Pengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis
|
|
- Johan Gunardi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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, Faultas Ten, Unverstas Trunojoyo Madura Jl. Raya Telang PO. BOX Kamal, Bangalan, Madura, 696 e-mal: Abstra Wajah merupaan salah satu bagan dar tubuh manusa yang mempunya araterst husus sehngga serng dgunaan untu membedaan denttas ndvdu yang satu dan yang lannya. Pengenalan wajah menjad sangat pentng untu dembangan seja aplas n dterapan dalam sstem eamanan. Pengenalan jens elamn merupaan salah satu bagan dar pengenalan wajah. Jens elamn memanan peran pentng dalam nteras ta d masyaraat dan dengan omputer. Klasfas jens elamn dar gambar wajah dapat daplasan dbdang demograf pengumpulan data, antarmua manusa-omputer (menyesuaan perlau software sehubungan dengan jens elamn pengguna) dan lan-lan. Tujuan dar peneltan n adalah membuat mplementas dar sstem pengenalan jens elamn pada ctra wajah atau Gender Recognton dengan masuan berupa ctra wajah yang mampu mengenal jens elamn seseorang secara cepat dan tepat serta berjalan dengan ba. Pada peneltan n dgunaan metode Two Dmensonal Lnear Dscrmnant Analyss (TDLDA) untu estras ftur, yang menla secara langsung matr wthn-class scatter dar matrs ctra tanpa transformas ctra e vetor, dan hal n mengatas sngular problem dalam matrs wthn-class scatter. Untu mendapatan hasl pengenalan yang optmal metode lasfas yang dgunaan adalah penglasfasan Eucldean Dstance. Peneltan n mengntegrasan metode TDLDA dan ED untu pengenalan jens elamn berdasaran ctra wajah. Dengan ombnas edua metode tersebut terbut dapat memberan hasl yang optmal dengan auras antara 68% sampa 89% dengan uj coba yang menggunaan database wajah yang dambl dar Kata unc: Eucldean Dstance., Jens Kelamn, Two Dmensonal Lnear Dscrmnant Analyss. Pendahuluan Wajah merupaan salah satu uuran fsologs yang palng mudah dan serng dgunaan untu membedaan denttas ndvdu yang satu dengan yang lannya. Ota manusa mempunya emampuan untu mengenal dan membedaan wajah antara orang yang satu dengan yang lannya dengan relatf cepat dan mudah. Pengenalan wajah (face recognton) manusa merupaan salah satu bdang yang cuup berembang dewasa n. Aplas dar pengenalan wajah dapat dterapan dalam bdang eamanan (securty system) sepert jn ases masu ruangan. Salah satu bagan dar face recognton yang telah dembangan saat n adalah pengenalan jens elamn (gender recognton) Kemrpan antara gender recognton dengan face recognton terleta pada proses estras fturnya. Namun, sedt berbeda pada proses penglasfasannya. Selama n untu menghtung berapa jumlah orang yang berjens elamn la-la atau perempuan yang datang e sebuah too atau nstans publ mash secara manual, sehngga dbutuhan watu yang lebh lama. Untu memudahan lan apa yang dtamplan d papan lan eletron dtempat umum atau dpnggr jalan bsa dsesuaan dengan jens elamn orang yang melewat lan tersebut. Sehngga untu memudahan dan mempercepat watu pemrosesan dbuat perangat luna untu pengenalan jens elamn berdasaran ctra wajah. Kesulltan dalam proses gender recognton terutama arena eomplesan dar onds wajah, sepert poss gambar, pencahayaan dan espres gambar yang berbeda-beda yang meml dmens tngg sehngga harus melalu proses ompres/estras terlebh dahulu sebelum dolah datanya dengan metode lasfas. Peneltan sebelumnya yang terat dengan peneltan n adalah peneltan yang dlauan oleh Burhan Ergen dan Serdar Abut yang berjudul Gender Recognton Usng Facal Images. Pada 44
