PENGENALAN WAJAH BERBASIS METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS
|
|
- Herman Budiaman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENGENALAN WAJAH BERBASIS MEODE WO-DIMENSIONAL LINEAR DISCRIMINAN ANALYSIS Ftr Damayant, Agus Zanal Arfn, Rully Soelaman Program Magster en Informata, Insttut enolog Sepuluh Nopember (IS) - Surabaya Kampus IS, Jl Raya IS, Suollo, Surabaya,60 emal: ftr708@yahoo.com Abstract Lnear Dscrmnant Analyss (LDA) has been wdely used n lnear pattern recognton for feature extracton and dmenson reducton. It ams to fnd a set of projecton vector that separate the dfferent as far as possble whle compressng the same class as compact as possble. It wors by calculated the wthn class S w and between class S b scatter matrces. In face recognton applcaton, generally the dmenson of data larger than the number of samples, ths causes the wthn class scatter matrx S w s sngular, that can mae the face features s not well extracted. wo Dmensonal Lnear Dscrmnant Analyss (DLDA) s used on ths research for feature extracton, that evalutes drectly the wthn class scatter matrx from the mage matrx wthout mage to vector transformaton, and hence dlutes the sngular problem of wthn class scatter matrx. hs research wll develops a face recognton applcaton that combned wo Dmensonal Lnear Dscrmnant Analyss and Support Vector Machne. he combnaton of two methods gve optmal results that have hgh accuracy of recognton between 84,8% untl 00% wth the ORL, YALE, and BERN database. Key words : Lnear Dscrmnant Analyss, wo Dmensonal Lnear Dscrmnant Analyss, Support Vector Machne PENDAHULUAN Pengenalan wajah dewasa n telah menjad salah satu bdang yang banya dtelt dan juga dembangan oleh para paar pattern recognton, hal n dsebaban arena seman luasnya penggunaan ten dentfas wajah dalam aplas yang dgunaan oleh masyaraat. Para penelt telah melauan peneltan terhadap ten yang sudah ada dan mengajuan ten baru yang lebh ba dar yang lama, sampa saat n banya ten baru yang telah dajuan aan tetap ten-ten tersebut mash belum bsa memberan auras yang optmal. Dua hal yang menjad masalah utama pada dentfas wajah adalah proses estras ftur dar sampel wajah yang ada dan juga ten lasfas yang dgunaan untu menglasfasan wajah yang ngn denal berdasaran ftur-ftur yang telah dplh.
2 Estras ftur adalah proses untu mendapatan cr-cr pembeda yang membedaan suatu sampel wajah dar sampel wajah yang lan, bag sebagan besar aplas pattern recognton, ten estras ftur yang handal merupaan unc utama dalam penyelesaan masalah pattern recognton. Metode Analsa Komponen Utama (PCA) untu pengenalan wajah denalan oleh M ur & Pentland, 99. Metode tersebut bertujuan untu memproyesan data pada arah yang meml varas terbesar, yang dtunjuan oleh vetor egen yang bersesuaan dengan nla egen terbesar dar matrs ovaran. Kelemahan dar metode PCA adalah urang optmal dalam pemsahan antar elas. Pada tahun 99, Cheng d memperenalan metode Analsa Dsrmnan Lner (LDA) untu pengenalan wajah. Metode n mencoba menemuan subruang lnear yang memasmalan perpsahan dua elas pola menurut Fsher Crteron J F. Hal n dapat dperoleh dengan memnmalan jara matrs sebaran wthnclass S w dan memasmalan jara matrs sebaran between-class S b secara smultan sehngga menghaslan Fsher Crteron J F yang masmal. Dsrmnan Fsher Lner aan menemuan subruang dmana elas-elas salng terpsah lner dengan memasmalan Fsher Crteron J F. Ja dmens data jauh lebh tngg darpada jumlah sample tranng aan menyebaban S w menjad sngular. Hal tersebut merupaan elemahan dar metode LDA [5]. Untu mengatas ovaran wthn class yang selalu sngular arena small sample sze problem telah banya metode yang dtawaran. Pada tahun 997, P.N. Belheumeur memperenalan metode fsherface untu pengenalan wajah. Metode n merupaan penggabungan antara metode PCA dan LDA. Proses redus dmens dlauan oleh PCA sebelum melauan proses LDA. Hal n bsa mengatas sngular problem. etap elemahan dar metode n adalah pada saat proses redus dmens PCA aan menyebaban ehlangan beberapa nformas dsrmnan yang berguna dalam proses LDA [5]. Metode metode lannya yang bsa mengatas sngular problem yatu Drect-LDA, Null-space based LDA, Pseudo-nverse LDA, wo-stage LDA, Regularzed LDA []. Bagamanapun, semua ten LDA tersebut memaa model representas data berdasaran vetor. Menghaslan vetor-vetor yang basanya meml dmens tngg. Metode wo Dmensonal Lnear Dscrmnant Analyss (DLDA) menla secara langsung matr wthn-class scatter dar matr ctra tanpa transformas ctra e vetor, dan hal tu mengatas sngular problem dalam matr wthn-class scatter [6]. DLDA memaa fsher crteron untu menemuan proyes dsrmnatf yang optmal [].
