OPTIMASI METODE DISCRIMINATIVELY REGULARIZED LEAST SQUARE DENGAN ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION UNTUK PENGKLASIFIKASIAN
|
|
- Hendra Dharmawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 OPIMASI MEODE DISCRIMIAIVELY REGULARIZED LEAS SQUARE DEGA ALGORIMA GEEIKA DA PARICLE SWARM OPIMIZAIO UUK PEGKLASIFIKASIA Arad Retno r Hayat Rrd ) Agus Zanal Arfn ) Anny Yunart 3),,3 Jurusan eknk Informatka, Insttut eknolog Sepuluh opemer Kampus IS, Sukollo, Suraaya 60 e-mal : rrd@cs.ts.ac.d, agusza@ts-sy.edu, 3 anny@cs.ts.ac.d, Astrak Metode regularzaton telah anyak daplkaskan pada pengenalan pola yang ertuuan untuk menghaslkan klasfkas data. Peneltan n menggunakan metode Dscrmnatvely Regularzed Least Squares Classfcaton (DRLSC) dmana pengklasfkasan datanya erdasarkan nformas dscrmnatve yang dpengaruh oleh umlah data-data yang terdekat erdasarkan metode K earest eghor dan regularzaton parameter. Untuk menngkatkan keakurasan dar metode DRLSC, peneltan n mengoptmas umlah data-data yang terdekat seelum memangun matrx Laplacan dan regularzaton parameter erdasarkan error terkecl. Metode yang dgunakan adalah penggaungan Algortma Genetka dan Partcle Sarm Optmzaton (GAPSO). Data yang dgunakan untuk u coa adalah dataase UCI, yatu IRIS, WIE, dan LESA. Berdasarkan hasl u coa untuk mengoptmas metode DRLSC maka nla ftness yang dhaslkan metode GAPSO leh ak ka dandngkan Algortma Genetka (GA) dan Partcle Sarm Optmzaton (PSO) dengan selsh nla ftness 7.3e-008 hngga 0, ). Untuk menggaungkan karakterstk dar kedua metode optmas n, maka dangun pengemangan optmas yang merupakan penggaungan dar kedua metode dkenal dengan stlah GAPSO. Peneltan n mengoptmaskan parameter K dan dengan GAPSO erdasarkan error terkecl dar hasl pengklasfkasan secara otomats. II. PEGKLASIFIKASIA DRLSC Langkah-langkah pada pengklasfkasan DRLSC seagamana Gamar. Kata Kunc : Desan Klasfkas, Dscrmnatvely Regularzed Least Square Classfcaton, Algortma genetka, Partcle Sarm Optmzaton, Pengenalan Pola. I. PEDAHULUA Metode DRLSC mengklasfkaskan data-data secara dscrmnatve erdasarkan ntraclass dan nterclass sehngga cenderung menghaslkan keakurasan yang leh ak dandngkan metode regularzaton seelumnya (Xue, 009). DRLSC sangat dpengaruh oleh umlah tetangga terdekat setap data seanyak K pada metode K dan regularzaton parameter ( ). Berdasarkan hal n maka perlu adanya penentuan secara otomats pada umlah tetangga terdekat pada setap data (K) dan. Metode Algortma genetka telah anyak dgunakan dalam mengoptmas dengan menggunakan operator crossover dan mutas sehngga dalam mencar search pont memlk karakterstk mencar pola aru yang dharapkan agar memlk nla ftness yang leh ak. Pada Partcle Sarm Optmzaton (PSO), dalam mencar search pont erdasarkan nla ftness yang terak dengan resultan poss pont saat n dengan nla yang akan dcapa. Sehngga karakterstk pada pencaran nla pada PSO erdasarkan satu nla pont yang memlk ftness terak, sedangkan pada Algortma Genetka pencaran nla dlakukan oleh seluruh kromosom dengan menggunakan operator Algortma Genetka (Svanandam, Gamar..Dagram Alr pengklasfkasan metode DRLSC Parameter yang doptmas adalah parameter K yang terdapat pada proses pengelompokan data dengan metode K dan regularzaton parameter yang terdapat pada proses penghtungan S.
