4 Notepad dan Microsoft Excel sebagai editor data.
|
|
- Widya Budiaman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 dengan menggunakan perangkat lunak ENVI disimpan dalam file.txt (Lampiran 1). File ini berisi informasi mengenai panjang gelombang dan nilai pantulan (reflectance) objek di permukaan bumi. Objek yang diperlukan dalam penelitian ini yaitu berupa tanaman padi, sedangkan nilai reflectance yang diperoleh merupakan pantulan dari semua objek yang ada di permukaan bumi, seperti tanah, air serta zat-zat yang menghalangi sensor di udara. Oleh karena itu, diperlukan proses eliminasi terhadap band yang memiliki derau (noise). Bootstrapping (8-fold) Tahap ini menghasilkan data pelatihan dan data pengujian berdasarkan metode bootstrapping (8-fold). Model yang digunakan diperoleh berdasarkan model yang memiliki nilai error terkecil. Semua data dibagi menjadi 8 subset yang terdiri dari data pelatihan dan data pengujian. Data pelatihan digunakan untuk pembuatan model pada SVR yang akan akan digunakan pada data pengujian. Support Vector Regression (SVR) Proses SVR menggunakan library SVM (LIBSVM) dapat dilihat pada Lampiran 2. Secara garis besar, koneksi yang dibuat seperti berikut : 1 LibSVM terdiri dari beberapa file berikut : a svm.h sebagai header file. b svm.cpp sebagai kode program bahasa C++. c svm-train.c dan svm-predict.c sebagai kode program bahasa C. 2 Membuat library file svm_train.exe dan svm_predict.exe menggunakan compiler Code::Blocks. 3 Memanggil fungsi library.exe dari IDL. Data pengujian yang dihasilkan pada proses sebelumnya akan digunakan sebagai input dari proses regresi menggunakan epsilon SVR dan menghasilkan suatu model beserta koefisien α untuk setiap support vector. Data dengan koefisien α bernilai 0, berarti data tersebut bukan merupakan support vector, sedangkan data dengan koefisien α tidak sama dengan 0, maka data tersebut merupakan support vector. Evaluasi Error Regresi akan menghasilkan nilai error yang dihitung menggunakan. tersebut digunakan sebagai evaluasi untuk hasil akhir. Terdapat aturan mengenai evaluasi error, yaitu jika yang dihasilkan lebih kecil dibandingkan sebelumnya, maka proses feature selection menggunakan Recursive Feature Elimination masih dilakukan. Akan tetapi, jika yang dihasilkan lebih besar dibandingkan dengan sebelumnya, maka proses RFE-SVM selesai dan menghasilkan band yang terbaik pada data ini. Recursive Feature Elimination Seleksi fitur dilakukan dengan menghitung nilai weight yang menggunakan koefisien alpha (α) hasil SVR. Band atau fitur yang memiliki nilai weight yang minimum akan dihapus. Oleh karena itu, proses SVR selanjutnya tidak mengikut sertakan band tersebut. Hasil akhir berupa peringkat band terbaik. Evaluasi Hasil Hasil prediksi padi akan dievaluasi dengan koefisien determinasi (R 2 ), sedangkan keakuaratan hasil regresi akan dievaluasi dengan Root Mean Square Error (). Lingkungan Pengembangan Perangkat keras yang digunakan untuk penelitian yaitu: 1 Processor Intel Core2Duo 2.16 GHz. 2 RAM 2 GB DDR 2. 3 HDD kapasitas 200 GB. 4 Monitor LCD 14.1 dengan resolusi 1280 x 800 piksel. 5 Mouse dan keyboard. Perangkat lunak yang digunakan untuk penelitian yaitu : 1 Sistem Operasi Microsoft Windows 7 Professional. 2 Interactive Data Language (IDL) versi terdapat dalam ENVI 4.4 sebagai pengolahan data. 3 Code::Blocks 10 sebagai compiler C++ library SVM. 4 Notepad dan Microsoft Excel sebagai editor data. HASIL DAN PEMBAHASAN Pra-proses Jumlah semua band sebanyak 126 band. Setelah dilakukan tahap pra-proses yang dilakukan oleh Piantari (2011), yaitu dengan menghilangkan band berupa derau serta adanya water absorption, menghasilkan band yang efektif digunakan sebanyak 109 band. Water absorption merupakan salah satu faktor yang mempengaruhi data hasil dari teknik penginderaan jauh, khususnya hyperspectral imaging. Atmosfer yang mengelilingi bumi terdiri dari gas berupa uap air dan berbagai gas 7
2 lainnya. Hal ini berpengaruh, ketika sensor hyperspectral mengirimkan transmisi gelombang elektromagnetik ke objek di bumi, maka pada rentang tertentu terdapat gelombang atau band yang terganggu oleh gas tersebut, sehingga gelombang elektromagnetik tersebut tidak sampai ke objek di bumi. Akan tetapi, gelombang tersebut diserap oleh uap air di atmosfer. Keadaan ini disebut dengan water absorption. Berdasarkan Lau (2004), terdapat beberapa gas yang menyerap radiasi dan menyebabkan noise pada data hymap (Tabel 2). Tabel 2 Penyerapan gas di atmosfer Gas H 2 O Absportion (μm) 0.94, 1.14, 1.38, 1.88 (Gao et al. 1993) 9, 2, 6 (Aspinall et al. 2002) O 2 6, -1.3 (Gao et al. 1993) CO 2 O , 2.08 (Gao et al. 1993) 1.6, 2.005, (Aspinall et al. 2002) (Gao et al. 1993) 5, 9.6 (Aspinall et al. 2002) Tabel 3 Hasil dataset 8-fold train-test Dataset R Berdasarkan tabel tersebut, dataset ke-5 merupakan dataset yang memiliki nilai terkecil sebesar 26 dengan nilai korelasi R 2 sebesar 0.97 mendekati nilai 1, berarti terdapat korelasi yang hampir sempurna. Oleh karena itu, dataset tersebut yang akan digunakan untuk proses selanjutnya. Gambar 8 menampilkan sebaran nilai yield aktual dan yield prediksi untuk data testing. N 2 O CO CH (Gao et al. 1993) Band derau dan water absorption berada pada panjang gelombang antara nm, nm dan nm. Jumlah data hymap disesuaikan dengan jumlah data yield aktual, sehingga dihasilkan sebanyak 34 data. Bootstrapping (8-fold) Keakuratan model suatu prediksi dilihat dari seberapa besar error yang dihasilkan antara nilai prediksi dan nilai aktual. Semakin kecil atau error mendekati nilai 0, maka keakuratan suatu model prediksi dapat dikatakan baik. Contoh pembagian dataset dapat dilihat pada Lampiran 3. Teknik ini menghasilkan dataset model yang terbaik dengan memilih nilai error terkecil, berdasarkan root mean square error (). Jumlah resampling data yang digunakan sebanyak 8 dataset. Setiap dataset terdiri dari data training dan data testing. Contoh bootstrapping (8-fold) pada data dengan 109 band pada Tabel 3. = 36 R 2 = 0.97 Gambar 8 Grafik sebaran yield terbaik. Implementasi RFE-SVR Penggunaan Recursive Feature Elimination -Support Vector Machine (RFE-SVR) pada data hyperspectral melibatkan beberapa parameter, seperti γ (Gamma), toleransi epsilon, serta koefisien penalti C. Selain ketiga parameter tersebut, terdapat beberapa kernel yang dipakai, yaitu kernel linear, kernel polinomial, kernel radial basis function (RBF) dan kernel sigmoid. Parameter γ (Gamma), epsilon, C Penentuan parameter epsilon digunakan sebagai toleransi akurasi terhadap data training. Konstanta C menentukan trade off antara ketipisan fungsi f pada SVR. Pemilihan nilai parameter tersebut berpengaruh terhadap model dari SVR yang akan dipakai. Model SVR yang baik adalah model dengan nilai error terkecil dan nilai determinasi R 2 yang mendekati satu. 8
3 Penelitian ini mencoba beberapa penggunaan parameter tersebut sampai dihasilkan model terbaik. Suatu model dikatakan baik apabila data pelatihan yang di training serta testing menggunakan data yang sama dengan training memiliki nilai error mendekati nilai 0 dan koefisien determinasi R 2 mendekati nilai satu. Nilai epsilon yang semakin kecil, maka toleransi error yang dibatasi kecil juga. Sebaliknya, nilai epsilon yang besar, maka toleransi error yang dibatasi besar pula. Pemilihan epsilon dilakukan dengan metode trial and error. Nilai epsilon tidak terlalu berpengaruh terhadap model yang dihasilkan. Hasil percobaan penggunaan beberapa parameter epsilon dapat dilihat pada Gambar 9. Ԑ = C=8 C=128 C= Gambar 9 Perbandingan epsilon. Grafik tersebut memperlihatkan penggunaan beberapa epsilon yang dilihat berdasarkan nilai. Pemilihan epsilon mempertimbangkan koefisien determinasi R 2 juga. Nilai epsilon yang baik yaitu epsilon (Ԑ) < 1. Epsilon yang digunakan yaitu 7. Hasil selengkapnya dapat dilihat pada Lampiran 4. Percobaan yang sama dilakukan terhadap koefisien C dan parameter gamma (γ). Hasil untuk koefisien C pada Gambar 10a. Hasil dengan error minimum terdapat pada koefisien C sebesar ( ). Kemudian dilakukan pencarian ulang antara rentang tersebut dan didapatkan hasil pada Gambar 10b. Berdasarkan grafik tersebut dapat dilihat nilai C yang besar menghasilkan error yang kecil. Akan tetapi, tidak terlalu banyak perubahan nilai error-nya. Koefisien C yang ditetapkan yaitu sebesar 2 1 (1448.2). Hal penting dalam Support Vector Regression yaitu memaksimumkan margin pada prediksi data. Nilai C yang terlalu besar tidak memperhatikan perubahan maksimum