INTEGRASI EKSTRAKSI FITUR LOCAL BINARY PATTERN DAN GRAY-LEVEL COOCCURENCE METRIX UNTUK PENGENALAN EKSPRESI MULUT PEMBELAJAR
|
|
- Deddy Darmadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 ISSN prnt ISSN onlne ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017 INTEGRASI EKSTRAKSI FITUR LOCAL BINARY PATTERN DAN GRAY-LEVEL COOCCURENCE METRIX UNTUK PENGENALAN EKSPRESI MULUT PEMBELAJAR Azwar azwarunsan@gmal.com Fakultas Ilmu Komputer Unverstas Ichsan Gorontalo Abstrak elearnng mash dperhadapkan pada masalah-masalah elearnng Strategy, Content, Management, dan Evaluaton. selan tu adaptve elearnng system belum menerapkan strateg pembelaaran sehngga pembelaar mash sult mendapatkan nformas ekspres waah dar pemelaar. Hal n mempengaruh pola nteraks antara pembelaar dengan pemelaar, Sehngga proses pembelaaran tdak optmal. Pada peneltan n dkembangkan metode pengenalan ekspres ftur mulut pemelaar untuk mengdentfkas status ekspres waah pemelaar saat menggunakan elearnng dengan pengolahan ctra dgtal dan multclass support vector machne. Metode pengolahan ctra yang dgunakan adalah peggabungan ftur ekstraks local bnary pattern (LBP) untuk ekstraks ftur ctra, gray level co-occurrence matrx (GLCM) untuk ekstraks ftur tekstur dan multclass support vector machne untuk pengenalan ctra mulut pemelaar. Setelah ekstraks ftur dlakukan pelathan menggunakan multclass svm sebanyak 4 kal penguan dengan umlah data testng 10%, 0%, 30%, dan 40% dar data tranng. Tngkat keberhaslan yang tngg ddapatkan pada penguan dengan komposs data testng 10% dengan tngkat akuras 95%. Kata kunc: elearnng, Ctra, LBP, GLCM, MultclassSVM. 1. Pendahuluan Penddkan sekarang telah menad kebutuhan pokok yang harus dmlk setap orang agar bsa menawab tantangan kehdupan. Untuk memperoleh penddkan yang efektf dan efsen maka dcptakanlah elearnng. elearnng dapat memudahkan pemelaar dalam melakukan kegatan penddkan dan pembelaaran [1]. Dalam penerapannya, elearnng efektf dalam menyampakan pembelaaran ka ddukung oleh beberapa alat bantu elektronk sepert perangkat komputer dan nternet namun demkan elearnng mash dperhadapkan pada masalah-masalah elearnng Strategy, Content, Management, dan Evaluaton. selan tu adaptve elearnng system belum menerapkan strateg pembelaaran sehngga pembelaar mash sult mendapatkan nformas ekspres waah dar pemelaar. Hal n mempengaruh pola nteraks antara pembelaar dengan pemelaar, Sehngga proses pembelaaran tdak optmal. Peneltan untuk menyelesakan masalah tersebut mash arang dlakukan. Salah satu peran komputas cerdas untuk menyelesakan masalah tersebut, khususnya pada elearnng Strategy yang memlk empat kaan, yang berupa Learnng Style, Adaptve Strategy, Smulaton Strategy, dan Blended Learnng Strategy. Peneltan tentang Adaptve Strategy dapat dlakukan melalu Computer Vson dan Image Processng guna memaham ekspres waah pemelaar. Menurut Ekman ekspres emos dasar terdr dar 6 ekspres waah sepert bahaga, terkeut, marah, k, sedh, dan takut [] namun menurut may-png-loh et al. keenam ekspres dasar tersebut tdak sesua dengan ekspres pemelaar sehngga dgunakan 4 ekspres waah untuk mendefnskan ekspres pemelaar sepert neutral, smle, confuse dan sleepy [3]. Ekspres waah dapat dkenal berdasarkan perubahan cr/ftur pentng waah sepert pada mata, als dan mulut [4]. Berdasarkan hal tersebut peneltan n akan dfokuskan untuk mendapatkan cr dar ftur mulut dar beberapa ekspres ftur mulut sepert : mulut terbuka, mulut tertutup dan mulut tersenyum. Menurut Moses et al. waah netral dgambarkan dengan mulut tertutup tersenyum dengan sudut bbr dtark ke atas, waah sedh dengan sudut-sudut mulut tertutup serapat mungkn, Mulut terbuka dgambarkan dengan rahang bawah turun seauh mungkn, Senyum terbuka dgambarkan mrp dengan senyum, tetap dengan gg terlhat [5]. Ekspres dar ftur mulut tersebut akan dadkan sebaga target (class) untuk mengklasfkaskan ekspres dar ftur mulut pengguna elearnng. Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved 17
2 ISSN prnt ISSN onlne ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017. Metode Model peneltan yang dlakukan adalah peneltan ekspermen, dapat dlhat pada Gambar.1 dagram alr peneltan : Gambar 1. Dagram Alr Metode Data yang dgunakan pada peneltan n merupakan data ctra mulut hasl segmentas. Data Ctra Mulut yang dgunakan sebanyak 04 ctra terdr dar mulut terbuka, mulut tertutup dan mulut tersenyum yang telah dsegmentas. Ctra yang dgunakan merupakan data ctra dar ftur mulut pemelaar yang berekstens (*.png). berkut beberapa ctra mulut hasl segmentas : Gambar. Dataset Ctra Mulut hasl segmentas Proses ekspermen akan dlakukan dengan melakukan ekstraks ftur terhadap data yang telah dkumpulkan. Ekstraks ftur menggunakan Local Bnary Pattern (LBP) dan Gray-Level Coocurence Matrx (GLCM), Hasl ekstraks ftur akan dklasfkaskan menggunakan Multclass Support Vector Machne (SVM). Sedangkan untuk mengukur knera dar model yang dbangun akan dgunakan confuson matrx..1. Lokas Pengamblan Data Lokas pengamblan data vdeo dlakukan pada suatu ruangan (ndoor) dengan konds pencahayaan normal... Poss Perangkat Kamera Perangkat kamera yang dgunakan untuk pengamblan data vdeo adalah kamera ens webcam dengan poss kamera frontal atau tepat berada ddepan pemelaar yang sedang bernteraks dengan sstem elearnng. Kemudan untuk pengaturan kamera webcam menggunakan pengaturan default dar perangkat tersebut. Gambar 3. Ilustras Pengguna Elearnng Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved 18
3 ISSN prnt ISSN onlne ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl Skenaro Pengamblan Data Data vdeo yang dgunakan untuk ekspermen pada peneltan n datur sedemkan rupa hngga setap adegan atau ekspres yang dlakukan oleh pemelaar tampak natural sebaga seseorang yang sedang bernteraks dengan sstem elearnng. Mater pada elearnng dsapkan sesua dengan ekspres mulut yang akan damat yakn mulut terbuka, tertutup, dan tersenyum. Setap ekspres yang damat dkonfrmaskan ke pemelaar. 3. Hasl dan Pembahasan 3.1 Ekstraks Ftur Local Bnary Pattern LBP bekera dengan melakukan pemberan label pxel pada suatu ctra berdasarkan thresholdng ketetanggaan dar setap pxel dan merepresentaskannya dalam bentuk bner [6]. Operas LBP yang dasar berbasskan dengan asums bahwa tekstur memlk aspek yang berkomplemen, yatu polanya dan dayanya. Kemudan LBP dusulkan sebaga unt tekstur vers dua tngkat untuk menggambarkan pola tekstur lokal [7]. Secara umum operator LBP dapat dgambarkan sebaga berkut : Gambar 4. Operator dasar LBP [6] Nla desmal dar 8 bt dar (Operator LBP) dapat dnyatakan dalam persamaan berkut [6] : P-1 P LBP P,R (x, cy c)= s(g - g P ) c (1) P=0 Dan fungs s(x) ddefnskan sebaga berkut : 1, x 0 s x = 0, x () Keterangan : P = Samplng Pont untuk mewakl umlah pxel tetangga Radus antara pxel pusat dan pxel tetangga R = g = Pusat pxel tetangga p g =Pxel tengah c Sebelum dlakukan ekstraks ftur dengan LBP maka data ctra hasl segmentas dkonves kedalam format grayscale, Kemudan nla pksel dar ctra grayscale ftur mulut dekstraks menggunakan Local Bnary Pattern. Berkut Proses ekstraksnya : a. Nla pksel dar ctra grayscale dpecah kebeberapa regon matrx 3x3 Gambar 5. Nla Pxel Ctra Grayscale dan Pembagan Regon b. Nla pxel ctra yang telah dpecah kedalam beberapa bentuk regon matrx 3x3 pxel dbandngkan ke setap nla threshold dar setap regon matrx. pada matrx tersebut yang dnyatakan sebaga nla threshold adalah nla pxel yang berada d tengah, kemudan nla pxel tetangga yang lebh kecl dar nla threshold tersebut akan dnyatakan dengan nla bner 0 dan nla pxel yang lebh besar atau sama dengan nla threshold akan dnyatakan dengan nla bner 1, hngga ddapatkan matrx bner. Selanutnya nla bnary yang dhaslkan dtulskan kedalam bentuk strng bner Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved 19
4 ISSN prnt ISSN onlne ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017 dengan cara crcular dar kanan ke kr, operas tersebut dterapkan ke setap bagan regon ctra sebagamana delaskan sebelumnya. Gambar 6. Matrx 3x3 dan Matrx bner dar ctra c. Setap strng bner yang haslkan akan dlakukan penyatuan kembal untuk mendapatkan tekstur ctra secara keseluruhan. Gambar 7. Tekstur ctra keseluruhan Tekstur ctra yang ddapatkan selanutnya akan dekstraks menggunakan ekstraks ftur GLCM. ekstraks ftur GLCM akan menghaslkan nla attrbut dar ctra yang selanutnya dapat dgunakan untuk mengklasfkaskan ftur mulut. 3. Ekstraks Ftur Gray Level Co-Occurrence Matrx (GLCM) GLCM uga dkenal sebaga grey level dependency matrx yang ddefnskan sebaga sebuah hstogram dua dmens pada gray level yang dpsahkan oleh fxed spatal relatonshp [8]. Ekstraks ftur tekstur dambl dar empat arah (0 o, 45 o, 90 o, dan135 o ) dengan arak 1 pxel. Sedangkan pada gambar 6. menunukkan bagamana untuk menghaslkan matrks menggunakan arah 0 o dan dengan arak 1 pksel. Gambar 8. Arah dalam menghtung GLCM [8] Langkah Pertama untuk menghtung nla dar GLCM yatu menentukan arah dan arak yang akan dgunakan untuk menghtung nla ctra. Selanutnya menghtung umlah pksel yang berpasangan yang terbentuk dan kemudan membentuk matrx GLCM. Matrx GLCM yang terbentuk selanutnya dnormalsas. Berkut persamaan untuk membuat matrx ternomalsas : MatrxGLCMNorm = (3) Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved 0
5 ISSN prnt ISSN onlne ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017 Pada peneltan n akan dgunakan arak d = 1 dengan orentas sudut θ = 0 0, Berkut proses perhtungan matrks cooccurrence dengan arak d=1 dan sudut θ = 0 0. a. Matrx ctra hasl pengolahan dar LBP merupakan gray matrx untuk dolah dengan menggunakan GLCM, Pada kasus dbawah n dlustraskan skala ntenstas dar 10 sampa dengan 49. Gambar 9. Matrks asal, matrks hasl LBP Gambar 10. Gray Matrx dengan skala ntenstas 10 sampa 49 b. Menghtung semua matrx berpasangan untuk sudut θ = 0 0, Sudut 0 0 sama dengan sudut c. Setelah menentukan setap pasangan dar matrx, Selanutnya membentuk matrx GLCM Tabel 1. Matrx Cooccurence GLCM (10,10)=0 (10,40)=0 (10,48)=1 (10,49)=0 40 (40,10)=0 (40,40)=6 (40,48)= (40,49)=1 48 (48,10)=1 (48,40)= (48,48)=6 (48,49)= 49 (49,10)=0 (49,40)=1 (49,48)= (49,49)=0 d. Langkah selanutnya, Melakukan normalsas yatu matrxglcmnorm. Jumlah total nla Matrx GLCM= 4. Berkut tabel hasl normalsas matrx