STUDI KOMPARASI METODE KLASTERISASI DATA K-MEANS DAN K-HARMONIC MEANS
|
|
- Liana Yenny Hardja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 STUDI OMPARASI METODE LASTERISASI DATA -MEANS DAN -HARMONIC MEANS I Made Wdartha Jurusan Imu omputer, Fautas Matemata dan Imu Pengetahuan Aam, Unverstas Udayana ema : madewdartha@cs.unud.ac.d Abstra Saah satu metode parttona custerng yang sangat popuar adaah -Means Custerng (M). Metode n banya dgunaan arena mpementasnya yang sederhana, dapat menangan data daam jumah besar dan proses yang reatf sngat. Mespun deman ja dperhatan dar tahapan M untu mendapatan aster ahr mash terdapat eemahan. Tt awa pusat aster pada M yang dtentuan secara random dan proses pembaharuan tt pusatnya sangat memungnan has aster onvergen pada oa optma. -Harmonc Means Custerng (HM) merupaan agortma yang dcptaan untu menyempurnaan M. Daam HM tt pusat dperbaharu dengan memanfaatan rata-rata harmon dar seuruh tt data e seuruh pusat aster yang ada. Rata-rata harmon daam metode HM dgunaan untu mengurang permasaahan yang ada pada M. Pada penetan n dauan stud omparas terhadap dua metode astersas yatu M dan HM. Penetan n dtujuan untu mehat bagamana performa metode HM daam menyempurnaan metode M. Stud omparas n menggunaan ma buah data set. eywords: -Means Custerng, -Harmonc Means Custerng, astersas Data. Abstract One of the popuar parttona custerng methods s -Means Custerng (M). Ths method s wdey used because of ts smpe mpementaton, t can hande arge amounts of data and processes are reatvey short. However, the stage of M to get the fna custer has some drawbacs. The startng pont of the centra custer on M s determned randomy and ts center renewa process aows the custer converge to a oca optmum. -Harmonc Means Custerng (HM) s an agorthm that was created to mprove M. In HM the center s updated by utzng the harmonc mean of a data ponts to a exstng custer centers. Harmonc average of HM method s used to reduce exstng probems n M. Ths research conducted a comparatve study of two methods, M and HM. Ths study amed to see the performance of HM methods n perfectng M method. Ths comparatve study uses fve data sets. eywords: -Means Custerng, -Harmonc Means Custerng, Data Custerng.. Pendahuuan Pengeompoan data e daam beberapa aster sehngga data daam satu aster mem tngat emrpan yang masmum dan data antar aster mem emrpan yang mnmum dsebut astersas data (custerng) [5]. Saah satu metode parttona custerng yang sangat popuar adaah -Means Custerng (M). Daam proses astersas, metode n menggunaan ten parts yang secara teratf untu memnmaan jara antara tap data dengan pusat asternya. Metode M dmua dengan pembentuan tt pusat aster secara random sehngga ddapat prototpe awa aster yang emudan secara teratf pusat aster n dperba hngga onvergen (tda terjad perubahan yang sgnfan pada prototpe aster). Perubahan n duur menggunaan fungs tujuan yang umumnya ddefnsan sebaga jumah uadrat jara tap tem data dengan pusat asternya. Metode n banya dgunaan 30
2 Jurna Imu omputer - Voume 4 - No - Apr 0 arena mpementasnya yang sederhana, dapat menangan data daam jumah besar dan proses yang reatf sngat. Mespun deman ja dperhatan dar tahapan M untu mendapatan aster ahr terhat eemahan dmana eauratan has aster sangat tergantung dar penentuan tt awa pusat aster sehngga permasaahan senstftas terhadap penentuan tt awa menjad eemahan metode n. Dsampng tu tt awa pusat aster yang dtentuan secara random sangat memungnan has aster onvergen pada oa optma [9]. Untu mengatas masaah yang terjad pada nsasas pusat aster, Zhang, Hsu, dan Daya [] mengusuan sebuah metode baru yang dber nama -Harmonc Means (HM) yang emudan dmodfas oeh Hammery dan Ean [3]. Tujuan dar metode n adaah memnmasas rata-rata harmon dar seuruh tt data e seuruh pusat