BAB 3 METODOLOGI PERANCANGAN
|
|
- Yuliana Sasmita
- 6 tahun lalu
- Tontonan:
Transkripsi
1 9 BAB 3 METODOLOGI PERANCANGAN Bab n bers penjelasan mengena langkah-langkah perhtungan serta prosedurprosedur yang dgunakan untuk menemukan solus atas rumusan masalah pada Bab. Dalam bab n juga akan dtamplkan objek-objek yang dgunakan dalam peneltan untuk kebutuhan tranng data. 3. Pengenalan Ctra Objek Pada peneltan n, dgunakan 70 ctra objek yang terdr dar 7 model kontur sandal Dhf s tampak atas (kanan atau kr saja, bukan sepasang). Setap model sandal dambl sampel sebanyak 0 ctra dalam poss yang berbeda-beda, d mana 8 ctra dgunakan sebaga tahap pelathan (sample learnng) dan ctra dgunakan sebaga tahap pengujan (sample detecton). Setap ctra menggunakan format btmap karena format n menympan ctra pksel per pksel dan tanpa kompres data sehngga tdak terjad kehlangan nformas pada ctra yang dapat mengurang keakuratan pengenalan. Ctra yang dgunakan ratarata berukuran 4 x 38 pksel sesua dengan pertmbangan untuk memperoleh keteltan dan kecepatan pengenalan yang optmal. Proses pengamblan ctra adalah dengan cara memotret objek menggunakan kamera dgtal. Ctra tersebut kemudan dubah ke dalam bentuk fle.bmp berukuran 4 x 38 pksel dengan menggunakan software Adobe Photoshop.
2 30 Berkut n adalah ctra objek yang dgunakan dalam peneltan: Hat Kodok
3 3 Lumba-lumba Panda
4 3 Paus Semangka
5 33 Strober 3. Representas Ctra Dengan Fourer Descrptors Peneltan n memanfaatkan Fourer Descrptors sebaga praproses untuk mencptakan representas ctra yang akan dgunakan sebaga nput bag jarngan syaraf truan. Proses representas ctra dengan Fourer Descrptors terdr dar beberapa tahap, yatu tahap read pcture, tahap mencar centre of gravty, tahap mencar Pont M (ttk terjauh), tahap mencar ttk-ttk koordnat, tahap menghtung panjang dan besar sudut dar kontur objek, dan tahap mencar parameter Fourer Descrptors. 3.. Read Pcture Modul n dgunakan untuk mengambl objek dar fle grafk PCX 56 warna. Ada lma prosedur yang dpanggl dalam modul n, yatu prosedur ReadHeader, ReadPalette, ChangePalette, dan UnpackPCX. Prosedur ReadHeader berfungs untuk menbaca record yang bers header fle PCX yang berukuran 8 byte dan berada pada awal fle. Header yang sudah terbaca
6 34 dtampung ke dalam satu varabel yang bernama Head. Varabel Head telah ddeklaraskan sebaga record. Feld-feld pada Head bers nformas header. Dar feld Manufacturer (byte 0) dan Verson (byte ) dapat dketahu apakah fle yang sedang dbaca adalah fle PCX 56 warna. Jka benar, dmens mage (byte 4) dsmpan ke dalam varabel Wdth dan Depth. Selan tu, yang perlu dsmpan adalah feld BytePerLne (byte 66) yang dmasukkan ke dalam varabel Bytes. Varabel n bers jumlah byte per bars dar data fle PCX. Prosedur ReadPalette untuk membaca palet warna. Palet n ukurannya 768 byte dan berada pada akhr fle. Ukuran 768 byte n terdr dar 56 tngkat warna merah (R), hjau (G), dan bru (B). Palet selalu dawal dengan kode. Palet yang terbaca dsmpan ke dalam varabel Color. Tamplan mode VGA hanya menyedakan 64 tngkat untuk warna merah, hjau, dan bru, oleh sebab tu 56 tngkat warna n harus dbag dengan 4 agar menjad 64 tngkat warna. Prosedur ChangePalette merupakan suatu nterups yang membertahukan bahwa akan terjad transfer nformas ke card VGA. Prosedur UnpackPCX adalah prosedur untuk membuka data fle PCX yang tercompress dengan melakukan encodng. Proses encodng data fle PCX dsebut runlength encodng dan dlakukan dengan membaca data per bars. Jumlah bars data fle PCX dperoleh dar varabel Depth. Pada setap bars, pertama-tama dlakukan pembacaan byte pertama dar setap bars, msalkan byte pertama bernla j. Dua bt awal dperksa apakah. Jka bukan, maka byte tu sendr merupakan suatu nla data tunggal. Tetap jka benar, maka ada k byte data yang bernla j, d mana k adalah nla dar ssa enam bt terakhr ( k ) dar byte
7 35 pertama tad. Jka byte pertama adalah 0 00, maka k = 3. Proses pembacaan (scannng) n dlakukan sampa byte terakhr (byte 60) dar setap bars. Hasl dar pembacaan ctra fle PCX n dsmpan ke dalam varabel Image. Jad Image adalah varabel array yang menympan nformas ctra dengan ukuran 60 x 00 pksel. 3.. Centre Of Gravty Setelah ctra PCX dbaca, langkah berkutnya adalah menentukan ttk berat (centre of gravty) objek. Untuk mencar ttk berat, persamaannya adalah : T N N M y M x t= t=, = t, (3.) N N A A t= t= ( x y ) t Untuk memasukkan nla-nla ke dalam persamaan n, yang harus dcar terlebh dahulu adalah chan code. Setelah chan code dcar, baru dapat dperoleh harga momen sumbu x (M x ), momen sumbu y (M y ), dan luas (A). Dalam mencar chan code, langkah pertama adalah menemukan ttk awal objek. Pencaran ttk awal dlakukan dengan prosedur Intal_Search. Pencaran ttk awal objek dlakukan dengan scannng per bars dmula dar pksel palng kr atas. Setap pksel memlk tngkat warna tertentu. Karena Objek berwarna dengan latar belakang puth, maka pencaran akan berhent jka sudah menemukan pksel yang berwarna. Arah atau chan pada chan code dcar mula dar ttk awal dan berakhr pada ttk yang sama. Pencaran dlakukan dengan prosedur SearchCode. Cara pencaran arah dapat dlhat pada Gambar 3.
8 chan drecton 7 startng chan chan = 0 chan = chan = chan = 3 chan = 4 chan = 5 chan = 6 chan = 7 Gambar 3. Pencaran arah pada Freeman Code Karena scannng dlakukan dar atas, maka arah mula-mula danggap 0. Hasl pencaran arah n dsmpan ke dalam daftar berkat (lnk-lst) dengan chan code sebaga penunjuk/ponter awal daftar berkat. Prosedur untuk menympan arah-arah chan code adalah prosedur SaveCode_To_Buffer. Selan mendapatkan arah-arah chan code, dar prosedur ChanCode dsmpan juga koordnat-koordnat ttk yang membentuk kellng
9 37 objek. Koordnat-koordnat n dsmpan ke dalam daftar berkat juga, d mana kontur sebaga penunjuk awal. Proses penympanan koordnat n dlakukan dengan prosedur SaveCoord_To_Buffer. Dar ttk-ttk yang membentuk kellng objek dperoleh magemage, jumlah ttk dsmpan dalam varabel SumOfPont. Setelah dperoleh arah-arah chan code, nla M x, M y, dan A dapat dcar dengan melhat tabel. Tabel 3. Tabel Rumus mencar luas (A) dan momen Vektor A M x M y 0 y y 0 + y y y x x 0 0 x 3 + y 6 y y 6 + x x 4 y y 0 5 y 6 + y y 6 + x x x 7 y 6 + y y 6 x x Dengan dperoleh nla M x, M y dan A, maka ttk berat (ttk T) dapat dcar, koordnat ttk berat dnyatakan dengan (X t,y t ).
10 38 Pada akhr prosedur chan code, s dar daftar berkat dpndahkan ke dalam array dengan prosedur MoveCoordToArray. Varabel array yang dgunakan adalah ArContour. Pemndahan n dlakukan karena s daftar berkat n akan berubah setelah objek mengalam transformas. Setelah s daftar berkat dpndahkan, memor yang dgunakan untuk daftar berkat dbebaskan dengan prosedur DsposeContour Pont M Prosedur Pont_M untuk mencar ttk terjauh (ttk M) dar ttk berat. Cara pencaran ttk M dengan mengukur jarak antara ttk M dengan ttk-ttk yang membentuk kellng objek (kontur). Hasl pengukuran jarak dbandngkan, ttk yang menghaslkan jarak terjauh dengan ttk T dnyatakan sebaga ttk M. Rumus untuk mengukur jarak dapat dhtung dengan persamaan: d ( x x ) + ( y y ) p t p t = (3.) Jarak d dapat dcar karena koordnat ttk T dan ttk-ttk lannya sudah dketahu. Jarak maksmum dsmpan ke dalam varabel dmax, sedangkan koordnat ttk terjauh dnyatakan dengan (X max,y max ) Car Ttk Koordnat Ttk terjauh (ttk M) merupakan koordnat dar ttk pertama, dlanjutkan dengan koordnat ttk ke dua dan seterusnya hngga mencapa koordnat ttk ke semblan. Pada kontur objek yang dtelt penuls hanya menentukan 9 ttk koordnat.
11 Htung panjang dan sudut (Menghtung Panjang dan Besar Sudut dar Kontur Objek) Dengan mengetahu ttk-ttk koordnat kontur objek, maka dapat dhtung panjang setap edge dar objek yang bersangkutan (lhat Gambar 3.). Suatu edge dnyatakan oleh dua buah verteks yang berdampngan. ( x, ) m y m l m Δl l ( x, ) m y ( x, ) y Gambar 3. Gambar sebuah edge E yang dbentuk dar dua buah verteks yang berdampngan V dan V m Untuk menghtung panjang edge dar verteks V sampa dengan verteks V m dapat dgunakan rumus Pythagoras. D mana egde E merupakan ss mrngnya, sehngga panjang dar edge E adalah: Δ l = l + l (3.3) m d mana: l = x x dan m l m = y y (3.4) m Sehngga rumusnya secara lengkap menjad sepert d bawah n : ( x x ) + ( y y ) m m Δ l = (3.5)
12 40 Sedangkan untuk mencar besarnya sudut dar sebuah verteks ke verteks lannya dgunakan cara vektor. ΔΦ merupakan perubahan sudut pada verteks V (lhat Gambar 3.3). Terdapat dua edge yang bertemu pada verteks V, yatu edge (V -,V ) dan edge (V,V + ). V + V + V ΔΦ ΔΦ V V V Gambar 3.3 Gambar dua buah edge yang bertemu pada verteks V dengan sudut sebesar ΔΦ Untuk mencar besar sudut ΔΦ dgunakan cara vektor dot product, yakn : cos ΔΦ = V V V VV + V VV + (3.6) Atau dapat juga dtulskan sebaga berkut: cos ΔΦ = ( x x )( x+ x ) + ( y y )( y+ y ) ( x x ) + ( y y ) ( x x ) + ( y y ) (3.7) + + Karena untuk bahasa pemrograman C# memberkan nla arccos (- Φ ) d antara 0 π, jad untuk menentukan tanda (postf atau negatf) dar ΔΦ n dgunakan teor graden dar suatu edge (lhat Gambar 3.4).
13 4 V + ΔΦ V α β α β V Gambar 3.4 Gambar dua buah edge dengan gaden m dan m Dengan menentukan: tg( β ) tg β tgα a = (3.8) + tg β tgα d mana: m = tgα = y x y x m = y x + tgβ = (3.9) + y x dan memerksa apakah tg(β α) n bernla postf atau negatf, maka dapat dtentukan:. Perubahan sudut = + ΔΦ, jka 0 < ΔΦ < dan tg(β - α) postf atau ½ π < ΔΦ < π dan tg(β α) negatf.. Perubahan sudut = - ΔΦ, jka 0 < ΔΦ < dan tg(β α) negatf atau ½ π < ΔΦ < π dan tg(β - α) postf. Dengan menggunakan cara-cara sepert d atas, maka dapat dhtung besarnya perubahan sudut dar suatu verteks ke verteks lannya. Akan tetap akan muncul satu
14 4 kesultan lag apabla salah satu edge dar kontur objek tersebut ternyata sejajar dengan sumbu Y atau dengan kata lan Δx = 0, sehngga graden untuk edge tersebut adalah: y = y m = (3.0) 0 Komputer tdak dapat menghtung suatu blangan yang dbag dengan 0. Oleh karena tu dgunakan pendekatan lan, khusus untuk edge yang sejajar dengan sumbu Y atau Δx = 0, yatu dengan memperhatkan arah perputarannya. Untuk hal n ada dua keadaan yatu bla x + = x atau x - = x. Untuk masng-masng keadaan ada 4 kemungknan perputaran arah (lhat Gambar 3.5 (a) dan Gambar 3.5 (b)). Untuk keadaan x + = x (Gambar 3.5 (a)) a. Untuk x - < x dan y > y +, maka perubahan sudut ΔΦ adalah bertanda postf. b. Untuk x - < x dan y < y +, maka perubahan sudut ΔΦ adalah bertanda negatf. c. Untuk x - > x dan y > y +, maka perubahan sudut ΔΦ adalah bertanda negatf. d. Untuk x - > x dan y < y +, maka perubahan sudut ΔΦ adalah bertanda postf. Untuk keadaan x - = x (Gambar 3.5 (b)) a..untuk x > x + dan y - < y, maka perubahan sudut ΔΦ adalah bertanda negatf. b. Untuk x > x + dan y - > y, maka perubahan sudut ΔΦ adalah bertanda postf c. Untuk x < x + dan y - < y, maka perubahan sudut ΔΦ adalah bertanda postf d. Untuk x < x + dan y - > y, maka perubahan sudut ΔΦ adalah bertanda negatf
15 43 V + a c V V V b d V + Gambar 3.5 (a) Berbaga kemungknan perputaran arah untuk keadaan x = x +. V c a V + V d V + b V Gambar 3.5 (b) Berbaga kemungknan perputaran arah untuk keadaan x - = x. Dengan pendekatan-pendekatan sepert nlah dapat dhtung panjang dan besar sudut dar suatu verteks ke verteks lan pada kontur suatu objek.
16 Car parameter Setelah mendapatkan panjang dan besar sudut dar suatu verteks ke verteks lannya pada kontur suatu objek, maka dapat dhtung besarnya parameter Fourer Descrptors dar objek tersebut. Untuk menghtung parameter Fourer Descrptors dar suatu objek cukup menggunakan rumus-rumus sebaga berkut: m μ = π ΔΦ dan 0 l k L k = k a n = m nπ k = ΔΦ k n lk π l sn L b n = m nπ k = ΔΦ k n lk π l cos L (3.) d mana: m : jumlah atau banyaknya ttk atau verteks dar suatu kontur objek l k : panjang edge yang ke-k ΔΦ k : besarnya sudut pada verteks atau ttk ke-k L : besarnya kelllng objek (panjang kontur objek) Besarnya nla m = 9 dtentukan oleh penuls, sedangkan besarnya nla l k dan ΔΦ k (panjang edge dan besar sudut) bsa ddapatkan dar Prosedur Ht_pjg_sdt. Sedangkan kellng objek (nla L) ddapatkan dengan menjumlahkan seluruh panjang edge pada kontur objek. Dengan mengetahu seluruh besarnya nla-nla varabel yang dperlukan, maka besarnya parameter Fourer Descrptors dapat dcar atau dhtung. Parameter-parameter Fourer Descrptors dar suatu objek merupakan cr-cr dar objek tersebut. Dengan cr-cr n, maka suatu objek dapat dkenal.
17 Klasfkas Representas Ctra Objek Mengunakan Jarngan Saraf Truan 3.3. Tahap Pelathan Jarngan Saraf Truan JST dgunakan untuk mengelompokkan ctra objek yang telah drepresentaskan sebaga deret Fourer. Proses pengelompokkan terdr dar dua tahap, yatu tahap pelathan dan tahap pengujan. Tahap pelathan berguna untuk menentukan bobot untuk masng-masng node pada tap lapsan JST, sedangkan tahap pengujan berguna untuk mengenal ctra yang dujkan pada JST. Model JST yang dgunakan adalah model JST Back Propagaton dengan topolog 3 layer, yatu layer masukan (nput layer), layer tersembuny (hdden layer), dan layer keluaran (output layer). Dalam peneltan n, ctra objek yang dtelt sebanyak 56 sehngga terdapat 56 node pada nput layer dan ada 7 tpe model sandal sehngga terdapat 7 node pada output layer. Kemudan output yang dhaslkan pada output layer dbandngkan dengan output yang dharapkan. Jka terdapat selsh, maka nla selsh yang terjad dpropagas balk ke layer sebelumnya untuk dlakukan penyesuaan bobot. Pada dasarnya untuk membentuk suatu sstem neural, hanya dperlukan 3 tahap, yatu forward propagaton, backward propagaton, dan update weght Forward Propagaton Forward propagaton bertujuan untuk menentukan output dar suatu node. Output yang dmaksud d sn adalah keluaran dar output layer apakah sudah sesua dengan target output atau belum.
18 46 Weght Input Layer Output Layer Gambar 3.6 Representas Forward Propagaton Weght yang terdapat pada gambar merupakan weght dar output layer. Untuk mencar output yang terdapat pada output layer dapat dcar dengan rumus sebaga berkut : Output = + e Acc (3.) dmana e = blangan euler =, Sedangkan Acc merupakan blangan accumulator, yatu jumlah perkalan dar weght pada output layer dengan output pada nput layer. Acc = Σ (Weght j Out ) (3.3)
19 47 Sebaga contoh penerapannya adalah sebaga berkut : msalkan nput layer ada sebanyak 3 node dan output layer ada sebanyak node. Weght Weght 0,4-0,3 0, 0, -0,5-0,6 0, 0,4-0,3-0, Hdden Layer Output Layer Input Layer Gambar 3.7 Perhtungan Output pada Output Layer Target output pada output layer adalah 0,7 dan 0, sedangkan target Galat system = 0,000.
20 48 Input Layer Hdden Layer Output Layer Output = 0, Output =? Output =? Output = 0,3 Output =? Output =? Output 3 = 0, Maka langkah pertama yang dlakukan adalah mencar blangan accumulator pada hdden layer. Acc = Σ (Weght j Out ) Acc Hdden = Σ (Weght j Output pada Input Layer) = (0,4 0,) + (0, 0,3) + (0,4 0,) = 0,5 Acc Hdden = Σ (Weght j Output pada Input Layer) = (-0,3 0,) + (-0,6 0,3) + (-0, 0,) = -0,3 Setelah mendapatkan blangan accumulator-nya, maka bsa dcar output pada hdden layer, dengan rumus : Output = + e Acc Output = + e AccHdden Output = + e AccHdden + e = 0, 5 + e = 0, 3 = 0,5374 = 0,448 Selanjutnya adalah menghtung blangan accumulator pada output layer. Acc = Σ (Weght j Out ) Acc Output = Σ (Weght j Output pada Hdden Layer) = (0, 0,537) + (0, 0,443) = 0,57
21 49 Acc Output = Σ (Weght j Output pada Hdden Layer) = (-0,5 0,537) + (-03 0,443) = -0,404 Setelah mendapatkan blangan accumulator-nya, maka bsa dcar output pada output layer, dengan rumus : Output = + e Acc Output = + e AccOutput Output = + e AccOutput + e = 0, 57 + e = 0, 404 = 0,5379 = 0, Backward Propagaton Int dar Backward Propagaton adalah untuk mencar galat suatu node. Dar hasl Forward Propagaton pastlah akan dhaslkan suatu output dan output tersebut belum tentu sesua dengan target output, oleh karena tu perbandngan kesalahan dar target output dengan output yang dhaslkan tersebut, kta sebut dengan galat. Dalam Backward Propagaton juga dkenal dengan yang dsebut nsalsas output. Insalsas output pada dasarnya adalah menentukan galat d suatu node dengan target output.
22 50 Weght Weght Hdden Layer Output Layer Input Layer Gambar 3.8 Representas Backward Propagaton Untuk mencar galat d output layer, dapat dhtung dengan rumus : Galat = Output ( - Output) (Target Output).. (3.4) Galat system dapat dhtung dengan rumus : Galat system = abs( erroroutput ) n.. (3.5) d mana n = jumlah node pada output layer. Sedangkan untuk mencar galat d tahap selanjutnya, dapat dhtung dengan rumus : Galat = Output ( - Output) Acc. (3.6) D mana blangan accumulator adalah :
23 5 Acc = Σ (Weght j Galat j ) (3.7) Sebaga contoh penerapannya, dlanjutkan dar perhtungan Forward Propagaton. Galat = Output ( - Output) (Target Output) Galat Output = 0,5379 ( - 0,5379) (0,7-0,5379) = 0,0403 rumus : Galat Output = 0,400 ( - 0,400) (0, - 0,400) = -0,0483 Setelah mendapatkan Galat pada output layer, maka bsa dcar Galat system dengan Galat system = abs( erroroutput ) n Galat system = 0, ,0483 = 0,0443 Karena Galat system mash lebh besar dar 0,000, maka harus dhtung galat d tahap selanjutnya. Selanjutnya adalah menghtung blangan accumulator pada hdden layer. Acc = Σ (Weght j Galat j ) Acc Hdden = Σ (Weght j Galat j pada Output Layer) = (0, 0,0403) + (-0,5 (-0,0483)) = 0,03 Acc Hdden = Σ (Weght j Galat j pada Output Layer) = (0, 0,0403) + (-0,3 (-0,0483)) = 0,085 Setelah mendapatkan blangan accumulator-nya, maka bsa dcar galat pada hdden layer, dengan rumus : Galat = Output ( - Output) Acc
24 5 Galat Hdden = Output ( - Output) Acc Hdden = 0,537 ( 0,537) 0,03 = 0,008 Galat Hdden = Output ( - Output) Acc Hdden = 0,443 ( 0,443) 0,085 = 0,0046 Selanjutnya adalah menghtung blangan accumulator pada nput layer. Acc = Σ (Weght j Galat j ) Acc Input = Σ (Weght j Galat j pada Hdden Layer) = (0,4 0,008) + (-0,3 0,0046 ) = 0,008 Acc Input = Σ (Weght j Galat j pada Hdden Layer) = (0, 0,008) + (-0,6 0,0046) = 0,009 Acc Input 3 = Σ (Weght j Galat j pada Hdden Layer) = (0,4 0,008) + (-0, 0,0046) = 0,007 Setelah mendapatkan blangan accumulator-nya, maka bsa dcar galat pada nput layer, dengan rumus : Galat = Output ( - Output) Acc Galat Input = Output ( - Output) Acc Input = 0, ( 0,) 0,008 = 0,000 Galat Input = Output ( - Output) Acc Input = 0,3 ( 0,3) 0,009 = 0,0004 Galat Input 3 = Output ( - Output) Acc Input 3 = 0, ( 0,) 0,007 = 0,0004
25 Update Weght Sebenarnya nt dar JST adalah mencar weght yang sesua dar nput yang dmasukkan sehngga menjad output yang dngnkan. Weght n nantnya ddapat setelah mendapatkan output dan galat dar setap node. Rumus untuk mencar weght baru : Weght = Weght + (Alpha Output sebelum Galat sesudah ) (3.8) Alpha d atas dapat dartkan sebaga tahap belajar suatu sstem, semakn tngg nlanya, maka semakn tngg kecepatan belajarnya, namun dengan demkan akan berdampak kurang bak, karena akan mendapatkan galat yang tdak merata. Sehngga dengan demkan, lebh bak kta menggunakan Alpha yang kecl, walaupun tahap belajarnya lambat, tetap hasl keakuratannya tngg. Sebaga contoh penerapannya, dlanjutkan dar perhtungan Backward Propagaton, yatu mencar weght baru antara nput layer dan hdden layer dengan Alpha = 0,000. Weght = Weght + (Alpha Output sebelum Galat sesudah ) Weght antara node nput layer dan node hdden layer = Weght + (Alpha Output sebelum Galat sesudah ) = 0,4 + (0,000 0, 0,008 ) = 0,40000 Weght antara node nput layer dan node hdden layer = Weght + (Alpha Output sebelum Galat sesudah ) = 0,4 + (0,000 0, 0,0046) = 0,4000 Weght antara node nput layer dan node hdden layer = Weght + (Alpha Output sebelum Galat sesudah ) = 0,4 + (0,000 0,3 0,008) = 0,4000 Weght antara node nput layer dan node hdden layer = Weght + (Alpha Output sebelum Galat sesudah ) = 0,4 + (0,000 0,3 0,0046) = 0,4000
26 54 Weght antara node 3 nput layer dan node hdden layer = Weght + (Alpha Output sebelum Galat sesudah ) = 0,4 + (0,000 0, 0,008) = 0,4000 Weght antara node 3 nput layer dan node hdden layer = Weght + (Alpha Output sebelum Galat sesudah ) = 0,4 + (0,000 0, 0,0046) = 0, Tranng Telah dbahas d atas bahwa proses belajar suatu sstem terdr dar proses Forward Propagaton, Backward Propagaton, dan Update Weght. Sekal melewat 3 tahap n dsebut dengan kal tranng ( epoch). Semakn banyak tranng yang dlakukan maka akan semakn kecl pula tngkat galat yang dhaslkan d output layernya, dan dengan demkan semakn kecl juga galat suatu sstem. Proses tranng akan berhent, jka salah satu konds d bawah n dpenuh : a. Nla batas tolerans galat tercapa, dalam art Galat system target Galat system. b. Nla epoch yang dtentukan telah tercapa. c. Nla output yang dhaslkan pada output layer sesua dengan target output. Langkah-langkah tranng : a. Plh tranng par. Aplkaskan vektor nput ke dalam network. b. Htung output dar network. c. Htung galat antara actual output dengan target output. d. Sesuakan bobot dengan cara memnmumkan galat. e. Ulang sampa dengan 4 untuk setap vektor dalam tranng set.
27 Rancangan Layar 3.4. Rancangan Layar About Form About akan dgunakan untuk menamplkan keterangan sngkat dar program aplkas yang dbuat sepert judul, mahasswa yang membuat, dosen yang membmbng, dan sebaganya. Pada form n terdapat dua button, yatu Enter, untuk masuk ke form utama pengolah ctra, dan button Ext untuk keluar dar program aplkas. PERANCANGAN PROGRAM SIMULASI KLASIFIKASI PRODUK SANDAL DHIIF S DENGAN METODE BACK PROPAGATION DAN FOURIER DESCRIPTORS Dbuat dalam rangka memenuh tugas akhr (skrps) jenjang Strata (S) Bnus Unversty Jakarta Dbuat oleh: Margaretha Lyda Eka Pratw ( ) Dbmbng oleh: Bapak Dr. Ir. Haryono Soeparno, M.Sc. Ngarap Imanuel Mank, Drs., M.Kom. Enter Ext Gambar 3.9 Rancangan Layar About 3.4. Rancangan Layar Vew Pada Tab Vew dalam Form Image Recognton, user dapat mengontrol nput yang dbutuhkan dalam proses pengenalan ctra hngga sepert parameter Fourer Descrptors dan network yang akan dgunakan, melhat hasl pengolahan ctra, dan menympan output yang dhaslkan.
28 56 Browse Image Status Error: Epoch: Stop Tranng Result ParameterFD Load Network Tran Network Recognze Clear Save Network Gambar 3.0 Rancangan Layar Vew Rancangan Layar Settng Pada Tab Settng dalam Form Image Recognton, user dapat menentukan parameter-parameter yang dgunakan untuk membangun jarngan syaraf truan, sepert jumlah layer, maksmum galat, jumlah node pada tap layer, serta url path tempat mage yang akan d-tranng. Number of Layers: Max galat: Number of nput unts: Number of hdden unts: Number of output unts: Tranng Images Propertes Browse Save Settng Gambar 3. Rancangan Layar Settng
BAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB 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 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 terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciContoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi.
BAB V TEOEMA-TEOEMA AGKAIA 5. Teorema Superposs Teorema superposs bagus dgunakan untuk menyelesakan permasalahan-permasalahan rangkaan yang mempunya lebh dar satu sumber tegangan atau sumber arus. Konsepnya
Lebih terperinciBAB I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Ctra dgtal merupakan ctra hasl dgtalsas yang dapat dolah pada suatu komputer dgtal [12]. Ctra dgtal tersusun atas sejumlah elemen. Elemen-elemen yang menyusun ctra
Lebih 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 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 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. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB 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 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 III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBab 2 AKAR-AKAR PERSAMAAN
Analsa Numerk Bahan Matrkulas Bab AKAR-AKAR PERSAMAAN Pada kulah n akan dpelajar beberapa metode untuk mencar akar-akar dar suatu persamaan yang kontnu. Untuk persamaan polnomal derajat, persamaannya dapat
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 HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBAB 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 III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
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 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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB 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 terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih 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 terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih 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 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 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 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 terperinciBAB V TEOREMA RANGKAIAN
9 angkaan strk TEOEM NGKIN Pada bab n akan dbahas penyelesaan persoalan yang muncul pada angkaan strk dengan menggunakan suatu teorema tertentu. Dengan pengertan bahwa suatu persoalan angkaan strk bukan
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. 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 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.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 3. Penyusunan Algoritma
Bab 3. Penusunan Algortma on anuwjaa/ 500030 Algortma merupakan penulsan permasalahan ang sedang dsorot dalam bahasa matematk. Algortma dbutuhkan karena komputer hana dapat membaca suatu masalah secara
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 terperinciSCHEMATICS 2009 National Programming Contest
SCHEMATICS 2009 Natonal Programmng Contest No Nama Problem 1 Berhtung 2 Gelang Cantk 3 Jalan 4 Kubangan Lumpur 5 Ayam dan Bebek 6 Schematcs09 7 Pagar Labrn JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI
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 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 terperinciBAB II DASAR TEORI. 2.1 Definisi Game Theory
BAB II DASAR TEORI Perkembangan zaman telah membuat hubungan manusa semakn kompleks. Interaks antar kelompok-kelompok yang mempunya kepentngan berbeda kemudan melahrkan konflk untuk mempertahankan kepentngan
Lebih 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 terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
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 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 terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
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 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB 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 terperinci2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil
.1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)
Lebih terperinciBAB 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 terperinciSUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD
SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya
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 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 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 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 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 terperinciInterpretasi data gravitasi
Modul 7 Interpretas data gravtas Interpretas data yang dgunakan dalam metode gravtas adalah secara kualtatf dan kuanttatf. Dalam hal n nterpretas secara kuanttatf adalah pemodelan, yatu dengan pembuatan
Lebih terperinciUKURAN GEJALA PUSAT &
UKURAN GEJALA PUSAT & UKURAN LETAK UKURAN GEJALA PUSAT & LETAK Untuk mendapatkan gambaran yang jelas mengena suatu populas atau sampel Ukuran yang merupakan wakl kumpulan data mengena populas atau sampel
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 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 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 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 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 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 terperinciBAB III METODE PENELITIAN. menggunakan strategi pembelajaran mind mapping dalam pendekatan
35 BAB III METODE PENELITIAN A. Jens dan Desan Peneltan Jens peneltan n adalah kuas ekspermen. Pada peneltan n terdapat dua kelompok subjek peneltan yatu kelompok ekspermen yang dberkan suatu perlakuan
Lebih terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciBAB V INTEGRAL KOMPLEKS
6 BAB V INTEGRAL KOMPLEKS 5.. INTEGRAL LINTASAN Msal suatu lntasan yang dnyatakan dengan : (t) = x(t) + y(t) dengan t rl dan a t b. Lntasan dsebut lntasan tutup bla (a) = (b). Lntasan tutup dsebut lntasan
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 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 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
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 terperinciMETODE PENELITIAN. digunakan untuk mengetahui bagaimana pengaruh variabel X (celebrity
37 III. METODE PENELITIAN 3.1 Jens dan Sumber Data Jens peneltan yang dgunakan adalah peneltan deskrptf, yang mana dgunakan untuk mengetahu bagamana pengaruh varabel X (celebrty endorser) terhadap varabel
Lebih terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
Lebih terperinciMATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT)
MATERI KULIAH STATISTIKA I UKURAN (Nuryanto, ST., MT) Ukuran Statstk Ukuran Statstk : 1. Ukuran Pemusatan Bagamana, d mana data berpusat? Rata-Rata Htung = Arthmetc Mean Medan Modus Kuartl, Desl, Persentl.
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 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 terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih 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 terperinciBAB III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
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 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 terperinciELEKTRONIKA ANALOG. Bab 2 BIAS DC FET Pertemuan 5 Pertemuan 7. Oleh : ALFITH, S.Pd, M.Pd
ELEKTONKA ANALOG Bab 2 BAS D FET Pertemuan 5 Pertemuan 7 Oleh : ALFTH, S.Pd, M.Pd 1 Pemran bas pada rangkaan BJT Masalah pemran bas rkatan dengan: penentuan arus dc pada collector yang harus dapat dhtung,
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 terperinciRAY TRACING dan. Oleh : Karmilasari
RAY TRACING dan RADIOSITY Oleh : Karmlasar RAY TRACING vs. RADIOSITY 2 Revew : ILUMINASI Secara umum dlhat dar fsknya, model lumnas menggambaran perpndahan energ dan radas fokus pada sfat sfat cahaya danmateral
Lebih terperinci