cooccurence : Tabel. Matrx Ternormalsas , ,5 0,0833 0, ,0417 0,0833 0,5 0, ,0417 0, e. Setelah ddapatkan matrx GLCM maka kta dapat menemukan statstc feature suatu ctra sepert kontras, korelas, energ dan homogentas, berkut hasl perhtungan setap feature GLCM : 1). Menghtung Nla Contrast Contrast = - p(, ) (4) dmana p(,) menyatakan nla pada bars dan kolom pada matrks Contrast = ( (0.0417)) + ( (0.0833)) + ( (0.0417)) + ( (0.0417))+ ( (0.0833)) + ( (0.0833)) + ( (0.0417)) + ( (0.0833)) Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved 1
6 ISSN prnt ISSN onlne ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017 Contrast = (683.18) + (.331) + (3.3777) + (683.18) + (5.331) + (0.0833) + (3.3777) + (0.0833) Contrast = ). Menghtung Nla Correlaton N - 1 ( - μ )( - μ )p(, ) Correlaton = = 0 σσ N- 1 μ = (p(, )) =0 N- 1 μ = (p(, )) =0 N- 1 σ = p(, )( - μ ) =0 N- 1 σ = p(, )( - μ ) = (5) = (10 * (0.0417)) + (40 * (0.0833)) + (40 * (0.0417)) + (48 * (0.0417)) + (48 * (0.0833)) + (48 * (0.0833)) + (49 * (0.0417)) + ( 49 * (0.0833)) = 5, , , , , , , ,7417 = = (48 * (0.0417)) + (48 * (0.0833)) + (49 * (0.0417)) + (10 * (0.0417)) + (40 * (0.0833)) + (49 * (0.0833)) + (40 * (0.0417)) + (48 * (0.0833)) = 10, , , , ,99 + 0, , ,6584 = ((0,0417 * ( ) ) + (0,0833 * ( ) ) + (0,0417 * ( ) ) + σ = (0,0417 * ( ) ) + (0,0833 * ( ) ) + (0,0833 * ( ) ) + (0,0417 * ( ) ) + (0,0833 * ( ) )) 86,89696 ((0,0417 * ( ) ) + (0,0833 * ( ) ) + (0,0417 * ( ) ) σ = +(0,0417 * ( ) ) + (0,0833 * ( ) ) + (0,0833 * ( ) ) + (0,0417 * ( ) ) + (0,0833 * ( ) )) 86,89696 Correlaton = ((( )*( )*(0.0417)/(86,89696*86,89696))+(( )*( )*(0.0833)/(86,89696*86,89696))+(( )*( )*(0.0417)/(86,89696*86,89696))+(( )*( )*(0.0417)/(86,89696*86,89696))+(( )*( )*(0.0833)/(86,89696*86,89696))+(( )*( )*(0.0833)/(86,89696*86,89696))+((49- Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved
7 ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl )*( )*(0.0417)/(86,89696*86,89696))+(( )*( )*(0.0833))) / (86,89696*86,89696) Correlaton = ). Menghtung Nla Energ ISSN prnt ISSN onlne ASM = p(, ) (6) ASM = (0,0417) + (0,5) + (0,0833) + (0,0417) + (0,0417) + (0,0833) + (0,5) + (0,0833) + (0,0417) + (0,0833) \ ASM = 0, ). Mencar Nla Homogentas p(, ) I DM = (7) 1+ - IDM = (0,0417 / ( )) + (0,5 / ( )) + (0,0833 / ( )) + (0,0417 / ( )) + (0,0417 / ( )) + (0,0833 / ( )) + (0,5 / ( )) + (0,0833/ ( )) + (0,0417 / ( )) + (0,0833 / ( )) IDM = Klasfkas Ftur Mulut Hasl ekstraks ftur yang ddapatkan dar setap ctra dsusun kedalam bentuk data tranng dan data testng yang dgunakan untuk melakukan test terhadap model yang sudah dbentuk dengan menggunakan metode klasfkas multclass SVM. Berkut beberapa hasl dar pengenalan ekspres mulut pemelaar. Gambar 11. Hasl ekstraks dan klasfkas ftur mulut tertutup dan mulut terbuka Gambar 1. Hasl ekstraks dan klasfkas ftur mulut tersenyum 3.4 Evaluas Evaluas Model dlakukan dengan melakukan pembagan data berdasarkan persentase penguan dar data tranng. Persentase yang dgunakan yakn 10%, 0%, 30% dan 40% dar data tranng yang dgunakan sebaga data testng. Berkut hasl evaluas yang ddapatkan. Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved 3