2 peneltan tersebut dlauan pengenalan jens elamn berbass ctra wajah menggunaan metode GLCM. Hasl uj coba mempunya tngat auras 60% dengan menggunaan FEI Face database yang terdr dar 00 ctra wajah perempuan dan 00 ctra wajah la-la []. Peneltan yang dlauan oleh Vladmr Khryashchev, Andrey Prorov, Lev Shmaglt and Maxm Golubev yang berjudul Gender Recognton Va Face Area Analyss. Pada peneltan n dlauan pengenalan jens elamn berbass ctra wajah menggunaan metode Adaptve Feature dan SVM. Hasl uj coba mempunya tngat auras 90,8% dengan menggunaan FERRET database[]. Peneltan yang dlauan oleh Nafn Fenanda, Arf Muntasa, Ftr Damayant yang berjudul Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Local Bnary Pattern (LBP) dan Fsherface. Pada peneltan n dlauan pengenalan jens elamn berbass ctra wajah menggunaan metode LBP dan Fsherface. Hasl uj coba mempunya tngat auras tertngg sebesar 75% dengan menggunaan database yang dambl dar Peneltan n mengntegrasan TDLDA dan ED untu pengenalan jens elamn berbass ctra wajah. TDLDA sebaga metode estras ftur yang bsa mengatas sngular problem dan ED sebaga metode lasfasnya.. Metode Peneltan Secara gars besar sstem n terdr dar dua bagan, yatu proses pelathan ctra dan proses pengujan. Pada Gambar merupaan gambaran gars besar sstem pengenalan jens elamn berdasaran ctra wajah. Pada proses pelathan terdapat proses TDLDA 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). Proses Pelathan Proses Pengujan Memasuan data pengujan M emasuan bass data pelathan Estras ftur TDLDA Estras ftur data pengujan Penglasfas ED Hasl dentfas Gambar. Sstem Pengenalan Jens Kelamn Berdasaraan Ctra Wajah.. Estras Ftur Estras ftur pada proses pelathan dlauan dengan menggunaan metode Two-Dmensonal Lnear Dscrmnant Analyss. Tahap n bertujuan untu mendapatan ftur-ftur yang terplh dar 45
3 masuan data-data pelathan. Ftur-ftur yang terplh dperoleh dar semua ftur wajah yang dcar nla egen dan vetor egen terbesar. Ftur-ftur yang terplh nantnya dgunaan untu proses lasfas pelathan dan dgunaan untu estras ftur data pengujan. Estras ftur pada proses pengujan dlauan dengan mengambl hasl estras ftur pada proses pelathan dterapan pada data pengujan. Hasl estras ftur pada data pengujan n nantnya dgunaan sebaga nputan pada proses lasfas pengujan.. Desan Algortma TDLDA Berut n adalah langah-langah dalam proses TDLDA terhadap suatu bass data ctra pelathan [4]:. 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 : n) n)... n)c A n = n) n)... n)c () n) r n) r... n) rc. Menentuan nla (dmens proyes bars) dan (dmens proyes olom). Nla r dan c. 3. Tahapan berutnya adalah perhtungan rata-rata ctra pelathan dar elas e : M X X () n 4. Menghtung rata-rata semua ctra pelathan : M = n X 5. Menetapan matrs transformas R uuran (c, ) yang dperoleh dar gabungan antara matrs denttas uuran (, ) dengan matrs nol uuran (c-, ). 6. Menghtung matrs between class scatter R sesua dengan persamaan (4). S R b = T T n ( M M ) RR ( M M ) X, uuran matrsnya (r x r). (4) 7. Menghtung matrs wthn class scatter R sesua dengan persamaan (5). S R W = T T ( X M ) RR ( X M ), uuran matrsnya (r x r). (5) x 8. Htung generalzed egenvalue ( ) dar S R b dan S R W menggunaan SVD sesua dengan persamaan (6). J 4(L) = maxtrace((l T S R W L)- (L T S R b L)), uuran matrsnya (r x r). (6) L 9. Ambl sebanya egenvector dar langah 8 sebaga matrs transformas bars (L). L = [,..., L ], uuran matrsnya (r x ). 0. Menghtung matrs between class scatter L sesua dengan persamaan (7). S L b = T T n ( M M ) LL ( M M ), uuran matrsnya (c x c). (7). Menghtung matrs wthn class scatter L sesua dengan persamaan (8). S L W = T T ( X M ) LL ( X M ), uuran matrsnya (c x c). (8) x (3) 46
4 . Htung generalzed egenvalue ( ) dar S L b dan S L W menggunaan SVD sesua dengan persamaan (9). J 5(R)=maxtrace((R T S L W R)- (R T S L b R)), uuran matrsnya (c x c). (9) R 3. Ambl sebanya egenvector dar langah sebaga matrs transformas olom (R). R = [, R..., ], uuran matrsnya (c x ). 4. Htung matrs ftur estras adalah B =L T A R, uuran matrsnya ( x ) 5. Output : matrs ftur etras B, matrs transformas bars L, dan matrs transformas olom R..3 Klasfas Klasfas pada peneltan n menggunaan metode Eucldean Dstance. Metode n merupaan salah satu penguuran emrpan ctra dengan onsep menghtung nla uadrat dar hasl pengurangan edua ctra [5]. dengan : = tngat esamaan obje = matr bobot ctra testng = matr bobot ctra tranng = oordnat matr bobot = dmens panjang matr bobot = dmens lebar matr bobot (0).4 Data Yang Dgunaan Pengujan sstem pada peneltan n menggunaan data uj coba beruuran 00x00 psel sebanya 400 ctra yang terdr dar 00 ctraa