (. (3 ( Seumah support vector pada setap data peathan harus dcar untu mendapatan sous bdang pemsah terba. Persoaan sous bdang pemsah terba dapat drumusan : Q( y y x x,(4, dmana : 0(,,..., y 0. Data x yang beroreas dengan α > 0 nah yang dsebut sebaga support vector. Dengan deman, dapat dperoeh na yang nantnya dgunaan untu menemuan w. Sous bdang pemsah ddapatan dengan rumus w =Σα y x ; b = y - w x untu setap x, dengan α 0. Proses penguan atau asfas dauan uga pada setap SVM bner menggunaan na w, b, dan x yang dhasan pada proses peathan d setap SVM bner. Fungs yang dhasan untu proses penguan adaah f K( x, x w b (5 d Dar has u coba menggunaan metode DLDA - SVM ddapatan tngat auras pengenaan optma 84%. DAFAR PUSAKA [] Putra, D., Suarana, I.G., 00. Segmentas ctra retna dgta retnopat dabetes untu membantu pendetesan mroaneursma.jurna tenoog ten eetro vo 9 no. [] Purnomo, M.H., Muntasa, A., 00. Konsep Pengoahan Ctra Dgta dan Estras Cr. Graha Imu, Yogyaarta [3] Ahmad, U., 005. Pengoahan Ctra Dgta dan en Pemrogramannya, Graha Imu, Yogyaarta. [4] Zuderved,K.,994. Contrast Lmted AdaptveHstograph Equazaton. Graphc Gems IV. Academc Press Professona, San Dego. [5] Lang, Z., L, Y.,Sh, P., 008. A note on twodmensona near dscrmnant anayss, Pattern Recognton. -8. [6] Nugroho, A.S., Wtarto, A. B., Handoo,D., 003. Support Vector Machne eor dan apasnya daam Bonformata, Kuah umum Imu Komputer.com, webste : dases 0 Desember 0. [7] Damayant, F., Arfn, A.Z., Soeaman, R., 00. Pengenaan ctra waah menggunaan support vector machne. KURSOR Vo. 5, No. 3, dmana : = sampa ; x = support vector; x d = data penguan. Outputnya adaah berupa ndes dengan f terbesar yang merupaan eas dar data penguan [7]. HASIL DAN PEMBAHASAN ahapan penguan terhadap sstem dauan dengan varas data peathan dan varas dmens proyes. Ha n dauan untu mengetahu eauratan dar sstem yang dbuat. Dataset yang dgunaan adaah MESSIDOR, terdr dar 5 ctra retna, dbag menad5 eas, masng-masng eas terdr dar 5 ctra. Dmens proyes menggunaan na p dar 0 sampa dengan 0, na q dar 0 sampa dengan 0. Has penguan dtunuan pada abe 4. abe. ngat eberhasan pengenaan dataset MESSIDORmetode DLDA SVM Jumah data ath Jumah data Auras u optma % % % KESIMPULAN erdapat dua varabe pentng yang mempengaruh tngat eberhasan pengenaan, yatu varas urutan dar sampe peathan per eas yang dgunaan dan umah sampe peathan per eas yang dgunaan. 78
PENGENALAN CITRA WAJAH MENGGUNAKAN METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE
Vo. 5, No. 3, Januar 00 IN 06-0544 PENGENAAN CIA WAJAH MENGGUNAKAN MEODE WO-DIMENIONA INEA DICIMINAN ANAYI DAN UPPO VECO MACHINE * Ftr Damayant, Agus Zana Arfn, uy oeaman Program Magster en Informata,I
Lebih terperinciPENGENALAN WAJAH BERBASIS METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS
PENGENALAN WAJAH BERBASIS MEODE WO-DIMENSIONAL LINEAR DISCRIMINAN ANALYSIS Ftr Damayant, Agus Zanal Arfn, Rully Soelaman Program Magster en Informata, Insttut enolog Sepuluh Nopember (IS) - Surabaya Kampus
Lebih terperinciNilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4
Statsta, Vo. 7 No. 2, 65 71 Nopember 27 Na Krts Permutas Esa untu Anova Satu Arah Krusa-Was pada Kasus Banyanya Sampe, = 4 Inne Maran, Yayat Karyana, dan Aceng Komarudn Mutaqn Jurusan Statsta FMIPA Unsba
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciPengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis
Konferens Nasonal Sstem & Informata 05 STMIK STIKOM Bal, 9-0 Otober 05 Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Two-Dmensonal Lnear Dscrmnant Analyss Ftr Damayant Prod Manajemen Informata,
Lebih terperinciSISTEM DETEKSI RETINOPATI DIABETIK MENGGUNAKAN SUPPORT VECTOR MACHINE
