METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
|
|
- Budi Kusuma
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 E-mal : rully@stsacd Abstra -- Suatu ftur sangat dperluan untu mengndentfasan suatu obe Ftur-ftur optmal yang bsa detahu dar suatu obe aan mempermudah dan mempercepat proses ndentfas obe tersebut Ftur yang sedt aan mempermudah dalam menentuan daerah eputusan (decson regons) Untu tu perlu dlauan pemlhan ftur yang palng optmal dar ftur-ftur yang ada Metode Branch and Bound merupaan salah satu metode yang dgunaan untu pemlhan ftur optmal Algortma n telah mengalam beberapa perbaan sehngga ada empat algortma yang telah dhaslan yatu algortma Branch and Bound dasar (BBB), Improved Branch and Bound (IBB), Branch and Bound Partal Predcton (BBPP) dan Fast Branch and Bound (FBB) Algortma BBPP dan FBB merupaan algortma yang palng efsen dalam melauan penghtungan rtera Kedua algortma n menggunaan suatu meansme preds untu mengurang umlah penghtungan evaluas rtera U coba dlauan menggunaan data sntet dengan varas fungs rtera yang dgunaan telah ddefnsan U coba dlauan sebanya lma al dengan lma fungs rtera yang berbeda dan hasl dar u coba n menunuan bahwa algortma Branch and Bound sangat dpengaruh oleh fungs rtera dan data yang dgunaan, preds yang dgunaan pada algortma BBPP dan algortma FBB menyebaban performance edua algortma tersebut lebh ba darpada algortma IBB maupun BBB, onds terburu terad bla fungs rtera yang dgunaan menyebaban semua ftur menghaslan nla rtera yang sama sehngga tda ada cabang yang mengalam cut off dan nla rtera tergantung pada fungs rtera yang dgunaan, buan pada uuran subset d tap level tree Kata Kunc : Feature selecton, subset search, search tree, optmum search, subset selecton PENDAHULUAN Suatu obe perlu detahu ftur-fturnya agar bsa denal dan bsa dbedaan dar obe yang lan Ftur-ftur optmal yang bsa detahu dar suatu obe aan mempermudah dan mempercepat proses ndentfas obe tersebut Ftur yang sedt aan mempermudah dalam menentuan daerah eputusan (decson regons) dan sebuah penglasfasan lebh mudah untu dlauan Permasalahan pada pemlhan ftur n adalah pengumpulan ftur-ftur yang aan dplh dan pemlhan hmpunan bagan dar umpulan ftur-ftur yang terseda dcar yang palng ba dalam sstem lasfas Dalam hal n, salah satu esultan yang ada adalah bagamana memlh ftur terba dar seumpulan ftur-ftur yang sangat banya untu dgunaan dalam penglasfasan Metode untu menemuan ftur-ftur yang optmal dar sebuah hmpunan ftur-ftur telah banya dumpa Salah satu metode yang optmal dalam pemlhan ftur adalah algortma Branch and Bound Algortma n telah banya dmodfas untu mendapatan suatu algortma yang sangat optmal 2 METODE SELEKSI FITUR MENGGUNAKAN ALGORITMA BRANCH & BOUND Algortma n menggunaan sfat monotoncty dar fungs rtera untu menyelesaan pencaran ftur pentng Sfat monotoncty dgunaan untu menghlangan ftur-ftur yang tda pentng dar hmpunan ftur yang ada Sfat monotoncty harus memenuh persamaan dan 2 Kedua persamaan n dsebut monotoncty condton X X 2 X () X X X (2) ( ) ( ) ( ) 2 X merupaan hmpunan bagan ftur yang telah dhlangan satu ftur dar hmpunan ftur awal 3 BRANCH AND BOUND DASAR Algortma Branch & Bound dasar n menggunaan search tree untu menyelesaan pencaran ftur Pertama-tama algortma dmula dar root sebuah tree dan ddapatan current node yang dsmpan pada LIST(), dan emudan dplh node yang palng maxmum sesua dengan fungs rtera yang dpaa (max ( z,, z ) ) untu dadan sebaga current node yang baru, dan algortma dlanutan e level yang lebh
2 tngg Hal n dlauan terus sampa ddapatan nla bound Notas yang dgunaan dalam algortma Branch & Bound n adalah sebaga berut [F90]: a) LIST ( ) merupaan daftar dar perhtungan ftur-ftur secara terurut pada level e b) z merupaan ftur yang aan dbuang c) menunuan level dar tree d) x menympan nla bound Langah-langah algortma Branch & Bound dasar adalah sebaga berut [FUK90]: Langah Insalsas:nla x = ~, =, z 0 = 0 Langah 2 Generate successors: Insalsas LIST ( ) yang snya adalah fturftur ( z,, z ) dengan cara: LIST( ) = { z +, z + 2,, d + } Langah 3 Memlh node baru: - a LIST ( ) osong, dlanutan e Langah 5 - a LIST ( ) tda osong, maa z = m, dmana ( LIST ( ) z,, z, m) = max ( z,, z, ) ε - Kemudan m dhapus dar ( ) LIST Langah 4 Chec Bound : - a ( z,, z ) < x, maa dlanutan e Langah 5 - a = d, maa dlanutan e Langah 6 - Lannya = + dan lanutan e Langah 2 Langah 5 Bactrac e level sebelumnya: - = - a = 0, maa algortma telah selesa - a 0, maa dlanutan e Langah 3 Langah 6 Level terahr dan update bound : = dsmpan sebaga nla bound - x ( z,, z ) d d - ( z, z2,, z ) d dsmpan sebaga (, z z ) z, 2,, d - emudan dlanutan e Langah 5 Alur dar langah-langah algortma Branch and Bound dasar tersebut secara umum dapat dgambaran dengan menggunaan flowchart yang dapat dlhat pada Gambar 4 IMPROVED BRANCH AND BOUND Algortma Improved Branch & Bound dembangan dar algortma dasarnya yatu algortma Branch & Bound Algortma Improved Branch & Bound n mengurutan node-node ftur pada tap level tree secara menurun Algortma Improved Branch & Bound bertuuan menempatan ftur buru pada edge sebelah anan dar tree dan ftur ba pada edge sebelah r dar tree Gambar Flowchart Algortma Branch and Bound dasar Notas-notas yang dgunaan dalam algortma Improved Branch & Bound adalah sebaga berut [SPK04]: a) : level dar tree (root dnotasan dengan =0) b) X = { ξ =,2,, D } : hmpunan bagan anddat ftur pada level tree e- c) q : umlah eturunan dar current node (pada level tree yang berhubungan) d) Q = { Q,, Q,2,, Q, q }: hmpunan terurut dar ftur-ftur yang dtanda untu menad edge panutan pada eturunan dar current node (anddat hmpunan bagan X + ddefnsan oleh ftur Q, untu =,, q ) e) [ ] T =,,,2,, : vetor dar nla, q rtera yang sesua untu eturunan dar node pada level tree yang berhubungan (, = ( X \ { Q, }) untu =,, q ) f) Ψ = { ψ =,2,, r} : hmpunan ontrol dar seumlah r ftur yang mash ada yang dgunaan untu pembentuan search tree, contohnya, untu membentu hmpunan Q, hmpunan Ψ dgunaan untu memelhara bentu search tree g) X = { x =,2,, d} : hmpunan bagan dar ftur terba saat n h) x : bound saat n (nla rtera yang sesua untu x) Langah-langah algortma IBB adalah sebaga berut [SPK04]: Insalsas: = 0, χ = Y, Ψ = Y, r= D dan 0 x adalah nla palng ecl yang mungn Langah Pemlhan turunan node dar current node untu membentu level tree yang berurutan : - nla q dset dengan q = r ( D d ),
3 - emudan dbuat hmpunan Q dan vector sebaga berut: a Semua ftur ψ Ψ, =,, r durutan dengan syarat: ( X \ { ψ } ) ( X \ { ψ 2} ) ( X \ { ψ r }) b emudan dplh ftur sebanya q dar hmpunan ftur pada Ψ, yatu dengan cara: Q, = ψ untu =,, ( X \{ ψ }) q,, = untu =,, q c Untu menghndar evaluas ganda, maa ftur ψ dhlangan dar Ψ, yatu : Ψ = Ψ \ Q dan r = r q Langah 2 node turunan palng anan (dhubungan dengan Q,q edge) dpersa: - a q = 0, semua turunan telah du dan langsung e Langah 4 (bactracng) - a, q < x, maa dlanutan e Langah 3 - Lannya = X { Q } X + \, q a a + = D d, maa satu leaf telah dcapa dan dlanutan e Langah 5 b Lannya Menuu e level yang berhubungan dan = + emudan embal e Langah Langah 3 Node turunan dhubungan dengan Q,q edge (dan subtree-nya) emungnan d cut off - Ftur Q,q dembalan pada hmpunan ftur yang terseda pada pembuatan tree, yatu : Ψ = Ψ dan r = r +, { Q, q } \ { Q } Q = Q, q dan q = q, - emudan dlanutan dengan node sebelah rnya dan embal e Langah 2 Langah 4 Bactracng: = - a =, maa semua tree telah dcar sampa selesa dan algortma selesa - Lannya ftur Q, q dembalan pada hmpunan anddat, sehngga X = X + { Q, q } dan dlanutan e Langah 3 Langah 5 nla bound d-update: - x =, q - hmpunan bagan terba saat tu dsmpan dalam X = X + dan dlanutan e Langah 2 Alur dar langah-langah algortma