la-la dan 00 ctra perempuan. Data uj coba n dambl dar dan telah dgunaan dalam peneltan sebelumnya. Data uj coba tersebut merupaan data testng yang duj jara emrpannya menggunaan ED dengan data tranng. Gambar bers beberapa contoh ctra wajah yang dgunaan sebaga data testng dan data tranng. Gambar. Contoh Ctra Wajah Yang Dgunaan Sebaga Data Uj Coba Senaro uj coba yang dlauan pada peneltan n terdapat 8 senaro, yatu senaro, senaro, senaro 3, senaro 4, senaro 5, senaro 6, senaro 7, senaro 8. Perbedaan dar 8 senaro tersebut terleta pada jumlah data tranng dan data testng yang dgunaan. Lebh jelasnya dapat dlhat pada Tabel. 47
5 Tabel Smulas Senaro Pada Sstem Senaro Jumlah Ctra Tranng Jumlah Ctra Testng Senaro 300 Ctra 50 Ctra Perempuan 00 Ctra 50 Ctra Perempuan 50 Ctra La-la 50 Ctra La-la Senaro 80 Ctra 40 Ctra Perempuan 0 Ctra 60 Ctra Perempuan 40 Ctra La-la 60 Ctra La-la Senaro 3 60 Ctra 30 Ctra Perempuan 40 Ctra 70 Ctra Perempuan 30 Ctra La-la 70 Ctra La-la Senaro 4 40 Ctra 0 Ctra Perempuan 60 Ctra 80 Ctra Perempuan 0 Ctra La-la 80 Ctra La-la Senaro 5 60 Ctra 80 Ctra Perempuan 40 Ctra 0 Ctra Perempuan 80 Ctra La-la 0 Ctra La-la Senaro 6 40 Ctra 70 Ctra Perempun 60 Ctra 30 Ctra Perempuan 70 Ctra La-la 30 Ctra La-la Senaro 7 0 Ctra 60 Ctra Perempuan 80 Ctra 40 Ctra Perempuan 60 Ctra La-la 40 Ctra La-la Senaro 8 00 Ctra 50 Ctra Perempuan 300 Ctra 50 Ctra Perempuan 50 Ctra La-la 50 Ctra La-la 3. Hasl dan Pembahasan Metode yang dgunaan dalam pengujan n ada dua elompo. Kelompo pertama menggunaan metode Local Bnary Pattern (LBP) untu preprocessng, metode Fsherface untu estras ftur dan metode Eucldean Dstance sebaga lasfas peneltan n yang derjaan oleh Nafn Fenanda, Arf Muntasa, Ftr Damayant [3]. Kelompo yang edua menggunaan metode TDLDA sebaga estras ftur dan metode Eucldean Dstance sebaga lasfas. Kelompo yang edua n merupaan peneltan yang derjaan oleh penelt. Tabel menunjuan perbandngan hasl uj coba dar peneltan sebelumnya dan peneltan yang derjaan oleh penelt. Data uj coba dan senaro yang dlauan pada peneltan n sudah djelasan pada bab 3. Tabel Perbandngan Hasl Uj Coba Senaro Auras LBP Fsherface - ED TDLDA - ED Senaro 75% 89% Senaro 68,33% 88,75% Senaro 3 67,86% 88% Senaro 4 73,75% 86% Senaro 5 60,83% 84% Senaro 6 49,6% 83% Senaro 7 45% 70% Senaro 8 5% 68% Pada Tabel menunjuan bahwa prosentase pengenalan TDLDA-ED lebh tngg dbandng dengan metode LBP-Fsherface-ED. Keunggulan metode TDLDA-ED dbandngan dengan metode LBP- Fsherface-ED, adalah 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 TDLDA mengambl euntungan penuh dar nformas yang dsrmnatf dar ruang lngup wajah (face space), dan tda membuang beberapa subruang (subspace) yang mungn berguna untu pengenalan. Terdapat 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. Pada senaro jumlah data pelathan lebh banya dbandng senaro, deman juga pada senaro jumlah data pelathan lebh banya dbandng senaro 3, dan seterusnya. Sehngga prosentase pengenalan untu senaro lebh tngg haslnya dbandngan hasl dar senaro. Dar hasl uj coba yang dlauan terdapat beberapa pengenalan yang salah, harusnya denal perempuan tetap hasl pengenalannya la-la, deman juga sebalnya. Beberapa pengenalan yang 48
6 salah tersebut dsebaban arena beberapa fator yatu mrpnya bentu epala, bentu rambut dan espres antara edua ctra perempuan dan la-la. 4. Smpulan Dar uj coba yang sudah dlauan dapat dambl smpulan sebaga berut :. Metode TDLDA-ED mampu menunjuan auras pengenalan yang optmal dbandngan dengan metode LBP-Fsherface-ED. Hal n darenaan TDLDA mampu mengatas sngular problem, mampu mempertahanan eberadaan nformas dsrmnatf, serta mampu memasmal jara antar elas dan memnmalan jara nter elas.. Terdapat 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. 3. Dar hasl uj coba menggunaan metode TDLDA-ED ddapatan tngat auras pengenalan antara 68% sampa 89%. 4. Klasfas yang salah pada uj coba dsebaban oleh mrpnya bentu epala, bentu rambut dan espres antara edua ctra perempuan dan la-la. Daftar Pustaa [] Ergen B, Abut S. Gender Recognton Usang Facal Images. Internatonal Conference on Agrculture and Botechnology. 