SISEM DEEKSI REINOPAI DIABEIK MENGGUNAKAN SUPPOR VECOR MACHINE ess untuk memenuh sebagan persyaratan mencapa deraat Sarana S- Program Stud Magster Sstem Informas Oleh: Wahyud Setawan 40040400060 PROGRAM
Lebih terperinciSTUDI KOMPARASI METODE KLASTERISASI DATA K-MEANS DAN K-HARMONIC MEANS
STUDI OMPARASI METODE LASTERISASI DATA -MEANS DAN -HARMONIC MEANS I Made Wdartha Jurusan Imu omputer, Fautas Matemata dan Imu Pengetahuan Aam, Unverstas Udayana ema : madewdartha@cs.unud.ac.d Abstra Saah
Lebih terperinciEndi Permata 1),I Ketut Eddy Purnama 2), Mauridhi Hery Purnomo 3)
Semnar Nasona Teknoog Informas dan Mutmeda 2013 STMIK AMIKOM Yogyakarta, 19 Januar 2013 KLASIFIKASI JENIS DAN FASE PARASIT MALARIA PLASMODIUM FALCIPARUM DAN PLASMODIUM VIVAX DALAM SEL DARAH MERAH MENGGUNAKAN
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciBAB III PENGAMBILAN KEPUTUSAN DISPLACED IDEAL. Inti dari pengambilan keputusan adalah memilih alternatif, tentunya harus
40 BAB III PENGAMBILAN KEPUTUSAN DISPLACED IDEAL 3.1. Pengamban Keputusan Int dar pengamban keputusan adaah memh aternatf, tentunya harus aternatf yang terbak (the best aternatve). Tujuan dar anass keputusan
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciKlasifikasi Jenis dan Fase Parasit Malaria Plasmodium Falciparum dan Plasmodium Vivax Dalam Sel Darah Merah Menggunakan Support Vector Machine
SETRUM Voume, No., Desember 0 ISSN : 30-465 Kasfkas Jens dan Fase Parast Maara Pasmodum Facparum dan Pasmodum Vvax Daam Se Darah Merah Menggunakan Support Vector Machne End Permata, I Ketut Eddy Purnama,
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciKata kunci: system fuzzy, inflasi
Pemodean Tngat Infas d Indonesa dengan -- gus aman bad & uhson PEODEL TIGKT IFLSI DI IDOESI DEG EGGUK SISTE FUZZY Oeh: gus aman bad Staf pengajar d FIP Unverstas eger Yogaarta uhson Staf Pengajar Fautas
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciKLASIFIKASI CITRA DENGAN SUPPORT VECTOR MACHINE PADA SISTEM TEMU KEMBALI CITRA
Semnar Nasona Sstem dan Informatka 007; Ba, 6 November 007 SNSI07-036 KLASIFIKASI CITRA DENGAN SUPPORT VECTOR MACHINE PADA SISTEM TEMU KEMBALI CITRA Yen Herden, Agus Buono, Vta Yua Noornawat Departemen
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciKLASIFIKASI DIATOM MENGGUNAKAN SIGNATURE DAN SUPPORT VECTOR MACHINE
Semnar Nasona Informatka 2012 (semnasif 2012) ISSN: 1979-2328 UPN Veteran Yogyakarta, 30 Jun 2012 KLASIFIKASI DIATOM MENGGUNAKAN SIGNATURE DAN SUPPORT VECTOR MACHINE Nofandr Setyasmara 1,2), Stevanus Hardrstanto
Lebih terperinciDETEKSI OBYEK PEJALAN KAKGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE
DEEKSI OBYEK PEJALAN KAKGGUNAKAN EODE PRINCIPAL COPONEN ANALYSIS DAN SUPPOR VECOR ACHINE Augrah Pratama Effed, Yudh Purwaato, S.Kom,.Kom, Ruy Soeama, S.Kom,.Kom 3. Fautas eoog Iformas, Isttut eoog Sepuuh
Lebih terperinciPerbandingan Klasifikasi Tingkat Keganasan Breast Cancer Dengan Menggunakan Regresi Logistik Ordinal Dan Support Vector Machine (SVM)
JURNAL SAINS DAN SENI IS Vo., No., (Sept. 0) ISSN: 30-98X D-30 Perbandngan Kasfas ngat Keganasan Breast Cancer Dengan Menggunaan Regres Logst Ordna Dan Support Vector Machne (SVM) Farz rachman dan Sant
Lebih terperinciImplementasi Metode Backpropagation untuk Mengenali Teks pada Natural Scene Image
Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2527-2533 http://-pt.ub.ac.d Implementas Metode Bacpropagaton untu Mengenal Tes pada Natural Scene
Lebih terperinciPERBANDINGAN PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN SUPPORT VECTOR MACHINE DAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK
Perbandngan Peramaan Beban I N. Setawan, Wdyad Setawan PERBANDINGAN PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN SUPPORT VECTOR MACHINE DAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK I Nyoman Setawan,
Lebih terperinciImplementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0
Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinci2 i. . Kebolehjadian total n set nilai adalah: y terhadap y dicapai jika faktor
Pencocokan Data. Pencocokan Data ke Gars Lurus Msakan kta mempunya n ttk data ekspermenta (, y ) dan dketahu bahwa hubungan teorts antara dan y adaah hubungan near (persamaan gars urus) dengan persamaan:
Lebih terperinciMETODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa
Lebih terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
Lebih terperinciKLASTERISASI DATA IRIS MENGGUNAKAN METODE BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
Program Stud MMT-ITS, Surabaya 23 Ju 2011 LASTERISASI DATA IRIS MENGGUNAAN METODE BERBASIS ARTIFICIAL BEE COLONY DAN -HARMONIC MEANS I Made Wdartha, Agus Zana Arfn, Anny Yunart Jurusan Teknk Informatka,
Lebih terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING
Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
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 terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciPenerapan Kendali Logika Fuzzy+Proportional Integral pada Modul Process Control Simulator PCS 327 MK2
Penerapan Kenda Logka Fuzzy+Proportona Integra pada Modu Process Contro Smuator PCS 327 MK2 Wrastawa Rdwan Jurusan Teknk Eektro Unverstas Neger Gorontao ema : r1space@yahoo.com Abstrak. Respon output yang
Lebih terperinciKonferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 DAFTAR REVIEWER
Konferens Nasonal Sstem & Informatka 2015 STMIK STIKOM Bal, 9 10 Oktober 2015 DAFTAR REVIEWER Dr. Agus Harjoko Prof. Dr. Sr Hartat Dr.-Ing. Reza Pulungan Dr. Djoko Soetarno, DEA Dr. Ir. Rla Mandala, M.Eng
Lebih terperinciKOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda
KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,
Lebih terperinciSTUDI PERBANDINGAN PENGENALAN CITRA SENYUMAN BERDASARKAN AESTHETIC DENTISTRY MENGGUNAKAN METODE 2D-PCA DAN METODE 2D-LDA
Vol. 5, No. 4, Jul 00 ISSN 06-0544 SUDI PERBNDINGN PENGENLN CIR SENYUN BERDSRKN ESHEIC DENISRY ENGGUNKN EODE D-PC DN EODE D-LD * Rma r ahyunngrum, ** Ftr Damayant Jurusan en Informata, Unverstas runojoyo
Lebih terperinciU JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK
Jurusan Ten Spl dan Lngungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SENIN, 4 JANUARI 23 OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara tda boleh menggunaan omputer untu mengerjaan soal- soal ujan
Lebih terperinciLucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman
Lucas Theorem Untu Mengatur Penympanan Memor yang Lebh Aman Hendra Hadhl Chor (135 8 41) Program Stud Ten Informata ITB Jalan Ganesha 1, Bandung e-mal: hendra_h2c_mathematcan@yahoo.com; f1841@students.f.tb.ac.d
Lebih terperinciBAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
Lebih terperinciIV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN
69 IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN Dtnau dar sfat hubungan antar persamaan terdapat dua ens model persamaan yatu model persamaan tunggal dan model sstem persamaan. Model persamaan tunggal adalah
Lebih terperinciPENERAPAN METODE SUPPORT VECTOR MACHINE PADA DIAGNOSA HEPATITIS
Volume 04, No.01 Februar 2016 PENERAPAN METODE SUPPORT VECTOR MACHINE PADA DIAGNOSA HEPATITIS Raudlatul Munawarah 1, On Soesanto 2, M. Reza Fasal 3 1,3 Prod Ilmu Komputer FMIPA UNLAM, 2 Prod Matematka