Improved Branch and Bound tersebut secara umum dapat dgambaran dengan menggunaan flowchart yang dapat dlhat pada Gambar 2 Gambar 2 Flowchart Algortma Improved Branch and Bound 5 BRANCH AND BOUND PARTIAL PREDICTION Algortma Branch & Bound Partal Predcton (BBPP) n bertuuan untu mengurutan node-node pada tap level tree dengan umlah evaluas rtera yang ecl Tuuan algortma BBPP n hampr sama dengan algortma IBB, hanya saa pada algortma BBPP n ada tambahan dengan menggunaan sedt preds Meansme preds yang dgunaan oleh algortma BBPP n menggunaan pengumpulan statst dar nla rtera turunan yang dsebaban oleh penghlangan sebagan ftur selama proses pencaran Satu ftur beda dhlangan dalam tahap pembentuan pohon dan nformas preds dumpulan secara terpsah untu tap ftur Algortma BBPP n menggunaan vetor ontrbus yang merupaan vetor dar ontrbus ftur pada nla rtera dan dnotasan dengan A = [ A, A,, A ] T 2 D (3) Vetor n menympan rata-rata nla rtera turunan yang dsebaban oleh penghlangan satu ftur dar hmpunan bagan current anddat untu tap ftur Algortma n uga menggunaan vetor ounter yang menympan umlah evaluas dar nla rtera turunan yang dlauan pada tap ftur tunggal Vetor n dnotasan dengan S = [ S S,, S ] T, 2 D (4) Notas-notas lan yang dgunaan dalam algortma BBPP n adalah notas-notas yang dgunaan dalam algortma IBB
4 Keta algortma menghlangan beberapa ftur y dar hmpunan bagan current anddat dan menghtung nla rtera sebenarnya yang berhubungan ( x \ { y }) pada level pohon e-, maa nformas preds dupdate sebaga berut: Ay S + ( ( ) ( \ { } ) y x x y A y = (5) S y + dan S y = S + y (6) dengan A y dan S y nsalsas awalnya dset 0 untu semua =,, D Langah-langah dar algortma BBPP adalah sebaga berut [SPK04]: Insalsas awal: = 0, x 0 = Y, Ψ = Y, r = D dan x merupaan nla palng ecl yang mungn Langah : Memlh turunan dar current node untu membentu level pohon yang berhubungan - q = r ( D d ), - emudan dbentu hmpunan terurut Q dan vetor sebaga berut: a semua ftur ψ Ψ dengan =,, r durutan secara menurun berdasaran pada nla A ψ dengan =,, r dengan syarat Aψ A A ψ ψ 2 r b emudan dplh ftur sebanya q ftur dar hmpunan ftur yang ada pada Ψ, yatu dengan cara: Q, = ψ untu =,,q, ( X \ { ψ }), = untu =,,q c Untu menghndar evaluas ganda, maa ftur ψ dhlangan dar Ψ, yatu : Ψ = Ψ \ Q dan r = r q Untu Langah 2, 3, 4 dan 5 sama dengan algortma IBB Alur dar langah-langah algortma Branch and Bound Parta Predcton tersebut secara umum dapat dgambaran dengan menggunaan flowchart yang dapat dlhat pada Gambar 3 6 FAST BRANCH AND BOUND Algortma Fast Branch & Bound (FBB) merupaan algortma Branch & Bound dengan menggunaan suatu meansme preds yang lebh ba darpada algortma Branch & Bound Partal Predcton Algortma Fast Branch & Bound (FBB) n lebh mengurang umlah perhtungan fungs rtera dalam nternal node pohon pencaran Algortma menggunaan nformas dar nla rtera turunan untu preds nla rtera selanutnya Perhtungan nla rtera dan preds nla rtera sama-sama dperluan dalam algortma n Keduanya dgunaan untu mengurutan node-node pohon, memersa subtree apaah memungnan untu d-cut off, dan lan sebaganya Algortma n hanya mengnan preds a eadaaanya memungnan, yatu a node yang dpreds buan leaves dan buan merupaan node yang me-trgger sebuah node untu d-cut off Gambar 3 Flowchart Algortma Branch and Bound Partal Predcton Setap preds harus dpersa dan dbandngan dengan nla bound a preds nla rtera lebh besar dar nla bound, maa nla sebenarnya tda aan lebh rendah dar nla bound Algortma tda boleh me-cut off subtree yang berhubungan dalam onds n dan algortma melanutan membentu level pohon selanutnya Namun, a preds nla rtera sama dengan nla bound, dalam onds n ada emungnan nla rtera sebenarnya lebh ecl dar nla bound, maa nla rtera sebenarnya harus dhtung Hanya a nla rtera sebenarnya membutan bahwa lebh rendah darpada nla bound saat tu, maa subtree boleh d-cut off Preds yang dgunaan dalam algortma n tda mempengaruh eoptmalan hasl yang ddapat Preds yang tda aurat tda aan memperburu pada pembentuan subtree yang aan d-cut off Algortma menggunaan preds