3 Dalam pengenalan wajah, proses lasfas sama pentngnya dengan proses estras ftur. Setelah ftur-ftur pentng data atau ctra wajah dhaslan pada proses estras ftur, fturftur tersebut nantnya aan dgunaan untu proses lasfas. Metode lasfas yang dgunaan adalah penglasfas Support Vector Machne (SVM). Penglasfas SVM menggunaan sebuah fungs atau hyperplane untu memsahan dua buah elas pola. SVM aan berusaha mencar hyperplane yang optmal dmana dua elas pola dapat dpsahan dengan masmal. Peneltan n mengntegrasan DLDA dan SVM untu pengenalan wajah. DLDA sebaga metode estras ftur yang bsa mengatas sngular problem dan SVM sebaga metode lasfas yang mempunya emampuan generalsas yang tngg dbandng metode lasfas KNN. wo-dmensonal Lnear Dscrmnant Analyss (DLDA) DLDA adalah pengembangan dar metode LDA. Ddalam LDA pada pengenalan wajah dengan matr D terlebh dahulu dtransformasan edalam bentu ctra vetor satu dmens. Sedangan pada DLDA atau dsebut ten proyes ctra secara langsung, matrs ctra wajah D tda perlu dtransformasan edalam bentu ctra vetor namun secara langsung matrs scatter ctranya dapat dbentu langsung dengan menggunaan matrs ctra aslnya. {A,.,A n } adalah n matrs ctra, dmana A (=,,) adalah r x c matrs. M (=,,) adalah rata-rata ctra pelathan dar elas e dan M adalah rata-rata ctra dar semua data pelathan. Menganggap l x l ruang dmens (dmensonal space) L R, dmana menunjuan tensor product, L menjangau {u,,u l } dan R menjangau {v,..,v l }. Sehngga ddefnsan dua matrs L = [u,,u l ] dan R = [v,..,v l ] [3]. Metode estras ftur adalah untu menemuan L dan R sehngga ruang ctra asl (orgnal mage space) A drubah edalam ruang ctra dmens rendah (low-dmensonal mage) menjad B =L A R. Ruang dmens rendah (low-dmensonal space) dperoleh dengan transformas lner L dan R, jara between-class D b dan jara wthn-class D w ddefnsan sebaga berut : D b = = n L ( M M ) R, F ()
4 D w = = x Π L ( X M ) R, F () dmana F merupaan Frobenus norm. Mennjau bahwa A F = Ptrace(A A) = trace(aa ) untu matrs A. Sedeman sehngga persamaan (5) dan (6) dapat drepresentasan lebh lanjut sebaga : D b = trace( n L ( M M ) RR ( M M ) L), (3) = D w = trace( L ( X M ) RR ( X M ) L). = x Π (4) Sama halnya dengan LDA, metode DLDA adalah untu menemuan matrs L dan R, sedeman hngga strutur elas dar ruang orsnl tetap ddalam ruang proyes. Sehngga patoan (crteron) dapat ddefnsan sebaga : J (L,R) = max D b. D W Hal tersebut jelas bahwa persamaan (9) terdr dar matrs transformas L dan R. Matrs transformas optmal L dan R dapat dperoleh dengan memasmalan D b dan memnmuman D w. Bagamanapun, sangat sult untu menghtung L dan R yang optmal secara smultan. Dua fungs optmas dapat ddefnsan untu memperoleh L dan R. Untu sebuah R yang past, L dapat dperoleh dengan menyelesaan fungs optmas sebaga berut : J (L) = maxtrace((l S R W L)- (L S R b L)), (6) dmana S R = b n ( M M ) RR ( M M ), (7) = (5) S R = W ( X M ) RR ( X M ). = x Π (8) Dengan catatan bahwa uuran matrs uuran matrs S w dan S b pada LDA las. R SW dan S R b adalah r x r yang lebh ecl darpada Untu sebuah L yang past, R dapat dperoleh dengan menyelesaan fungs optmas sebaga berut : J 3 (R) = maxtrace((r S L W R)- (R S L b R)), (9) dmana