margin, sehingga C yang terlalu besar menghasilkan nilai error yang konstan. Sedangkan, nilai C yang terlalu kecil terlalu memperhatikan nilai penalti dalam SVR. C = C = (a) Gamma ɣ (b) Gamma ɣ Gambar 10 Perbandingan koefisien C. Parameter gamma ɣ digunakan dalam pembentukan kernel radial basis function (RBF) dan kernel sigmoid pada pemetaan data dari dimensi yang rendah ke dimensi yang lebih tinggi. Hasil pemilihan gamma pada rentang dapat dilihat pada Gambar 11a. Grafik 11a memperlihatkan gamma dengan error kecil pada rentang (8-16), sehingga dilakukan pemilihan rentang yang lebih kecil lagi. Kurva pada Gambar 11b berhimpit antara perhitungan menggunakan beberapa gamma. Akan tetapi, nilai gamma lebih dari dengan nilai C mulai dari 128 menghasilkan nilai yang sama. Oleh karena itu, gamma yang dipilih sebesar Perhitungan hasil selengkapanya dapat dilihat pada Lampiran 5. 9
4 (a) ɣ = Koefisien C (b) Koefisien C ɣ = Gambar 11 Perbandingan parameter gamma. Penggunaan Kernel Kernel yang digunakan dalam RFE-SVR menentukan keakuratan pembuatan model suatu prediksi sehingga memperoleh error yang seminimum mungkin. Penggunaan kernel bertujuan untuk memetakan data ke dimensi yang lebih tinggi supaya dapat dipisahkan secara linear. Oleh karena itu, perhitungan dengan beberapa kernel digunakan untuk memperoleh kernel yang cocok terhadap data hyperspectral ini. a Kernel Linear Kernel linear merupakan kernel yang paling sederhana. Perhitungan kernel tidak melibatkan parameter gamma. Oleh karena itu, hanya digunakan koefisien epsilon ε dan penalti C dalam proses SVR. Hasil pengurangan band terhadap error menggunakan kernel ini dapat dilihat pada Gambar 12. Gambar 12 Perbandingan jumlah band terhadap error dan weight kernel linear. Penggunaan kernel linear tidak cocok dengan seleksi fitur RFE. Hal ini terbukti pada saat pengurangan fitur dari 109 band sampai satu band, error yang dihasilkan tidak menurun, tetapi berlaku sebaliknya. Akan tetapi, pengurangan band terhadap weight berlaku sesuai teori, ketika jumlah band berkurang, maka nilai weight meningkat. Hal ini dikarenakan, fitur yang dibuang adalah fitur yang memiliki w minimum. Nilai semua band yaitu sebesar 666 dengan R 2 sebesar 022, sedangkan pada akhir iterasi satu band menghasilkan yang lebih besar yaitu 901 dengan R 2 yang jauh lebih kecil yaitu 551. Nilai error ini secara kenyataan di lapangan berpengaruh sebesar 666 ton yield per hektar. Gambar 13 menunjukkan sebaran nilai yield prediksi terhadap nilai yield aktual pada kernel linear. Sesuai dengan nilai R 2 yang diperoleh, sebaran tidak berkumpul ke garis linear, masih terdapat data pencilan yang tidak dapat diprediksi dengan baik. 10
5 sebaran prediksi yield terhadap nilai yield aktual dengan R 2 yang sangat kecil. Hasil prediksi menggunakan kernel sigmoid tidak menunjukkan adanya keterkaitan antara yield prediksi dan yield aktual, sehingga error yang dihasilkan cukup besar. = 666 R 2 = 022 Gambar 13 Sebaran prediksi yield kernel linear. b Kernel Sigmoid Pengujian menggunakan kernel sigmoid memerlukan koefisien C dan parameter γ pada pemetaan input space ke feature space. Penggunaan kernel sigmoid sama dengan kernel linear, tidak menghasilkan pengurangan band. Nilai tidak berkurang seiring dengan naiknya weight pada perhitungan RFE (Gambar 14). = 958 R 2 = 239 Gambar 15 Sebaran prediksi yield kernel sigmoid. c Kernel Radial Basis Function Pemetaan pada kernel Radial Basis Function (RBF) membutuhkan parameter gamma γ. Parameter γ ini menentukan tebal atau tipisnya jarak antara support vector dengan hyperplane. Parameter γ yang telah dipilih, yaitu sebesar dan C = Hasil menggunakan kernel RBF terdapat pengurangan band sebanyak 39 band (Gambar 16). Metode RFE-SVR dengan kernel ini mendapatkan band optimal sebanyak 70 band dengan sebesar 901 dan R 2 sebesar Perubahan nilai berkurang seiring dengan berkurangnya jumlah band. Akan tetapi, pada saat pengurangan jumlah band tertentu, nilai kembali meningkat. Hal ini mengindikasikan bahwa pada jumlah band tersebut, band sudah tidak dapat dikurangi lagi. Penggunaan kernel RBF ini menghasilkan = 901 yang berarti prediksi yield setiap hektar di lapangan, terdapat kesalahan seberat 901 ton. Gambar 14 Perbandingan jumlah band terhadap error dan weight kernel sigmoid. Nilai saat 109 band yaitu sebesar 958 yang berarti secara riil di lapangan terdapat perbedaan sebanyak 958 ton/ha, dengan R 2 yang kecil sebesar 239. Nilai yang seharusnya turun, saat iterasi terakhir diperoleh hasil yang sebaliknya dengan nilai = atau setara ton/ha dan R 2 = 38. Gambar 15 merupakan 11