5 n seserng mungn, arena hal n bsa menghemat watu Algortma FBB n uga menggunaan vetor ontrbus dan vetor ounter sepert yang dgunaan dalam algortma BBPP Sebelum setap rtera devaluas, reord pada vetor ounter dpersa lebh dulu apaah coco untu masuan selanutnya a meansme preds n telah mendapatan nformas yang cuup (nla ounter > spesfas mnmum), maa nla rtera aan dpreds, dan a sebalnya, maa nla rtera sebenarnya yang aan dhtung Sangat pentng membedaan antara nla preds dan nla rtera sebenarnya Oleh arena tu, dalam algortma n dgunaan sebuah vetor dar nla tpe (ddefnsan dengan vetor tpe) Vetor tpe n untu menympan tpe nodenode pada level pohon saat tu Nla tpe yang dgunaan dalam vetor tpe n adalah P, a nla rteranya dpreds, dan C, a nla rteranya dhtung Notas-notas yang dgunaan dalam algortma Fast Branch & Bound sama dengan notas yang dgunaan dalam algortma BBPP, namun ada sedt tambahan notas yang dgunaan, yatu: a) δ yang merupaan umlah evaluas mnmum b) γ 0 yang merupaan optmsm c) = [ T, T T ] T, T, {" C"," P" } untu T,,2,, q =,, q yang merupaan vetor tpe dar nla rtera d) V = [ v v,, v ] T, 2 q yang merupaan vetor terurut untu sementara Keta algortma menghlangan beberapa ftur y dar hmpunan anddat ftur yang ada dan menghtung nla rtera sebenarnya yang berhubungan, yatu ( x \ { y }), pada level pohon e- dan a nla sebelumnya ( x ) ( x \ { y }) telah dhtung (dtunuan oleh T, y = " C" ), maa A y dan S y dupdate dengan rumus Ay S +, ( \ { }) y y x y A y = dan S + S = S + y y y Langah-langah dar algortma FBB adalah sebaga berut [SPK04]: Insalsas: = 0, χ 0 = Y, Ψ = Y, r = D, x = ~ Langah Memlh eturunan dar current node untu membentu level pohon yang berhubungan - q = r ( D d ), - emudan dbentu Q,, T sebaga berut: a Untu tap ftur ψ Ψ dan =,, r a ( + < D d ) and S ψ > δ Hal n berart preds dnan dan emudan v = A, q ψ Lannya maa nla rtera sebenarnya yang harus dhtung dan v = ( x \ { ψ }) b Setelah semua nla v dperoleh, maa selanutnya durutan secara ascendng, yatu : v v v 2 r c Untu nla =,, q, maa: Q, = ψ dan, = v, a v merupaan sebuah reord yang nlanya dhtung d, =, q γ A ψ, a v merupaan sebuah reord yang nlanya dpreds e T, = " C", a v merupaan sebuah reord yang nlanya dhtung f T, = " P" a v merupaan sebuah reord yang nlanya dpreds - Untu menghndar evaluas ganda, maa : Ψ = Ψ \ Q dan r = r q Langah 2 Memlh turunan node palng anan - a q = 0, maa semua turunan telah dpersa dan dlanutan e Langah 4 (bactracng) - a ( T, q = " P" ) AND, q < x, maa nla sebenarnya yang dhtung, yatu:, q = ( x \ { Q, }) dan T, q = " C" q, q = C AND, q < x, maa dlanutan e Langah 3 X + = X \ Q, q a a + = D d, maa telah mencapa satu leaf dan dlanutan e Langah 5 b Lannya menuu e level selanutnya - a ( T " ") - Lannya { } dengan = + dan dlanutan e Langah Untu Langah 3, 4 dan 5 sama dengan Langah 3, 4 dan 5 pada algortma IBB Alur dar langah-langah algortma Fast Branch and Bound tersebut secara umum dapat dgambaran dengan menggunaan flowchart yang dapat dlhat pada Gambar 4
6 Gambar 5 Hasl evaluas fungs rtera a pada algortma BBB, IBB, BBPP dan FBB Gambar 6 Hasl evaluas fungs rtera b pada algortma BBB, IBB, BBPP dan FBB Gambar 4 Flowchart Algortma Fast Branch and Bound 7 HASIL UI COBA U coba menggunaan data sntet dengan umlah ftur sebanya 30 yang telah durutan secara monotoncty Terdapat lma ens u coba yang dlauan, yatu: u coba pemlhan ftur dengan fungs rtera: a ( x ) = b c ξ x 2 ( ) ( x = ) 2 ξ x 3 ( x) = ξ x d ( x) = ξ x e ( x) = ξ x x Hasl dar u coba yang telah dlauan dapat dlhat pada Gambar 5, 6, 7, 8 dan 9 Gambar 7 Hasl evaluas fungs rtera c pada algortma BBB, IBB, BBPP dan FBB Gambar 8 Hasl evaluas fungs rtera d pada algortma BBB, IBB, BBPP dan FBB
7 Gambar 9 Hasl evaluas fungs rtera e pada algortma BBB, IBB, BBPP dan FBB 8 SIMPULAN Berdasaran aplas yang telah dbuat beserta u coba yang telah dlauan, dapat dambl beberapa esmpulan sebaga berut: Algortma Branch and Bound sangat dpengaruh oleh fungs rtera dan data yang dgunaan 2 Preds yang dgunaan pada algortma BBPP dan algortma FBB menyebaban performance edua algortma tersebut lebh ba darpada algortma IBB maupun BBB 3 Konds terburu yang terad pada eempat algortma Branch and Bound, yatu bla fungs rtera yang dgunaan menyebaban semua ftur menghaslan nla rtera yang sama sehngga tda ada cabang yang mengalam cut off 4 Nla rtera tda tergantung dar uuran subset pada level tree, arena nla rtera sangat tergantung pada fungs rtera yang dgunaan IEEE Trans Pattern Analyss and Machne Intellgence, vol 9, pp 53-58, 997 [KGV83] S Krpatrc, CD Gelatt r dan MP Vecch, Optmzaton by Smulated Annealng, Scence, vol 220, no 4598, pp , 983 [LMD98] H Lu, H Matoda dan M Dash, A Monotonc Measure for Optmal Feature Selecton, Proc European Conf Machne Learnng, pp 0-06, 998 [NF77] PM Narendra dan K Fuunaga, A Branch and Bound Algorthm for Feature Subset Selecton, IEEE Trans Computers, vol 26, no 9, pp , Sept 977 [SPFK00] P Somol, P Pudl, F Ferr dan Kttler, Fast Branch and Bound Algorthm n Feature Selecton, Proc Fourth World Multconf Systemcs, Cybernetcs, and Informatcs, vol 7, Part, pp , 2000 [YY93] B Yu dan B Yuan, A More Effcent Branch and Bound Algorthm for Feature Selecton, Pattern Recognton, vol 26, pp , 993 [NIST] 9 DAFTAR PUSTAKA [FUK90] K Fuunaga, Introducton to Statstcal Pattern Recognton, second ed Academc Press, Inc, 990 [SPK04] P Somol, P Pudl dan Kttler, Fast Branch and Bound Algorthm for Optmal Feature Selecton, IEEE Trans On Pattern Analyss and Machne Intellgence, vol 26, No 7, pp , 2004 [DHS0] RO Duda, PE Hart dan DG Stor, Pattern Classfcaton, ohn Wley & Sons,Inc, 200 [CF94] R Caruana dan D Fretag, Greedy Attrbute Selecton, Proc Int l Conf Machne Learnng, pp 28-36, 994 [Z97] AK an dan D Zonger, Feature Selecton: Evaluaton, Applcaton, and Small Sample Performance,
BAB 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 III Model Estimasi Outstanding Claims Liability
Bab III Model Estmas Outstandng Clams Lablty. Model ELRF Suatu model yang dgunaan untu menasr outstandng clams lablty, tda cuup hanya melbatan data pada run-off trangle saa. Sebab, pembayaran lam d masa
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 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 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 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 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 terperinciPerbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield
Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya
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 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 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 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 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 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 terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih 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 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 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 terperinciPENGURUTAN DATA. A. Tujuan
PENGURUTAN DATA A. Tuuan Pembahasan dalam bab n adalah mengena pengurutan data pada sekumpulan data. Terdapat beberapa metode untuk melakukan pengurutan data yang secara detl akan dbahas ddalam bab n.
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 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 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 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 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 terperinciMETODE SIMPLEKS. Fitriani A/09/2009 Jurusan Pendidikan Matematika UPI