aster yang ada. Rata-rata harmon yang dgunaan daam metode HM teah terbut mampu mengurang permasaahan nsasas. Means Custerng Metode -Means Custerng (M) merupaan metode astersas secara parts (parttona custerng). Hampr semua metode astersas secara parts ddasaran pada tujuan untu mengoptmaan na fungs f(x) sebaga custerng crteron dmana ha n dapat dataan sebaga penerjemahan gagasan ntus manusa terhadap suatu aster edaam suatu rumus matemats (Pen, 999). M tda menjamn has astersas yang un arena metode n dapat menghasan has aster yang berbeda tergantung dar poss nsasas aster awa (han, 004). Berut n aan dberan gambaran M. Msa X = {x =,..., n} merupaan suatau hmpunan n tt berdmens d yang aan dasteran edaam aster C = {c =,..., }. Metode M menemuan suatu parts/aster sedeman hngga na squared error antara tt tengah (mean) dar suatu aster e smua tt data aster tersebut merupaan na mnmum (Jan, 00). Msaan adaah rata-rata dar aster c yang ddapat dar persamaan.6. n x x c Dmana n merupaan jumah eemen pada c.squared error antara dan seuruh data pada aster c ddasaran pada jara Eucdean antara tt yang ada dengan pusat asternya, squared error tersebut ddefnsan sebaga berut: J( c ) x x c Fungs tujuan (objectve functon) dar astersas dengan M adaah memnmuan tota squared error dar seuruh aster. Fungs tujuan n juga dsebut sebaga custerng crteron (Pen, 999) dan juga sebaga cost functon(han, 004) daam penemuan sous optma. Adapun formua dar tujuan n adaah : J( C) x x c Sous pada metode M adaah terbentunya aster-aster dengan na J(C) yang mnmum. Berut adaah metode - Means Custerng :. Insasas tt pusat aster awa secara aca. asteran setap obye yang ada sesua jara terdeat e pusat aster yang ada 3. Perba na semua pusat aster 4. Uang angah dan 3 sampa na semua pusat aster tda ada perubahan. 3. -Harmonc Means Custerng -Harmonc Means Custerng (HM) merupaan metode yang dperenaan oeh Zhang, Hsu, dan Daya yang dbuat untu mengatas permasaahan yang ada pada - Means Custerng [0]. HM merupaan saah satu contoh center-based custer dan merupaan sebuah metode dmana asteraster dbentu dengan peyempurnaan secara teratf berdasaran eta tt pusat dar masng-masng aster. Pada HM, na fungs tujuan dhasan dengan mencar tota rata-rata harmon dar seuruh tt data terhadap jara antara masng-masng tt data e seuruh tt pusat aster yang ada [0]. 3
3 Jurna Imu omputer - Voume 4 - No - Apr 0 Ha n berbeda dengan M dmana fungs tujuan dperoeh dar tota jara seuruh data e tt pusat asternya. Rata-rata harmon n ddefnsan sepert persamaan.. HA({ a,..., }) a Daam fungs harmon, ja terdapat satu anggota daam a,..., a berna ec maa na rata rata harmon pun berna ec, tetap ja tda ada anggota berna ec maa nanya pun besar []. Rata-rata harmon sangat senstf dengan eadaan dmana terdapat dua atau ebh tt pusat yang sang berdeatan. Metode n secara natura menempatan satu atau ebh tt pusat e area tt data yang jauh dar tt-tt pusat yang ada sebeumnya. Ha n aan membuat fungs tujuan aan seman ec. Adapun angah-angah Metode HM adaah sebaga beru[8].. Insasas poss tt pusat aster awa secara random. Htung na fungs tujuan dengan persamaan., dmana p adaah nput parameter. Na p basanya. N HM ( X, C) (.) p x c 3. Untu setap data x, htung na eanggotaan m(c x ) untu setap tt pusat aster c berdasaran persamaan.3. m( c x ) x c x c p p 4. Untu setap data x, htung na bobot w(x ) berdasaran persamaan.4 p x c w( x ) p (.4) x c 5. Untu setap tt pusat c, uang emba perhtungan untu poss tt pusat aster dar semua data berdasaran na eanggotaan dan bobot yang dm tap data. (.) (.3) N m( c x ). w( x ). x c N m( c x ). w( x ) 6. Uang angah sampa 5 sampa mendapatan na fungs tujuan yang tda terdapat perubahan yang sgnfan. 7. Tetapan eanggotaan data x pada suatu aster dengan tt pusat aster c sesua dengan na eanggotaan x terhadap c. x merupaan anggota dar aster dengan tt pusat aster c apaba na eanggotaan m(c x ) adaah yang terbesar dbandngan dengan na eanggotaannya e tt pusat aster an.. 4 Data Penetan Dataset yang dgunaan daam penetan n terdr dar dataset Irs, Wsconsn Breast Cancer (Cancer), Contraceptve Method Choce (CMC), Gass, dan Wne. Data daam penetan damb dar UCI Machne Learnng Repostory (ftp://ftp.cs.uc.edu./pub/machneearnng-databases/). Informas jumah ftur, eas, dan data dapat dhat pada Tabe. Daam penetan n, 80% data aan dgunaan sebaga data tranng dan ssanya dgunaan sebaga data testng. Data tranng n dgunaan untu mehat performa dar etga Tabe. Pembagan Data Set Jumah Data Dataset Ftur eas Tranng Testng Irs Cancer CMC Gass Wne (.5) metode daam meauan astersas data. Penaan performa n dhat dar tga sudut pandang yatu na fungs tujuan HM(X,C), F-Measure, dan watu eseus (runnng tme). Data testng hanya dgunaan untu mehat oreas secara esterna (eas abe) yatu bagamana has asfas data testng dengan memanfaatan has tt pusat aster dengan menggunaan data tranng. 3
4 Jurna Imu omputer - Voume 4 - No - Apr 0 5. Has Daam meauan uj coba pada penetan n, na parameter yang dgunaan untu metode ABC mengacu pada na parameter yang dgunaan oeh Zhang. Parameter tersebut antara an Lmt berna 0 dan jumah MCN yang berna 000 []. Untu metode ABC-HM penentuan, Lmt, Max, Max dan Max3 dtentuan dengan meauan uj coba na-na parameter n. Dar has uj coba yang teah dauan, ddapatan bahwa has terba dperoeh dengan menggunaan Max=0, Lmt=3, Max=0, dan MaxABCHM=0. Untu mengetahu performa masngmasng metode maa pada penetan n dgunaan tga toa uur yatu na fungs tujuan HM(X,C), F-measure, dan runnng tme. Uj coba pada penetan n dauan meau beberapa seenaro untu menguj performa dar metode-metode yang ada. Seenaro n dbuat dengan menggunaan fungs tujuan yang berbeda-beda. Perbedaan fungs tujuan n tereta pada parameter p. Pada penetan n, terdapat dua buah seenaro na p yatu p =, dan p = 3. Dar ss penaan esterna (eas abe) pada penetan n dgunaan penaan F- measure. Na F-measure ddapat dar persamaan.9 []. p(,j) = n j/n j dan r(,j) = n j/n dmana n adaah jumah data dar eas yang dharapan sebaga has query, n j adaah jumah data dar aster j yang dhasan oeh query, dan n j adaah jumah eemen dar eas yang masu d aster j. untu mendapatan pembobotan yang sembang antara precson dan reca maa na b = dgunaan daam menghtung na F-measure [4]. Untu mendapatan esmpuan ahr has astersas menggunaan metode-metode yang ada, maa uj coba astersas dauan sebanya 0 a untu tap-tap seenaro yang dbuat. esmpuan nerja dar metode aan ddapatan meau na rata-rata (mean) dan standar devas dar 0 percobaan tersebut. Sepert yang dbahas pada bagan sebeumnya bahwa data testng hanya dgunaan untu mehat secara esterna (eas abe) bagamana has asfas data testng dar masng-masng metode astersas. Ten pengasfasan data testng adaah dengan membandngan jara antara data tersebut dengan pusat-pusat aster yang ada. Data testng yang mem jara terdeat dengan suatu tt pusat maa data tersebut aan dasfasan edaam eas terdeat dengannya. Has uj coba untu performa setap metode terhadap tga toa uur dapat dhat pada Tabe dan 3. F(,j) = ( b ).( p(, j). r(, j)) b. p(, j) r(, j) (.9) Tabe. Rata-rata dan Standar Devas Has Uj Coba dengan p = Dataset Penguuran Fungs Tujuan F-measure Watu HM M HM M HM M Irs Mean 5, ,4879 0,8977 0,88 0,08 0,08 Std. Dev. 0,004 0, ,006 0,06 0,0054 Cancer Mean 4.580, ,57 0,9503 0,9587 0, 0,04 Std. Dev. 0,000 4,9 0 0,000 0,09 0,009 Cmc Mean 980, ,8764 0,395 0,3554,49 0,5 Std. Dev.,54 54,98 0,058 0,078 0,66 0,0405 Gass Mean 34,5098 4,698 0,47 0,3607 0,40 0, Std. Dev. 0,0366,7577 0,006 0,0503 0,0684 0,095 Wne Mean 68,695 75,065 0,9306 0,7540 0,3 0,03 Std. Dev. 0,0009 7,678 0,006 0,35 0,067 0,
5 Jurna Imu omputer - Voume 4 - No - Apr 0 Tabe 3. Rata-rata dan Standar Devas Has Uj Coba dengan p = 3 Fungs Tujuan F-measure Watu Dataset Penguuran HM M HM M HM M Irs Mean 54,399 89,35 0,8977 0,8348 0,08 0,03 Std. Dev. 0,006 98, ,505 0,07 0,0055 Cancer Mean , ,343 0,9387 0,9583 0, 0,05 Std. Dev. 0,000 8, 0 0,0009 0,03 0,04 Cmc Mean 947,30 995,305 0,3966 0,3843,05 0,0 Std. Dev. 0,003 46,58 0,000 0,05 0,370 0,048 Gass Mean,0367 6,9837 0,376 0,07 0,37 0, Std. Dev. 0,477 3,395 0,005 0,0848 0,0707 0,056 Wne Mean 46,075 47,4959 0,9375 0,8935 0, 0,04 Std. Dev.,847 0,090 0,033 0,465 0,090 0, esmpuan Dar has penetan n ddapatan has bahwa metode HM teah terbut berhas mengoptmaan poss tt pusat aster dengan mengarahan has aster menuju sous goba optma. Ha n dbutan dengan has penetan yang menunjuan na fungs tujuan objectve functon dar metode HM mem na yang ebh ec dar metode M dsemua percobaan. Dar ss penaan has aster secara esterna menggunaan F-measure, metode HM terhat mendomnas darpada metode M. Dar ss watu yang dbutuhan untu meauan proses astersas data, metode HM membutuhan watu ebh ama dbandngan dengan metode M. Ha n dsebaban oeh proses daam HM yang ebh ompes darpada proses daam M. 7. Referens [] Da, A 003, Adaptaton of the F- Measure to custer-based Lexcon quaty evauaton, In EACL, Budapest. [] Gungor, Z. dan Uner, A. 007, - Harmonc Means Data Custerng wth Smuated Anneang Heurstc, Apped Mathematcs and Computaton, Vo. 84, ha [3] Hammery, G., dan Ean, C. 00, Aternatves to The -Means Agorthm that Fnd Better Custerngs, Proceedngs of the th nternatona conference on nformaton and nowedge management, ha [4] Hand, J., nowes, J., dan Dorgo, M. 003, "On the performance of ant-based custerng. Desgn and Appcaton of Hybrd Integent Systems, Vo. 04, ha [5] Tan, P.N., Stanbach, M., dan umar, V. 006, Introducton to Data Mnng, 4th edton, Pearson Addson Wesey, New Yor. [8] Yang, F., Sun, T., dan Zhang, C. 009, An Effcent Hybrd Data Custerng Method Based on -Harmonc Means and Partce Swarm Optmzaton, Expert Systems wth Appcatons, Vo. 36, ha [9] Pen, J.M., Lozano, J.A., dan Larranaga, P. 999, An Emprca Comparson of Four Intazaton Methods for The - Means Agorthm, Pattern Recognton Letters, Vo. 0, ha [0] Zhang, B., Hsu, M., dan Daya, U. 999, -Harmonc Means A Data Custerng Agorthm, Technca Report HPL-999-4, Hewett-Pacard Laboratores. [] Zhang C., Ouyang, D., dan Nng, J. 009, An Artfca Bee coony Approach for Custerng, Expert Systems wth Appcatons, Vo. 37, ha
KLASTERISASI DATA IRIS MENGGUNAKAN METODE BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
Program Stud MMT-ITS, Surabaya 23 Ju 2011 LASTERISASI DATA IRIS MENGGUNAAN METODE BERBASIS ARTIFICIAL BEE COLONY DAN -HARMONIC MEANS I Made Wdartha, Agus Zana Arfn, Anny Yunart Jurusan Teknk Informatka,
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 terperinciNilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4
Statsta, Vo. 7 No. 2, 65 71 Nopember 27 Na Krts Permutas Esa untu Anova Satu Arah Krusa-Was pada Kasus Banyanya Sampe, = 4 Inne Maran, Yayat Karyana, dan Aceng Komarudn Mutaqn Jurusan Statsta FMIPA Unsba
Lebih terperinciKata kunci: system fuzzy, inflasi
Pemodean Tngat Infas d Indonesa dengan -- gus aman bad & uhson PEODEL TIGKT IFLSI DI IDOESI DEG EGGUK SISTE FUZZY Oeh: gus aman bad Staf pengajar d FIP Unverstas eger Yogaarta uhson Staf Pengajar Fautas
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih 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 terperinciBAB III PENGAMBILAN KEPUTUSAN DISPLACED IDEAL. Inti dari pengambilan keputusan adalah memilih alternatif, tentunya harus
40 BAB III PENGAMBILAN KEPUTUSAN DISPLACED IDEAL 3.1. Pengamban Keputusan Int dar pengamban keputusan adaah memh aternatf, tentunya harus aternatf yang terbak (the best aternatve). Tujuan dar anass keputusan