5 S L = b n ( M M ) LL ( M M ), (0) = S L W = ( X M ) LL ( X M ), = x Π () Uuran matrs S L w dan S L b adalah c x c yang lebh ecl darpada uuran matrs S w dan S b pada LDA las. Secara husus, untu sebuah R yang past, L yang optmal dapat dperoleh dengan menyelesaan generalzed egenvalue problem dar persamaan (6). Deman pula, R dapat dperoleh dengan menyelesaan generalzed egenvalue problem dar persamaan (9) pada L yang past. Support Vector Machne (SVM) SVM berusaha menemuan hyperplane yang terba pada nput space. Prnsp dasar SVM adalah lnear classfer, dan selanjutnya dembangan agar dapat beerja pada problem nonlnear. dengan memasuan onsep ernel trc pada ruang erja berdmens tngg. [4] SVM dapat melauan lasfas data yang terpsah secara lner (lnearly separable) dan nonlner (nonlnear separable) []. Lnearly separable data merupaan data yang dapat dpsahan secara lner. Msalan {x,..., x n } adalah dataset dan x R d dan y {+, } adalah label elas dar data x.. Anggap ada beberapa hyperplane yang memsahan sampel postf dan negatf, maa x yang berada pada hyperplane aan memenuh persamaan w.x + b= 0. Untu permasalahan data lner, algortma support vector hanya mencar hyperplane dengan margn yang terbesar (jara antara dua elas pola). Hard margn hyperplane dtunjuan pada Gambar. Hyperplane terba tda hanya dapat memsahan data dengan ba tetap juga yang meml margn palng besar. Data yang berada pada bdang pembatas n dsebut support vector. Untu menyelesaan permasalahan data nonlner dalam SVM adalah dengan cara memetaan data e ruang dmens lebh tngg( ruang ftur atau feature space) [], dmana data pada ruang tersebut dapat dpsahan secara lner, dengan menggunaan transformas Ô. d Φ : R a Η ()
6 m S u p p o rt v e c to r Kelas -b/w Kelas x.w+b = - x.w+b = + hyperplane x.w+b = 0 Gambar. Hard margn hyperplane. Dengan deman algortma pelathan tergantung dar data melalu dot product dalam H. Sebaga contoh Ô(x ). Ô(x j ). Ja terdapat fungs ernel K, sedeman hngga K(x,x j ) = Ô(x ). Ô(x j ), dengan deman dalam algortma pelathan hanya memerluan fungs ernel K, tanpa harus mengetahu transformas Ô secara past. SVM pertama al dembangan oleh Vapns untu lasfas bner, namun selanjutnya dembangan untu lasfas multclass (banya elas). Pendeatannya adalah dengan membangun multclass classfer, yatu dengan cara menggabungan beberapa SVM bner. Pendeatan n terdr dar metode satu lawan semua (One Aganst All) dan metode satu lawan satu (One Aganst One) []. PERANCANGAN SISEM Secara gars besar sstem terdr dar dua bagan, yatu proses pelathan ctra dan proses pengujan. Pada Gambar merupaan gambaran gars besar sstem pengenalan wajah. Pada proses pelathan terdapat proses DLDA yang dgunaan untu mengestras ftur, ftur-ftur yang terplh pada saat proses pelathan dgunaan dalam proses lasfas dan juga dgunaan untu mendapatan ftur-ftur yang terplh pada data uj coba. Masng-masng bass data wajah yang dgunaan dbag menjad dua, sebagan dgunaan untu proses pelathan (tranng) dan ssanya dgunaan untu proses pengujan (testng).
7 Proses Pelathan Proses Pengujan Memasuan data pengujan Memasuan bass data pelathan Estras ftur DLDA Estras ftur data pengujan Penglasfas SVM Penglasfas SVM Data hyperplane Hasl dentfas Desan Algortma DLDA pelathan : Gambar. Sstem Pengenalan Wajah. Berut n adalah langah-langah dalam proses DLDA terhadap suatu bass data ctra. Ja dalam suatu bass data ctra wajah terdapat hmpunan sebanya n ctra pelathan A = [A,A,,A n ] ( =,,,n) dengan dmens ctra (r x c), maa hmpunan total matrs dar semua ctra tersebut adalah : A ( n A n = A( n... A( n) ) ) r A A A ( n) ( n)... ( n) r. Menentuan nla l (dmens proyes bars) dan l (dmens proyes olom). Nla l r dan l c A A A ( n)c ( n)c 3. ahapan berutnya adalah perhtungan rata-rata ctra pelathan dar elas e : M = n X Π X... ( n) rc
8 4. Menghtung rata-rata semua ctra pelathan : M = n = X Π 5. Menetapan matrs transformas R uuran (c, l ) yang dperoleh dar gabungan antara matrs denttas uuran ( l, l ) dengan matrs nol uuran (c- l, l ). 6. Menghtung matrs between class scatter R S R = b, uuran matrsnya (r x r). = n ( M M ) RR ( M M ) 7. Menghtung matrs wthn class scatter R X S R = W ( X M ) RR ( X M ), = x Π uuran matrsnya (r x r). 8. Htung generalzed egenvalue ( λ ) dar S R dan S R b W menggunaan SVD J 4 (L) = maxtrace((l S R W L)- (L S R b L)), uuran matrsnya (r x r). 9. Ambl sebanya l egenvector dar langah 8 sebaga matrs transformas bars (L). L = [ φ,..., L L φ l ], uuran matrsnya (r x l ). 0. Menghtung matrs between class scatter L S L = b n ( M M ) LL ( M M ), uuran matrsnya (c x c). =. Menghtung matrs wthn class scatter L S L = W ( X M ) LL ( X M ), uuran matrsnya (c x c). = x Π. Htung generalzed egenvalue ( λ ) dar S L dan S L b W menggunaan SVD J 5 (R)=maxtrace((R S L W R) - (R S L b R)), uuran matrsnya (c x c). 3. Ambl sebanya l egenvector dar langah sebaga matrs transformas olom (R). R = [ φ,..., R R φ l ], uuran matrsnya (c x l ). 4. Htung matrs ftur estras adalah B =L A R, uuran matrsnya ( l x l )
9 5. Output : matrs ftur etras B, matrs transformas bars L, dan matrs transformas olom R. Desan Algortma SVM Blo dagram proses pelathan dan pengujan SVM dapat dtunjuan pada Gambar 3. Membangun sejumlah SVM bner ( adalah jumlah elas) Proses pelathan pada setap SVM bner Memetaan nput space e feature space menggunaan ernel Gaussan K(x,y) = exp x y ( ) (σ ) Menentuan sejumlah support vector dengan cara menghtung nla alpha á,..., á N ( N = sejumlah data pelathan) menggunaan quadratc programmng l l Data Q( α ) = α =, = r r α α y y x x l Subject to : α 0( =,,..., l) α y = 0 = x r yang berorelas dengan á > 0 nlah yang dsebut sebaga support vector j j j Solus bdang pemsah ddapatan dengan rumus w =Óá y x ; b = y - w x untu setap x, dengan á 0. Proses pengujan pada setap SVM bner Memetaan nput space e feature space menggunaan ernel Gaussan x y (σ ) K(x,y) = exp ) ( Menghtung fungs eputusan : f = K( x, x ) w + b Dmana : = sampa ; x = support vector; x d = data pengujan d Menentuan nla f yang palng masmal. Kelas dengan f terbesar adalah elas dar data pengujan Gambar 3. Blo dagram proses pelathan dan lasfas menggunaan SVM. Penglasfasan dengan SVM dbag menjad dua proses, yatu proses pelathan dan proses pengujan. Pada proses pelathan SVM menggunaan matrs ftur yang dhaslan pada
10 proses estras ftur sebaga nput. Sedangan pada pengujan SVM memanfaatan matrs proyes yang dhaslan pada proses estras ftur yang emudan dalan dengan data uj (sampel pengujan) sebaga nput. Penglasfasan SVM untu multclass One Aganst All aan membangun sejumlah SVM bner ( adalah jumlah elas). Fungs eputusan yang mempunya nla masmal, menunjuan bahwa data x d merupaan angggota dar elas fungs eputusan tersebut. Data pelathan yang sudah dproyesan oleh DLDA, selanjutnya menjad data pelathan SVM. Ja sebaran data yang dhaslan pada proses DLDA mempunya dstrbus yang tda lner, maa salah satu metode yang dgunaan SVM untu menglasfasan data tersebut adalah dengan mentransformasan data e dalam dmens ruang ftur (feature space), sehngga dapat dpsahan secara lner pada feature space. Karena feature space dalam pratenya basanya meml dmens yang lebh tngg dar vetor nput (nput space). Hal n mengabatan omputas pada feature space mungn sangat besar, arena ada emungnan feature space dapat meml jumlah feature yang tda terhngga. Maa pada SVM dgunaan ernel trc. Fungs ernel yang dgunaan pada peneltan n adalah Gaussan x y K(x,y) = exp ( ). (σ ) (3) Sejumlah support vector pada setap data pelathan harus dcar untu mendapatan solus bdang pemsah terba. Persoalan solus bdang pemsah terba dapat drumusan : l l r r Q( α ) = α α α y y x x, (4) =, = dmana : α 0( =,,..., l) α y = 0. Data x r j j j l = yang berorelas dengan á > 0 nlah yang dsebut sebaga support vector. Dengan deman, dapat dperoleh nla yang nantnya dgunaan untu menemuan w. Solus bdang pemsah ddapatan dengan rumus w =Óá y x ; b = y - w x untu setap x, dengan á 0. Proses pengujan atau lasfas dlauan juga pada setap SVM bner menggunaan nla w, b, dan x yang dhaslan pada proses pelathan d setap SVM bner. dhaslan untu proses pengujan adalah Fungs yang
11 f = K x, x ) w + b, ( d (5) dmana : = sampa ; x = support vector; x d = data pengujan. Outputnya adalah berupa ndes dengan f terbesar yang merupaan elas dar data pengujan. HASIL DAN PEMBAHASAN Uj coba terhadap sstem pengenalan wajah yang dembangan pada peneltan n dlauan pada tga jens bass data wajah bau yatu, Olvett Research Laboratorum atau Bass Data ORL, dan he Yale Face Database atau Bass Data Yale, dan he Unversty of Bern atau Bass Data Bern. Untu masng-masng bass data wajah, pelathan menggunaan 3 wajah (uj 3), 4 wajah (uj 4), 5 wajah (uj 5). Ssa wajah yang tda dtranng dgunaan sebaga data pengenalan. Metode yang dgunaan dalam pengujan n ada dua elompo. Kelompo pertama menggunaan metode DLDA untu estras ftur dan metode SVM untu lasfas. Kelompo yang edua menggunaan metode DLDA sebaga estras ftur dan metode K- Nearest Neghbor (KNN) menggunaan Eucldean Dstance sebaga lasfas. abel Hasl Uj Coba menggunaan DLDA-KNN. Prosentase Pengenalan Database Uj 3 Uj 4 Uj 5 ORL 9,4 % 94,58 % 97,00 % Yale 9,67 % 97,4 % 98,89 % Bern 8,65 % 9,6 % 95,7 % abel Hasl Uj Coba menggunaan DLDA-KNN. Database Prosentase Pengenalan Uj 3 Uj 4 Uj 5 ORL 9,86 % 96,67 % 97,50 % Yale 95,00 % 99,05 % 00 % Bern 84,8 % 94,05 % 97,4 % Berdasaran abel dan abel menunjuan bahwa prosentase pengenalan DLDA- SVM lebh tngg dbandngan dengan DLDA-KNN.
12 Untu melhat elebhan dar algortma DLDA-SVM, selan dbandngan dengan metode DLDA-KNN, juga dbandngan dengan metode DPCA dan Fsherface. Perbandngan hasl uj coba antara metode DLDA-SVM dengan DLDA-KNN, DPCA, dan Fsherface menggunaan database ORL dapat dlhat pada abel 3. abel 3 Perbandngan Hasl Uj Coba Dengan Bass Data ORL. Varas Prosentase Pengenalan Pengujan DLDA-SVM DLDA-KNN DPCA* Fsherface** Uj ORL 3 9,86 % 9,4 % 9,80 % 84,50 % Uj ORL 4 96,67 % 94,58 % 95,00 % 9,46 % Uj ORL 5 97,50 % 97,00 % 96,00 % 95,5 % Ket : * dperoleh dar sumber [7] ** dperoleh dar sumber [3] Pada abel 3 menunjuan bahwa prosentase pengenalan DLDA-SVM lebh tngg dbandng dengan metode lannya (DLDA-KNN, DPCA, Fsherface). Untu lebh memudahan melhat perbedaan hasl uj coba antara metode DLDA-SVM dengan metode lannya aan dgunaan dagram batang. Gambar 4 menunjuan hasl uj coba terhadap Bass Data ORL untu metode DLDA-SVM dengan metode lannya. 00,00 Prosentase Pengenalan 95,00 90,00 85,00 80,00 D LD A + S V M D LD A + K -N N D P C A F s herfac e 75,00 O RL3 O RL4 O RL5 Jum la h D a ta P e la th a n P e r K e la s Gambar 4. Graf tngat eberhaslan pengenalan untu tap varas pengujan pada Bass Data ORL menggunaan metode DLDA-SVM dan metode lannya. Keunggulan metode DLDA - SVM dbandng metode lannya, adalah sebaga berut :. DLDA - SVM dbandng dengan DLDA - KNN.
13 Pada KNN tda memperhatan dstrbus dar data hanya berdasaran jara data baru tu e beberapa data / tetangga terdeat. Bsa saja data / tetangga terdeat ternyata buan elomponya, sehngga lasfas yang dhaslan salah. Pada SVM memperhatan dstrbus data sehngga berusaha untu menemuan fungs pemsah (lasfer) yang optmal yang bsa memsahan dua set data dar dua elas yang berbeda. Setap elas meml pola yang berbeda dan dpsahan oleh fungs pemsah, sehngga ja ada data baru yang aan dlasfasan aan detahu elas yang sesua dengan data baru tersebut. Dengan deman lasfas yang dhaslan lebh sempurna dbandng dengan metode lasfas lannya.. DLDA - SVM dbandngan dengan DPCA. Pada DPCA lebh pada pengoptmalan representas data darpada pengoptmalan dsrmnan data, sehngga data-data tda terpsah dengan sempurna. Pada DLDA emampuan pengoptmalan dsrmnan data sangat lebh dbandng dengan DPCA, sehngga dapat mengelompoan vetor data dar elas yang sama dan memsahan elas yang berbeda. 3. DLDA - SVM dbandngan dengan Fsherface. Pada Fsherface prosedur pre-processng untu meredus dmens menggunaan PCA dapat menyebaban ehlangan beberapa nformas dsrmnan yang pentng untu algortma LDA yang dterapan setelah PCA. Pada DLDA mengambl euntungan penuh dar nformas yang dsrmnatf dar ruang lngup wajah (face space), dan tda membuang beberapa subruang (subspace) yang mungn berguna untu pengenalan. SIMPULAN Dar uj coba yang sudah dlauan dapat dambl smpulan sebaga berut :. Metode DLDA - SVM mampu menunjuan auras pengenalan yang optmal dbandngan dengan metode lannya (DLDA - KNN, DPCA, Fsherface). Hal n darenaan DLDA mampu mengatas sngular problem, mampu mempertahanan eberadaan nformas dsrmnatf, serta mampu memasmalan jara antar elas dan memnmalan jara nter elas. Sedangan SVM mempunya emampuan menemuan fungs pemsah (lasfer) yang optmal.
14 . erdapat tga varabel pentng yang mempengaruh tngat eberhaslan pengenalan, yatu varas urutan dar sampel pelathan per elas yang dgunaan, jumlah sampel pelathan per elas yang dgunaan, dan jumlah dmens proyes. DAFAR PUSAKA [] Burges JC. A otural on Support Vector Machnes for Pattern Recognton, Data Mnng and Knowledge Dscovery. () : [] Kong H, Wang L, eoh EK, Wang JG and Venateswarlu R. A framewor of D Fsher dscrmnant analyss : applcaton to face recognton wth small number of tranng samples. IEEE Conf. CVPR [3] Lang Z, L Y and Sh P. A note on two-dmensonal lnear dscrmnant analyss. Pattern Recogn [4] Nugroho AS., Wtarto BA, Handoo D. Support Vector Machne eor dan Aplasnya Dalam Bonformata. Kulah Umum Ilmu Komputer.com URL: dases tanggal 6 Maret 008. [5] Belhumeur PN, Hespanha JP and Kregman DJ. Egenfaces vs Fsherfaces Recognton Usng Class Specfc Lnear Projecton. IEEE ransactons on Pattern Analyss and Machne Intellgence. 9 (7) : [6] Quan XG, Le Z and Davd Z. Face Recognton Usng FLDA Wth Sngle ranng Image Per Person. Appled Mathematcs and Computaton. 05 : [7] Yang J, Zhang D, Frang AF and Yang JY. wo-dmensonal pca : a new approach to appearance-based face representaton and recognton. IEEE ransactons on Pattern Analyss and Machne Intellgence. 6 () :
Pengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis
Konferens Nasonal Sstem & Informata 05 STMIK STIKOM Bal, 9-0 Otober 05 Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Two-Dmensonal Lnear Dscrmnant Analyss Ftr Damayant Prod Manajemen Informata,
Lebih 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 terperinciSTUDI PERBANDINGAN PENGENALAN CITRA SENYUMAN BERDASARKAN AESTHETIC DENTISTRY MENGGUNAKAN METODE 2D-PCA DAN METODE 2D-LDA
Vol. 5, No. 4, Jul 00 ISSN 06-0544 SUDI PERBNDINGN PENGENLN CIR SENYUN BERDSRKN ESHEIC DENISRY ENGGUNKN EODE D-PC DN EODE D-LD * Rma r ahyunngrum, ** Ftr Damayant Jurusan en Informata, Unverstas runojoyo
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
Lebih 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 terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciSISTEM DETEKSIRETINOPATI DIABETIKA MENGGUNAKAN SUPPORT VECTOR MACHINE
Vo 3, No 3Desember 03 ISSN 088-30 SISEM DEEKSIREINOPAI DIABEIKA MENGGUNAKAN SUPPOR VECOR MACHINE Wahyud Setawan, Ftr Damayant Manaemen Informata, Unverstas runooyo J. Raya eang PO. BOX, Kama, Bangaan,Madura
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciPENGENALAN CITRA WAJAH MENGGUNAKAN METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE
Vo. 5, No. 3, Januar 00 IN 06-0544 PENGENAAN CIA WAJAH MENGGUNAKAN MEODE WO-DIMENIONA INEA DICIMINAN ANAYI DAN UPPO VECO MACHINE * Ftr Damayant, Agus Zana Arfn, uy oeaman Program Magster en Informata,I
Lebih terperinciVol. 5, No. 3, Januari 2010 ISSN DAFTAR ISI
Vol. 5, No. 3, Januar 200 ISSN 026-0544 DAFTAR ISI ALGORITMA PEMUTUSAN SIKLUS ITERATIF PADA 37-46 ESTIMASI ROTASI CITRA DENGAN MENGGUNAKAN PSEUDO-POLAR FOURIER TRANSFORM Arya Yudh Wjaya, Agus Zanal Arfn,
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciPENGENALAN POLA HURUF KAPITAL TULISAN DENGAN ANALISIS DISKRIMINAN LINIER 2-DIMENSI SIMETRIS
ZEO UNA MAEMAIKA DAN EAPAN Volume No. 7 P-ISSN: 58-569X E-ISSN : 58-5754 PENGENAAN POA HUUF KAPIA UISAN DENGAN ANAISIS DISKIMINAN INIE -DIMENSI SIMEIS na Wdyasar, Ismal Husen Program Stud Matemata FS Unverstas
Lebih terperinciSISTEM DETEKSI RETINOPATI DIABETIK MENGGUNAKAN SUPPORT VECTOR MACHINE
SISEM DEEKSI REINOPAI DIABEIK MENGGUNAKAN SUPPOR VECOR MACHINE ess untuk memenuh sebagan persyaratan mencapa deraat Sarana S- Program Stud Magster Sstem Informas Oleh: Wahyud Setawan 40040400060 PROGRAM
Lebih terperinciMETODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA Pada Bab n aan dpaparan beberapa teor tentang analss dsrmnan dar berbaga sumber sepert: buu, jurnal dan prosdng. Analss dsrmnan adalah salah satu metode dependens dar analss multvarat.
Lebih terperinciPENGARUH EKSPRESI WAJAH TERHADAP KEBERHASILAN KLASIFIKASI GENDER BERBASIS PCA-LDA
Pengaruh Ekspres Wajah terhadap Gender Berbass - (Agus Seta Bud N.) PENGARUH EKSPRESI WAJAH ERHADAP KEBERHASILAN KLASIFIKASI GENDER BERBASIS - Agus Seta Bud N. (1) (1) Staf Pengajar Jurusan eknk Elektro
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data
Lebih 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 terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
Lebih terperinciRestorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization
Restoras Ctra Dengan Menggunaan Metode Iteratf Lanczos Hybrd Regularzaton Yudh Purwananto, Rully Soelaman, Alfa Masjta Rahmat Jurusan Ten Informata, Faultas Tenolog Informas Insttut Tenolog Sepuluh Nopember
Lebih terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciBAB 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 terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang
JURNAL MATEMATIKA DAN KOMPUTER ol. 4. No., - 22, Aprl 2, ISSN : 4-858 SUBRUANG MARKED Suryoto Jurusan Matemata, FMIPA-UNDIP Semarang Abstra Msalan suatu ruang vetor berdmens ngga atas lapangan omples C,
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,
Lebih terperinciANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING
Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata
Lebih 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 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 terperinciImplementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0
Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,
Lebih terperinciKOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda
KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d
Lebih 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 MODUL INJEKTIF
BAB III ODUL INJEKTIF Bab n adalah bab yang palng pentng arena bab n bers mula dar hal-hal dasar mengena modul njet sampa sat-sat stmewanya yang tda dml oleh modul lan yang tda njet, yang merupaan ous
Lebih terperinciOptimasi Baru Program Linear Multi Objektif Dengan Simplex LP Untuk Perencanaan Produksi
JURNA INFORMATIKA, Vol.4 No.2 September 27, pp. 222~229 ISSN: 2355-6579 E-ISSN: 2528-2247 222 Optmas Baru Program near Mult Objetf Dengan Smplex P Untu Perencanaan Produs Maxs Ary Am BSI Bandung e-mal:
Lebih terperinciPENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI
PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION Oleh : SOEMARTINI JURUSAN STATISTIKA FAKULTAS MATEMATIKA dan ILMU PENGETAHUAN ALAM UNIVERSITAS PADJADJARAN JATINANGOR 008 DAFTAR ISI Hal DAFTAR
Lebih 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 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 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 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 terperinciBAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
Lebih terperinciKAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR
Berala Fsa ISSN : 1410-966 Vol.8, No.1, Januar 005, hal 7-10 KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR Agus Setyawan Laboratorum Geofsa, Jurusan
Lebih terperinciPROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM
Konferens Nasonal Sstem dan Informata 2009; Bal, November 14, 2009 PROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM Tjoorda Agung Bud W., 1, Mela
Lebih terperinciImplementasi Metode Backpropagation untuk Mengenali Teks pada Natural Scene Image
Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2527-2533 http://-pt.ub.ac.d Implementas Metode Bacpropagaton untu Mengenal Tes pada Natural Scene
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBAB 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 terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciAnalisis Variasi Parameter Backpropagation Artificial Neural Network dan Principal Component Analysis Terhadap Sistem Pengenalan Wajah
ELECTRANS, Jurnal Ten Eletro, Komputer dan Informata http://eournal.up.edu/ndex.php/electrans Analss aras Parameter Bacpropagaton Artfcal Neural Networ dan Prncpal Component Analyss Terhadap Sstem Pengenalan
Lebih terperinciKLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN
KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN Abstra Nama: Moh. Bagus Had S (Nrp 1205 100 037) Dosen Pembmbng:
Lebih terperinciIDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER
IDENIFIKASI SISEM NONLINIE DENGAN MENGGUNAKAN ECUEN NEUAL NEOK DAN ALGOIMA DEAD-ZONE KALMAN FILE ully Soelaman, angga fa Faultas enolog Informas Insttut enolog Sepuluh Nopember Kampus Keputh, Suollo, Surabaya
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)
BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga
Lebih 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 terperinciAlgoritma Clustering Fuzzy Hibrida untuk Klasifikasi Citra Inderaja
Algortma Clusterng Fuzzy Hbrda untu Klasfas Ctra Inderaja Agus Zanal Arfn Ten Informata FTI ITS Surabaya E-mal : agusza@ts-sby.edu Telp. (031)5933928 Abstra Proses lasfas merupaan proses untu mendapatan
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN REKUREN PADA IDENTIFIKASI SISTEM NONLINIER DENGAN ALGORITMA OPTIMAL BOUNDED ELLIPSOID
APLIKASI JARINGAN SARAF IRUAN REKUREN PADA IDENIFIKASI SISEM NONLINIER DENGAN ALGORIMA OPIMAL BOUNDED ELLIPSOID Rully Soelaman, Mohammad Azs Efend Faultas enolog Informas, Insttut enolog Sepuluh Nopember
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 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 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 terperinciIMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN
SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas,
Lebih terperinciAnalisis Penyelesaian Persamaan Kuadrat Matriks
Jurnal Matemata, Jurnal Matemata, tatsta tatsta, & Komutas & Komutas Vol. 3 No Vol. Jul No. 6 Jul 5 Vol, No, 9-3, 9-9, Jul 5 9 Analss Penyelesaan Persamaan Kuadrat Matrs Hasmawat dan Amr Kamal Amr Abstra
Lebih terperinciPENERAPAN METODE SUPPORT VECTOR MACHINE PADA DIAGNOSA HEPATITIS
Volume 04, No.01 Februar 2016 PENERAPAN METODE SUPPORT VECTOR MACHINE PADA DIAGNOSA HEPATITIS Raudlatul Munawarah 1, On Soesanto 2, M. Reza Fasal 3 1,3 Prod Ilmu Komputer FMIPA UNLAM, 2 Prod Matematka
Lebih terperinciPRA-PEMROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING
PRA-PEMROSESAN DATA LUARAN GCM CSIRO-M3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING Vvn Mandasar (306 00 069), Dr Ir Setawan, M S (960030 9870 00) Mahasswa Jurusan
Lebih 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 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 II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinci(M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY
Unverstas Padjadjaran, 3 November 00 (M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY Anndya Aprlyant Pravtasar
Lebih 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 terperinciPerbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield
Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciImplementasi Algoritma Radix Sort dalam Berbagai Kasus Bilangan Dibandingkan Algoritma Pengurutan yang lain
Abstra Implementas Algortma Radx Sort dalam Berbaga Kasus Blangan Dbandngan Algortma Pengurutan yang lan Dean Fathony Alfatwa, Ere Rahman Syah P 2, Fahrs Mumtaza Ahsan 3 Departemen Ten Informata, Insttut
Lebih 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 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA II. Pengertan Klasfkas Klasfkas adalah proses untuk menemukan model atau fungs yang menelaskan atau membedakan konsep atau kelas data dengan tuuan untuk memperkrakan kelas yang
Lebih 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 terperinciPEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION
PEMODELAN INGKA KERAWANAN DEMAM BERDARAH DENGUE DI KABUPAEN LAMONGAN DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION Marsa Rfada 1, Purhad 1) Mahasswa Magster Jurusan Statsta, Insttut
Lebih terperinciBAB IV HASIL ANALISIS
BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan
Lebih terperinciOleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si
Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
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 terperinci