PENGENALAN POLA BERBASIS JARINGAN SYARAF TIRUAN DALAM ANALISA CT SCAN TUMOR OTAK BELIGNA
|
|
- Veronika Santoso
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGENALAN POLA BERBASIS JARINGAN SYARAF TIRUAN DALAM ANALISA CT SCAN TUMOR OTAK BELIGNA Mke Susmkant Pusat Pengembangan Informatka Nuklr BATAN Kawasan PUSPIPTEK, Gd. 71, Serpong, Tangerang Emal : mke@batan.go.d ABSTRAKS Dalam pemahaman hasl analss CT Scan tumor otak mash sult mengdentfkas jens tumor otak. Klasfkas jens tumor otak dar seg klns dbedakan menjad prmary bran tumor dan metastatc bran tumor. Secara klns sukar membedakan antara tumor otak bengna maupun malgna, karena gejala yang tmbul dtentukan pula oleh lokas tumor, kecepatan tumbuhnya dan efek masa tumor ke jarngan otak. Gambaran CT Scan tumor otak bengna melput Menngoma, Adenoma Ptutar, Kranofarngoma, Plocytc Astrostoma dan Akustk Neurnoma. Dengan menggunakan Artfcal Neural Network (AAN) dharapkan dapat membantu para meds dbdangnya untuk mengdentfkas jens tumor otak. Telah dlakukan dentfkas pola berbass jarngan syaraf truan terhadap jens tumor melalu hasl pola ctra menggunakan CT Scan maupun MRI. Selanjutnya ctra dar hasl CT Scan ataupun MRI dkonvers kedalam bentuk dgtal standard menggunakan teknk pengolahan ctra. Hasl konvers dgtal, menggunakan PCA menghaslkan karakterstk domnan sehngga mewakl pola ctra tersebut. Karakterstk domnan n dgunakan pada jarngan syaraf truan, untuk tahap pembelajaran, pelathan dan pengujan atau smulas. Dalam dentfkas pola, pada tahap pembelajaran dengan pengawasan dgunakan metode perceptron. Jens tumor otak terhadap hasl CT Scan maupun MRI dklasfkaskan sesua dengan kode masukan. Sampel untuk keperluan pembelajaran, pelathan dan smulas menggunakan bass data hasl CT Scan ataupun MRI. Sstm perangkat lunak untuk pengenalan pola jens tumor otak dkembangkan menggunakan MATLAB. Dperoleh perangkat lunak yang dapat mengdentfkas pola jens tumor otak jnak. Kata kunc: Jarngan Syaraf Truan, Pengenalan Pola, Tumor Otak, CT Scan 1. PENDAHULUAN Dalam bdang meds mash terdapat mengdentfkas jens tumor otak melalu hasl analss CT (Computerzed Tomograf) Scan maupun MRI (Magnetc Resonance Imagng). Klasfkas tumor otak yang pentng dar seg klns dbedakan menjad prmary bran tumor dan metastatc bran tumor dapat pula dsebut tumor jnak ( bengna) dan tumor ganas (malgna). Secara klns sukar membedakan antara tumor otak yang jnak atau yang ganas, karena gejala yang tmbul dtentukan pula oleh lokas tumor, kecepatan tumbuhnya dan efek masa tumor ke jarngan otak. Gambaran CT Scan tumor otak jnak melput Menngoma,Adenoma Ptutar, Kranofarngoma, Plocytc Astrostoma dan Akustk Neurnoma. Dengan pemerksaan radolog dan patolog anatom hampr past dapat dbedakan tumor bengna dan malgna [5]. Sstem pengenalan pola berbass jarngan syaraf truan terhadap hasl CT Scan maupun MRI, dengan menggunakan teknk pengolahan ctra, dkonvers kedalam bentuk dgtal sehngga dapat dproses menggunakan Prncple Component Analyss (PCA) yang menghaslkan karakterstk palng domnan sehngga mewakl struktur pola ctra tersebut [1, 12]. Karakterstk domnan n dgunakan pada jarngan syaraf truan, untuk tahap pembelajaran, pelathan dan pengujan. Identfkas pola, pada tahap pembelajaran dengan pengawasan menggunakan metode perceptron, dkarenakan lebh sesua untuk dentfkas pola dkarenakan terdapat pemsahan secara lner dalam rancangan nput untuk dentfkas dan lebh cepat mencapa konvergentas dalam teras pelathan dan smulas dbandngkan metoda back propagaton [13]. Pada jarngan syaraf truan, jens tumor bengna dklasfkaskan sesua dengan kode masukan. Sampel ctra untuk keperluan pembelajaran jens tumor bengna, pelathan dan smulas menggunakan data hasl CT Scan dan data pustaka. Dperlukan rancangan nput sebaga pembelajaran untuk dentfkas pola jens tumor jnak. Jens tumor otak terhadap hasl CT Scan maupun MRI dklasfkaskan sesua dengan kode masukan. Sstm perangkat lunak untuk pengenalan pola jens tumor otak jnak dkembangkan menggunakan MATLAB. Dperoleh perangkat lunak yang dapat mengdentfkas pola jens tumor otak bengna.