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA II. Pengertan Klasfkas Klasfkas adalah proses untuk menemukan model atau fungs yang menelaskan atau membedakan konsep atau kelas data dengan tuuan untuk memperkrakan kelas yang
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang
JURNAL MATEMATIKA DAN KOMPUTER ol. 4. No., - 22, Aprl 2, ISSN : 4-858 SUBRUANG MARKED Suryoto Jurusan Matemata, FMIPA-UNDIP Semarang Abstra Msalan suatu ruang vetor berdmens ngga atas lapangan omples C,
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
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 terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
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 terperinciKlasifikasi Pengidap Diabetes Pada Perempuan Menggunakan Penggabungan Metode Support Vector Machine dan K-Nearest Neighbour
Informatcs Journa Vo. 1 No. (016) Kasfkas Pengdap Dabetes Pada Perempuan Menggunakan Penggabungan Metode Support Vector Machne dan K-Nearest Neghbour Januar Ad Putra*, Afrza Laksta Akbar** Jurusan Teknk
Lebih terperinciKAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR
Berala Fsa ISSN : 1410-966 Vol.8, No.1, Januar 005, hal 7-10 KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR Agus Setyawan Laboratorum Geofsa, Jurusan
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)
BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciEVALUASI KESTABILAN PERALIHAN MESIN TUNGGAL DENGAN METODA RUNGE KUTTA ORDE 4 (Studi Kasus : Sistem Kelistrikan Sumatera)
Vo: 3 No. Maret 04 ISSN: 30-949 EVALUASI KESTABILAN PERALIHAN MESIN TUNGGAL DENGAN METODA RUNGE KUTTA ORDE 4 (Stud Kasus : Sstem Kestran Sumatera) Heru Dbyo Lasono, Arno Rz Ramadhan Jurusan Ten Eetro,
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data
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 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 terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciBAB III MODUL INJEKTIF
BAB III ODUL INJEKTIF Bab n adalah bab yang palng pentng arena bab n bers mula dar hal-hal dasar mengena modul njet sampa sat-sat stmewanya yang tda dml oleh modul lan yang tda njet, yang merupaan ous
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 terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
65 BAB IMPLEMENTASI DAN EVALUASI. Penyaan Data Hasl Peneltan Data-ata hasl peneltan yang gunakan alam pengolahan ata aalah sebaga berkut: a. ata waktu kera karyawan b. ata umlah permntaan konsumen c. ata
Lebih terperinciPengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA
Pengaruh Kelembaban dan Ser Tanah Terhadap Mutu dan Produs Tanaman Tembaau Temanggung dengan Metode MANOVA Mftala Al Rza ), Sutno ), dan Dumal ) ) Jurusan Statsta, Faultas MIPA, Insttut Tenolog Sepuluh
Lebih terperinciAnalisis Performansi Perusahaan Syariah di Bursa Efek Indonesia (BEI) Menggunakan Metode Discriminant Analysis dan Support Vector Machine (SVM)
Anass Performans Perusahaan Syarah d Bursa Efek Indonesa (BEI) Menggunakan Metode Dscrmnant Anayss dan Support Vector Machne (SVM) ) Nur Syafrda ) Dr. Muhammad Mashur, MT ) ) Mahasswa Statstka Dosen Pembmbng
Lebih terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Emprs Pada peneltan n, penelt menggunakan beberapa peneltan terkat yang pernah dlakukan oleh penelt lan sebaga tnjauan stud, yatu sebaga berkut : a. Pornography Detecton
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 terperinciPENYELESAIAN SISTEM PERSAMAAN TAK LINIER
PENYELESIN SISTEM PESMN TK LINIE Mater Kulah: Pengantar; Iteras Satu Tt; Iteras Newton # PENGNT # erut n adalah contoh seumpulan buah persamaan ta lner smulta dengan buah varabel ang ta detahu:... ( 57...
Lebih terperinciRestorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization
Restoras Ctra Dengan Menggunaan Metode Iteratf Lanczos Hybrd Regularzaton Yudh Purwananto, Rully Soelaman, Alfa Masjta Rahmat Jurusan Ten Informata, Faultas Tenolog Informas Insttut Tenolog Sepuluh Nopember
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 IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
Lebih terperinciAnalisis Sensitivitas
Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,
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 terperinciTinjauan Ulang Konsep Mekanika Klasik
Modul 1 Tnauan Ulang Konsep Meana Klas Paen Pandangan, S.S., M.S. P PENDAHULUAN ada Buu Mater Poo (BMP) Meana, Anda sudah mempelaar tentang neta dan dnama suatu sstem ba melalu huum-huum Newton, Lagrange,
Lebih terperinciPengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Prnt) 1 Pengenalan Karakter Tulsan Tangan Angka dan Operator Matematka Berdasarkan Zernke Moments Menggunakan Support Vector Machne
Lebih terperinciPengenalan Wajah Menggunakan Implementasi T-shape Mask pada Two Dimentional Linear Discriminant Analysis dan Support Vector Machine
Musthafa, Pengenalan Wajah Menggunakan Implementas -shape Mask Pada wo Dmentonal Lnear Dscrmnant Analyss dan... 1 Pengenalan Wajah Menggunakan Implementas -shape Mask pada wo Dmentonal Lnear Dscrmnant
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciAnalisis Variasi Parameter Backpropagation Artificial Neural Network dan Principal Component Analysis Terhadap Sistem Pengenalan Wajah
ELECTRANS, Jurnal Ten Eletro, Komputer dan Informata http://eournal.up.edu/ndex.php/electrans Analss aras Parameter Bacpropagaton Artfcal Neural Networ dan Prncpal Component Analyss Terhadap Sstem Pengenalan
Lebih terperinciPERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM
PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM 1) Membuat dstrbus frekuens. 2) Mengetahu apa yang dmaksud dengan Medan, Modus dan Mean. 3) Mengetahu cara mencar Nla rata-rata (Mean). TEORI PENUNJANG
Lebih terperinciBAB 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 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 terperinciPeramalan Tingkat Suku Bunga Sertifikat Bank Indonesia Berdasarkan Data Fuzzy Time Series Multivariat
Jurna ILU DASAR, Vo. No., Ju 00: 05-05 Peraaan Tngat Suu Bunga Sertfat Ban Indonesa Berdasaran Data Fuzzy Te Seres utvarat Forecastng Interest Rate of Ban Indonesa Certfcate Based on utvarate Fuzzy Te
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB IV HASIL ANALISIS
BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan
Lebih terperinciV E K T O R Kompetensi Dasar :
MODUL PEMELJRN I V E K T O R Kompetens Dasar : 1. Mahasswa mampu memaham perbedaan besaran vetor dan salar serta memberan contohcontohna dalam ehdupan sehar-har, 2. Mahasswa mampu melauan operas penumlahan
Lebih terperinciBAB II STUDI PUSTAKA
Masur Kmsan 5 7 1 BAB II STUDI PUSTAKA 1 Umum Secara umum sstem strutur dbedaan dar egunaan strutur, sepert strutur embatan, gedung, tang, bendungan atau pesawat udara Secara husus penamaan n dbedaan dar
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciPENERAPAN ADAPTIF FUZZY PADA PENGATURAN KECEPATAN MOTOR INDUKSI TIGA FASA
Ratna Ika Putr, Penerapan Adaptf Fuzzy Pada Pengaturan Kecepatan Motor Induks Tga Fasa PENERAPAN ADAPTIF FUZZY PADA PENGATURAN KECEPATAN MOTOR INDUKSI TIGA FASA Ratna Ika Putr Poteknk Neger Maang, J. Veteran
Lebih terperinci