METODE SIMPLEKS A Bentu Standa Model Pogam Lnea Pelu dngatan embal bahwa pemasalahan model pogam lnea dapat meml pembatas-pembatas lnea yang betanda,,, dan peubah-peubah eputusannya dapat meupaan peubah
Lebih terperinciPRA-PEMROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING
PRA-PEMROSESAN DATA LUARAN GCM CSIRO-M3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING Vvn Mandasar (306 00 069), Dr Ir Setawan, M S (960030 9870 00) Mahasswa Jurusan
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 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 terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
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 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 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 terperinciInversi Tak-Linier Magnetotelurik Dua-Dimensi Menggunakan Algoritma Monte Carlo Rantai Markov
Invers Ta-Lner Magnetotelur Dua-Dmens Menggunaan Algortma Monte Carlo Ranta Marov ugroho D. Hananto dan Ded S. Wdarto Pusat Peneltan Geotenolog Lembaga Ilmu Pengetahuan Indonesa Komple LIPI Jl. Sangurang
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 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 terperinciOPTIMASI PENJADWALAN MATA KULIAH DI JURUSAN TEKNIK INFORMATIKA PENS DENGAN MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)
OPTIMASI PENJADWALAN MATA KULIAH DI JURUSAN TEKNIK INFORMATIKA PENS DENGAN MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) Dan Aran, Arna Fahrza,S.Kom,M.Kom, Ira Prasetyanngrum,S.S,M.T 3 Mahasswa
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 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 terperinciIMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN
E-Jurnal Matemata Vol. 5 (4), November 2016, pp. 126-132 ISSN: 2303-1751 IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN I Made Dw Udayana Putra 1, G. K. Gandhad
Lebih terperinciImplementasi Algoritma Radix Sort dalam Berbagai Kasus Bilangan Dibandingkan Algoritma Pengurutan yang lain
Abstra Implementas Algortma Radx Sort dalam Berbaga Kasus Blangan Dbandngan Algortma Pengurutan yang lan Dean Fathony Alfatwa, Ere Rahman Syah P 2, Fahrs Mumtaza Ahsan 3 Departemen Ten Informata, Insttut
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: madha@stkom.edu 2) S1
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperincitoto_suksno@uny.ac.d Economc load dspatch problem s allocatng loads to plants for mnmum cost whle meetng the constrants, (lhat d http://en.wkpeda.org/) Economc Dspatch adalah pembagan pembebanan pada pembangktpembangkt
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah
BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga
Lebih terperinciAPLIKASI PENENTUAN PENERIMA BEASISWA MENGGUNAKAN METODE ALGORITMA FUZZY MADM PADA BEASISWA RUTIN UKSW
Semnar NasonalTenologInformasdan Multmeda 2015 STMIK AMIKOM Yogyaarta, 6-8Februar 2015 APLIKASI PENENTUAN PENERIMA BEASISWA MENGGUNAKAN METODE ALGORITMA FUZZY MADM PADA BEASISWA RUTIN UKSW Aslnda 1), Andea
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciPENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY
PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY I Made Wdartha Program Stud Teknk Informatka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana emal : madewdartha@cs.unud.ac.d
Lebih terperincie + Dengan menggunakan transformasi logit dari π(x), maka model regresi fungsi logit dapat didefinisikan sebagai berikut (2) π(x) e
ANALISIS PEMAKAIAN KEMOTERAPI PADA KASUS KANKER PAYUDARA DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL (STUDI KASUS PASIEN DI RUMAH SAKIT X SURABAYA Aref Yudssanta, dan Dra. Madu Ratna, M.S Jurusan
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 terperinciπ(x) JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-112
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. ) ISSN: 3-98X D- Analss Pemaaan Kemoterap pada Kasus Kaner Payudara dengan Menggunaan Metode Regres Logst Multnomal (Stud Kasus Pasen d Rumah Sat X Surabaya)
Lebih terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih 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 II DASAR TEORI. 2.1 Definisi Game Theory
BAB II DASAR TEORI Perkembangan zaman telah membuat hubungan manusa semakn kompleks. Interaks antar kelompok-kelompok yang mempunya kepentngan berbeda kemudan melahrkan konflk untuk mempertahankan kepentngan
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciPENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI
PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION Oleh : SOEMARTINI JURUSAN STATISTIKA FAKULTAS MATEMATIKA dan ILMU PENGETAHUAN ALAM UNIVERSITAS PADJADJARAN JATINANGOR 008 DAFTAR ISI Hal DAFTAR
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 terperinciBAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi
BAB III FUNGSI MAYOR DAN MINOR Pada bab n akan dbahas konsep-konsep dasar dar fungs mayor dan fungs mnor dar suatu fungs yang terdefns pada suatu nterval tertutup. Pendefnsan fungs mayor dan mnor tersebut
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 terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciIDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER
IDENIFIKASI SISEM NONLINIE DENGAN MENGGUNAKAN ECUEN NEUAL NEOK DAN ALGOIMA DEAD-ZONE KALMAN FILE ully Soelaman, angga fa Faultas enolog Informas Insttut enolog Sepuluh Nopember Kampus Keputh, Suollo, Surabaya
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciOleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si
Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf
Lebih terperinciOleh : Enny Supartini Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Padjadjaran
Abstrak MENGESTIMASI BEBERAPA DATA HILANG (MISSING DATA) DAN ANALISIS VARIANS UNTUK RANCANGAN BLOK ACAK SEMPURNA Oleh : Enny Supartn Departemen Statstka, Fakultas Matematka dan Ilmu Pengetahuan Alam, Unverstas
Lebih terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciBAB 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 terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)
Lebih terperinciMODEL PENGENALAN TERBAIK DENGAN TREE-AUGMENTED NETWORK (TAN) DAN ESTIMATOR MAXIMUM LIKELIHOOD (ML) BERDASARKAN FITUR OBJEK
MOEL PENGENALAN TERBAIK ENGAN TREE-AUGMENTE NETWORK (TAN) AN ESTIMATOR MAIMUM LIKELIHOO (ML) BERASARKAN FITUR OBJEK Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam Neger (UIN)
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciPENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK.
PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. Fanny Ayu Octavana dan Dra. Luca Ardnant, MT. Jurusan Statsta, Faultas Matemata dan Ilmu
Lebih terperinciPENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI
PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI Yunarstanto 1 Irwan Iftad 1 Iwan Ngabd Raharjo 2 Abstract: Producton flow n PT. Tga Seranga Pustaa Mandr
Lebih terperinci(M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY
Unverstas Padjadjaran, 3 November 00 (M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY Anndya Aprlyant Pravtasar
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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 ENDAHULUAN Latar Belakang Klasfkas adalah proses menemukan sekumpulan model yang menggambarkan serta membedakan kelas-kelas data. Tujuan dar klasfkas adalah agar model yang dhaslkan dapat dgunakan untuk
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
Lebih terperinci