2 2. METODOLOGI 2.1 Tumor Otak Klasfkas tumor otak yang pentng dar seg klns dbedakan menjad prmary bran tumor dan metastatc bran tumor dapat pula dsebut tumor bengna (jnak) dan tumor malgna (ganas). Tumor adalah pertumbuhan tdak normal dalam tubuh, terdr dar sel-sel ekstra. Umumnya sel lama mat, dan yang baru mengambl tempat pada sel lama. Kadang-kadang, proses n berlangsung tdak sesua sehngga sel-sel baru terbentuk dan sel-sel tua tdak mat. Tumor jnak hanya tumbuh d satu tempat, tdak dapat menyebar atau menyerang bagan tubuh lan. Meskpun demkan, bsa berbahaya jka menekan pada organ vtal, sepert otak [5]. Gambar 1(a) dan 1(b) menunjukkan hasl CT Scan otak normal dan tumor otak jnak jens Menngoma. Sedangkan pada Gambar 2(a) dan 2(b), menunjukkan hasl CT Scan tumor otak jnak jens Adenoma Ptutar dan Kranofarngoma. Gambar 3 (a) dan 3(b) menamplkan hasl CT Scan tumor otak jnak jens Plocytc Astrostoma dan Akustk Neurnoma. Gambar 1. Hasl CT Scan Tumor Otak (a) Normal (b) Menngoma 2.2 Sstm Pengenalan Pola Dalam sstem pengenalan pola jens tumor otak jnak, dgunakan alat CT Scan atau MRI untuk menganalss rncan bentuk tomograf yang dengan kasat mata tdak mampu damat. Pengenalan pola jens tumor otak jnak melput tahapan proses pengolahan ctra, analss komponen prnspal dan jarngan syaraf truan [1]. Dalam tahap pertama dengan proses pengolahan ctra dlakukan konvers dar fle hasl CT Scan kedalam bentuk fle data matrks dengan unsur tngkat keabuan [2]. Tahap kedua dengan analss komponen prnspal, dlakukan penentuan karakterstk pola, melalu perhtungan egen value dan egen vector terhadap matrks kovaran. Dalam hal n dambl enam nla karakterstk yang palng domnan dengan urutan nla peluang terbesar [3]. Tahap ketga, pada dentfkas pola mkrostruktur bahan dgunakan konsep jarngan syaraf truan dengan metode perceptron. Metoda perceptron dalam kasus n lebh sesua dbandngkan metode backpropagaton, walaupun metode perceptron lebh sederhana dalam perancangan nputnya, akan tetap lebh cepat mencapa nla konvergentas, bak dalam teras pembelajaran, pelathan maupun smulas [6]. Dalam tahapan pembelajaran dan pelathan dambl beberapa contoh hasl pengujan. Dperlukan rancangan nput sebaga pembelajaran dan pelathan untuk dentfkas pola. Pada Gambar 4, dberkan sstem dagram alur proses pengenalan pola [4]. Data CT Scan Proses Pengolahan Ctra Analss Komponen Prnspal Konvers ke Bentuk dgtal Nla karakterstk Domnan Gambar 2. Hasl CT Scan Tumor Otak (a) Adenoma Ptutar (b) Kranfarngoma Jarngan syaraf truan Identfkas Pola Hasl Identfkas Gambar 4. Sstem dagram alur untuk pengenalan pola Gambar 3. Hasl CT Scan Tumor Otak (a) Plocytc Astrostoma (b) Akustk Neurnoma 2.3 Proses Pengolahan Ctra Suatu pola mempunya tekstur khusus, dengan berbaga varas tngkat-keabuan atau warna yang dgambarkan dalam bentuk pksel-pksel. Matrks tngkat-keabuan mengandung nformas tentang gabungan poss pksel-pksel dar tekstur. Poss
3 pksel dnyatakan dengan nla jarak d. Nla gabungan tersebut sama sepert nla tngkat keabuan. Unsur-unsur pada matrks tngkat-keabuan dgunakan untuk melhat karakterstk tekstur []. Selan hal tersebut, arah dantara dua pksel juga perlu dperhatkan. Dasar analss untuk tekstur dalam bentuk ctra tngkat-keabuan mengunakan beberapa ukuran statstk rata-rata tngkat keabuan dan smpangan baku yang dnyatakan sebaga momen [10]. Rata-rata dhubungkan dengan momen pertama, smpangan baku tergantung pada momen kedua. Secara umum momen dnyatakan pada persamaan (1) berkut, M n ( x x} N _ n (1) N adalah jumlah ttk-ttk data, dan n adalah urutan momen. Momen dgunakan untuk menghtung statstk terhadap wndow/jendela dan nla pksel pada pusat jendela dan sektarnya. Ukuran lan yang dperlukan adalah order atau urutan selsh momen. Order selsh momen unsur k d defnskan pada persamaan (2) berkut, k Momen ( j) M[, j] (2) k M[,j] adalah matrks tngkat-keabuan yang mengandung nformas mengena poss pkselpksel yang dnyatakan dengan nla jarak (d). Setap nla d, dengan empat faktor arah ctra, yang masngmasng mempunya ukuran tngkat-keabuan maksmal 256 x 256 (colour btmap), membentuk ctra gabungan dalam bentuk matrks dengan 256 tngkat-keabuan sehngga secara keseluruhan menghaslkan konvers dar struktur ctra menjad bentuk dgtal [11]. 2.4 Analss Komponen Prnspal Prncple Component Analyss (PCA) adalah teknk statstk untuk menyederhanakan kumpulan data banyak-dmens menjad dmens yang lebh rendah (extraton feature) [4, 12]. PCA merupakan transformas lner ortogonal yang mentransformas data ke sstem koordnat baru, sehngga keragaman terbesar dengan suatu proyeks berada pada koordnat pertama (dsebut prnspal komponen pertama), keragaman terbesar kedua berada pada koordnat kedua dan seterusnya. Konsep penggunaan PCA melput perhtungan nla-nla smpangan baku, matrks kovaran, nla karakterstk (egen value) dan vektor karakterstk (egen vector). PCA dapat menggunakan metoda kovarans atau korelas [3, 4]. Jka dperlukan, data dstandardsas terlebh dahulu sehngga menghampr sebaran normal baku. Dalam hal n dgunakan metoda kovarans dengan algortma berkut, Mengumpulkan data dalam bentuk matrx tngkat-keabuan X berukuran M x N. Msalkan x x,...,, 2 x M 1 adalah vektor N x 1 : j _ M 1 x 1 () Menghtung rata-rata: x M () Menghtung selsh rata-rata: x x () Menentukan matrks kovaran Dar matrks X=[Φ 1 Φ 2 Φ M ] (matrks NxM), M Htung kovaran: 1 T T C n n XX M n 1 (v) Menentukan nla karakterstk dan vektor karakterstk dar matrk kovaran C : N dan C : u1, u2,..., un (v) Mengurutkan vektor karakterstk u dan nla karakterstk dalam matrks dagonal dalam urutan menurun sesua dengan nla peluang kumulatf terbesar untuk tap vektor karakterstk sehngga dperoleh nla-nla karakterstk yang domnan. 2.5 Sstem Jarngan Syaraf Truan Pemodelan berbass jarngan syaraf truan merupakan pembelajaran dan adaptas suatu obyek. Terdapat beberapa metode dalam pembelajaran dengan pengawasan pada jarngan syaraf truan dantaranya metode perceptron dan metode back propagaton. Metode perceptron adalah metode pembelajaran dengan pengawasan dalam jarngan syaraf truan, sehngga jarngan yang dhaslkan harus mempunya parameter yang dapat datur dengan cara mengubah melalu aturan pembelajaran dengan pengawasan. Perceptron merupakan bentuk jarngan sederhana dan dgunakan untuk mengklasfkaskan pola tpe tertentu yang dkenal dengan pemsahan secara lner [7, 9]. Jarngan syaraf truan terdr dar sejumlah neuron. Dalam merancang jarngan syaraf truan perlu dperhatkan banyaknya spesfkas yang akan ddentfkas. Penggunaan metoda perceptron untuk aplkas pengenalan pola dgambarkan sebaga unsur matrk antara 0 dan 1. Layer pertama perceptron menyatakan suatu kumpulan detektor tanda sebaga syarat nput untuk mengetahu tanda khusus. Layer kedua mengambl output dar tanda khusus dalam layer pertama dan mengklasfkaskan pola data yang dberkan. Pembelajaran dnyatakan dengan membuat aturan hubungan yang relevan (bobot w ) dengan suatu nla ambang ( ) atau treshold. Untuk persoalan dua-kelas, layer output hanya mempunya satu smpul. Untuk persoalan n- kelas dengan n 3, layer output mempunya n smpul, yang masng-masng berkorespondens terhadap suatu kelas, dan smpul output dengan nla terbesar mengndkas kelas mana vektor nput termasuk d dalamnya. Fungs g dalam layer-1 adalah konstan, dan memetakan semua atau sebagan pola nput ke dalam nla bner x {-1,1} atau nla bpolar x {0,1 [ ]. Apabla data drepresentaskan secara bpolar, maka perbakan bobotnya dnyatakan pada persamaan (3) [8], w ( baru) w ( lama) t x (3) _
4 w : bobot yang dapat dmodfkas sehubungan kedatangan syarat x, dan w 0 (= ) merupakan pendekatan awal. Fungs f(.) adalah fungs aktvas perceptron dan khusus berlaku untuk suatu fungs sgnum sgn(x) atau fungs step step(x) [6], yang dnyatakan pada persamaan (4) dbawah n sgn( x) 1 jka x 0 1 jka lannya step( x) 1 jka x 0 (4) 0 jka lannya algortma pembelajaran perceptron layer tunggal dulang mengkut tahapan memlh suatu vektor nput x dar kumpulan data pelathan. Jka perceptron memberkan jawaban salah, modfkas semua bobot terhubung w sampa bobot konvergen w t x ( ; t : target output). Arstektur jarngan syaraf truan terdr dar s neuron dan r masukan dapat dnyatakan dalam Gambar 5 [3] ; Gambar 5. Contoh arstektur neural network dengan s neuron dan r masukan 3. HASIL DAN PEMBAHASAN Telah dlakukan tahapan proses pengenalan pola untuk klasfkas jens tumor otak yang melput proses pengolahan ctra, analss komponen prnspal serta dentfkas. Setap kegatan dar proses pengenalan pola tersebut d atas masng-masng dlakukan sesua dengan sstem dagram alur terhadap proses pengenalan pola pada Gambar 4. Dperoleh hasl dentfkas pola untuk jens tumor jnak. Dalam pengujan jens tumor jnak danalss beberapa contoh hasl CT Scan dengan proses pengolahan ctra dan PCA yang dberkan prosedurnya pada lampran A.1. Tahap pertama, ctra dalam fle elektronk, dkonvers dengan proses pengolahan ctra menjad bentuk dgtal. Pada tahap kedua, setelah dperoleh matrks tngkat keabuan, dbentuk matrks kovaran dengan nstruks menghtung matrks kovaran dan berkutnya dengan analss PCA dperoleh hasl enam nla karakterstk yang domnan. Tahap pertama dan kedua dlakukan masng-masng untuk data pembelajaran, data pelathan dan data smulas yang masng-masng dproses sesua prosedur pada lampran A. Tahap ketga dlakukan dentfkas menggunakan proses jarngan syaraf truan sesua prosedur yang dberkan pada lampran B yang melput proses pembelajaran yang terdr atas enam contoh nput, terdr dar satu contoh masukan CT Scan otak normal dan lma contoh masukan CT Scan jens tumor jnak. Proses pelathan dambl satu contoh masukan CT Scan otak normal dan lma contoh masukan CT Scan jens tumor jnak. Selanjutnya proses smulas pertama dambl satu contoh dambl satu contoh masukan CT Scan otak normal dan lma contoh masukan CT Scan jens tumor jnak. Berkutnya pada proses smulas kedua dambl satu contoh dambl satu contoh masukan CT Scan otak normal dan lma contoh masukan CT Scan jens tumor jnak. Sedangkan pada proses smulas ketga dambl satu contoh masukan CT Scan otak normal dan lma contoh masukan CT Scan jens tumor jnak. Program dan hasl dberkan pada lampran B dengan kode untuk jens otak normal, kode untuk jens tumor otak jnak Menngoma, kode untuk jens tumor Adenoma Ptutar, kode untuk jens tumor Kranofarngoma, kode untuk jens tumor Plocytc Astrostoma dan kode untuk jens tumor Akustk Neurnoma. Hasl dentfkas dberkan untuk 120 sampel. Secara keseluruhan keberhaslan dentfkas dberkan dalam Tabel 1 berkut n, Tabel 1 : Hasl Identfkas Hasl CT Scan Jumlah benar Jumlah salah % keteltan Normal % Menngoma % Adenoma Ptutar % Kranofarngoma % Plocytc Astrostoma % Akustk Neurnoma % 4. KESIMPULAN Dengan proses pengenalan pola, hasl CT Scan jens tumor jnak dapat dnyatakan dan dkonvers dalam bentuk dgtal dengan teknk pengolahan ctra. Analss komponen prnspal dapat menentukan nla karakterstk yang domnan dar pola jens tumor jnak yang dapat dgunakan untuk dentfkas pada jarngan syaraf truan. Pemodelan untuk membedakan klasfkas jens tumor jnak dapat menggunakan jarngan syaraf truan. Metoda perceptron dalam jarngan syaraf truan merupakan pembelajaran dan adaptas suatu obyek yang cukup bak serta sesua untuk pemodelan dentfkas jens tumor. Dperoleh pengembangan perangkat lunak untuk dentfkas jens tumor berbass jarngan syaraf truan.
5 PUSTAKA [1] Aryanto, Gunawan,; cs, (2007) Hand Gesture Recognton Usng Neural Network for Robotc Arm Control, Proceedngs of Natonal Conference on Computer Scence & Informaton Technology page 412, Faculty of Computer Scence, Unversty of Indonesa, Jakarta [2] Frucc, M; Sannt G., (2008) From Segmentaton to Bnarzaton of Gray-level Images Insttute of Cybernetcs E.Caanello, CNR Va Camp Flegre 34, Pozzuol, Naples, 80078, Italy, Journal of Pattern Recognton Research 1, 1-13 [3] Hanselman, D.; Lttlefeld, B., (1998) Masterng MATLAB 5, A Comprehensve Tutoral and Reference, Prentce-Hall Inc. [4] Ronald Scrofano, Myungsook Klassen, (2001) Pattern Recognton wth Feedforward, Artfcal Neural Networks, Calforna LutheranUnversty,dakses 18 Desember 2009, [5] Japard, Iskandar Dr., (2002) Gambaran CT Scan pada Tumor Otak Bengna, Fakultas Kedokteran Bagan Bedah, Unverstas Sumatera Utara, Dgtzed by USU dgtal lbrary [6] Kosko, Bart, (1992). Neural Networks and Fuzzy Systems, A Dynamcal Systems Approach to Machne Intellgence, Prentce-Hall Internatonal Edtons [7] Kumar, Satsh, (2004) Neural Networks, Mc Graw-Hll, New Delh [8] Kuswad, Son, (2007) Kendal Cerdas, Teor dan Aplkas Praktsnya, Penerbt ANDI, Yogyakarta [9] Mattuss, C.; Marbach, N. (2008), The Age of Analog Networks, Artfcal Intelegence Magazne, Vol 29, number 3 [10] Parker J.R., (1997) Algorthms for Image Processng and Computer Vson, Wley Computer Publshng, John Wley & Sons, Inc. [11] Pearson, Don, (1991) Image Processng, McGraw-Hll Internatonal Edtons [12] Susmkant, Mke, (2001) Penyederhanaan Pemetaan Struktur Ketergantungan Varabel Menggunakan Teknk Prnspal Komponen, Prosdng Lokakarya Komputas dalam Sans dan Teknolog Nuklr XII, BATAN, Jakarta. [13] Susmkant, M; Entn H; Dnan A, (2009) Identfkas Pengenalan Pola Osteopoross terhadap Hasl Rontgen Jar Tangan dan Tulang Belakang, Semnar SRITI, STMIK AKAKOM, Yogyakarta Lampran A. Program konvers ctra dan karakterstk domnan satu ctra jens tumor otak clear;clc; fb=fopen('normal_1.m','w'); X=mread('normal_1.bmp'); DX=double(X); COVDX=cov(DX); fprntf(fb,'\n Egen Value S \n'); EIGDX=egs(COVDX); fprntf(fb,'%9.2f\n',eigdx); [VS,DS,FLAG]=egs(COVDX); fprntf(fb,'\n VS \n'); fprntf(fb,'%9.2f',vs); fprntf(fb,'\n DS \n'); fprntf(fb,'%9.2f %9.2f %9.2f %9.2f %9.2f %9.2f\n',DS); fprntf(fb,'\n Flag \n'); fprntf(fb,'%9.2f\n',flag); SVDS=svds(COVDX) fprntf(fb,'\n SVDS : \n'); fprntf(fb,'%9.2f\n',svds); fprntf(fb,'\n Prncpal componen from covarance :'); [PC,LATENT,EXPLAINED]=pcacov(COVDX); fprntf(fb,'\n LATENT \n'); fprntf(fb,'%9.2f\n',latent); fprntf(fb,'\n Explaned \n'); fprntf(fb,'%9.2f\n',explained); fclose(fb); Hasl : Egen Value S DS SVDS : Prncpal componen from covarance : LATENT Lampran B. Program dentfkas jens tumor otak dan Hasl clear;clc; fb=fopen('out_tumor_bran_5.txt','w'); % A. Tahap pembelajaran jarngan % Jens Tumor & Normal % A.1 Deklaras dan Insalsas jarngan neuron net1=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net2=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net3=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net4=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net5=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net6=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); w1=net1.iw{1,1,1,1,1,1}; w2=net2.iw{1,1,1,1,1,1}; w3=net3.iw{1,1,1,1,1,1}; w4=net4.iw{1,1,1,1,1,1}; w5=net5.iw{1,1,1,1,1,1}; w6=net6.iw{1,1,1,1,1,1}; b1=net1.b{1}; b2=net2.b{1}; b3=net3.b{1}; b4=net4.b{1}; b5=net5.b{1}; b6=net6.b{1}; % A.2 Deklaras matrks karakterstk p=[ ;%Normal
6 ;%Menngoma ;%Adenoma H ;%Kranofarngoma ;%Plocytc A ];%Akustk N ptotal=p'; % A.3 Deklaras Target t1 = [ ]; t2 = [ ]; t3 = [ ]; t4 = [ ]; t5 = [ ]; t6 = [ ]; % A.4 Proses Pembelajaran net1=tran(net1,ptotal,t1); net2=tran(net2,ptotal,t2); net3=tran(net3,ptotal,t3); net4=tran(net4,ptotal,t4); net5=tran(net5,ptotal,t5); net6=tran(net6,ptotal,t6); fprntf(fb,' Proses Pembelajaran :\n'); alearn=[sm(net1,ptotal)] alearn=[sm(net2,ptotal)] alearn=[sm(net3,ptotal)] alearn=[sm(net4,ptotal)] alearn=[sm(net5,ptotal)] alearn=[sm(net6,ptotal)] % B. Tahap Pelathan % B.1 Deklaras dan Insalsas Jarngan net11=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net21=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net31=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net41=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net51=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net61=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); w1=net11.iw{1,1,1,1,1,1}; w2=net21.iw{1,1,1,1,1,1}; w3=net31.iw{1,1,1,1,1,1}; w4=net41.iw{1,1,1,1,1,1}; w5=net51.iw{1,1,1,1,1,1}; w6=net61.iw{1,1,1,1,1,1}; b1=net11.b{1}; b2=net21.b{1}; b3=net31.b{1}; b4=net41.b{1}; b5=net51.b{1}; b6=net61.b{1}; % B.2 Deklaras Matrks p1=[ ;%Normal ;%Menngoma ;%Adenoma H ;%Kranofarngoma ;%Plocytc A ];%Akustk N ptotal1=p1'; % B.3 Deklaras Target t11 = t1;t21 = t2; t31 = t3;t41 = t4; t51 = t5;t61 = t6; % B.4 Proses Pelathan net11=tran(net11,ptotal1,t11); net21=tran(net21,ptotal1,t21); net31=tran(net31,ptotal1,t31); net41=tran(net41,ptotal1,t41); net51=tran(net51,ptotal1,t51); net61=tran(net61,ptotal1,t61); fprntf(fb,' Proses Pelathan :\n'); atran=[sm(net11,ptotal1)] atran=[sm(net21,ptotal1)] atran=[sm(net31,ptotal1)] atran=[sm(net41,ptotal1)] atran=[sm(net51,ptotal1)] atran=[sm(net61,ptotal1)] % C. Smulas 1 % C.1 Deklaras p2=[ ;%Normal ;%Menngoma ;%Adenoma H ;%Kranofarngoma ;%Plocytc A ];%Akustk Neurnoma ptotal2=p2'; % C.2 Proses Smulas 1 net12=tran(net11,ptotal2,t11); net22=tran(net21,ptotal2,t21); net32=tran(net31,ptotal2,t31); net42=tran(net41,ptotal2,t41); net52=tran(net51,ptotal2,t51); net62=tran(net61,ptotal2,t61); fprntf(fb,' Proses Smulas 1 :\n'); asm1=[sm(net12,ptotal2)] asm1=[sm(net22,ptotal2)] asm1=[sm(net32,ptotal2)] asm1=[sm(net42,ptotal2)] asm1=[sm(net52,ptotal2)] asm1=[sm(net62,ptotal2)] Hasl : Proses Pembelajaran : Proses Pelathan : Proses Smulas 1 : (seharusnya )
BAB 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 terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih 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 terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih 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 terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciPENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA
MAKALAH SEMINAR TUGAS AKHIR PENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA Suharto Jat Santoso *, Bud Setyono **, R. Rzal Isnanto ** Abstrak - Selama n pengenalan jens kan pada
Lebih terperinciANALISIS KEMIRIPAN POLA CITRA DIGITAL MENGGUNAKAN METODE EUCLIDEAN
AALISIS KEMIRIPA POLA CITRA DIGITAL MEGGUAKA METODE EUCLIDEA Eus St ur Asyah1), Abdul Hayat2), Puspa Wdant3), Shnta Yulnda Prasetya4), Helm Iskandar5) 1), 2 ), 3) Komputersas Akuntans AMIK Raharja Informatka
Lebih terperinciPengenalan Tanda Tangan Dengan Metode Principal Component Analysis (PCA) Dan Jaringan Syaraf Tiruan (JST)
1 Pengenalan Tanda Tangan Dengan Metode Prncpal Component Analyss (PCA) Dan Jarngan Syaraf Truan (JST) Hann Prastka 1, Rahmat Suhatman 2, Warna Nengsh 3 Program Stud Teknk Informatka dan Multmeda, Polteknk
Lebih terperinciBAB 2 LANDASAN TEORI. fungsi f(x,y), dimana x dan y merupakan spatial koordinat, dan tingkatan aplitude
BAB 2 LANDASAN TEORI 2.1 Ctra Menurut Gonzales (2004, p1) Ctra bsa djelaskan sebaga 2 dmens dar fungs f(x,y), dmana x dan y merupakan spatal koordnat, dan tngkatan apltude pada poss n dsebut dengan ntenstas
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciIDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY
Anfudn Azz dan Tanzl Kurnawan, Identfkas Pola Jar IDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY (Frnger Prnt Pattern Identfcaton by Bdrectonal Assocatve Memory
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciMetode Estimasi Kemungkinan Maksimum dan Kuadrat Terkecil Tergeneralisasi pada Analisis Pemodelan Persamaan Struktural
Jurnal Graden Vol. 11 No. 1 Januar 015 : 1035-1039 Metode Estmas Kemungknan Maksmum dan Kuadrat Terkecl Tergeneralsas pada Analss Pemodelan Persamaan Struktural Dan Agustna Jurusan Matematka, Fakultas
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 terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciDekomposisi Nilai Singular dan Aplikasinya
A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
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 terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih 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 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL
Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: 979-756-061-6 Yogyakarta, 18 Jun 2005 PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL Setyo Nugroho
Lebih terperinciISSN: Kata kunci: pengenalan tulisan tangan, ekstraksi ciri, jaringan saraf tiruan.
ISSN: 1693-6930 17 PENGARUH KOMPLEKSITAS EKSTRAKSI CIRI PADA SISTEM PENGENALAN TULISAN TANGAN DINAMIS (Influence of Feature Etracton Complet n Onlne Handwrtng Recognto Abdul Fadll Program Stud Teknk Elektro,
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciPENENTUAN DENSITAS PERMUKAAN
PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan
Lebih terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciBAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk
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 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 terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciBAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinciSEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN
AALISIS DISKRIMIA DISKRIT UTUK MEGELOMPOKKA KOMPOE Bernk Maskun Jurusan Statstka FMIPA UPAD jay_komang@yahoo.com Abstrak Untuk mengelompokkan hasl pengukuran yang dukur dengan p buah varabel dmana penlaan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciBAB 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 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 terperinciBAB 3 METODOLOGI PERANCANGAN
9 BAB 3 METODOLOGI PERANCANGAN Bab n bers penjelasan mengena langkah-langkah perhtungan serta prosedurprosedur yang dgunakan untuk menemukan solus atas rumusan masalah pada Bab. Dalam bab n juga akan dtamplkan
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE M. Fachrurroz, M.T. 1, Nov Yuslan, M.T. 2 1,2 Jurusan Teknk Informatka Fakultas Ilmu Komputer, Unverstas Srwjaya 1 obetsobets@gmal.com,
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 terperinciIII PEMODELAN MATEMATIS SISTEM FISIK
34 III PEMODELN MTEMTIS SISTEM FISIK Deskrps : Bab n memberkan gambaran tentang pemodelan matemats, fungs alh, dagram blok, grafk alran snyal yang berguna dalam pemodelan sstem kendal. Objektf : Memaham
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 terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciPengenalan Pola Senyum Menggunakan Backpropagation Berbasis Ekstraksi Fitur Principal Component Analysis (PCA)
Pengenalan Pola Senyum Menggunakan Backpropagaton Berbass Ekstraks Ftur Prncpal Component Analyss (PCA) Rma Tr Wahyunngrum 1, Rza Mashta Wat 2, Aer Rachmad 3 Program Stud Teknk Informatka, Unverstas Trunojoyo
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 terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciRANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN
RANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN Erfant Fatkhyah Jurusan Teknk Informatka, Fakultas Teknolog Industr, Insttut Sans & Teknolog AKPRIND Yogyakarta Emal: erfunthye@yahoocod
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
Lebih terperinciISSN Evaluasi Kinerja Metode PCA/LPP Pada Sistem Pengenalan Citra Wajah Manusia
ISSN0216-3241 25 Evaluas Knera Metode PCA/LPP Pada Sstem Pengenalan Ctra Waah Manusa Oleh N Wayan Mart Jurusan Manaemen Informatka, FK - Undksha Abstrak Sstem dentfkas personal yang berbass pengenalan
Lebih terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
Lebih terperinciModel Potensial Gravitasi Hansen untuk Menentukan Pertumbuhan Populasi Daerah
Performa (2004) Vol. 3, No.1: 28-32 Model Potensal Gravtas Hansen untuk Menentukan Pertumbuhan Populas Daerah Bambang Suhard Jurusan Teknk Industr, Unverstas Sebelas Maret, Surakarta Abstract Gravtaton
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciPROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM. DENGAN Principal Component Analysis (PCA)
PROPERT DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN Prncpal Component Analyss (PCA) Oleh : Hanna aa Parhusp, usp, Deva eawdyananto a dan Bernadeta Desnova Kr Program Stud Statstka
Lebih terperinciIII.METODE PENELITIAN. Pada penelitian ini subyek yang digunakan adalah siswa VII A SMPN 5
33 III.METODE PENELITIAN A Jens Dan Desan Peneltan. Jens peneltan yang dgunakan dalam peneltan n adalah peneltan kuanttatf. Peneltan n merupakan peneltan korelas yang bertujuan untuk mengetahu hubungan
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 terperinciBAB III METODE PENELITIAN. Jenis penelitian yang akan digunakan dalam penelitian ini adalah
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan yang akan dgunakan dalam peneltan n adalah peneltan pengembangan (Research and Development). Peneltan Research and Development (R&D) n merupakan
Lebih terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciBAB III METODE PENELITIAN
22 BAB III METODE PENELITIAN 3.1 Model Pengembangan Produk model pengembangan pembelajaran mengacu pada proses pembelajaran yang menekankan pada pemberdayaan teman sejawat dan permanan. Pemberdayaan teman
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan quas expermental dengan one group pretest posttest desgn. Peneltan n tdak menggunakan kelas pembandng namun sudah menggunakan
Lebih terperinci2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil
.1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciPENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN
PENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN Oleh : And Prasojo (L2F098584) Jurusan Teknk Elektro Fakultas Teknk Unverstas Dponegoro Jl. Prof. H. Sudarto, S.H., Tembalang, Semarang e-mal
Lebih terperinci