03. Vol 60 : -7. [] Khryashchev V, Prorov A, Shmaglt L, and Golubev M. Gender Recognton Va Face Area Analyss. Proceedngs of The World Congress on Engneerng and Compuer Scence. 0. Vol. [3] Fenanda N, Muntasa Arf, Damayant F. Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Local Bnary Pattern (LBP) dan Fsherface. Bangalan. Ten Informata Unverstas Trunojoyo. 05. [4] Quan XG, Le Z, and Davd Z. Face Recognton Usng FLDA Wth Sngle Tranng Image Per Person. Appled Mathematcs and Computaton Vol 05 : [5] Ballh L, Ben Amar B, Daoud M, Srvastava A, Aboutajdne D. Boostng 3-D-Geometc Feature for Effcent Face Recognton and Gender Classfcaton. IEEE Transacton on Bometrcs Compendum. 0. Vol 7 :
Konferensi 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 terperinciPENGENALAN WAJAH BERBASIS METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS
PENGENALAN WAJAH BERBASIS MEODE WO-DIMENSIONAL LINEAR DISCRIMINAN ANALYSIS Ftr Damayant, Agus Zanal Arfn, Rully Soelaman Program Magster en Informata, Insttut enolog Sepuluh Nopember (IS) - Surabaya Kampus
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciBAB 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 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 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 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 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 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 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 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 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 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 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 terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciRestorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization
Restoras Ctra Dengan Menggunaan Metode Iteratf Lanczos Hybrd Regularzaton Yudh Purwananto, Rully Soelaman, Alfa Masjta Rahmat Jurusan Ten Informata, Faultas Tenolog Informas Insttut Tenolog Sepuluh Nopember
Lebih terperinciBAB 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 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 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 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 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 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 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih 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 terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
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 terperinciInvestigasi Hubungan antara Jumlah Dimensi Parameter Extraksi Terhadap Keakurasian Pengenalan Tanda Tangan Secara Offline
Semnar Nasonal eknolog Informas & Komunkas erapan 2012 (Semantk 2012) ISBN 979-26 - 0255-0 Investgas Hubungan antara Jumlah Dmens Parameter Extraks erhadap Keakurasan Pengenalan anda angan Secara Offlne
Lebih terperinciEman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK
PENGGUNAAN MODEL REGRESI LINEAR BERGANDA PADA PROGRAM PENGGEMUKAN SAPI PO ( PERANAKAN ONGOLE) SERTA ANALISIS BCR ( BENEFIT COST RATIO ) PENGGUNAAN PAKAN BAHAN KERING Eman Lesmana, Raman Jurusan Matemata
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 terperinciPROGRAM SEDERHANA SISTEM PENGENALAN WAJAH MENGGUNAKAN FUNGSI JARAK
ISSN: 1693-6930 153 PROGRAM SEDERHANA SISTEM PENGENALAN WAJAH MENGGUNAKAN FUNGSI JARAK Abul Fall Program Stu Ten Eletro Unverstas Ahma Dahlan, Kampus III UAD Jl. Prof. Dr. Soepomo, Janturan, Umbulharjo,
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 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 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 terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih terperinciBAB III 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 terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