6 Gambar 16 Perbandingan jumlah band terhadap error dan weight kernel RBF. Sebaran nilai yield prediksi terhadap nilai yield aktual pada kernel RBF dapat dilihat di Gambar 17. Berdasarkan nilai R 2 yang mendekati angka 1, sebaran data berkumpul ke satu garis, meskipun ada beberapa data yang masih diluar garis, sehingga masih ada error sebesar = 901. Akan tetapi, sebaran prediksi yang diperoleh sudah cukup baik dari pemilihan kernel lainnya. Gambar 18 Perbandingan jumlah band terhadap error dan weight kernel Polinomial. Gambar 19 menunjukkan sebaran nilai prediksi yield terhadap nilai yield aktual. Data sebaran cukup baik karena data berkumpul di satu garis, meskipun ada beberapa data jauh dari kumpulan data lainnya karena data tersebut tidak dapat diprediksi dengan baik. 901 R 2 = Gambar 17 Sebaran prediksi yield kernel RBF. d Kernel Polinomial Kernel polinomial yang digunakan yaitu berderajat tiga. Hasil training dengan 109 band memperoleh nilai sebesar 857 dan R 2 sebesar 014 (Gambar 18). Pengujian kernel polinomial dengan RFE-SVR hanya berkurang 17 band sehinga hasil akhir yang tersisa sebanyak 92 band optimal dengan = 055 dan R 2 = 754. sebesar 055 setara dengan kesalahan seberat 055 ton/ha di lapangan. = 857 R 2 = 754 Gambar 19 Sebaran prediksi yield kernel polinomial. Simpang Error Selain menggunakan error, pengujian RFE-SVR pada data hyperspectral ini mencoba beberapa penerapan kaidah error dalam tiga bentuk norm. Berdasarkan pengujian sebelumnya, kernel terbaik yang digunakan yaitu kernel RBF. Oleh karena itu, pengujian terhadap bentuk norm dilakukan pada kernel RBF saja. 12
Tabel 2 Jumlah data prosedur uji. Crop Variable. Jumlah data LAI 104 SPAD 105 yield 64 LAI 104 SPAD 105 yield 64 LAI 62 SPAD 63 yield 34.
2. Cross validation 5 fold dengan pemisahan data Indramayu dan, menggunakan data berikut: 3. Supplied test set : training:, testing: Hymap training:, testing: Hymap 4. Percentage split dengan data training
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1. Wilayah dan Jadwal Penelitian Wilayah penelitan adalah Kota Banda Aceh. Penelitian ini dilakukan mulai bulan April sampai Juli 2014. 3.2. Populasi dan Sampel Populasi dalam
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinci2. Adanya resiko pemumpukan barang pada gudang.
BAB 3 PROSEDUR DAN METODOLOGI 3.1. Analisis Masalah 3.1.1. Deskripsi Masalah Pemenuhan keinginan atau permintaan pasar merupakan hal yang krusial bagi setiap perusahaan. Perusahaan yang siap berkompetisi
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang
57 BAB 4 IMPLEMENTASI DAN EVALUASI Dalam bab ini, selain menjelaskan mengenai kebutuhan minimum untuk perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang dihasilkan, juga akan
Lebih terperinciHASIL DAN PEMBAHASAN. Setiap tahapan di dalam penelitian ini akan ditunjukkan di dalam Tabel 2.
6 tahap ini, pola yang telah ditemukan dipresentasikan ke pengguna dengan teknik visualisasi agar pengguna dapat memahaminya. Deskripsi aturan klasifikasi akan dipresentasikan dalam bentuk aturan logika
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Persaingan dalam dunia bisnis, terlebih lagi bagi perusahaan besar, tidak lepas dari adanya proses jual beli saham. Saham secara umum merupakan surat berharga yang dapat
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM
BAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM 4.1 Implementasi Program 4.1.1 Spesifikasi Keutuhan Program Spesifikasi Perangkat Keras (Hardware) Perangkat keras yang digunakan untuk merancang sistem ini adalah:
Lebih terperinci4 BAB 4 IMPLEMENTASI DAN PENGUJIAN
4 BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Implementasi adalah penerapan hasil perancangan yang telah dilakukan pada tahap analisis dan perancangan sistem. Hasil perancangan diterapkan menjadi
Lebih terperinciBAB II DASAR TEORI. Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma.
BAB II DASAR TEORI Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma. 2.1. Microsoft Visual Studio Microsoft Visual Studio adalah sebuah software yang
Lebih terperinciBAB III DATA DAN METODOLOGI
17 BAB III DATA DAN METODOLOGI 3.1 Data Pada penelitian ini, ada dua jenis data yang akan digunakan. Jenis data pertama adalah data curah hujan bulanan dan yang kedua adalah data luaran GCM. 3.1.1 Data
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Pada bab ini akan diuraikan mengenai pelaksanaan terhadap hasil perancangan yang telah diperoleh sebelumnya. Hasil perancangan pada tahap perancangan akan diimplemetasikan menjadi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Musim hujan merupakan musim yang mutlak ada di sebagian belahan benua dunia. Dan curah hujan pasti memiliki
BAB I PENDAHULUAN 1.1 Latar Belakang Musim hujan merupakan musim yang mutlak ada di sebagian belahan benua dunia. Dan curah hujan pasti memiliki intensitas yang berbeda. Faktor penyebabnya dapat terjadi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Metode penelitian yang digunakan dalam penulisan Tugas Akhir ini, sebagai berikut: 3.1 Instrumen Penelitian Berdasarkan permasalahan yang telah diuraikan pada bab sebelumnya,
Lebih terperinciPREDIKSI NILAI MATA KULIAH BERDASARKAN NILAI PRASYARAT MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION
PREDIKSI NILAI MATA KULIAH BERDASARKAN NILAI PRASYARAT MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION M RIZAL SYAH KARIM (NRP : 5110100138) DOSEN PEMBIMBING : DR. TECH. IR. R. V. HARI GINARDI, M.SC DR. CHASTINE
Lebih terperinciSVM untuk Regresi. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian menurut Mc Millan dalam Ibnu Hadjar (1999:102) adalah rencana dan struktur penyelidikan yang digunakan untuk memperoleh bukti-bukti
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Ekstraksi ciri Citra yang digunakan dalam penelitian ini berukuran 150 x 150 pixel, sehingga jika divektorkan akan menghasilkan vektor berukuran 22500. Melalui tahap ekstraksi ciri
Lebih terperinciBAB IV IMPLEMENTASI_DAN_EVALUASI. Implementasi bertujuan untuk menerapkan sistem yang dibangun untuk
BAB IV IMPLEMENTASI_DAN_EVALUASI 4.1 Kebutuhan Aplikasi Implementasi bertujuan untuk menerapkan sistem yang dibangun untuk mengatasi permasalahan yang diangkat pada penelitian ini.tahap-tahap yang dilakukan
Lebih terperinciBAB III METODOLOGI. Support Vector Machines (SVM) merupakan salah satu metode machine
BAB III METODOLOGI 3.1 Hipotesis Support Vector Machines (SVM) merupakan salah satu metode machine learning yang dapat melakukan klasifikasi data dengan sangat baik. Metode ini bertujuan untuk mendapatkan
Lebih terperinciGambar 17. Tampilan Web Field Server
IV. HASIL DAN PEMBAHASAN A. KALIBRASI SENSOR Dengan mengakses Field server (FS) menggunakan internet explorer dari komputer, maka nilai-nilai dari parameter lingkungan mikro yang diukur dapat terlihat.
Lebih terperinciPemilihan Fitur Citra Hiperspektral Hymap Dan Model Prediksi Panen Padi Menggunakan Algoritma Genetika Dan Regresi Komponen Utama
Pemilihan Fitur Citra Hiperspektral Hymap Dan Model Prediksi Panen Padi Menggunakan Algoritma Genetika Dan Regresi Komponen Utama (Feature selection of Hyperspectral remote sensing and prediction model
Lebih terperinciHASIL DAN PEMBAHASAN. Studi pustaka. Analisis data. Versi struktur dan fungsi transformasi. Pemuatan data. Implementasi operasi OLAP
Uji Query Uji query adalah tahap untuk menguji temporal data warehouse apakah telah sesuai dengan kebutuhan dan berfungsi dengan baik serta memeriksa apakah operasi dasar data warehouse dan fungsi agregat
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciKLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM)
KLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : MEKAR SEKAR SARI NIM. 24010210120008 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciKLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK
KLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK YUANDRI TRISAPUTRA & OKTARINA SAFAR NIDA (SIAP 16) Pendahuluan Latar Belakang
Lebih terperinciBAB IV EKSPERIMEN. 4.1 Tujuan
BAB IV EKSPERIMEN Pada bab ini dibahas mengenai eksperimen penggunaan SVM dalam pendeteksian intrusi pada jaringan. Pembahasan ini meliputi tujuan yang ingin dicapai melalui eksperimen ini, parameter evaluasi
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi
4 Perangkat keras berupa Notebook: Processor intel Core i3 2.2 GHz. RAM kapasitas 2. GB. Harddisk Kapasitas 5 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 475. Perangkat lunak berupa:
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih terperinciPREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR REGRESSION DENGAN ALGORITMA GRID SEARCH
PREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR REGRESSION DENGAN ALGORITMA GRID SEARCH SKRIPSI Disusun Oleh : LUTFIA SEPTININGRUM 240 102 111 400 73 JURUSAN STATISTIKA FAKULTAS SAINS DAN
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB III ANALISIS DAN PENYELESAIAN MASALAH
BAB III ANALISIS DAN PENYELESAIAN MASALAH 3.1 Deskripsi Sistem Gambar III-1 Deskripsi Umum Sistem Pada gambar III-1 dapat dilihat deskripsi sistem sederhana yang mendeteksi intrusi pada jaringan menggunakan
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Absorbsi Near Infrared Sampel Tepung Ikan Absorbsi near infrared oleh 50 sampel tepung ikan dengan panjang gelombang 900 sampai 2000 nm berkisar antara 0.1 sampai 0.7. Secara grafik
Lebih terperinciHASIL DAN PEMBAHASAN
10 HASIL DAN PEMBAHASAN Pengumpulan Dokumen Tahapan awal yang dilakukan dalam penelitian adalah mengolah dokumen XML yang akan menjadi korpus. Terdapat 21578 dokumen berita yang terdiri atas 135 topik.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian merupakan sarana atau cara untuk mencapai sebuah tujuan dalam sebuah penelitian. Penelitian adalah suatu kegiatan penyelidikan yang
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciPENERAPAN MODEL MESIN BELAJAR SUPPORT VECTOR MACHINES PADA AUTOMATIC SCORING UNTUK JAWABAN SINGKAT
PENERAPAN MODEL MESIN BELAJAR SUPPORT VECTOR MACHINES PADA AUTOMATIC SCORING UNTUK JAWABAN SINGKAT TUGAS AKHIR Diajukan Untuk Memenuhi Sebagian Prasyarat Mencapai Derajat Teknik Informatika Disusun Oleh
Lebih terperinciPENDAHULUAN BAB I. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dewasa ini, kemajuan teknologi komputer sudah banyak dimanfaatkan untuk mendukung suatu usaha bisnis. Dengan adanya komputer, data-data mentah dapat diolah
Lebih terperinciPREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR REGRESSION (SVR) DENGAN ALGORITMA GRID SEARCH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 315-321 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR
Lebih terperinciMetode Kernel. Machine Learning
MMA10991 Topik Khusus Machine Learning Metode Kernel Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Untuk menjalankan aplikasi solusi linear programming dengan menggunakan fuzzy linear programming diperlukan beberapa komponen pendukung. Yang pertama adalah
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Adapun tampilan hasil dari program yang telah penulis rancang adalah sebagai berikut : IV.1.1. Menu Login Menu Login merupakan menu yang pertama kali ditampilkan
Lebih terperinciHASIL DAN PEMBAHASAN. Data
Transformasi data, mengubah data ke bentuk yang dapat di-mine sesuai dengan perangkat lunak yang digunakan pada penelitian. Penentuan Data Latih dan Data Uji Dalam penelitian ini data terdapat dua metode
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
38 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Untuk menjalankan program aplikasi ini, diperlukan beberapa komponen pendukung. Yang pertama adalah konfigurasi dari perangkat keras dan yang kedua
Lebih terperinciBAB I PENDAHULUAN. Sebagaimana diketahui, Sistem Informasi Geografis merupakan Sistem. yang dapat menjelaskan situasi dan keadaan tempat tersebut.
BAB I PENDAHULUAN I.1. Latar Belakang Sebagaimana diketahui, Sistem Informasi Geografis merupakan Sistem Informasi yang menunjukkan letak atau pemetaan pada suatu tempat. Dimana yang dapat menjelaskan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Dalam penelitian ini diperlukan sebuah desain dan metode penelitian agar dalam pelaksanaaannya dapat menjadi lebih teratur dan terurut. 3.1. Desain Penelitian Bentuk dari desain
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. Desain penelitian untuk Sistem Optimalisasi Produksi ini menggunakan
BAB 3 METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk Sistem Optimalisasi Produksi ini menggunakan model sekuensial linier. Desain penelitian untuk sistem optimalisasi produksi ini
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Perangkat keras yang digunakan untuk merancang sistem ini adalah: Processor : Intel Pentium IV 2,13 GHz
62 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Program 4.1.1 Spesifikasi Kebutuhan Program Spesifikasi Perangkat Keras Perangkat keras yang digunakan untuk merancang sistem ini adalah: Processor :
Lebih terperinciBAB III METODE PENELITIAN
21 BAB III METODE PENELITIAN 3.1 Desain Penelitian Pada bab ini akan dipaparkan skema umum penelitian yang dilakukan untuk mempermudah dalam melakukan penelitian. Dalam penelitian ini terdapat dua tahapan
Lebih terperinciBAB 3 METODE PENELITIAN. dalam melakukan penelitian untuk memudahkan penyusun dalam
BAB 3 METODE PENELITIAN 3.1. Desain Penelitian Desain penelitian adalah tahapan yang menggambarkan susunan dalam melakukan penelitian untuk memudahkan penyusun dalam melakukan kegiatan. Desain penelitian
Lebih terperinciBAB VI HASIL DAN PEMBAHASAN
BAB VI HASIL DAN PEMBAHASAN 4.1 Program Pengolahan Citra untuk Pengukuran Warna pada Produk Hortikultura Pengembangan metode pengukuran warna dengan menggunakan kamera CCD dan image processing adalah dengan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
60 BAB IV HASIL DAN PEMBAHASAN 41 Hasil Eksperimen E-nose terdiri dari 4 buah sensor gas dimana masing-masing dari sensor tersebut memiliki kepekaan yang berbeda pada saat pendeteksian aroma Jenis teh
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Berikut adalah gambaran mengenai desain penelitian penentuan plafond kredit nasabah: Studi Literatur Penentuan lokasi dan variabel penelitian Menentukan
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Piranti yang digunakan untuk pelatihan maupun pengujian sistem terdiri dari perangkat keras dan perangkat lunak. 4.1.1 Perangkat Keras Perangkat keras
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Desain Penelitian Gambar 3. 1 Desain Penelitian Pemilihan Mahasiswa Berprestasi 28 29 3.2. Metode Penelitian 1.2.1. Metode Pengumpulan Data Metode pengumpulan data yang
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Kebutuhan Sistem Dalam merancang dan membangun sistem informasi ini ada beberapa spesifikasi perangkat lunak dan perangkat keras yang dibutuhkan sebagai berikut 4.1.1
Lebih terperinciPERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION
PERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION Budi Santosa, Riza Nugraha Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo
Lebih terperinciPERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK MENGGUNAKAN METODE SUPPORT VECTOR REGRESSION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman 785-794 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN JUMLAH TAMU HOTEL DI KABUPATEN DEMAK MENGGUNAKAN METODE
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone
Lebih terperinciPRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA
PRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA Penyusun Tugas Akhir : Astris Dyah Perwita (NRP : 5110.100.178)
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Penelitian Penelitian mengenai peningkatan kecepatan prediksi produksi susu sapi ini menggunakan metode eksperimen dengan metode sebagai berikut: a. Pengumpulan data
Lebih terperinci1.1 Latar Belakang Masalah
BAB 1. PENDAHULUAN Pada bab ini akan dijelaskan mengenai latar belakang pengajuan topik tugas akhir, perumusan masalah berdasarkan latar belakang, tujuan yang merupakan jawaban dari perumusan masalah,
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. Pada bab ini akan dijelaskan mengenai kebutuhan sistem, implementasi dan
BAB IV IMPLEMENTASI DAN EVALUASI Pada bab ini akan dijelaskan mengenai kebutuhan sistem, implementasi dan evaluasi simulasi pelayanan retoran cepat saji dengan menggunakan metode next event time advance.
Lebih terperinciBAB III METODA. Gambar 3.1 Intensitas total yang diterima sensor radar (dimodifikasi dari GlobeSAR, 2002)
BAB III METODA 3.1 Penginderaan Jauh Pertanian Pada penginderaan jauh pertanian, total intensitas yang diterima sensor radar (radar backscattering) merupakan energi elektromagnetik yang terpantul dari
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI Bab ini selain menjelaskan mengenai kebutuhan minimum untuk perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang dihasilkan, juga dijelaskan
Lebih terperinciBAB 4 ANALISIS DAN BAHASAN. Eksplorasi PGA adalah langkah pertama dalam menghitung kriging. PGA
BAB 4 ANALISIS DAN BAHASAN 4.1. Hasil Analisis Data dan Bahasan 4.1.1. Eksplorasi PGA Eksplorasi PGA adalah langkah pertama dalam menghitung kriging. PGA menunjukkan seberapa sering gempa terjadi disuatu
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciBAB 4 IMPLEMENTASI DAN PENGUJIAN
BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Tahap implementasi merupakan tahap pengimplementasian metode kedalam perangkat lunak simulasi, tahap lanjut dari tahap perancangan simulasi di bab sebelumnya.
Lebih terperincidan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. akurasi =.
dan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. Gambar 5 Macam-macam bentuk partisi citra. Ekstraksi Fitur Pada tahap ini semua partisi dari citra dihitung
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. dengan rancangan atau desain sistem yang telah dibuat. Aplikasi yang dibuat akan
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Sistem Tahap ini merupakan pembuatan perangkat lunak yang disesuaikan dengan rancangan atau desain sistem yang telah dibuat. Aplikasi yang dibuat akan
Lebih terperinciBAB V IMPLEMENTASI SISTEM
BAB V IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan implementasi dari Aplikasi Sistem Pendukung Keputusan Penilaian kinerja yang sudah dibangun 5.1 Lingkungan Implementasi Lingkungan implementasi meliputi
Lebih terperinciPERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN
PERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN Oleh : Hera Firdhausa Katili 2409100073 Dosen Pembimbing : Dr.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi adalah tata cara yang disusun secara pasti, sistematis dan logis sebagai landasan untuk kegiatan tertentu. Metodologi yang diperlukan untuk tugas akhir ini terdiri
Lebih terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
Lebih terperinciBAB III METODE PENELITIAN. dilakukan untuk mempermudah dalam melakukan penelitian. Dalam
BAB III METODE PENELITIAN 3.1 Desain Penelitian Pada bab ini akan dipaparkan skema umum penelitian yang dilakukan untuk mempermudah dalam melakukan penelitian. Dalam penelitian ini terdapat dua tahapan
Lebih terperinciIMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS
IMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS Yudis Anggara Putra Chastine Fatichah Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Tampilan Hasil Berikut adalah tampilan hasil dan pembahasan dari rancangan sistem informasi biaya pembelian dan penjualan (Cost In/Out) pada CV. Bonie Mekar Jaya yang
Lebih terperinciLingkungan Pengembangan HASIL DAN PEMBAHASAN
aturan 3--5 untuk menentukan interval akan dibagi menjadi berapa kelompok. Hasilnya akan menjadi hirarki paling atas. Kemudian nilai maksimum dan nilai minimum diperiksa apakah nilainya masuk ke dalam
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI SISTEM. menggunakan metode Single Exponential Smoothing. Hasil perancangan tersebut
BAB IV IMPLEMENTASI DAN EVALUASI SISTEM Pada bab empat ini menjelaskan mengenai hasil analisis dan perancangan aplikasi peramalan persediaan bahan baku pada CV Lintas Nusa Surabaya dengan menggunakan metode
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Untuk menunjang kegiatan penelitian dalam bab ini akan dijabarkan desain penelitian, alat dan bahan, dan bahan penelitian. 3.1 Desain Penelitian Desain Penelitian merupakan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Berikut adalah gambaran mengenai desain penelitian aggregasi website pada web portal universitas berdasarkan framework Krishna Prasad dengan menggunakan
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Aplikasi Sistem Informasi Geografis Lokasi Rumah Zakat di Kota Medan Berbasis Web memiliki fungsi sebagai berikut : masyarakat dapat mengetahui informasi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan Support Vector Backpropagation. Pembahasan bertujuan untuk menguraikan teori dan algoritma yang digunakan dalam
Lebih terperinciBAB I. PENDAHULUAN. produksi padi akan berdampak langsung pada sekuritas makanan nasional pada
BAB I. PENDAHULUAN 1.1. Latar Belakang Pada negara-negara di Asia terutama Indonesia, padi adalah salah satu tanaman pertanian yang penting dan merupakan makanan pokok. Berkurangnya produksi padi akan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sering terdapat tenggang waktu (time lag) antara kesadaran akan peristiwa atau kebutuhan mendatang dengan peristiwa itu sendiri. Adanya waktu tenggang ini merupakan
Lebih terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
Lebih terperinciTraining. Level Transformasi Wavelet. Banyak Fitur. Ukuran Dimensi. 0 40x x30 600
Citra asli Citra ya Inisialisasi: Topologi jaringan, Bobot awal, Lebar tetangga, Nilai laju awal pembelajaran Kriteria pemberhentian Training Error> -6 Epoch< 4 Alpha> HASIL DAN PEMBAHASAN Pada penelitian
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3 Agar penelitian yang dilakukan sesuai dengan tujuan yang diharapkan maka diperlukan langkah-langkah yang tersusun secara sistematis seperti yang dijabarkan pada gambar 3.1
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Processor Intel Pentium IV 2.41GHz RAM 512 MB DDR. Hard disk 40 GB. Monitor 15 Samsung SyncMaster 551v
52 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Perangkat Keras Spesifikasi dari perangkat keras yang digunakan dalam perancangan program adalah sebagai berikut : Processor Intel Pentium IV 2.41GHz
Lebih terperinciBAB IV HASIL DAN PENGUJIAN. telah dibuat. Pengujian yang dilakukan adalah menguji proses region of interest
BAB IV HASIL DAN PENGUJIAN Bab ini menjelaskan tentang seluruh hasil pengujian dari aplikasi yang telah dibuat. Pengujian yang dilakukan adalah menguji proses region of interest (ROI) yaitu suatu proses
Lebih terperinciBAB IX ANALISIS REGRESI
BAB IX ANALISIS REGRESI 1. Model Analisis Regresi-Linear Analisis regresi-linear adalah metode statistic yang dapat digunakan untuk mempelajari hubungan antarsifat permasalahan yang sedang diselidiki.
Lebih terperinciANALISIS SUPPORT VECTOR REGRESSION
ANALISIS SUPPORT VECTOR REGRESSION (SVR) DALAM MEMPREDIKSI KURS RUPIAH TERHADAP DOLLAR AMERIKA SERIKAT SKRIPSI Oleh : RISKY AMANDA NIM. 24010210141027 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinciBAB III REGRESI TERSENSOR (TOBIT) Model regresi yang didasarkan pada variabel terikat tersensor disebut
BAB III REGRESI TERSENSOR (TOBIT) 3.1 Model Regresi Tersensor (Tobit) Model regresi yang didasarkan pada variabel terikat tersensor disebut model regresi tersensor (tobit). Untuk variabel terikat yang
Lebih terperinciBAB 3 METODOLOGI. 3.1 Metodologi Penelitian Pengumpulan Bahan Penelitian. Dalam penelitian ini bahan atau materi dikumpulkan melalui :
BAB 3 METODOLOGI 3.1 Metodologi Penelitian 3.1.1 Pengumpulan Bahan Penelitian Dalam penelitian ini bahan atau materi dikumpulkan melalui : 1) Data primer, yaitu memperoleh sumber data penelitian langsung
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Penelitian 3.1.1 Metode Pengumpulan Data Proses pengumpulan data pada penelitian ini dilakukan dengan cara berikut ini, yaitu : 1. Observasi Observasi dilakukan dengan
Lebih terperinciUKDW BAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Distributor Seragam Aneka Jaya merupakan satu distributor seragam merk Teladan yang berada di kota sidoarjo. Distributor Seragam Aneka Jaya sendiri berdiri
Lebih terperinci