2 Pengklasfkasan DRLSC dmula dar pengelompokan data dengan metode K hngga menentukan kelas data erdasarkan hasl output. adacency (Xue, 009). Konsep dar matrx adacency dalam pemeran oot untuk matrx dar graph G dan G adalah seaga erkut:. K earest eghor K earest eghor dgunakan untuk menentukan huungan antara data. Pada setap data x maka dcar K data yang memlk arak yang terdekat kemudan dangun edge yang menghuungkan data x dengan K data. K data yang terdekat dsmpan pada varael ne()= { x,..., k x }. Berkut adalah algortma dar K (Duda, 00; Song, 007; Lu, 004):. Menentukan nla K.. Menghtung arak data pada setap data tranng dengan eucledan. 3. Mendapatkan K data yang memlk arak terdekat. Penghtungan arak pada metode K dengan eucledan antara vektor x dan vektor x dengan rumus seagamana persamaan. D d ( x, x ) = ( x x ) ( x x ) = ( x x ) () = dmana x adalah data ke- dan x adalah data ke-, d x, x ) ( adalah arak kedua data. Semakn mrp kedua data, maka nla dar arak kedua data semakn kecl. Sealknya semakn esar hasl dar d x, x ) maka semakn tngg peredaan ( karakterstk antara kedua data vektor.. Memedakan ne dan ne Setelah mendapatkan K data terdekat pada setap data, dlanutkan dengan dua pemagan kelompok data dar K data terdekat pada setap data. Pemagan n erdasarkan data-data yang terkelompokkan erdasarkan kelasnya (ne ) atau data-data yang terkelompokkan tdak termasuk dalam kelasnya (ne ) seagamana persamaan erkut: ne ()={ x ka x dan ne ()={ x ka x dan x kelas yang sama, K} x kelas yang ereda, K} () Jka seluruh K tetangga terdekat terkelompokkan pada ne maka umlah ne data terseut ernla 0. Seluruh anggota pada ne dan ne merupakan anggota dar ne pada setap data. Hasl pengelompokan dar ne dan ne akan menad dasar yang sangat pentng untuk memangun keterhuungan data-data seaga dasar dar matrx Laplacan..3 Memangun matrx G dan G Dasar dalam memangun matrk Laplacan adalah memangun matrk eght erdasarkan ne yatu G dan erdasarkan ne yatu G dengan menggunakan konsep matrx (3) Matrx adacency yang telah dangun menunukkan huungan keterkatan antara data-data. Setelah memangun G dan G, maka dlanutkan dengan memangun matrk Laplacan..4 Matrk Laplacan Matrk Laplacan dangun erdasarkan matrk G dan G. Persamaan untuk memangun matrk Laplacan seagamana erkut: L L = D G = D G (4) dmana D adalah matrx dagonal yang elemen dagonalnya adalah umlah seluruh elemen dar G. Sedangkan D merupakan matrx dagonal yang elemen dagonalnya adalah umlah seluruh elemen dar G. la pada elemen-elemen dagonal merupakan penumlahan dar data-data yang terdapat pada G dan G erdasarkan kolomnya pada setap ars..4 Least Square Konsep dar penghtungan Least Square adalah mendapatkan solus dar vektor C yang memenuh persamaan AC=B, A AC ~ =A B (5) Pada penyelesaan matrk nvers dutuhkan matrk square, sehngga dlakukan pendekatan A A A. C ~ adalah solus Least Squares dengan melakukan nvers (Duda, 00; Grodzevch, 005; Ja, 008; Rfkn, 007) seagamana persamaan erkut: C ~ =(A A) - A B (6) Jka hasl dar nvers A A adalah matrk sngular (mendekat nla nol), maka dgunakan pseudonverse erdasarkan sngular value decomposton(rfkn, 007; Bartoll,000). Konsep dasar dar penghtungan pseudonverse adalah sngular value decomposton (svd). Jka terdapat matrx G erukuran matrx [xm], dengan menggunakan sngular value decomposton akan ddapatkan nla matrx U [u,u, u ] yang merupakan left sngular vektor dar matrx G dan nla matrx V [v,v, v M ] yang merupakan nla rght sngular vektor dar matrx G.
3 .5 Penghtungan S S adalah parameter yang ertuuan memerkan nformas pada data-data pemelaaran mengena nformas yang terdapat pada matrx Laplacan seagamana persamaan 7. S [ L ( ) L ] X = X (7) dmana adalah regularzaton parameter dan X adalah kumpulan dar data-data x. Jka data dproyekskan erdasarkan kernel, maka perlu pemangunan matrk kernel dengan cara data dproyekskan kedalam fungs kernel kemudan dlanutkan dengan penyelesaan persamaan lner (Xue, 009). Peneltan n menggunakan gaussan kernel (Xue, 009). Persamaan 8 adalah persamaan untuk kernel gaussan. x x K ( x, x ) = exp σ (8) dmana σ adalah varael varan. Setelah ddapatkan nla dar hasl perhtungan S, dlanutkan dengan penghtungan nla as () dan parameter Langrange Multpler (γ ) seaga dasar dalam mendapatkan nla oot dar metode DRLSC..6 Penghtungan dan γ Kelehan dar metode DRLSC adalah dapat mengklasfkaskan data secara multclass (pada aktu ersamaan dapat mengklasfkaskan data-data dengan kelas yang ereda) tanpa mengklasfkaskannya pada eerapa pengklasfkasan nary class. Persamaan multclass seagamana persamaan 9. 0 [ γ ] = [ 0 Y ] (9) Ω + I dmana Ω = x + x, ( S) x, = [,..., ], γ = [ γ,..., γ ], I R merupakan matrk denttas, = [ 0,...,0],Y = [ y,..., y ] 0c, adalah umlah data pemelaaran dan, (.) + adalah nvers dar matrk. Untuk pengklasfkasan multclass, maka pada lael kelas dangun secara vektor dengan tuuan dapat mengatas permasalahan multclass. Jka data x termasuk pada kelas k maka target kelas merupakan y =[0,...,,...,0] R c, dmana kelas ke-k ernla dan yang lan ernla 0. I.7 Penghtungan Hasl Keluaran Setelah mendapatkan nla dan γ, maka dlanutkan dengan penghtungan oot () erdasarkan persamaan 0. = = γ ( S ) x (0) + Sesua dengan persamaan datas, maka adalah penumlahan dar hasl perkalan dar Langrange multplers, nvers dar S dan, data ke- seumlah data. Setelah mendapatkan nla dan as, maka hasl keluaran untuk pengklasfkasan multclass seagamana persamaan. f ( x) = x + () dmana R nxc, R c Hasl dar pengklasfkasan dar metode DRLSC dgunakan seaga dasar dar penghtungan ftness pada metode Optmas Algortma Genetka dan Partcle Sarm Optmzaton. 3. GAPSO Peneltan n mengmplementaskan penggaungan dua metode optmas yatu Algortma Genetka dan Partcle Sarm Optmzaton dengan stlah GAPSO. Konsep dasar dar PSO yatu mengemangkan smulas sekumpulan urung dalam ruang dmens XY (dua dmens) drepresentaskan dengan partkel erdasarkan nformas poss dan kecepatan (velocty). Setap partkel mengetahu nla teraknya (P est ) dan possnya (x). Selanutnya, setap partcle mengetahu nla terak ddalam seluruh data (G est ). Pada Gamar menggamarkan konsep desan sstem untuk menggaungkan kedua metode. Gamar. Dagram pengklasfkasan metode GA dan PSO Berkut adalah algortma dar metode GAPSO (Kao, 008):. Insalsas random populas seanyak data.. Evaluas dan rankng evaluas ftness pada setap ndvdu, dmana fungs ftness pada peneltan n MeanSquare Error ( MSE) = ( y f ( x)), 3
4 erdasarkan mean square error, seagamana persamaan (Dondet, 005; Colett, 999). () dmana y adalah nla target yang dngnkan, f(x) adalah hasl keluaran dar pengklasfkasan data. 3. Algortma genetka dengan menggunakan real code operator GA, dar / data terak. 3.Seleks dar data plh / data dengan ftness terak. 3. Crossover / data seagamana persamaan Mutas dengan pengaruh fungs gaussan terhadap nla random. Proaltas mutas seesar 0. seagamana persamaan 4. ' x = α * x + ( α ) x + ' x = α * x + ( α ) x =,,..., =, (3) (4) 4. Setelah pemelaaran dengan metode crossover dan mutas, maka dlanutkan dengan pemelaaran PSO. Operas yang dgunakan pada pemelaaran PSO untuk penentuan velocty pada pemelaaran GAPSO seagamana persamaan 5. V e d old = cxrandx( p x ), (5) gd dmana nla c adalah, rand adalah nla random antara 0 dan, p adalah nla G est. Pada pemelaaran GAPSO pada gd peneltan n tdak menggunakan velocty lama untuk memperaru nla velocty, hal n erpengaruh postf sehngga menuu nla optmal leh terarah dan leh cepat. Hal n dseakan karena pada pada metode GAPSO, dapat terad kemungknan data dar PSO menad data pemelaaran pada GA yang tdak memutuhkan nformas nla velocty seelumnya. Dar hasl pemelaaran GA n dperoleh generas aru yang tdak dpengaruh oleh nla velocty seelumnya. Dengan demkan, maka penggunaan velocty seelumnya dapat memperlamat kearah nla optmal ka terad kemungknan nla dar data PSO pada generas erkutnya dgunakan seaga pemelaaran pada metode GA. Setelah pemelaaran dengan metode GA dlanutkan dengan metode PSO, maka dlakukan analsa ftness dalam peneltan n Mean Square Error dar pengklasfkasan DRLSC untuk mengetahu error yang telah dcapa oleh pemelaaran GAPSO. Penentuan teras erhent dalam peneltan n menggunakan maksmum teras. Seelum memasuk optmas pada PSO, maka perlu adanya konvers nla dar kromosom seagamana persamaan 6 (Saruhan, 004): x=r +(r a -r )g, (6) dmana r adalah atas aah dan r a adalah atas atas dengan g adalah gen dar kromosom. d IV. HASIL UJI COBA DA AALISA Setap u coa yang dlakukan pada ke-3 dataset akan dandngkan pada empat metode yatu tanpa optmas, dengan metode GA, metode PSO, dan optmas dengan GAPSO. ael. Hasl Pemelaaran Data IRIS Metode Ftness %U Coa Σ teras K ta anpa Optmas,e ,33% GA,e ,33% 7 9,65 6 PSO,e ,33% 3 56,54 6 GAPSO,e ,33% 3 85,4 6 Berdasarkan hasl percoaan pada ael, hasl pemelaaran pada ketga metode optmas dan tanpa optmas menghaslkan parameter K dan yang sama, sehngga ftness pada ke-4 parameter memlk nla yang sama. ael. Hasl Pemelaaran Data WIE Metode Ftness %U Coa Σ teras K anpa Optmas 0,076 93,33% 4 75,3 GA 4,e ,33% 30 54,45 7 PSO 4,7e ,33% 7 40, GAPSO 8,9e-00 93,33% ,55 Hasl yang dperoleh erdasarkan ael, nla ftness terkecl dperoleh oleh metode GAPSO. ael 3. Hasl Pemelaaran Data LESA Metode Ftness %U Σ teras K Η anpa Optmas Coa 0,005 9,3% 0,7 GA 0,086 9,3%,7 PSO,6e-005 9,3% 7 3,68 5 GAPSO,9e-006 9,3% 3 3,03 Seagamana pada hasl percoaan pada ael 3, hasl ftness yang ddapatkan pada GAPSO memlk nla terak dandngkan ke- metode optmas dan tanpa optmas. Berdasarkan analsa pada seluruh u coa maka kecenderungan metode GAPSO menghaslkan nla ftness yang leh kecl ka dandngkan metode GA ataupun PSO. Metode GAPSO seak teras pertama hngga konvergen memlk kecenderungan menghaslkan nla ftness yang leh kecl ka dandngkan dengan metode GA ataupun PSO sendr pada setap terasnya. Hal n dpengaruh oleh hasl pemelaaran dar metode Algortma Genetka mempengaruh data pemelaaran pada metode PSO pada setap terasnya. Semakn anyak umlah teras untuk mencapa konvergen dengan data pemelaaran yang sama pada metode 4
5 GAPSO memlk kecenderungan menghaslkan nla ftness yang terkecl dandngkan metode optmas GA ataupun PSO untuk data yang sama. a. Grafk GAPSO. Grafk GA. Grafk PSO d. Grafk anpa Optmas Gamar 3. Grafk ke-4 Metode dengan data Wne V.KESIMPULA Berdasarkan hasl u coa dan analsa yang telah dlakukan maka dapat durakan eerapa kesmpulan, yatu: Pada peneltan n mampu mendapatkan parameter K dan secara otomats dengan menerapkan metode optmas GAPSO. Metode GAPSO yang dterapkan untuk mengoptmas metode DRLSC memlk kecenderungan mampu menghaslkan nla ftness yang leh ak ka dandngkan metode optmas GA ataupun PSO sendr dan tanpa optmas. Pada metode GAPSO, semakn anyak umlah teras untuk mencapa konvergen akan menghaslkan nla ftness yang leh ak ka dandngkan metode GA ataupun PSO dengan data yang sama. Pada peneltan n mash terdapat kelemahan ketka proses pemelaaran K memutuhkan aktu yang lama karena menggunakan dmens seenarnya, untuk mengatas hal n perlu adanya peneltan pengurangan dmens untuk mempercepat proses komputas ketka pada pemelaaran K. VI. DAFAR PUSAKA Bartoll, Andren (000), umercal Optmzaton I Lnear Least Squares, Copenhagen, Denmark. Colett, M., Lash,., Mandsager, C., Mchalsk, R.S. dan Moustafa, R. (999), Comparng Performance of the Learnale Evoluton Model and Genetc Algorthms Appled to Dgtal Sgnal Flters. Dondet, S., Kannan, K. dan Manavalan, R. (005), Genetc Algorthm Optmzed eural etorks Ensemle for Estmaton of Mefenamc Acd and Paracetamol n alets, Acta Chm. Slov., 5, Duda, R.O., Hart, P.E. dan Stork, D.G. (00), Pattern Classfcaton, Wley, e York. Grodzevch, O. dan Wolkocz, H. (005), Regularzaton Usng a Parameterzed rust Regon Suprolem, he atural Scences and Engneerng Research Councl of Canada. Ja, Y., Zhang, C. (008), Local Regularzed Least-Square Dmensonalty Reducton, IEEE /08. Kao, Y.. dan Zahara (008), E., A hyrd genetc algorthm and partcle sarm optmzaton for multmodal functons, Appled Soft Computng Lu, D., Sh,., DDonato, J.A., Carpten, J.D., Zhu, J. dan Duan, Z.H. (004), Applcaton of Genetc Algorthm/K-earest eghor Method to the Classfcaton of Renal Cell Carcnoma, Proceedngs of the IEEE Computatonal Systems Bonformatcs Conference. es, Antle, (003), Hyrd System for Face Recognton, oregan Unversty of Scence and echnology, Faculty of Informaton echnology,mathematcs and Electrcal Engneerng, Department of Computer and Informaton Scence, Dvson of Intellgent Systems / Image Processng Rfkn, R. M. dan Lppert, R. A. (007), otes on Regularzed Least Squares, Computer Scence and Artfcal Intellgence Laoratory echncal Report, MI-CSAIL- R Saruhan, H. (004), Genetc Algorthms: An Optmzaton echnque, EKOLOJĐ, Volume 7, Issue, Svanandam, S.. dan Deepa, S.. (008), Introducton to Genetc Algorthms, Sprnger-Verlag Berln Hedelerg. Song, Y., Huang, J, Zhou, D., Zha, H. dan Gles, C. L. (007), IK: Informatve K-earest eghor Pattern Classfcaton, Sprnger-Verlag Berln Hedelerg. Xue, H., Chen, S. dan Yang, Q. (009), Dscrmnatvely Regularzed Least-Squares Classfcaton, Scence Drect, Pattern Recognton
PENGEMBANGAN 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 terperinciOPTIMASI METODE DISCRIMINATIVELY REGULARIZED LEAST SQUARE CLASSIFICATION DENGAN ALGORITMA GENETIKA
Vol. 5, o. 3, Januar 2010 ISS 0216-0544 OPIMASI MEODE DISCRIMIAIVELY REGULARIZED LEAS SQUARE CLASSIFICAIO DEGA ALGORIMA GEEIKA * Arad Retno r Hayat Rrd, ** Agus Zanal Arfn, *** Anny Yunart * Program Stud
Lebih terperinciOPTIMASI METODE DISCRIMINATIVELY REGULARIZED LEAST SQUARE DENGAN ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION UNTUK PENGKLASIFIKASIAN
OPTIMASI METODE DISCRIMIATIVELY REGULARIZED LEAST SQUARE DEGA ALGORITMA GEETIKA DA PARTICLE SWARM OPTIMIZATIO UTUK PEGKLASIFIKASIA Ariadi Retno Tri Hayati Ririd 1) Agus Zainal Arifin 2) Anny Yuniarti 3)
Lebih terperinciMetode Algoritma Genetika dan Darwinian Particle Swarm Optimization dengan Variable Acceleration Factor Untuk Fungsi Multimodal
Vol. 5, No. 3 Desember 2016 ISSN 2088-2130;e-ISSN 2502-4884 Metode Algortma Genetka dan Darwnan Partcle Swarm Optmzaton dengan Varable Acceleraton Factor Untuk Fungs Multmodal Arad Retno Tr Hayat Manajemen
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 terperinciMETODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
TESIS METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS Oleh : I Made Wdartha NRP. 5109201009 Dosen Pembmbng : Dr. Agus Zanal Arfn, S.Kom, M.Kom Anny Yunart, S.Kom, M.Comp.Sc
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 terperinciBAB 3 GAMBARAN UMUM TEMPAT RISET
BAB 3 GAMBARAN UMUM TEMPAT RISET 3. Sejarah dan Kegatan Operasonal Perusahaan 8 3.. Sejarah Perkemangan Kantor Perwaklan Bank Indonesa Wlayah I (Sumut & Aceh) 8 3. Struktur Organsas dan Deskrps Tugas Kantor
Lebih terperinciGambar 3.1 Diagram alir penelitian
BAB 3 METODE PENELITIAN 3.1 Dagram Alr Peneltan Materal Amorph Magnetk (Fe 73 Al 5 Ga 2 P 8 C 5 B 4 S 3 ) Ekspermen DfraksNeutron (I vs 2theta) Smulas Insalsas atom secara random Fungs struktur, F(Q) Perhtungan
Lebih terperinciDalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang
LARGE SCALE SYSEM Course by Dr. Ars rwyatno, S, M Dept. of Electrcal Engneerng Dponegoro Unversty BAB V OPIMASI SISEM Dalam sstem pengendalan berhrark level, maka optmas dapat dlakukan pada level pertama
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 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 terperinciPENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY
PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY I Made Wdartha Program Stud Teknk Informatka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana emal : madewdartha@cs.unud.ac.d
Lebih terperinciDekomposisi Nilai Singular dan Aplikasinya
A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak
Lebih terperinciOPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO)
OPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO) Efrta Arfah Z Jurusan Teknk Elektro, FTI-ITATS Surabaya Jl. Aref Rahman Hakm 100 Tlp
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih 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 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 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 terperinciAPLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)
APLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) Irfrans Kusmarna, Luh Kesuma Wardhan 2, Muhammad Safrzal 3,3 Jurusan Teknk Informatka, Fakultas Sans dan Teknolog,
Lebih terperinciAnalisa dan Penerapan Metode Particle Swarm Optimization Pada Optimasi Penjadwalan Kuliah
Jurnal Teknk Informatka, Vol 1 September 2012 Analsa dan Penerapan Metode Partcle Swarm Optmzaton Pada Optmas Penjadwalan Kulah Rasha Ashla Rachman 1), Dadang Syarf 2), Rka Perdana Sar 3) 1) Program Stud
Lebih terperinciPrediksi Jumlah Follower Official Account Line Menggunakan Regresi dan Algoritma Genetika
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 217, hlm. 1312-132 http://j-ptk.ub.ac.d Predks Jumlah Follower Offcal Account Lne Menggunakan Regres dan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Pustaka 2.1.1 Tmetable Tmetable merupakan alokas subjek yang memlk kendala untuk dtempatkan pada ruang waktu (Gan dkk, 2004). Permasalahan Tmetable cukup luas. Masalah
Lebih terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih terperinciPENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION
PENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION Yudh Purwananto Rully Soelaman dan Bambang Santoso. Fakultas Teknolog Informas Insttut Teknolog Sepuluh Nopember
Lebih terperinciHuman-Friendly Arm Robot Berbasis Interactive Particle Swarm Optimization (IPSO)
Human-Frendly Arm Robot Berbass Interactve Partcle Swarm Optmzaton (IPSO) Anhar Rsnumawan, Indra Adj Sulstjono ) Jurusan Teknk Elektronka, Polteknk Elektronka Neger Surabaya Kampus PENS-ITS Sukollo, Surabaya
Lebih terperinciPercobaan Faktor Tunggal (RAL, RAKL, RBSL)
Percoaan Faktor Tunggal RAL, RAKL, RBSL Faktor Tunggal Dalam RAKL Rancangan Acak Kelompok Lengkap Karakterstk Rancangan Perlakuan yang dcoakan merupakan taraftaraf dar satu faktor tertentu Faktor-faktor
Lebih terperinciAPROKSIMASI NON-UNIFORM SPASIAL PERSAMAAN PANAS 1D DENGAN FINITE POINTSET METHOD
Indonesan Sysmphosum on Computng 05 ISSN : 406-395 APROKSIMASI NON-UNIFORM SPASIA PERSAMAAN PANAS D DENGAN FINITE POINTSET METHOD Putu Harry Gunawan, Frska Frstella Industral and Fnancal Mathematcs Research
Lebih terperinciBAB 2 LANDASAN TEORI. Istilah regresi diperkenalkan oleh seorang yang bernama Francis Gulton dalam
BAB LANDASAN TEORI Pengertan Regres Istlah regres dperkenalkan oleh seorang yang ernama Francs Gulton dalam makalah erjudul Regresson Towerd Medacraty n Heredtary Stature Menurut hasl peneltan elau, meskpun
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sumer daya kelautan dan perkanan adalah salah satu sumer daya alamyang merupakan aset negara dan dapat memerkan sumangan yang erharga ag keseahteraan suatu angsa termasuk
Lebih terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
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 terperincimenyelesaikan permasalahan dalan penulisan.
BAB 5 : IMPLEMENTASI SISTEM Ba n mengurakan proses pengolahan data dengan program yang akan dgunakan yatu SPSS yang memantu dalam menyelesakan permasalahan dalan penulsan. BAB 6 : KESIMPULAN DAN SARAN
Lebih terperinciPola Spatial Persebaran Pusat Perbelanjaan Modern di Surabaya Berdasarkan Probabilitas Kunjungan
JURNAL EKNIK POMI Vol. 2, No. 2, (2013) IN: 2337-3539 (2301-9271 Prnt) C-234 Pola patal Persearan Pusat Perelanjaan Modern d uraaya Berdasarkan Proaltas Kunjungan Achmad Mftahur Rozak dan Putu Gde Arastta
Lebih terperinciPENGURUTAN DATA. A. Tujuan
PENGURUTAN DATA A. Tuuan Pembahasan dalam bab n adalah mengena pengurutan data pada sekumpulan data. Terdapat beberapa metode untuk melakukan pengurutan data yang secara detl akan dbahas ddalam bab n.
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
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 terperinciOptimasi Fungsi Keanggotaan Fuzzy
Optmas Fungs Keanggotaan Fuzzy Tsukamoto Dua Tahap Menggunakan Algortma Genetka Pada Pemlhan Calon Penerma Beasswa dan BBP-PPA (Stud Kasus: PTIIK Unverstas Brawjaya Malang) Bunga Amela Restuputr 1, Wayan
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB LANDASAN TEORI Unverstas Sumatera Utara . Pengertan Regres Istlah regres pertama kal dperkenalkan oleh Francs Galtom. Menurut Galtom, analss regres erkenaan dengan stud ketergantungan dar satu varael
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 terperinciSIMULASI SMOOTHED PARTICLE HYCRODYNAMICS DUA DIMENSI DENGAN METODE DETEKSI PARTIKEL PERMUKAAN
SIMULASI SMOOTHED PARTICLE HYCRODYNAMICS DUA DIMENSI DENGAN METODE DETEKSI PARTIKEL PERMUKAAN Muh.Kk Ad Panggayuh 1, Sr Suryan P., Dede Tarwd 3 1,,3 Prod Ilmu Komputas Telkom Unversty, Bandung 1 adpanggayuh@gmal.com,
Lebih terperinciBab 1 PENDAHULUAN 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 terperinciPola Spatial Persebaran Pusat Perbelanjaan Modern Di Surabaya Berdasarkan Probabilitas Kunjungan
JURNAL EKNIK POMI Vol. 2, No. 1, (2013) IN: 2337-3539 (2301-9271 Prnt) 1 Pola patal Persearan Pusat Perelanjaan Modern D uraaya Berdasarkan Proaltas Kunjungan Achmad Mftahur Rozak dan Putu Gde Arastta
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 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 terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciOptimasi Penampang Persegi Panjang pada Elemen Balok Prategang (Studi Kasus pada Hotel Alila Surakarta)
Optmas Penampang Perseg Panjang pada Elemen Balok Prategang Stud Kasus pada Hotel Alla Surakarta) Dweky Anugerah 1), Steanus Ad Krstawan 2), Edy Purwanto 3) 1) Mahasswa Program Stud Teknk Spl, Fakultas
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 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 terperinciAnalisis Kecepatan Dan Percepatan Mekanisme Empat Batang (Four Bar Lingkage) Fungsi Sudut Crank
ISSN 907-0500 Analss Kecepatan Dan Percepatan Mekansme Empat Batang (Four Bar ngkage Fungs Sudut Crank Nazaruddn Fak. Teknk Unverstas Rau nazaruddn.unr@yahoo.com Abstrak Pada umumnya analss knematka dan
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: madha@stkom.edu 2) S1
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciPENYELESAIAN MASALAH PANAS BALIK (BACKWARD HEAT PROBLEM)
PENYELESAIAN MASALAH PANAS BALIK (BACKWARD HEAT PROBLEM) Rcha Agustnngsh, Drs. Lukman Hanaf, M.Sc. Jurusan Matematka, Fakultas MIPA, Insttut Teknolog Sepuluh Nopember (ITS) Jl. Aref Rahman Hakm, Surabaya
Lebih terperinciMEMINIMALKAN RUGI-RUGI PADA SISTEM DISTRIBUSI TEGANGAN MENENGAH DENGAN PEMASANGAN KAPASITOR
MEMINIMALKAN RUGI-RUGI PADA SISTEM DISTRIBUSI TEGANGAN MENENGAH DENGAN PEMASANGAN KAPASITOR Adranus Dr Program Stud Teknk Elektro Jurusan Teknk Elektro Fakultas Teknk Unverstas Tanjungpura adranus_dr@yahoo.co.d
Lebih terperinciIMPLEMENTASI FUNGSI PEMBANGKIT NUMERIK DENGAN METODE PIECEWISE POLYNOMIAL
IMPLEMENTASI FUNGSI PEMBANGKIT NUMERIK DENGAN METODE PIECEWISE POLYNOMIAL Munah Nur Sa adah, Yudh Purwananto, Rully Soelaman Teknk Informatka, Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember
Lebih terperinciOPTIMASI MASALAH PENUGASAN. Siti Maslihah
JPM IIN ntasar Vol. 01 No. 2 Januar Jun 2014, h. 95-106 OPTIMSI MSLH PNUGSN St Maslhah bstrak Pemrograman lner merupakan salah satu lmu matematka terapan yang bertuuan untuk mencar nla optmum dar suatu
Lebih terperinciINTEGRASI EKSTRAKSI FITUR LOCAL BINARY PATTERN DAN GRAY-LEVEL COOCCURENCE METRIX UNTUK PENGENALAN EKSPRESI MULUT PEMBELAJAR
ISSN prnt 087-1716 ISSN onlne 548-7779 ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017 INTEGRASI EKSTRAKSI FITUR LOCAL BINARY PATTERN DAN GRAY-LEVEL COOCCURENCE METRIX UNTUK PENGENALAN EKSPRESI MULUT PEMBELAJAR
Lebih terperinciPEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Studi Kasus : Metode Secant)
PEMAHAMAN METODE NUMERIK MENGGUNAKAN PEMPROGRMAN MATLAB (Stud Kasus : Metode Secant) Melda panjatan STMIK Bud Darma, Jln.SM.Raja No.338 Sp.Lmun, Medan Sumatera Utara Jurusan Teknk Informatka e-mal : meldapjt.78@gmal.com
Lebih terperinciDesain Kontroler PID-Genetic Algorithm untuk Sistem Pengaturan Level Air Steam Drum pada Pembangkit Listrik Tenaga Uap (PLTU)
JURNAL TEKNIK ITS Vol. 6, No. 1, (2017) ISSN: 2337-3539 (2301-9271 Prnt) A-153 Desan Kontroler PID-Genetc Algorthm untuk Sstem Pengaturan Level Ar Steam Drum pada Pembangkt Lstrk Tenaga Uap (PLTU) Mohamad
Lebih terperincib. Tentukan eigenket-eigenket dari sistem tersebut sebagai kombinasi linier dari 1 dan 2
Solus UTS Mekanka Kuantum Program Stud S Fska Tanggal ujan: 6 Oktoer 7 Dosen: Muhammad Azz Majd, Ph.D. Assten: Ahmad Syahron, S.S. Soal Hamltonan seuah sstem -keadaan two states system dnyatakan dengan
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 terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
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 terperinciAnalisis Pengaruh Kernel Support Vector Machine (SVM) pada Klasifikasi Data Microarray untuk Deteksi Kanker
OPEN ACCESS ISSN 460-9056 socj.telkomunversty.ac.d/ndojc Ind. Journal on Computng Vol., Issue. 1, Maret 017. pp. 109-118 do:10.1108/ndojc.017.1.169 Analss Pengaruh Kernel Support Vector Machne (SVM) pada
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih 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 terperinciPertemuan ke-4 Analisa Terapan: Metode Numerik. 4 Oktober 2012
Pertemuan ke-4 Analsa Terapan: Metode Numerk 4 Oktober Persamaan Non Non--Lner: Metode NewtonNewton-Raphson Dr.Eng. Agus S. Muntohar Metode Newton Newton--Raphson f( f( f( + [, f(] + = α + + f( f ( Gambar
Lebih terperinciKlasifikasi Dokumen Menggunakan Algoritma Naïve Bayes dengan Penambahan Parameter Probabilitas Parent Category
Fakultas Ilmu Komputer Unverstas Indonesa Klasfkas Dokumen Menggunakan Algortma Naïve Bayes dengan Penambahan Parameter Probabltas Parent Category Bayu Dstawan Trsedya - 0906644511 Hardnal Jas 0806444530
Lebih terperinciPrediksi Penerimaan Zakat menggunakan Metode Support Vector Regression (SVR) dengan Flower Pollination Algorithm (FPA)
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 548-964X Vol. 1, No. 7, Jun 017, hlm. 534-544 http://j-ptk.ub.ac.d Predks Penermaan Zakat menggunakan Metode Support Vector Regresson (SVR)
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciBAB 2 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 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 terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih terperinciBAB 3. METODOLOGI PENELITIAN
BAB 3. METODOLOGI PENELITIAN 3.1. Bagan Alr Peneltan Vergds et al. (2007) mengusulkan dua langkah dasar dar framework multobectve optmsas untuk perancangan proses bsns. Langkah pertama adalah membuat konstruks
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 terperinciPENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER
Penerapan Program Lner Kabur dalam Analss.. Elfranto PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER Elfranto Dosen Unverstas Muhammadyah Sumatera Utara Abstrak: Salah satu kaan
Lebih terperinciBAB III SKEMA NUMERIK
BAB III SKEMA NUMERIK Pada bab n, akan dbahas penusunan skema numerk dengan menggunakan metoda beda hngga Forward-Tme dan Centre-Space. Pertama kta elaskan operator beda hngga dan memberkan beberapa sfatna,
Lebih terperinciANALISIS ALGORITMA BAYESIAN TERHADAP BASIS KASUS UNTUK KERUSAKAN PERSONAL COMPUTER (PC)
ANALISIS ALGORITMA BAYESIAN TERHADAP BASIS KASUS UNTUK KERUSAKAN PERSONAL COMPUTER (PC) Dna Maulna Sstem Informas STMIK AMIKOM Yogyakarta emal : dna.m@amkom.ac.d Abstract Personal Computer ( PC ) s a set
Lebih terperincitoto_suksno@uny.ac.d Economc load dspatch problem s allocatng loads to plants for mnmum cost whle meetng the constrants, (lhat d http://en.wkpeda.org/) Economc Dspatch adalah pembagan pembebanan pada pembangktpembangkt
Lebih terperinciOPTIMASI LETAK DAN SIFAT PEREDAM MASSA SELARAS UNTUK MENGURANGI RESPONS STRUKTUR AKIBAT GEMPA
Konferens Nasonal Teknk Spl 4 (KoNTekS 4) Sanur-Bal, -3 Jun 010 OPTIMASI LETAK DAN SIFAT PEREDAM MASSA SELARAS UNTUK MENGURANGI RESPONS STRUKTUR AKIBAT GEMPA Yoyong Arfad 1 1 Program Stud Teknk Spl, Unverstas
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 terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
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 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 terperinciPERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
Lebih terperinciKAJIAN DAN ALGORITMA PELABELAN PSEUDO EDGE-MAGIC. memiliki derajat maksimum dan tidak ada titik yang terisolasi. Jika n i adalah
BAB III KAJIAN DAN ALGORITMA PELABELAN PSEUDO EDGE-MAGIC III. Batas Bawah Magc Number pada Pelabelan Total Pseudo Edge-Magc Teorema 3.. Anggap G = (,E) adalah sebuah graf dengan n-ttk dan m-ss dan memlk
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 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 terperinciPeramalan Jumlah Pemakaian Air di PT. Pembangkitan Jawa Bali Unit Pembangkit Gresik Menggunakan Support Vector Regression
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 548-964X Vol., No. 10, Oktober 018, hlm. 3788-3795 http://j-ptk.ub.ac.d Peramalan Jumlah Pemakaan Ar d PT. Pembangktan Jawa Bal Unt Pembangkt
Lebih terperinciRoy Madi Mahasiswa Teknik Informatika, FT UMRAH
OPTIMASI WAKTU KEBERANGKATAN FERRY TANJUNGPINANG BATAM DENGAN METODE PARTICLE SWARM OPTIMIZATION (Stud Kasus : Pelabuhan Sr Bntan Pura, Kota Tanjungpnang) Roy Mad Mahasswa Teknk Informatka, FT UMRAH (roymad0@gmal.com)
Lebih terperinciPENGGUNAAN HIBRIDISASI GENETICS ALGORITHMS DAN FUZZY SETS UNTUK MEMPRODUKSI PAKET SOAL
PENGGUNAAN HIBRIDISASI GENETICS ALGORITHMS DAN FUZZY SETS UNTUK MEMPRODUKSI PAKET SOAL Rolly Intan Fakultas Teknolog Industr, Jurusan Teknk Informatka, Unverstas Krsten Petra e-mal: rntan@petra.ac.d ABSTRAK:
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Pengenalan pola atau dkenal dengan seutan pattern recognton merupakan salah satu caang sans yang pada dasarnya adalah suatu sstem yang ertujuan mengklasfkas ojek-ojek ke dalam
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 terperinciStudi Optimal Power Flow Sistem Kelistrikan 500 kv Jawa Bali dengan Metode Algoritma Genetika
Meda Elektrka, Vol. 6 No. 1, Jun 2013 ISSN 1979-7451 Stud Optmal Power Flow Sstem Kelstrkan 500 kv Jawa Bal dengan Metode Algortma Genetka Yassr 1, Sarjya 2, T. Haryono 3 1,2,3 Jurusan Teknk Elektro dan
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 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 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 terperinci