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 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 terperinciEstimasi Reliabilitas Pengukuran Dalam Pendekatan Model Persamaan Struktural
Estmas Relabltas Penguuran Dalam Pendeatan Model Persamaan Strutural Wahyu Wdharso Unverstas Gadjah Mada Pendeatan analss data peneltan dengan menggunaan persamaan model strutural (SEM telah banya dgunaan
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN WATERSHED DAN ITENSITAS FILTERING SEBAGAI PRE PROCESSING
SEGMENTASI CITRA MENGGUNAKAN WATERSHED DAN ITENSITAS FILTERING SEBAGAI PRE PROCESSING Murnto 1), Agus Harjoo 2) 1) Mahasswa S3 Ilmu Komputer UGM, Dosen jurusan Ten Informata UADYogyaarta 2) Dosen Faultas
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 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 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 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 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 terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB 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 III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih 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 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 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 terperinciEstimasi Posisi Magnetic Levitation Ball Menggunakan Metode Akar Kuadrat Ensemble Kalman Filter (AK-EnKF)
R.E.M. (Reayasa Energ Manufatur Jurnal Vol. No. 1 017 ISSN 7-674 (prnt, ISSN 8-373 (onlne Journal Homepage: http://ojs.umsda.ac.d/ndex.php/rem DOI: https://do.org/10.1070/r.e.m.v1.768 Estmas Poss Magnetc
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 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 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 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 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 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 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 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 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 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 terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciBAB III METODE PENELITIAN
A III METODE PENELITIAN A. Tempat dan Watu Peneltan. Tempat Peneltan Obje dalam peneltan n adalah Kelas VIII M.Ts. Neger onang yang terleta d Kecamatan onang Kabupaten Dema.. Watu Peneltan Peneltan dlasanaan
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 terperinciU JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK
Jurusan Ten Spl dan Lngungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SENIN, 4 JANUARI 23 OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara tda boleh menggunaan omputer untu mengerjaan soal- soal ujan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah
BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga
Lebih 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 terperinciESTIMASI RELIABILITAS PENGUKURAN DALAM PENDEKATAN MODEL PERSAMAAN STRUKTURAL
BULETIN PSIKOLOGI FAKULTAS PSIKOLOGI UNIVERSITAS GADJAH MADA VOLUME 7, NO., 009: 33 38 ISSN: 0854 708 ESTIMASI RELIABILITAS PENGUKURAN DALAM PENDEKATAN MODEL PERSAMAAN STRUKTURAL Wahyu Wdharso Faultas
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
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 terperinciJurnal Einstein 4 (1) (2016): Jurnal Einstein. Available online
Jurnal Ensten 4 () (06): 4-3 Jurnal Ensten Avalable onlne http://jurnal.unmed.ac.d/0/ndex.php/ensten Penguuran Intrus Ar Laut Pada Sumur Gal Dengan Kondutvtmeter D Desa Pematang Guntung Kecamatan Telu
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 terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciREKONSTRUKSI PERMUKAAN TIGA DIMENSI PADA PHOTOMETRIC STEREO BERBASIS JARINGAN SYARAF
REKONSRUKSI PERMUKAAN IGA DIMENSI PADA PHOOMERIC SEREO BERBASIS JARINGAN SYARAF Ann Yunart 1, Ftra Nur Andn 2, Agus Zanal Arfn 3 Jurusan en Informata, Faultas enolog Informas, Insttut enolog Sepuluh Nopember
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinci