Pengenalan Pola Senyum Menggunakan Backpropagation Berbasis Ekstraksi Fitur Principal Component Analysis (PCA)
|
|
- Devi Rachman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Pengenalan Pola Senyum Menggunakan Backpropagaton Berbass Ekstraks Ftur Prncpal Component Analyss (PCA) Rma Tr Wahyunngrum 1, Rza Mashta Wat 2, Aer Rachmad 3 Program Stud Teknk Informatka, Unverstas Trunojoyo Madura Jl. Raya Telang PO BOX 2 Kamal, Bangkalan E-mal: 1 rma_tw@yahoo.co.d; 2 rzh4@yahoo.co.d; 3 aery_r@yahoo.com Abstrak Pada peneltan n dlakukan pengenalan pola senyum menggunakan backpropagaton berbass ekstraks ftur Prncpal Component Analyss (PCA). Peneltan n bertujuan untuk mengembangkan peneltan tentang pengenalan ekspres wajah, yatu pola senyum seseorang yang dklasfkaskan menjad lma macam (senyum mans, senyum mulut tertutup, senyum mulut terbuka, senyum mengejek, senyum yang dpaksakan). Data yang dgunakan sebanyak 250 data, dambl dar 10 orang dengan lma macam pola senyum, masng-masng orang dwakl 25 data, sehngga masng-masng kelompok senyum terdapat lma data. Ukuran mage wajah yang dolah adalah pxel, kemudan dlakukan croppng pada bagan bbr sehngga ukuran mage menjad pxel. Selanjutnya dlakukan proses grayscale sebelum dlakukan ekstraks ftur menggunakan PCA. Tujuan penggunaan PCA adalah untuk mereduks dmens dar mage yang dolah. Kemudan untuk pengenalannya menggunakan backpropagaton. Pada peneltan n dgunakan teknk fve cross valdaton supaya nla akuras yang dhaslkan bersfat objektf. Hasl akuras pengenalan tertngg dperoleh saat dlakukan uj coba menggunakan 10 hdden layer, dan nla egen 15 yatu sebesar 82,67%. Kata kunc: pengenalan pola senyum, croppng, PCA, backpropagaton. Abstract In ths study conducted a smle pattern recognton usng feature extracton backpropagaton-based Prncpal Component Analyss (PCA). Ths study ams to develop research on facal expresson recognton, the pattern of a person s smle s classfed nto fve types (sweet smle, closed mouth smle, open mouth smle, smle tauntng, a forced smle). Data used as many as 250 data, taken from 10 people wth fve knds of smle patterns, each one represented by 25 data, so that each group contaned fve data smle. The sze of the processed face mage s pxels, then do croppng on the lps so that the mage sze to pxels. Grayscale process s then performed pror to feature extracton usng PCA. Purpose of usng PCA s to reduce the dmensons of the mage s processed. Then for the ntroducton usng backpropagaton. In ths study used fve cross-valdaton technque so that the resultng accuracy values are objectve. The results of the hghest recognton accuracy obtaned when conducted trals usng 10 hdden layer, and egenvalues 15 that s equal to 82.67%. Keywords: smle pattern recognton, croppng, PCA, backpropagaton. Pendahuluan Peneltan pengenalan pola senyum telah banyak dlakukan [1 6]. Hal n dsebabkan karena semakn luasnya penggunaan teknk dentfkas pola senyum dalam aplkas yang dgunakan oleh masyarakat. Pola senyum merupakan salah satu bentuk ekspres wajah. Para penelt telah melakukan peneltan terhadap teknk yang sudah ada dan mengajukan teknk baru yang lebh bak dar yang lama. Dua hal yang menjad masalah utama pada dentfkas pola senyum adalah proses ekstraks ftur dar sampel pola senyum yang ada dan juga teknk klasfkas yang dgunakan untuk mengklasfkaskan pola senyum yang ngn dkenal berdasarkan ftur-ftur yang telah dplh. Ekstraks ftur adalah proses untuk mendapatkan cr-cr pembeda yang membedakan suatu sampel pola senyum dengan sampel pola senyum yang lan. Bag sebagan besar aplkas pengenalan pola, teknk ekstraks ftur yang handal merupakan kunc utama dalam penyelesaan masalah pengenalan pola. Metode Prncpal Component Analyss (PCA) untuk pengenalan wajah dkenalkan oleh M Turk & Pentland pada tahun Metode tersebut bertujuan untuk memproyekskan data pada arah yang memlk varas terbesar, yang dtunjukkan oleh vektor egen yang bersesuaan dengan nla egen terbesar dar matrk kovaran. Nla egen (hasl ekstraks ftur) dsusun mula dar nla egen terbesar hngga yang terkecl.
2 70 Rekayasa, Volume 4, Nomor 1, Aprl 2011 Kemudan ftur-ftur yang terplh nantnya dgunakan untuk proses klasfkas pelathan dan dgunakan untuk ekstraks ftur data pengujan. Ekstraks ftur pada proses pengujan dlakukan dengan mengambl hasl ekstraks ftur pada proses pelathan dterapkan pada data pengujan. Hasl ekstraks ftur pada data pengujan n nantnya dgunakan sebaga nputan pada proses klasfkas pengujan. Selanjutnya proses klasfkas pelathan dlakukan setelah data-data pelathan dambl ftur-ftur khusus, d mana ftur-ftur khusus n berupa vektor ftur yang dmensnya lebh kecl. Metode n mampu mengklasfkaskan atau memlh suatu nput data ke dalam kategor tertentu yang sudah dtetapkan. Dalam peneltan n menggunakan metode backpropagaton. Backpropagaton mampu melakukan generalsas dan ekstraks dar suatu pola data tertentu [7]. Metode n merupakan salah satu jens dar aplkas Jarngan Saraf Truan (JST). Pada umumnya tujuan JST adalah melakukan proses pelathan untuk mendapat blancng antara kemampuan jarngan untuk menanggap secara benar pola-pola nput pada saat pelathan (dapat dkatakan kemampuan mengngat) dan kemampuan untuk memberkan penlaan yang layak dar suatu pola nput yang serupa. Sehngga dar proses pelathan tersebut akan dbentuk suatu harga pembobot yang akan dgunakan sebaga faktor pengkalan dar pola nput yang lan. Metode Peneltan Secara gars besar sstem terdr dar dua bagan, yatu proses pelathan ctra dan proses pengujan ctra sepert yang dtunjukan Gambar 1. Pada proses pelathan, ctra-ctra wajah tersenyum adalah fle-fle wajah yang masng-masng berukuran pxel grayscale yang dperoleh dar hasl modfkas manual. Artnya, setelah fle foto-foto wajah dperoleh, proses normalsas sepert croppng bbr dengan ukuran gambar pxel dan resze untuk menyamakan dmens gambar dlakukan secara manual. Selanjutnya, dlakukan proses ekstraks cr menggunakan PCA sehngga dhaslkan matrk egen vektor ctra pembelajaran yang nantnya dbandngkan dengan matrk ctra pengujan. Kemudan dlanjutkan dengan proses dentfkas/pengenalan pola senyum menggunakan metode backpropagaton. Pada peneltan n proses pengenalan pola senyum dkelompokkan atas lma kelas yatu senyum mans, senyum mulut tertutup, senyum mulut terbuka, senyum mengejek, senyum yang dpaksakan. Preprocessng Data yang dgunakan sebanyak 250 data wajah tersenyum, dambl menggunakan kamera dgtal Sony S950 dengan resolus 10,1 mega pxel. Kemudan jarak yang dgunakan dalam pengamblan ctra wajah tersenyum sebesar satu meter. Dar kamera, selanjutnya gambar dtransfer ke dalam komputer menggunakan software kodak easyshare, format default-nya JPG dengan dmens yang cukup besar yatu pxel. Supaya ctra dapat dolah, ctra wajah d stretchng menggunakan pant, yatu dengan horzontal 10% dan vertkal 10%, kemudan dambl bagan wajahnya saja dengan ukuran pxel yang lebh kecl. Selanjutnya ctra wajah dsamakan (normalsas) ukurannya dan formatnya dubah menjad BMP. Data Proses Pelathan Ekstraks Ftur Klasfkas - ctra Wajah tersenyum -ctra Mulut, Hasl Croppng PCA Backpropagaton Data klasfkas Wajah tersenyum Mulut, Hasl Croppng PCA Backpropagaton Proses Uj Ekstraks Ftur Klasfkas Gambar 1. Blok dagram perancangan sstem
3 Rma Tr Wahyunngrum, dkk., Pengenalan Pola Senyum Menggunakan Backpropagaton 71 Tabel 1. Dstrbus data pelathan dan pengujan Data Lath Uj Kelompok I Kelompok II Kelompok III Kelompok IV Kelompok V Kelas Kelas Kelas Kelas Kelas I II III IV V I II III IV V I II III IV V I II III IV V I II III IV V 1 s.d s.d s.d s.d s.d. 30 dan dan dan 21 s.d s.d s.d s.d s.d s.d s.d s.d ctra wajah sap dproses untuk lebh lanjut, yatu dlakukan croppng pada wlayah bbr dengan ukuran pxel kemudan dlakukan proses ekstraks ftur dan terakhr proses pengenalan pola senyum. Metoda fve-fold cross valdaton dgunakan sehngga data pada setap pola senyum dbag menjad lma kelompok, dengan 4/5 data untuk tap kelas (40 data) djadkan data pelathan sedangkan 1/5 data untuk tap kelas (10 data) djadkan data pengujan. Lma kelompok n kemudan d rotas tanpa terjad overlappng sehngga semua kelompok pernah menjad data pelathan dan data pengujan, sepert yang dtunjukkan pada Tabel 1. Ekstraks Ftur Menggunakan PCA Bass optmal yang dapat dgunakan untuk merepresentaskan suatu vektor ctra dberkan oleh egenspace yang dbentuk dar nla-nla egen yang tdak nol (nonzero egenvalues) dar matrk kovaran (a) (b) Gambar 2. (a) mulut sejumlah N. (b) Vektor mulut dsusun menjad sebuah matrk yang memlk dmens (n N)
4 72 Rekayasa, Volume 4, Nomor 1, Aprl 2011 seluruh ctra tersebut. Dengan menggunakan bass yang dbentuk oleh egenspace, dapat dlakukan reduks dmens dengan melakukan transformas lner dar suatu ruang berdmens tngg ke dalam ruang yang berdmens lebh rendah. Untuk menentukan dmens yang lebh rendah dengan nformaton loss yang mnmum dapat dlakukan dengan memlh sejumlah nla egen (egenvalue) yang terbesar dar ruang berdmens tngg tersebut. Egenspace dapat dhtung bla nla egenvector atau egenvalue dar nla matrk kovaran data telah dperoleh. Egenvalue yang dambl adalah yang bernla bukan nol dar matrk kovaran bass orthonormal pada dmens awal (n). Bla jumlah data yang dgunakan adalah, maka data matrk x adalah sepert pada Persamaan 1. [ x x ] T x 1... = (1) n Kemudan dlakukan proses mean centered, yatu proses pengurangan nla vektor terhadap rata-rata seluruh ctra, sepert dtunjukkan pada Persamaan 2. x N = x m 1, dengan m = x N = 1 (2) Pada proses pengenalan atau ndentfkas umumnya melbatkan banyak data ctra. Vektor mulut akan dsusun menjad sebuah matrk yang memlk dmens (n N) sepert pada Persamaan 3 dan Gambar N [ x x... x ] X = (3) Data matrk X kemudan dkalkan dengan transposenya sendr untuk menghaslkan nla kovaran, sepert dtunjukkan pada Persamaan 4. T Ω = X X (4) Selanjutnya menghtung egenvalue (Λ) dan egenvector (V), menggunakan Persamaan 5. Ω V = ΛV (5) Haslnya adalah sebuah matrk kovaran yang dapat memlk egenvector hngga sebanyak N dengan nla egenvalue yang dambl bukan nol. Egenvector yang dhaslkan durutkan dar nla terbesar sampa ke nla terkecl, sesua dengan nla pada egenvaluenya. Dengan demkan, egenvector dengan nla egenvalue terbesar adalah yang memlk varan terbesar pada seluruh ctra. Egenvector berkutnya memlk varan terbak kedua dan seterusnya. Memproyekskan data pelathan ke egenlps menggunakan Persamaan 6. Data pelathan yang dproyekskan adalah data pelathan yang sudah melalu proses mean centered. ~ T x = V x (6) Sehngga egenspace yang dhaslkan akan berdmens (N N), jauh lebh kecl darpada (n n). Jumlah data pelathan setap pola senyum pada pelathan n adalah 40 data. Untuk lma pola senyum mempunya data pelathan 200 data. Sehngga matrk vektor data pelathan pada peneltan n memlk dmens Setap vektor data sudah melalu proses mean centered. Selanjutnya matrk vektor data tersebut dproyekskan ke egenspace, maka dmens data pelathan menjad Dskrmnas yang dlakukan pada peneltan n mula egen pertama sampa dengan egen ke-20, dengan mempertmbangkan pada urutan varan terbak yang dmlk egenvector. Perubahan jumlah egen n akan duj seberapa besar pengaruh perubahan nla egen terhadap hasl klasfkas atau pengenalan pola senyum. Pengenalan pola senyum menggunakan backpropagaton Backpropagaton merupakan salah satu model jarngan saraf truan yang popular hngga saat n. Model jarngan n banyak dgunakan untuk daplkaskan pada penyelesaan suatu masalah yang berkatan dengan dentfkas, predks, pengenalan pola dan lan sebaganya. Metode n merupakan supervsed tranng yatu untuk tap pola nput terdapat pasangan target output untuk masng-masng pola nput. Ide dasarnya dapat ddeskrpskan dengan pola hubungan sederhana sebaga berkut: jka pola output memberkan hasl yang tdak sesua dengan pola target yang d ngnkan, maka bobot akan dkoreks agar errornya dapat dperkecl dan selanjutnya respons jarngan dharapkan akan lebh mendekat harga yang sesua. Umumnya tujuan jarngan saraf truan adalah pada proses pelathan supaya blancng antara kemampuan jarngan untuk menanggap secara benar pola-pola nput (dapat dkatakan kemampuan mengngat) dan kemampuan untuk memberkan penlaan yang layak dar suatu pola nput yang serupa. Sehngga dar proses
5 Rma Tr Wahyunngrum, dkk., Pengenalan Pola Senyum Menggunakan Backpropagaton 73 (7) dengan menerapkan fungs aktvas htung, sepert dtunjukkan Persamaan 8: (8) msal, fungs aktvas yang dgunakan adalah sgmod, sepert dtunjukkan Persamaan 9: (9) Gambar 3. Blok dagram backpropagaton dengan satu hdden layer pelathan tersebut akan dbentuk suatu harga pembobot yang akan dgunakan sebaga faktor pengal dar pola nput yang lan. Pada metode n terdapat tga tahapan dalam proses pelathan yatu: proses umpan maju dar pola nput pelathan, perhtungan propagas dar error yang terjad dan penyesuaan nla pembobot. Pada tahap pelathan n dlakukan perubahan bobot sambungan, bak bobot sambungan antara nput layer dan hdden layer maupun antara hdden layer dengan output layer. Bla terdapat lebh dar satu hdden layer maka juga terdapat pembobot antara hdden layer tu sendr. Sedangkan penyelesaan masalah akan dlakukan jka proses pelathan tersebut selesa, kemudan dlakukan proses pengujan tentunya dengan menggunakan pembobot yang telah dhaslkan pada proses pelathan [7]. Gambar 3 menunjukkan contoh jarngan saraf truan backpropagaton. Algortma Backpropagaton Berkut n djelaskan algortma metode backpropagaton: Langkah 1 : Insalsas bobot dengan blangan nla acak kecl. Langkah 2 : Selama konds berhent salah, kerjakan langkah 3 8. Umpan Maju (Feedforward) Langkah 3 : Tap unt nput (x, =1,..,n) menerma syarat nput x dan dteruskan ke untunt tersembuny (hdden layer). Langkah 4 : Tap unt tersembuny (z j, z=1,.,p) menjumlahkan bobot snyal nput, sepert dtunjukkan Persamaan 7. dan mengrmkan syarat n ke semua unt pada unt output. Langkah 5 : Tap unt output (y k, k=1,..,m) menjumlahkan syarat masukan berbobot sepert dtunjukkan Persamaan 10: (10) dengan menerapkan fungs aktvas htung sepert dtunjukkan Persamaan 11: (11) Perambatan Galat Mundur (Backpropagaton) Langkah 6 : Tap unt output (y k, k=1,..,m) menerma pola pelathan nputnya. Htung galat (error) nformasnya sepert dtunjukkan Persamaan 12: (12) Htung koreks bobot dan basnya menggunakan Persamaan 13: (13) Langkah 7 : Tap hdden layer (z j, z=1,.,p) menjumlahkan delta nputnya (dar untunt yang berada pada lapsan atasnya), sepert dtunjukkan Persamaan 14: (14) Htung galat (error) nformasnya menggunakan Persamaan 15:
6 74 Rekayasa, Volume 4, Nomor 1, Aprl 2011 (15) Htung koreks bobot dan basnya menggunakan Persamaan 16: (16) Perbak bobot dan bas Langkah 8 : Tap unt output (y k, k=1,..,m) memperbaharu bobot dan bas ( j=0,1,.. p), sepert dtunjukkan Persamaan 17: (17) Tap hdden layer (z j, z=1,.,p) memperbaharu bobot dan basnya ( =0,1,..n) menggunakan Persamaan 18: Langkah 9: Uj syarat berhent (18) Hasl dan Pembahasan Sepert telah djelaskan sebelumnya, jumlah ctra data bbr yang dgunakan sebanyak 250 ctra wajah kemudan dlakukan proses croppng untuk mengambl ctra bbr saja yang akan dgunakan dalam proses pelathan dan proses pengujan sesua dengan skenaro ujcoba yang djelaskan pada sub bab preprocessng. Adapun preprocessng yang dlakukan berupa convert to grayscale dan reszng. Beberapa contoh data ctra bbr yang dgunakan dalam peneltan n dapat dlhat pada Gambar 4. Setelah dlakukan proses pengenalan dan pengujan menggunakan ekstraks ftur PCA dan klasfkas backpropagaton dengan skenaro fve fold cross valdaton, kemudan tngkat akuras setap pola senyum pada masng-masng kelompok pada kelas yang sama drata-ratakan, sehngga hasl klasfkas yang ddapatkan lebh objektf untuk devaluas. Dar hasl uj coba pada peneltan n, akuras pengenalan tertngg terjad saat menggunakan jumlah hdden layer 10. Pada Tabel 2 menunjukkan rata-rata Gambar 4. Contoh ctra bbr yang akan dproses
7 Rma Tr Wahyunngrum, dkk., Pengenalan Pola Senyum Menggunakan Backpropagaton 75 Tabel 2. Rata-rata akuras pengenalan pola senyum dengan 10 hdden layer Akuras Pengenalan Rata-Rata nla egen Kelas I (%) Kelas II (%) Kelas III (%) Kelas IV (%) Kelas V (%) Total Ratarata 5 65,67 75,2 78,78 60, , ,8 69,45 76,67 65,33 83,33 73, , ,67 82,33 82, ,25 81,45 83,67 78,8 75,5 81, ,25 78, ,37 76,59 akuras pengenalan pola senyum dengan uj coba menggunakan 10 hdden layer. Berdasarkan hasl pada Tabel 2, rata-rata akuras pengenalan tertngg dperoleh saat nla egen yang dgunakan adalah 15 yatu sebesar 82,67%. Setap dlakukan uj coba menggunakan nla egen yang berbeda, hasl akuras pengenalan pola senyum juga berbeda. Oleh karena tu, metode ekstraks ftur dan metode klasfkas sangat memengaruh hasl akuras pengenalan pola. Smpulan Pada peneltan n telah berhasl melakukan uj coba pengenalan pola senyum menggunakan metode ekstraks ftur PCA dengan metode klasfkas backpropagaton. Kedua metode n sangat memengaruh hasl akuras pengenalan yang dperoleh. Berdasarkan hasl peneltan dengan skenaro uj coba fve fold cross valdaton, rata-rata pengenalan pola senyum tertngg dperoleh ketka menggunakan nla egen 15 dan jumlah hdden layer 10, yatu sebesar 82,67%. Daftar Pustaka [1] Kotsa, I., dan Ptas, I., Facal Expresson Recognton n Image Sequences Usng Geometrc Deformaton Features and Support Vector Machnes, Journal IEEE Transactons on Image Processng GRECE, Vol. 16, No. 1, hal [2] Cahyono, G.R., Purnomo, M.H., dan Haryad, M., Smle Stages Classfcaton Based on Aesthetc Dentstry Usng Egenfaces, Fsherfaces and Multclass SVM, Proceedng of 4 th Internatonal Conference on Bomedcal Engneerng, hal [3] Wahyunngrum, R.T., Purnomo, M.H., dan Purnama, I.K.E., Smle Stages Recognton n Orthodontc Rehabltaton Usng 2DPCA Feature Extracton, Proceedng of The Frst Internatonal Conference on Green Computng and The Second AUN/SEED-NET Regonal Conference on ICT, hal [4] Wahyunngrum, R.T., Purnama, I.K.E., dan Purnomo, M.H., Smle Stages Classfcaton by Usng Feature Extracton Based on 2DPCA and 2DLDA n Orthodontc Rehabltaton, Proceedng of 6 th Internatonal Conference on Bomedcal Engneerng, hal [5] Purnomo, M.H., Sarjono, T.A., dan Muntasa, A., Smle Stages Classfcaton Based on Kernel Laplacan-lps Usng Selecton of Non Lnear Functon Maxmum Value, IEEE Internatonal Conference on Vrtual Envronments Human-Computer Interfaces and Measurement Systems (VECIMS), hal [6] Wahyunngrum, R.T., dan Damayant, F., Stud Perbandngan Pengenalan Senyuman Berdasarkan Aesthetc Denttry Menggunakan Metode 2DPCA dan 2DLDA, Kursor, hal. [7] Sun, T.H., dan Ten, F.C., Usng backpropagaton neural network for face recognton wth 2D + 3D hybrd nformaton, Expert Systems wth Applcatons, Vol. 35, No. 1 2, hal
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 DAFTAR REVIEWER
Konferens Nasonal Sstem & Informatka 2015 STMIK STIKOM Bal, 9 10 Oktober 2015 DAFTAR REVIEWER Dr. Agus Harjoko Prof. Dr. Sr Hartat Dr.-Ing. Reza Pulungan Dr. Djoko Soetarno, DEA Dr. Ir. Rla Mandala, M.Eng
Lebih 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 terperinciANALISIS KEMIRIPAN POLA CITRA DIGITAL MENGGUNAKAN METODE EUCLIDEAN
AALISIS KEMIRIPA POLA CITRA DIGITAL MEGGUAKA METODE EUCLIDEA Eus St ur Asyah1), Abdul Hayat2), Puspa Wdant3), Shnta Yulnda Prasetya4), Helm Iskandar5) 1), 2 ), 3) Komputersas Akuntans AMIK Raharja Informatka
Lebih terperinciBAB 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 terperinciPENGARUH EKSPRESI WAJAH TERHADAP KEBERHASILAN KLASIFIKASI GENDER BERBASIS PCA-LDA
Pengaruh Ekspres Wajah terhadap Gender Berbass - (Agus Seta Bud N.) PENGARUH EKSPRESI WAJAH ERHADAP KEBERHASILAN KLASIFIKASI GENDER BERBASIS - Agus Seta Bud N. (1) (1) Staf Pengajar Jurusan eknk Elektro
Lebih terperinciPengenalan Tanda Tangan Dengan Metode Principal Component Analysis (PCA) Dan Jaringan Syaraf Tiruan (JST)
1 Pengenalan Tanda Tangan Dengan Metode Prncpal Component Analyss (PCA) Dan Jarngan Syaraf Truan (JST) Hann Prastka 1, Rahmat Suhatman 2, Warna Nengsh 3 Program Stud Teknk Informatka dan Multmeda, Polteknk
Lebih terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
Lebih 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 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 terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)
Lebih terperinciPengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Prnt) 1 Pengenalan Karakter Tulsan Tangan Angka dan Operator Matematka Berdasarkan Zernke Moments Menggunakan Support Vector Machne
Lebih terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciBAB III 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 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. fungsi f(x,y), dimana x dan y merupakan spatial koordinat, dan tingkatan aplitude
BAB 2 LANDASAN TEORI 2.1 Ctra Menurut Gonzales (2004, p1) Ctra bsa djelaskan sebaga 2 dmens dar fungs f(x,y), dmana x dan y merupakan spatal koordnat, dan tngkatan apltude pada poss n dsebut dengan ntenstas
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 terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciAnalisis Pengaruh Kernel Support Vector Machine (SVM) pada Klasifikasi Data Microarray untuk Deteksi Kanker
OPEN ACCESS ISSN 460-9056 socj.telkomunversty.ac.d/ndojc Ind. Journal on Computng Vol., Issue. 1, Maret 017. pp. 109-118 do:10.1108/ndojc.017.1.169 Analss Pengaruh Kernel Support Vector Machne (SVM) pada
Lebih 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 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 terperinciPENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA
MAKALAH SEMINAR TUGAS AKHIR PENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA Suharto Jat Santoso *, Bud Setyono **, R. Rzal Isnanto ** Abstrak - Selama n pengenalan jens kan pada
Lebih terperinciBAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
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 I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB 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 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 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 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 terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: madha@stkom.edu 2) S1
Lebih 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 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 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 terperinciPengenalan Wajah Menggunakan Implementasi T-shape Mask pada Two Dimentional Linear Discriminant Analysis dan Support Vector Machine
Musthafa, Pengenalan Wajah Menggunakan Implementas -shape Mask Pada wo Dmentonal Lnear Dscrmnant Analyss dan... 1 Pengenalan Wajah Menggunakan Implementas -shape Mask pada wo Dmentonal Lnear Dscrmnant
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
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 terperinciANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE M. Fachrurroz, M.T. 1, Nov Yuslan, M.T. 2 1,2 Jurusan Teknk Informatka Fakultas Ilmu Komputer, Unverstas Srwjaya 1 obetsobets@gmal.com,
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 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 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 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 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 terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciBab 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 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 III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
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 SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL
Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: 979-756-061-6 Yogyakarta, 18 Jun 2005 PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL Setyo Nugroho
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 terperinciSEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN
AALISIS DISKRIMIA DISKRIT UTUK MEGELOMPOKKA KOMPOE Bernk Maskun Jurusan Statstka FMIPA UPAD jay_komang@yahoo.com Abstrak Untuk mengelompokkan hasl pengukuran yang dukur dengan p buah varabel dmana penlaan
Lebih 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 IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciRANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN
RANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN Erfant Fatkhyah Jurusan Teknk Informatka, Fakultas Teknolog Industr, Insttut Sans & Teknolog AKPRIND Yogyakarta Emal: erfunthye@yahoocod
Lebih terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciSOLUSI TUGAS MATA KULIAH STATISTIKA II
SOLUSI TUGAS MATA KULIAH STATISTIKA II SOAL : Suatu Peneltan dlakukan untuk menelaah empat metode pengajaran, yatu Metode A (ceramah d kelas), Metode B (mengajak dskus langsung dengan sswa), Metode C (ceramah
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Beberapa aplkas sejens yang menjad perbandngan dan referens bag penelt dalam melakukan peneltan n djelaskan dalam bab n. Adtyawan membangun aplkas analss sentmen untuk stus mcrobloggng
Lebih terperinciSistem Pengenalan Wicara Otomatis Menggunakan Discrete Wavelet Neural Network (DWNN)
Sstem Wcara Otomats Menggunakan Dscrete Wavelet Neural Network (DWNN) Yunus Wcaksono S 1, Djoko Purwanto 2, Agus Sgt Pramono 3 1,2 Program Stud Teknk Elektro Insttut Teknolog Sepuluh Nopember Surabaya
Lebih terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
Lebih terperinciInvestigasi Hubungan antara Jumlah Dimensi Parameter Extraksi Terhadap Keakurasian Pengenalan Tanda Tangan Secara Offline
Semnar Nasonal eknolog Informas & Komunkas erapan 2012 (Semantk 2012) ISBN 979-26 - 0255-0 Investgas Hubungan antara Jumlah Dmens Parameter Extraks erhadap Keakurasan Pengenalan anda angan Secara Offlne
Lebih 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 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 terperinciPengenalan Wajah Menggunakan Pseudo-2D Hidden Markov Model
Pengenalan Wajah Menggunakan Pseudo-2D Hdden Markov Model Anak Agung Gde Agung 1, Fazmah Arf Yulanto 2, Warh Maharan 3 1 Program Stud Komputersas Akuntans Polteknk Telkom, Bandung 2,3 Fakultas Teknk Informatka,
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 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 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 terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih 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 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 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 terperinciMETODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciIII.METODE PENELITIAN. Pada penelitian ini subyek yang digunakan adalah siswa VII A SMPN 5
33 III.METODE PENELITIAN A Jens Dan Desan Peneltan. Jens peneltan yang dgunakan dalam peneltan n adalah peneltan kuanttatf. Peneltan n merupakan peneltan korelas yang bertujuan untuk mengetahu hubungan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
Lebih terperinciBAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinciBAB 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 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 terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
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 terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciBAB 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 terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciBAB 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 terperinciPENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN
PENGENALAN KARAKTER ALFABET MENGGUNAKAN JARINGAN SARAF TIRUAN Oleh : And Prasojo (L2F098584) Jurusan Teknk Elektro Fakultas Teknk Unverstas Dponegoro Jl. Prof. H. Sudarto, S.H., Tembalang, Semarang e-mal
Lebih terperinciPERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT
BIAStatstcs (05) Vol. 9, No., hal. -7 PERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT Faula Arna Jurusan Teknk Industr, Unverstas Sultan Ageng Trtayasa Banten Emal : faulaarna@yahoo.com
Lebih terperinciIII. METODE PENELITIAN. 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 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 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 terperinciIDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY
Anfudn Azz dan Tanzl Kurnawan, Identfkas Pola Jar IDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY (Frnger Prnt Pattern Identfcaton by Bdrectonal Assocatve Memory
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 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 terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB 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 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 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 terperinciBAB III METODOLOGI PENELITIAN. dalam situs BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal dari dua
BAB III METODOLOGI PENELITIAN 3.1. Ruang Lngkup Peneltan Reksadana yang dgunakan dalam peneltan n adalah reksadana yang terdaftar dalam stus BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal
Lebih terperinciPENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN
PENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN Handry Wardoyo 1 Jeanny Pragantha Vny Chrstant M. 3 1 3 Teknk Informatka Unverstas Tarumanagara
Lebih terperinciKLASTERISASI DATA MICROARRAY MENGGUNAKAN METODE CLIQUE PARTITIONING
KLASTERISASI DATA MICROARRAY MENGGUNAKAN METODE CLIQUE PARTITIONING Lsa Maranah 1, Fhra Nhta, Adwjaya 3 1,,3 ProdS1 Ilmu Komputas, Fakultas Informatka, Unverstas Telkom 1 lsamaranah@gmal.com, fhranhta@telkomunversty.ac.d,
Lebih terperinci