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih terperinciSISTEM DETEKSIRETINOPATI DIABETIKA MENGGUNAKAN SUPPORT VECTOR MACHINE
Vo 3, No 3Desember 03 ISSN 088-30 SISEM DEEKSIREINOPAI DIABEIKA MENGGUNAKAN SUPPOR VECOR MACHINE Wahyud Setawan, Ftr Damayant Manaemen Informata, Unverstas runooyo J. Raya eang PO. BOX, Kama, Bangaan,Madura
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciU JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK
Jurusan Ten Spl dan Lngungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SENIN, 4 JANUARI 23 OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara tda boleh menggunaan omputer untu mengerjaan soal- soal ujan
Lebih terperinciKLASIFIKASI CITRA DENGAN SUPPORT VECTOR MACHINE PADA SISTEM TEMU KEMBALI CITRA
Semnar Nasona Sstem dan Informatka 007; Ba, 6 November 007 SNSI07-036 KLASIFIKASI CITRA DENGAN SUPPORT VECTOR MACHINE PADA SISTEM TEMU KEMBALI CITRA Yen Herden, Agus Buono, Vta Yua Noornawat Departemen
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciPENGENALAN CITRA WAJAH MENGGUNAKAN METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE
Vo. 5, No. 3, Januar 00 IN 06-0544 PENGENAAN CIA WAJAH MENGGUNAKAN MEODE WO-DIMENIONA INEA DICIMINAN ANAYI DAN UPPO VECO MACHINE * Ftr Damayant, Agus Zana Arfn, uy oeaman Program Magster en Informata,I
Lebih terperinciPeramalan Tingkat Suku Bunga Sertifikat Bank Indonesia Berdasarkan Data Fuzzy Time Series Multivariat
Jurna ILU DASAR, Vo. No., Ju 00: 05-05 Peraaan Tngat Suu Bunga Sertfat Ban Indonesa Berdasaran Data Fuzzy Te Seres utvarat Forecastng Interest Rate of Ban Indonesa Certfcate Based on utvarate Fuzzy Te
Lebih terperinciANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING
Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinci2 i. . Kebolehjadian total n set nilai adalah: y terhadap y dicapai jika faktor
Pencocokan Data. Pencocokan Data ke Gars Lurus Msakan kta mempunya n ttk data ekspermenta (, y ) dan dketahu bahwa hubungan teorts antara dan y adaah hubungan near (persamaan gars urus) dengan persamaan:
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)
BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga
Lebih terperinciPerbandingan Klasifikasi Tingkat Keganasan Breast Cancer Dengan Menggunakan Regresi Logistik Ordinal Dan Support Vector Machine (SVM)
JURNAL SAINS DAN SENI IS Vo., No., (Sept. 0) ISSN: 30-98X D-30 Perbandngan Kasfas ngat Keganasan Breast Cancer Dengan Menggunaan Regres Logst Ordna Dan Support Vector Machne (SVM) Farz rachman dan Sant
Lebih terperinciBAB IV HASIL ANALISIS
BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan
Lebih terperinciEVALUASI KESTABILAN PERALIHAN MESIN TUNGGAL DENGAN METODA RUNGE KUTTA ORDE 4 (Studi Kasus : Sistem Kelistrikan Sumatera)
Vo: 3 No. Maret 04 ISSN: 30-949 EVALUASI KESTABILAN PERALIHAN MESIN TUNGGAL DENGAN METODA RUNGE KUTTA ORDE 4 (Stud Kasus : Sstem Kestran Sumatera) Heru Dbyo Lasono, Arno Rz Ramadhan Jurusan Ten Eetro,
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 terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciBAB 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 terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciBAB 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 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 terperinciLucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman
Lucas Theorem Untu Mengatur Penympanan Memor yang Lebh Aman Hendra Hadhl Chor (135 8 41) Program Stud Ten Informata ITB Jalan Ganesha 1, Bandung e-mal: hendra_h2c_mathematcan@yahoo.com; f1841@students.f.tb.ac.d
Lebih terperinciKAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR
Berala Fsa ISSN : 1410-966 Vol.8, No.1, Januar 005, hal 7-10 KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR Agus Setyawan Laboratorum Geofsa, Jurusan
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang
JURNAL MATEMATIKA DAN KOMPUTER ol. 4. No., - 22, Aprl 2, ISSN : 4-858 SUBRUANG MARKED Suryoto Jurusan Matemata, FMIPA-UNDIP Semarang Abstra Msalan suatu ruang vetor berdmens ngga atas lapangan omples C,
Lebih terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
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 terperinciMETODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa
Lebih terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinciPenerapan Kendali Logika Fuzzy+Proportional Integral pada Modul Process Control Simulator PCS 327 MK2
Penerapan Kenda Logka Fuzzy+Proportona Integra pada Modu Process Contro Smuator PCS 327 MK2 Wrastawa Rdwan Jurusan Teknk Eektro Unverstas Neger Gorontao ema : r1space@yahoo.com Abstrak. Respon output yang
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
Lebih terperinciBAB III 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 III MODUL INJEKTIF
BAB III ODUL INJEKTIF Bab n adalah bab yang palng pentng arena bab n bers mula dar hal-hal dasar mengena modul njet sampa sat-sat stmewanya yang tda dml oleh modul lan yang tda njet, yang merupaan ous
Lebih terperinciKOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda
KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciPengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis
Konferens Nasonal Sstem & Informata 05 STMIK STIKOM Bal, 9-0 Otober 05 Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Two-Dmensonal Lnear Dscrmnant Analyss Ftr Damayant Prod Manajemen Informata,
Lebih terperinciBAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
Lebih terperinciEndi Permata 1),I Ketut Eddy Purnama 2), Mauridhi Hery Purnomo 3)
Semnar Nasona Teknoog Informas dan Mutmeda 2013 STMIK AMIKOM Yogyakarta, 19 Januar 2013 KLASIFIKASI JENIS DAN FASE PARASIT MALARIA PLASMODIUM FALCIPARUM DAN PLASMODIUM VIVAX DALAM SEL DARAH MERAH MENGGUNAKAN
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
Lebih terperinciKLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN
KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN Abstra Nama: Moh. Bagus Had S (Nrp 1205 100 037) Dosen Pembmbng:
Lebih terperinciT 17 Penerapan Model Fuzzy Dengan Metode Table Look-Up Scheme Untuk Memprediksi Indeks Harga Saham Gabungan (Ihsg)
PROSIDING ISBN : 978 979 6353 6 3 T 7 Penerapan Mode Fuzz Dengan Metode Tabe Look-Up Scheme Untuk Mempredks Indeks Harga Saham Gabungan Ihsg Oeh : Prhatn Tr Rahaunngsh Prod Matematka, FMIPA Unverstas Neger
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 terperinciTEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA
IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan
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 terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih terperinciKLASIFIKASI DIATOM MENGGUNAKAN SIGNATURE DAN SUPPORT VECTOR MACHINE
Semnar Nasona Informatka 2012 (semnasif 2012) ISSN: 1979-2328 UPN Veteran Yogyakarta, 30 Jun 2012 KLASIFIKASI DIATOM MENGGUNAKAN SIGNATURE DAN SUPPORT VECTOR MACHINE Nofandr Setyasmara 1,2), Stevanus Hardrstanto
Lebih terperinciKUNCI JAWABAN SOAL TEORI FISIKA OLIMPIADE SAINS NASIONAL Ketinggian maksimum yang dicapai beban dihitung dari permukaan tanah (y t ) 1 mv
KUNI JWBN SO EOI FISIK OIMPIDE SINS NSION 00. a. Dhtung dahulu watu yang derluan dar beban dleas sama e etnggan masmum yatu t. v 0 at 0 0t t =0, seon. Ketnggan masmum yang dcaa beban dhtung dar ermuaan
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih terperinciBab 1 PENDAHULUAN 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 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
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 terperinciPERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT
PERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT Ngarap Im Man Jurusan Matemata FST BINUS Unversty, Jln.Kebon Jeru Raya no.27 Jaarta Barat 11480, Indonesa
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 terperinciPerbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield
Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya
Lebih terperinciAlgoritma Clustering Fuzzy Hibrida untuk Klasifikasi Citra Inderaja
Algortma Clusterng Fuzzy Hbrda untu Klasfas Ctra Inderaja Agus Zanal Arfn Ten Informata FTI ITS Surabaya E-mal : agusza@ts-sby.edu Telp. (031)5933928 Abstra Proses lasfas merupaan proses untu mendapatan
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciBAB 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
BAB LANDASAN TEORI. Pengetan Reges dan Koelas.. Pengetan Reges Paa lmuan, eonom, psolog, dan sosolog selalu beepentngan dengan masalah peamalan. Peamalan matematyang memungnan ta meamalan nla-nla suatu
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciPERBANDINGAN PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN SUPPORT VECTOR MACHINE DAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK
Perbandngan Peramaan Beban I N. Setawan, Wdyad Setawan PERBANDINGAN PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN SUPPORT VECTOR MACHINE DAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK I Nyoman Setawan,
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 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 terperinciPENGENALAN WAJAH BERBASIS METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS
PENGENALAN WAJAH BERBASIS MEODE WO-DIMENSIONAL LINEAR DISCRIMINAN ANALYSIS Ftr Damayant, Agus Zanal Arfn, Rully Soelaman Program Magster en Informata, Insttut enolog Sepuluh Nopember (IS) - Surabaya Kampus
Lebih terperinciStudi Perhitungan CCT Menggunakan Metode EEAC (Extended Equal Area Criterion) Dan Trajektori Kritis/ Critical Trajectory Untuk Kestabilan Transien
JURAL TEKIK POITS Vol., o., (0) -6 Stud Perhtungan CCT enggunaan etode EEAC (Extended Equal Area Crteron) Dan Trajetor Krts/ Crtcal Trajectory Untu Kestablan Transen Hardansyah Pratama, Ardyono Pryad,
Lebih terperinciP i KULIAH KE 3 METODA KELOMPOK (COHORT SURVIVAL METHOD) METODE ANALISIS PERENCANAAN - 1 TPL SKS DR. Ir. Ken Martina K, MT.
ROGRAM STUDI ERENCANAAN WILAYAH DAN KOTA METODE ANALISIS ERENCANAAN TL SKS DR Ir Ken Martna K, MT KULIAH KE METODA KELOMOK (COHORT SURVIVAL METHOD) Merupaan salah satu metode proyes pendudu endudu delompoan
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data
Lebih terperinciImplementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0
Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d
Lebih terperinciDIMENSI PARTISI GRAF GIR
Jurnal Matematka UNAND Vol. 1 No. 2 Hal. 21 27 ISSN : 2303 2910 c Jurusan Matematka FMIPA UNAND DIMENSI PARTISI GRAF GIR REFINA RIZA Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam,
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 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 terperinciCorresponding Author:
Perbandngan Fungs Ketahanan Hdup Dengan Metode Non Parametrk Menggunakan Uj Gehan Dan Uj Cox-Mantel (Lvng wth Securty Functon Comparson Method Usng Non Paremetrk Gehan test and Cox-Mantel Tes Ans Sept
Lebih terperinciPENJADWALAN PRODUKSI di PT MEUBEL JEPARA PROBOLINGGO
Prosdng Semnar Nasonal Manajemen Teknolog III Program Stud MMTITS, Surabaya 4 Pebruar 2006 PENJADWALAN PRODUKSI d PT MEUBEL JEPARA PROBOLINGGO Mohammad Khusnu Mlad, Bobby Oedy P. Soepangkat, Nurhad Sswanto
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 IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinci