MODEL PENGENALAN TERBAIK DENGAN TREE-AUGMENTED NETWORK (TAN) DAN ESTIMATOR MAXIMUM LIKELIHOOD (ML) BERDASARKAN FITUR OBJEK
|
|
- Yohanes Pranata
- 6 tahun lalu
- Tontonan:
Transkripsi
1 MOEL PENGENALAN TERBAIK ENGAN TREE-AUGMENTE NETWORK (TAN) AN ESTIMATOR MAIMUM LIKELIHOO (ML) BERASARKAN FITUR OBJEK Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam Neger (UIN) Maulana Malk Ibrahm Malang Abstrak-Pengenalan suatu obek sangat tergantung dar seberapa handal model yang dgunakan serta parameter model tersebut. Tree-Augmented Network (TAN) adalah salah satu model yang handal dalam melakukan klasfkas, yang dbangun dengan memperhatkan hubungan dantara pasangan ftur-ftur obek. Sedangkan Maxmum Lkellhood (ML) adalah salah satu estmator yang telah banyak dgunakan dan telah teru penggunaannya. Kehandalan model serta estmator yang dgunakan pada kenyataan belum cukup untuk menghaslkan model pengenalan terbak, akan tetap ada faktor lan yang member kontrbus besar yatu dmens atau ftur obek yang dgunakan dalam membangun model tersebut. Hasl ekspermen untuk data tranng yang terdr dar 5 ens obek rngan menunukkan untuk dmens obek 5x5 (25 ftur), 6x6 (36 ftur) dan 7x6 (42 ftur) menghaslkan model TAN terbak karena memberkan tngkat akuras sstem 100%, sedangkan untuk dmens dbawah atau datas tersebut menghaslkan tngkat akuras sstem yang lebh rendah. Konds tersebut menunukkan bahwa tdak selamanya semakn besar dmens atau ftur obek yang dgunakan dalam tranng akan menghaslkan model yang semakn bak, karena bsa ad semakn besar dmens atau ftur obek akan menghaslkan nformas overflow. Kata Kunc : Tree-Augmented Network, Maxmum Lkelhood, mens (ftur) obek dalam mengenal suatu obek tdak boleh 1. PENAHULUAN lepas dar dua hal yatu metode dalam Akuras dalam mengenal suatu obek membangun model pengenalan serta sangat tergantung dar seberapa handal estmator model yang dgunakan, akan model yang dgunakan dalam pengenalan tetap pada kenyataannya hanya serta estmator yang dgunakan untuk membangun dan mengestmas parameter model tersebut. Tree-Augmented Network (TAN) adalah salah satu model yang memperhatkan dua hal tersebut ternyata mash belum cukup untuk menghaslkan suatu model pengenalan terbak yang memberkan tngkat akuras tngg dalam handal dalam melakukan klasfkas, pengenalan. Faktor lan yang karena secara konsep model tersebut dmungknkan member kontrbus dalam dbangun dengan memperhatkan menghaslkan model terbak adalah hubungan atau dependens dantara konds dar dmens atau ftur obek pasangan ftur-ftur obek (Irwan, 2007, (mage), khususnya ftur obek untuk 2011, 2012). Sedangkan Maxmum pembelaaran (tranng) dalam Lkelhood (ML) adalah salah satu membangun model pengenalan. Bertolak estmator yang telah banyak dgunakan dar dmens atau ftur obek tersebut, muncul permasalahan bagamana mendapat kan atau membangun model dan telah teru penggunaannya dalam pengenalan terbak dengan Treebanyak aspek (uda,1973).secara teor Augmented Network (TAN) dan estmator
2 Maxmum Lkelhood (ML) berdasarkan dmens atau ftur obek tranng. 1. PRINSIP MAIMUM LIKELIHOO (ML) Bla dketahu data sampel tranng yang terdr dar n sampel x 1, x2,..., x n dengan asums dentk, ndenpenden dstrbus varabel random (..d), dapat dtentukan fungs lkelhood p( ) p( ) (1) n k 1 x k dengan adalah parameter dstrbus, maka prnsp dar estmator Maxmum Lkelhood (ML) untuk mendapatkan taksran parameter adalah dengan memaksmumkan fungs p( ) (uda,1973). 3. BAYESIAN NETWORKS Bla dketahu U { 1,..., n} adalah hmpunan varabel random dskrt, maka bayesan network dnotaskan sebaga rected Acyclc Graph (AG) yang merupakan on dstrbus probabltas U. Secara formal on dstrbus probabltas tersebut merupakan sebuah pasangan rected Acyclc Graph (G ) dengan parameter network ( ) yang dtuls B G,. Parameter network ( ) bers suatu parameter x setap nla dan P ( x x B x x x ) untuk, dmana merupakan sekumpulan parent dar ddalam G. Sehngga bayesan network ddefnskan sebaga sebuah unqe on dstrbus probabltas U yang unk (Fredman,1996,1997), sebaga berkut: n 1,..., n ) PB ( ) 1 P ( B n 1 ( ) (2) 3.1 Tree-Augmented Network (TAN) PembahasanTree-Augmented Network (TAN) berkatan dengan naïve Bayes klasfer karena Tree-Augmented merupakan perpanangan atau kelanutan dar naïve Bayes klasfer. Naïve Bayes Klasfer dperoleh dengan pembelaaran data tranng yatu dengan menentukan kodsonal probabltas pada setap atrbut bla dberkan varabel kelas C. Karenanya naïve Bayes tdak realsts untuk dterapkan pada data rl, sehngga terdapat perbakan pada naïve Bayes yang dsebut augmented nave Bayes. Membangun augmented nave Bayes classfer equvalen dengan mencar Bayesan Network yang bak dengan varabel kelas C sebaga root (Fredman,1997). Karena komputas yang ntensf maka solus yang efsen dalam menemukan Bayesan network adalah dperbolehkannya salng mempengaruh dantara varabel. Selanutnya network yang dhaslkan dsebut Tree-Augmented Network (TAN). 3.2 Construct-TAN Construct-TAN(Amy, 2005) (Fredman, 1996, 1997) (Murphy,2001) dbangun berdasarkan prosedure Chow dan Lu dengan sedkt modfkas. Prosedur Construct-TAN ada lma tahap, sebaga berkut: I ˆ (, P 1. Menghtung dantara setap pasangan atrbut,. 2. Membangun graph komplt tak berarah dengan node-nya merupakan atrbut 1,..., n. Sedangkan bobot pada edge I ˆ (, adalah P. 3. Membangun maxmum weghted spannng tree (MWST) dengan algortma Prm s (Levtn,2003). 4. Transformas hasl dar tree tak berarah menad sebuah tree berarah dengan memlh sebuah root varabel dan mensettng arah edge dar root varabel tersebut. 5. Bangun model TAN dengan menambah smpul (vertex) yang dber
3 label C dan menambah edge atau arc dar C ke setap. I ˆ (, P Untuk bobot ( ) dperoleh dengan menggunakan fungs condtonal mutual nformaton, sepert pada persamaan 3 (uda,1973) (Fredman, 1996, 1997). I P(, c) P (, P(,, c)log, P( c) P( c ) x yy (3) Untuk varabel kontnu, mutual nformaton antara dua varabel kontnu danggap sebaga ont dstrbuton (bvarate normal) bla dberkan C ( C =kelas). Fungs ont dstrbuton dan dengan syarat C c mengkut dstrbus bvarate normal dengan mean c dan covarant c (Mchael,2006). Sehngga nla mutual nformaton antara varabel dan dengan syarat C dapat dtentukan dengan mengacu pada persamaan 4 (Artz,2006). r 1 2 I(, P( c) log(1 c ( 2 c1 (4) c c (, ) 2 2 c c dmana (5), )) adalah koefsen korelas antara dan dengan syarat C c. Adapun tahapan-tahapan dalam Construct-TAN prnspnya sama dengan Construct-TAN untuk varabel dskret. 3.3 Estmas Parameter Model TAN engan mengacu pada sub-bab sebelum nya dan dasumskan bahwa struktur model tetap maka nla parameter dapat dtentukan untuk setap kelasnya, sepert pada persamaan 6 (Fredman, 1996,1997) (Jesus, 1999) (6) dengan x C x Pˆ ( x x Pˆ ( x, x Pˆ ( x Pˆ ( x, x N( C, C ) J J Pˆ ( N( C, x I I. I I dan 4. METOE PENELITIAN 4.1. Construct-TAN dengan ML Langkah-langkah membangun Model TAN dengan menggunakan RLME untuk pengenalan suatu obek ctra/mage dapat dlhat secara detal pada Algortma Membangun Model TAN dengan ML. Algortma Membangun Model TAN dengan Maxmum Lkelhood (ML) Construct TAN() for