8 ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017 Tabel 1. Hasl Pengukuran knera dar model Persentase Penguan Pengukuran 10 % 0 % 30 % 40 % Accuracy % % % % Error Rate 5.00 % 1.50 % % 4.69 % Tme (Second) ISSN prnt ISSN onlne Akuras maksmal pada penguan n ddapatkan pada persentase data testng 10% yatu tngkat akuras sebesar 95% dengan tngkat kesalahan 5%. Data tranng sangat berpengaruh terhadap tngkat akuras klasfkas sstem. 4. Kesmpulan dan saran Berkut kesmpulan dar peneltan yang telah dlakukan dan saran untuk pengembangan peneltan yang berkatan d masa mendatang. 4.1 Kesmpulan Dar peneltan yang telah dlakukan dapat dsmpulkan beberapa hal yatu : 1. Metode pengolahan ctra dgtal dengan metode ekstraks ftur Local Bnary Pattern dan Gray Level Co-occurrence Matrx yang kemudan dklasfkaskan menggunakan Multclass SVM dapat dmplementaskan untuk mengklasfkaskan ftur mulut dar ekspres pemelaar sehngga dapat dadkan masukan dalam penerapan Adaptve elearnng System.. Dengan menggunakan penggabungan metode ekstraks ftur Local Bnary Pattern dan Gray Level Co-occurrence Matrx yang dklasfkaskan dengan Multclass SVM mampu melakukan klasfkas ftur mulut pemelaar dengan akuras 95% dengan komposs pembagan dataset tranng sebanyak 90% dan data testng 10%. 4. Saran Adapun saran-saran untuk pengembangan dan modfkas ke arah yang lebh bak. 1. Perlu dlakukan perbakan bagan akuss ctra, dengan pengaturan pencahayaan bak ntenstas, sudut pencahayaan dan pemlhan kamera yang dgunakan untuk akuss ctra dar ftur mulut.. Untuk melanutkan peneltan pengenalan ekspres waah pemelaar dharapkan penambahan ftur lan dar waah pemelaar sepert mata dan als. Daftar Pustaka [1] Yulyant S. D., Pembelaaran Dengan Menggunakan Alat Elektronka (E Learnng), Unverstas Neger Surabaya. [] P. Ekman. 198 Emoton n the Human Face. Cambrdge. Cambrdge Unversty Press. [3] M. Loh, Y. Wong, C. Wong Facal Expresson Recognton for ELearnng Systems usng Gabor Wavelet & Neural Network. [4] S. Ghozal, B. Yusuf, A. Jazde, Pengenalan Emos Akadems menggunakan Jarngan Syaraf Truan untuk Mendukung Personalsas Sstem E-learnng Insttut Teknolog Sepuluh Nopember. [5] Y. Moses, D. Reynard, and A. Blake Determnng Facal Expressons n Real Tme, pp [6] Ahonen, Tmo, Abdenour Hadd, and Matt Petkänen. 004."Face recognton wth local bnary patterns." Computer vson-eccv. Sprnger Berln Hedelberg, [7] A. W. S. Fardlah Iqram, Budman Gelar, Desgn And Analyss Of Car Feature Detector System Based On Androd Moble Phone. Insttut Teknolog Telkom, Bandung. [8] Gadkar, Dhanashree Image qualty analyss usng GLCM. Dss. Unversty of Central Florda Orlando, Florda. Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved 4
PENERAPAN 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 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 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 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 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 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 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 terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB 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 terperinciGambar 3.1 Diagram alir penelitian
BAB 3 METODE PENELITIAN 3.1 Dagram Alr Peneltan Materal Amorph Magnetk (Fe 73 Al 5 Ga 2 P 8 C 5 B 4 S 3 ) Ekspermen DfraksNeutron (I vs 2theta) Smulas Insalsas atom secara random Fungs struktur, F(Q) Perhtungan
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 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 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 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 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 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 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 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 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 terperinciHUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT
HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT ABSTRAK STEVANY HANALYNA DETHAN Fakultas Ekonom Unv. Mahasaraswat Mataram e-mal : stevany.hanalyna.dethan@gmal.com
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 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 terperinciImplementasi Adaptive Support Vector Machine untuk Membantu Identifikasi Kanker Payudara
1 Implementas Adaptve Support Vector Machne untuk Membantu Identfkas Kanker Payudara Baktar Karsma, Dana Purwtasar, Anny Yunart Teknk Informatka, Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember
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 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 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 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 terperinciOPTIMASI MASALAH PENUGASAN. Siti Maslihah
JPM IIN ntasar Vol. 01 No. 2 Januar Jun 2014, h. 95-106 OPTIMSI MSLH PNUGSN St Maslhah bstrak Pemrograman lner merupakan salah satu lmu matematka terapan yang bertuuan untuk mencar nla optmum dar suatu
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 terperinciAnalisis Pengaruh Kernel Support Vector Machine (SVM) pada Klasifikasi Data Microarray untuk Deteksi Kanker
OPEN ACCESS ISSN 460-9056 socj.telkomunversty.ac.d/ndojc Ind. Journal on Computng Vol., Issue. 1, Maret 017. pp. 109-118 do:10.1108/ndojc.017.1.169 Analss Pengaruh Kernel Support Vector Machne (SVM) pada
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu
Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan
Lebih 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.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciBAB 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 terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
I ENDHULUN. Latar elakang Mengambl keputusan secara aktf memberkan suatu tngkat pengendalan atas kehdupan spengambl keputusan. lhan-plhan yang dambl sebenarnya membantu dalam penentuan masa depan. Namun
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 terperinciMenghitung Jumlah Orang dengan Ekstraksi Fitur Gray Level Co-occurrence Matrix (GLCM)
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Menghtung Jumlah Orang dengan Ekstraks Ftur Gray evel Co-occurrence Matrx (GCM) Claudtta *1, ovdant 2, Derry Alamsyah 3, Yohannes 4 1,2 STMIK GI
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 terperinciPERHITUNGAN PENILAIAN MAHASISWA TERHADAP MENGAJAR DOSEN BERBASIS KASUS MENGGUNAKAN ALGORITMA BAYESIAN
JURNAL DAI IN: - Vol. No. JUNI ERHITUNGAN ENILAIAN MAHAIWA TERHADA MENGAJAR DOEN BERBAI KAU MENGGUNAKAN ALGORITMA BAYEIAN Ern enwat TMIK AMIKOM Yogyakarta ern.s@amkom.ac.d ABTRAKI roses belaar mengaar
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING BERBASIS SIMILARITAS MAKSIMAL
MAKALA EMINAR TUGA AKIR PERIODE JULI 00 IMPLEMENTAI EGMENTAI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING ERAI IMILARITA MAKIMAL Ayu Arta Paramta Relga, andayan Tjandrasa, Anny Yunart 3 Teknk Informatka,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 INJAUAN PUSAKA 2.1 Ctra Dgtal Ctra (mage) adalah gambar pada bdang dua dmens. Dtnjau dar sudut pandang matemats, ctra merupakan fungs menerus (contnue) dar ntenstas cahaya pada bdang dua dmens. Ctra
Lebih terperinciPengenalan Wajah Menggunakan Implementasi T-shape Mask pada Two Dimentional Linear Discriminant Analysis dan Support Vector Machine
Musthafa, Pengenalan Wajah Menggunakan Implementas -shape Mask Pada wo Dmentonal Lnear Dscrmnant Analyss dan... 1 Pengenalan Wajah Menggunakan Implementas -shape Mask pada wo Dmentonal Lnear Dscrmnant
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Emprs Pada peneltan n, penelt menggunakan beberapa peneltan terkat yang pernah dlakukan oleh penelt lan sebaga tnjauan stud, yatu sebaga berkut : a. Pornography Detecton
Lebih terperinciBAB 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 IV APLIKASI. Pada bagian ini akan dibahas bagaimana contoh mengestimasi. parameter model yang diasumsikan memiliki karateristik spasial lag
BAB IV APLIKASI Pada bagan n akan dbahas bagamana contoh mengestmas parameter model yang dasumskan memlk karaterstk spasal lag sekalgus spasal error. Estmas dlakukan dengan menggunakan software Evews 3
Lebih terperinciJurnal Ilmiah Widya Teknik Volume 16 Nomor ISSN
Jurnal Ilmah Wdya Teknk Volume 16 Nomor 1 2017 ISSN 1412-7350 PEMODELAN MATEMATIKA UNTUK PERANCANGAN PRODUK LEMARI KABINET Rcky Yulanton Prhandaa, Dan Retno Sar Dew * Jurusan Teknk Industr, Fakultas Teknk,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
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 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 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 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 terperinciHistogram Citra. Bab Membuat Histogram
Bab 6 Hstogram Ctra I nformas pentng mengena s ctra dgtal dapat dketahu dengan membuat hstogram ctra. Hstogram ctra adalah grafk yang menggambarkan penyebaran nla-nla ntenstas pxel dar suatu ctra atau
Lebih 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 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 terperinciSIMULASI SMOOTHED PARTICLE HYCRODYNAMICS DUA DIMENSI DENGAN METODE DETEKSI PARTIKEL PERMUKAAN
SIMULASI SMOOTHED PARTICLE HYCRODYNAMICS DUA DIMENSI DENGAN METODE DETEKSI PARTIKEL PERMUKAAN Muh.Kk Ad Panggayuh 1, Sr Suryan P., Dede Tarwd 3 1,,3 Prod Ilmu Komputas Telkom Unversty, Bandung 1 adpanggayuh@gmal.com,
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 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 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 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciBAB 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 terperinciMetode Ekstraksi Data Untuk Pengenalan Huruf Dan Angka Tulisan Tangan Dengan Menggunakan Jaringan Syaraf Buatan Propagasi Balik
Porceedng of Semanr on Intellgent Technology and Its Applcatons (SITIA 2002) Insttut Teknolog Sepuluh Nopember, Surabaya, May 7 th, 2002 Metode Ekstraks Data Untuk Pengenalan Huruf Dan Angka Tulsan Tangan
Lebih terperinciSegmentasi Citra Ikan Tuna dengan Mahalanobis Histogram Thresholding dan Mahalanobis Fuzzy C-Means
Kaswar Segmentas Ctra Ikan Tuna dengan Mahalanobs Hstogram Thresholdng dan Mahalanobs Fuzzy C-Means 1 Segmentas Ctra Ikan Tuna dengan Mahalanobs Hstogram Thresholdng dan Mahalanobs Fuzzy C-Means And Baso
Lebih terperinciSeemingly Unrelated Regression (SUR) Penderita Penyakit DBD RS. Wahidin Sudirohusodo Dan RS. Stella Maris Makassar
Vol. 3, o., -5, Jul 6 Seemngl Unrelated Regresson Penderta Penakt DBD RS. Wahdn Sudrohusodo Dan RS. Stella ars akassar A n s a Abstrak Hubungan antar varabel adalah salah satu hal ang selalu menark dalam
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Ctra dgtal merupakan ctra hasl dgtalsas yang dapat dolah pada suatu komputer dgtal [12]. Ctra dgtal tersusun atas sejumlah elemen. Elemen-elemen yang menyusun ctra
Lebih 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 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 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
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 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 terperinciSistem Pengenalan Wicara Otomatis Menggunakan Discrete Wavelet Neural Network (DWNN)
Sstem Wcara Otomats Menggunakan Dscrete Wavelet Neural Network (DWNN) Yunus Wcaksono S 1, Djoko Purwanto 2, Agus Sgt Pramono 3 1,2 Program Stud Teknk Elektro Insttut Teknolog Sepuluh Nopember Surabaya
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 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 terperinciPage 1
Image Recognton Tresold Sebelum melangka pada proses pendeteksan ss terleb daulu ctra duba ke dalam ctra yang anya terdr dar dua warna saa yatu warna tam yang menampakkan ss obek dan yang lannya akan dbuat
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 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 KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN
PENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN Handry Wardoyo 1 Jeanny Pragantha Vny Chrstant M. 3 1 3 Teknk Informatka Unverstas Tarumanagara
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 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 terperinciBIPLOT UNTUK MENGETAHUI KARAKTERISTIK KABUPATEN/KOTA DI JAWA TENGAH BERDASARKAN PRODUKSI BAWANG PUTIH, BAWANG MERAH, CABE BESAR DAN CABE RAWIT
Bplot (DahSaftr) BIPLOT UNTUK MENGETAHUI KARAKTERISTIK KABUPATEN/KOTA DI JAWA TENGAH BERDASARKAN PRODUKSI BAWANG PUTIH, BAWANG MERAH, CABE BESAR DAN CABE RAWIT Dah Saftr 1, Supart 2, Est Pratw 3, Tyas
Lebih terperinciBAB III METODE PENELITIAN. problems. Cresswell (2012: 533) beranggapan bahwa dengan
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan kombnas atau mxed methods. Cresswell (2012: 533) A mxed methods research desgn s a procedure for collectng, analyzng and mxng
Lebih terperinciBAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas
BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan
Lebih terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
Lebih terperinciDETEKSI POTENSI KANKER PAYUDARA PADA MAMMOGRAM MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRICES
DETEKSI POTESI KAKER PAYUDARA PADA MAMMOGRAM MEGGUAKA METODE GRAY LEVEL CO-OCCURRECE MATRICES Ryan Hartad*, Imam Santoso**, Achmad Hdayatno** Abstrak -Kanker payudara adalah jens kanker yang palng umum
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih 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 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 terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih 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 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 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 terperinci