setap do, w Tentukan (bobot) w = I (, berdasarkan parameter { c yang dperoleh dengan ML} UG BangunGraphTakBerarah(w) G MWST(UG) {maxmum weghted spannng tree} T BangunGraphBerarah ( G, root) TAN TambahKelas(T) return TAN Prosedur Construct-TAN adalah prosedur yang dgunakan dalam learnng TAN dan mengacu pada persamaan 6 dalam menentukan parameter atau bobot model Ekspermen Untuk mendapatkan model pengenalan TAN terbak terhadap obek tertentu dengan bantuan estmator ML untuk menghtung parameter modelnya, dcoba melakukan beberapa tranng terhadap data dengan obek sama, dan dmens atau ftur
4 obek yang berbeda-beda. Hasl tranng terhadap obek tranng yang sama dengan dmens atau ftur obek yang berbedabeda kemudan dbandngkan tngkat akuras sstemnya dalam pengenalan. ata yang dgunakan dalam ekspermen adalah data nyata dalam bentuk mage yang terdr dar 5 kelas (obek) yatu buah apel, boneka, tekstur tanah, kaleng, dan sepatu sepert pada Gambar 1. yang masng-masng kelas memlk sampel berukuran 15 pengamatan (Irwan, 2007). Gambar 1. ata nyata dengan lma ens obek (buah apel, boneka, tekstur tanah, kaleng, dan sepatu) Sedang skenaro data percobaannya dapat dlhat pada Tabel 1 yatu skenaro data percobaan dengan beberapa dmens atau ftur obek. Tabel 1. Skenaro data percobaan dengan beberapa dmens atau ftur obek. Percobaan mens Ukuran Obek Ftur 1 2x x x x x x x x x x x x x x Maksud dmens atau ftur obek pada setap percobaan pada Tabel 1 adalah lma ens obek (buah apel, boneka, tekstur tanah, kaleng, dan sepatu) dalam bentuk mage dengan setap percobaan ukuran dmens atau fturnya sama. Sebaga msal percobaan pertama dmens obek 2x2 atau dengan 4 ftur, maka dmens mage untuk lma ens obek tersebut dbuat sama dengan ukuran 2x2 atau sebanyak 4 ftur. 4.3 Pelaksanaan Ekspermen Pelaksanaan ekspermen (u coba) terhadap data nyata yang melput lma ens obek atau kelas dalam bentuk mage, dlakukan dengan skenaro data percobaan pada Tabel 1. Sedangkan pelaksanaan ekspermen dengan menggunakan data skenaro tersebut dapat dlhat langkahlangkanya secara lengkap pada Gambar 2. Pelaksanaan Ekspermen. Start Plh dmens (ftur) obek (mage) percobaan Ubah dmens semua obek (mage) tranng sesua dengan dmens yang dplh Construct-TAN dengan ML Estmas parameter (model TAN dengan ML) dengan bantuan ML Pengenalan data (obek) tranng dengan model TAN Htung Akuras sstem Stop Gambar 2. Pelaksanaan Ekspermen
5 Pada langkah pertama, setap percobaan pada Tabel 1, dengan dmens obek atau ftur yang berbeda-beda akan dbangun model TAN dengan bantuan estmator ML. Kemudan dlakukan estmas parameter model TAN dengan bantuan estmator ML uga. Setelah dhaslkan model TAN beserta parameter modelnya, langkah berkutnya adalah melakukan pengenalan obek tranng dan menghtung akuras sstem. ar hasl perhtungan akuras sstem pada setap percobaan, selanutnya dplh model TAN dengan tngkat akuras sstem tertngg yang kemudan danggap sebaga model terbak dalam pengenalan. 5. HASIL AN PEMBAHASAN Hasl percobaan dengan menggunakan skenaro data pada Tabel 1, selengkapnya dapat dlhat pada Tabel 2 Tabel 2. Tngkat Akuras Model TAN alam Mengenal Obek Tranng mens Obek Ukuran Ftur Akuras (%) Kesalahan (%) 2x x x x x x x x x x x x x x Model TAN hasl tranng dar beberapa dmens atau ftur obek (mage), memperlhat kan bahwa untuk dmens atau ftur yang kecl tngkat akuras sstem model TAN dalam melakukan pengenalan relatf lebh rendah. Rendahnya tngkat akuras sstem dbandngkan dengan yang lannya, dtunuk kan oleh dmens obek 2x2 (4 ftur) sebesar 82, 6667%, dmens 3x2 (6 ftur) 78,6667%. emkan halnya untuk dmens atau ftur yang besar, model TAN yang dhaslkkan memberkan tngkat akuras sstem uga relatf lebh rendah dbandngkan lannya. Rendahnya tngkat akuras tersebut dtunukkan pada dmens 9x9 (81 ftur) sebesar 77,3333%, dmens 10x9 (90 ftur) sebesar 58,6667% dan dmens 10x10 (100 ftur) sebesar 61,3333%. Tngkat akuras palng tngg dar ekspermen, dhaslkan oleh model TAN pada dmens 5x5 (25 ftur), dmens 6x6 (36 ftur) dan 7x6(42 ftur) masng-masng dengan tngkat akuras 100%. Hasl n menunukkan bahwa pada dmens tersebut model TAN yang dhaslkan merupakan model pengenalan terbak. Hal pentng lan yang dapat dambl dar hasl ekspermen tersebut adalah semakn kecl dmens atau semakn besar dmens obek yang dgunakan akan berdampak model TAN yang dhaslkan semakn kurang bak. Kurang baknya model TAN pada dmens atau ftur obek yang semakn kecl bsa ad karena semakn kecl dmens atau ftur banyak nformas pentng dar obek yang hlang. Sedangkan kurang baknya model TAN yang dhaslkan pada dmens yang semakn besar karena semakn besar dmens atau ftur obek menyebabkan teradnya nformas overflow. 6. KESIMPULAN Kehandalan model serta estmator yang dgunakan pada kenyataan belum cukup untuk menghaslkan model pengenalan terbak, akan tetap ada faktor lan yang member kontrbus besar yatu konds dar dmens atau ftur obek yang dgunakan dalam membangun model tersebut. Hasl ekspermen menunukkan untuk dmens atau ftur obek semakn kecl atau untuk dmens atau ftur obek yang semakn
6 besar menghaslkan model TAN dengan tngkat akuras sstemnya relatf lebh rendah. Konds tersebut menunukkan pada dmens atau ftur yang semakn kecl banyak nformas pentng yang hlang, begtu pula semakn besar dmens atau ftur obek yang dgunakan akan menyebabkan nformas overflow sehngga menghaslkan model pengenalan yang kurang bak. 8. REFERENSI 1. Amy Ratnakaran, Bayesan Network, Appled Statstcs Honours, epartment of Mathematcs and Statstcs, Unversty of Melbourne, Artz P erez, Pedro Larra naga, and I nak Inza, Supervsed classfcaton wth condtonal Gaussan networks: Increasng the structure complexty from nave bayes, Internatonal Journal of Approxmate Reasonng, vol.43.no.1,hal 1 25, R. uda dan P. Hart, Pattern Classfcaton and Scene Analyss, John Wley and Sons, Inc., New-York, USA, Fredman, N. and Goldszmdt, M, Buldng Classfers Usng Bayesan Networks, Thrteenth Natonal Conference on Artfcal Intellgence, Fredman, N.. Geger, and M. Goldszmdt, Bayesan network classfers, Machne Learnng, vol.29, hal , Irwan B.S., Pengenalan Obek dengan 7. Regularzed Latent Maxmum Entropy (RLME) dan Tree- Augmented Network (TAN), Master Tess, Insttut Teknolog Sepuluh Nopember Surabaya Irwan B.S., Pengenalan Obek dengan 15. Mchael P. Ashley-Rollman, Luca Castellanos P erez-bolde, TAN 9. RLME dan TAN (Perbandngan RLME_ML dan ML_ML), Makalah Semnar Nasonal Pascasarana VII, Insttut Teknolog Sepuluh Nopember Surabaya Irwan B.S, Perbandngan Metode RLME dan ML alam Membangun Model TAN Untuk Mengenal Obek engan Ftur Berdstrbus Normal, MATICS (urnal Ilmu Komputer dan Teknolog Informas UIN Malang), vol.4. no.4, hal , September Irwan B.S., Perbandngan Struktur Model 12. TAN dengan Estmator RLME an ML Untuk Mengenal Obek engan Ftur Berdstrbus Normal (Stud Kasus ata Sntess), Prosdng Semnar Nasonal ScETec Program Magster dan oktor Fakultas Teknk, Unverstas Brawaya, Jesus Cerqudes, Applyng General Bayesan Technques to Improve TAN Inducton, UBS AG Bahnhofstrasse 45, Levtn, Introducton The esgn & Analyss of Algorthms, Vllanova Unversty, 2003.
7
8
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciDETEKSI OBYEK NYATA (Pada Lingkup: Visualisasi dan Deteksi Obyek Nyata pada Lingkungan Hidup)
DETEKSI OBYEK NYATA (Pada Lngkup: Vsualsas dan Deteks Obyek Nyata pada Lngkungan Hdup) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam Neger (UIN) Maulana Malk Ibrahm Malang
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciPROSIDING ISSN: M-16 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN
M-6 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN Zulhanf ), I Gede Nyoman Mndra Jaya ),) Departemen Statstka FMIPA UNPAD dzulhanf@yahoo.com, jay.komang@gmal.com Abstrak
Lebih terperinciPERHITUNGAN PENILAIAN MAHASISWA TERHADAP MENGAJAR DOSEN BERBASIS KASUS MENGGUNAKAN ALGORITMA BAYESIAN
JURNAL DAI IN: - Vol. No. JUNI ERHITUNGAN ENILAIAN MAHAIWA TERHADA MENGAJAR DOEN BERBAI KAU MENGGUNAKAN ALGORITMA BAYEIAN Ern enwat TMIK AMIKOM Yogyakarta ern.s@amkom.ac.d ABTRAKI roses belaar mengaar
Lebih 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 terperinciOleh : Enny Supartini Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Padjadjaran
Abstrak MENGESTIMASI BEBERAPA DATA HILANG (MISSING DATA) DAN ANALISIS VARIANS UNTUK RANCANGAN BLOK ACAK SEMPURNA Oleh : Enny Supartn Departemen Statstka, Fakultas Matematka dan Ilmu Pengetahuan Alam, Unverstas
Lebih terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciSEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN
AALISIS DISKRIMIA DISKRIT UTUK MEGELOMPOKKA KOMPOE Bernk Maskun Jurusan Statstka FMIPA UPAD jay_komang@yahoo.com Abstrak Untuk mengelompokkan hasl pengukuran yang dukur dengan p buah varabel dmana penlaan
Lebih 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 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 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 III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciPERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT
BIAStatstcs (05) Vol. 9, No., hal. -7 PERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT Faula Arna Jurusan Teknk Industr, Unverstas Sultan Ageng Trtayasa Banten Emal : faulaarna@yahoo.com
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBAB 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 terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
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 terperinciPEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL
PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL Tan Wahyu Utam, Indah Manfaat Nur Unverstas Muhammadyah Semarang, emal : tan.utam88@gmal.com
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 terperinciPERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA
Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN :2087-0922 PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB 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 terperinciMETODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar
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 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 terperinciMETODE OPTIMASI 11/13/2015. Capaian Pembelajaran
2 Capaan Pembelajaran METODE OPTIMASI N. Tr Suswanto Saptad Mahasswa dapat memaham dan mampu mengaplkaskan beberapa metode untuk menyelesakan masalah dengan alternatfalternatf dalam jumlah yang relatf
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 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih 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 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 terperinciANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1
ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN Ksmantn Jurusan Penddkan Matematka, FMIPA Unverstas Neger Yogyakarta Emal : ksm@uny.ac.d Abstrak Peubah respons
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciMODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
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 terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus
Lebih terperinciPenerapan Prosedur Firth untuk Mengatasi Pemisahan (Separation) pada Model Regresi Probit Biner
Prosdng SI MaNIs (Semnar Nasonal Integras Matematka dan Nla Islam) Vol.1, No.1, Jul 017, Hal. 18-134 p-issn: 580-4596; e-issn: 580-460X Halaman 18 Penerapan Prosedur Frth untuk Mengatas Pemsahan (Separaton)
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN :
JURNA MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN : 1410-8518 MASAAH RUTE TERPENDEK PADA JARINGAN JAAN MENGGUNAKAN AMPU AU-INTAS Stud Kasus: Rute Peralanan Ngesrep Smpang ma Eko Bud
Lebih terperinciPENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
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 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1. Kismiantini
Prosdng Semnar Nasonal Peneltan, Penddkan dan Penerapan MIPA Fakultas MIPA, Unverstas Neger Yogyakarta, 6 Me 9 ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN
Lebih terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciPengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Prnt) 1 Pengenalan Karakter Tulsan Tangan Angka dan Operator Matematka Berdasarkan Zernke Moments Menggunakan Support Vector Machne
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciBAB 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 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 terperinciTINJAUAN PUSTAKA Perancangan Percobaan
4 TINJAUAN PUSTAKA Perancangan Percobaan Perancangan percobaan adalah suatu metode yang efsen untuk merancang suatu percobaan sehngga data yang dperoleh dapat danalss untuk menghaslkan suatu kesmpulan.
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciPrediksi Kelainan Refraksi Berdasarkan Panjang Sumbu Bola Mata Pada Pasien Myopia Axial Melalui Regresi Bootstrap
Predks Kelanan Refraks Berdasarkan Panjang Sumbu Bola Mata Pada Pasen Myopa Axal Melalu Regres Bootstrap Oleh: Karyam dan Qorlna Statstka UII ABSTRAKSI Peneltan n dlakukan d Rumah Sakt Mata Dr. YAP Yogyakarta
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)
Lebih 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 terperinciSOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN
SOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN Ita Rahmadayan 1, Syamsudhuha 2, Asmara Karma 2 1 Mahasswa Program Stud S1 Matematka
Lebih terperinciEVALUASI ALGORITMA CB* UNTUK KONSTRUKSI STRUKTUR BAYESIAN NETWORK DALAM DATA MINING
EVALUASI ALGORITMA CB* UNTUK KONSTRUKSI STRUKTUR BAYESIAN NETWORK DALAM DATA MINING Selva Lorena Br Gntng Unverstas Komputer Indones Bandung selvalorena@yahoo.com ABSTRAK Data mnng s a core process n KDD
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciPENDUGAAN RASIO, BEDA DAN REGRESI
TEKNIK SAMPLING PENDUGAAN RASIO, BEDA DAN REGRESI PENDAHULUAN Pendugaan parameter dar peubah Y seharusnya dlakukan dengan menggunakan nformas dar nla-nla peubah Y Bla nla-nla peubah Y sult ddapat, maka
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 terperinciTaksiran Kurva Regresi Spline pada Data Longitudinal dengan Kuadrat Terkecil
Vol. 11, No. 1, 77-83, Jul 2014 Taksran Kurva Regres Slne ada Data Longtudnal dengan Kuadrat Terkecl * Abstrak Makalah n mengka tentang estmas regres slne khususnya enggunaan ada data longtudnal. Data
Lebih terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciMetode Estimasi Kemungkinan Maksimum dan Kuadrat Terkecil Tergeneralisasi pada Analisis Pemodelan Persamaan Struktural
Jurnal Graden Vol. 11 No. 1 Januar 015 : 1035-1039 Metode Estmas Kemungknan Maksmum dan Kuadrat Terkecl Tergeneralsas pada Analss Pemodelan Persamaan Struktural Dan Agustna Jurusan Matematka, Fakultas
Lebih terperinciPERBANDINGAN METODE SAW DAN TOPSIS PADA KASUS UMKM
PERBANINGAN METOE SAW AN TOPSIS PAA KASUS UMKM Muh. Alyazd Mude al.mude@yahoo.com Teknk Informatka Unverstas Muslm Indonesa Abstrak alam pengamblan keputusan terhadap masalah berdasarkan sebuah analsa
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Menghadap era globalsas yang penuh tantangan, aparatur negara dtuntut untuk dapat memberkan pelayanan yang berorentas pada kebutuhan masyarakat dalam pemberan pelayanan
Lebih terperinciBOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL
BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL Analss sumbangan sektor-sektor ekonom d Bal terhadap pembangunan ekonom nasonal bertujuan untuk mengetahu bagamana pertumbuhan dan
Lebih terperinciMANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN
MANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN By: Rn Halla Nasuton, ST, MT MERANCANG JARINGAN SC Perancangan jarngan SC merupakan satu kegatan pentng yang harus
Lebih terperinciSIMULASI SMOOTHED PARTICLE HYCRODYNAMICS DUA DIMENSI DENGAN METODE DETEKSI PARTIKEL PERMUKAAN
SIMULASI SMOOTHED PARTICLE HYCRODYNAMICS DUA DIMENSI DENGAN METODE DETEKSI PARTIKEL PERMUKAAN Muh.Kk Ad Panggayuh 1, Sr Suryan P., Dede Tarwd 3 1,,3 Prod Ilmu Komputas Telkom Unversty, Bandung 1 adpanggayuh@gmal.com,
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
Lebih terperinci