Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 DAFTAR REVIEWER
|
|
- Bambang Kartawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1
2 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 Ir. Krdanto Surendro, M.Sc.,Ph.D Dr. Abdarn Rosd,M.Ma Prof. Joko Lanto B Danel Oranova Sahaan, P.D.Eng Dr. Dadang Hermawan Dr. Muhammad Rusl, MT Yudh Agusta, PhD
3
4
5
6
7
8
9
10
11
12
13
14
15 Konferens Nasonal Sstem & Informatka 2015 STMIK STIKOM Bal, 9-10 Oktober 2015 Pengenalan Jens Kelamn Berdasarkan Ctra Wajah Menggunakan Metode Two-Dmensonal Lnear Dscrmnant Analyss Ftr Damayant Prod Manajemen Informatka, Fakultas Teknk, Unverstas Trunojoyo Madura Jl. Raya Telang PO. BOX 2 Kamal, Bangkalan, Madura, e-mal: ftr2708@yahoo.com Abstrak Wajah merupakan salah satu bagan dar tubuh manusa yang mempunya karakterstk khusus sehngga serng dgunakan untuk membedakan denttas ndvdu yang satu dan yang lannya. Pengenalan wajah menjad sangat pentng untuk dkembangkan sejak aplkas n dterapkan dalam sstem keamanan. Pengenalan jens kelamn merupakan salah satu bagan dar pengenalan wajah. Jens kelamn memankan peran pentng dalam nteraks kta d masyarakat dan dengan komputer. Klasfkas jens kelamn dar gambar wajah dapat daplkaskan dbdang demograf pengumpulan data, antarmuka manusa-komputer (menyesuakan perlaku software sehubungan dengan jens kelamn pengguna) dan lan-lan. Tujuan dar peneltan n adalah membuat mplementas dar sstem pengenalan jens kelamn pada ctra wajah atau Gender Recognton dengan masukkan berupa ctra wajah yang mampu mengenal jens kelamn seseorang secara cepat dan tepat serta berjalan dengan bak. Pada peneltan n dgunakan metode Two Dmensonal Lnear Dscrmnant Analyss (TDLDA) untuk ekstraks ftur, yang menla secara langsung matrk wthn-class scatter dar matrks ctra tanpa transformas ctra ke vektor, dan hal n mengatas sngular problem dalam matrks wthn-class scatter. Untuk mendapatkan hasl pengenalan yang optmal metode klasfkas yang dgunakan adalah pengklasfkasan Eucldean Dstance. Peneltan n mengntegraskan metode TDLDA dan ED untuk pengenalan jens kelamn berdasarkan ctra wajah. Dengan kombnas kedua metode tersebut terbukt dapat memberkan hasl yang optmal dengan akuras antara 68% sampa 89% dengan uj coba yang menggunakan database wajah yang dambl dar Kata kunc: Eucldean Dstance., Jens Kelamn, Two Dmensonal Lnear Dscrmnant Analyss 1. Pendahuluan Wajah merupakan salah satu ukuran fsologs yang palng mudah dan serng dgunakan untuk membedakan denttas ndvdu yang satu dengan yang lannya. Otak manusa mempunya kemampuan untuk mengenal dan membedakan wajah antara orang yang satu dengan yang lannya dengan relatf cepat dan mudah. Pengenalan wajah (face recognton) manusa merupakan salah satu bdang yang cukup berkembang dewasa n. Aplkas dar pengenalan wajah dapat dterapkan dalam bdang keamanan (securty system) sepert jn akses masuk ruangan. Salah satu bagan dar face recognton yang telah dkembangkan saat n adalah pengenalan jens kelamn (gender recognton) Kemrpan antara gender recognton dengan face recognton terletak pada proses ekstraks fturnya. Namun, sedkt berbeda pada proses pengklasfkasannya. Selama n untuk menghtung berapa jumlah orang yang berjens kelamn lak-lak atau perempuan yang datang ke sebuah toko atau nstans publk mash secara manual, sehngga dbutuhkan waktu yang lebh lama. Untuk memudahkan klan apa yang dtamplkan d papan klan elektronk dtempat umum atau dpnggr jalan bsa dsesuakan dengan jens kelamn orang yang melewat klan tersebut. Sehngga untuk memudahkan dan mempercepat waktu pemrosesan dbuat perangkat lunak untuk pengenalan jens kelamn berdasarkan ctra wajah. Kesulltan dalam proses gender recognton terutama karena kekompleksan dar konds wajah, sepert poss gambar, pencahayaan dan ekspres gambar yang berbeda-beda yang memlk dmens tngg sehngga harus melalu proses kompres/ekstraks terlebh dahulu sebelum dolah datanya dengan metode klasfkas. Peneltan sebelumnya yang terkat dengan peneltan n adalah peneltan yang dlakukan oleh Burhan Ergen dan Serdar Abut yang berjudul Gender Recognton Usng Facal Images. Pada 244
16 peneltan tersebut dlakukan pengenalan jens kelamn berbass ctra wajah menggunakan metode GLCM. Hasl uj coba mempunya tngkat akuras 60% dengan menggunakan FEI Face database yang terdr dar 100 ctra wajah perempuan dan 100 ctra wajah lak-lak [1]. Peneltan yang dlakukan oleh Vladmr Khryashchev, Andrey Prorov, Lev Shmaglt and Maxm Golubev yang berjudul Gender Recognton Va Face Area Analyss ada peneltan n dlakukan pengenalan jens kelamn berbass ctra wajah menggunakan metode Adaptve Feature dan SVM. Hasl uj coba mempunya tngkat akuras 90,8% dengan menggunakan FERRET database[2]. Peneltan yang dlakukan oleh Nafn Fenanda, Arf Muntasa, Ftr Damayant yang berjudul Local Bnary Pattern (LBP) dan Fsherface menggunakan metode LBP dan Fsherface. Hasl uj coba mempunya tngkat akuras tertngg sebesar 75% dengan menggunakan database yang dambl dar Peneltan n mengntegraskan TDLDA dan ED untuk pengenalan jens kelamn berbass ctra wajah. TDLDA sebaga metode ekstraks ftur yang bsa mengatas sngular problem dan ED sebaga metode klasfkasnya. 2. Metode Peneltan Secara gars besar sstem n terdr dar dua bagan, yatu proses pelathan ctra dan proses pengujan. Pada Gambar 1 merupakan gambaran gars besar sstem pengenalan jens kelamn berdasarkan ctra wajah. Pada proses pelathan terdapat proses TDLDA yang dgunakan untuk mengekstraks ftur, ftur-ftur yang terplh pada saat proses pelathan dgunakan dalam proses klasfkas dan juga dgunakan untuk mendapatkan ftur-ftur yang terplh pada data uj coba. Masng-masng bass data wajah yang dgunakan dbag menjad dua, sebagan dgunakan untuk proses pelathan (tranng) dan ssanya dgunakan untuk proses pengujan (testng). Proses Pelathan Proses Pengujan Memasukkan data pengujan M emasukkan bass data pelathan Ekstraks ftur TDLDA Ekstraks ftur data pengujan Pengklasfkas ED Hasl dentfkas Gambar 1. Sstem Pengenalan Jens Kelamn Berdasarakan Ctra Wajah. 2.1 Ekstraks Ftur Ekstraks ftur pada proses pelathan dlakukan dengan menggunakan metode Two-Dmensonal Lnear Dscrmnant Analyss. Tahap n bertujuan untuk mendapatkan ftur-ftur yang terplh dar 245
17 masukkan data-data pelathan. Ftur-ftur yang terplh dperoleh dar semua ftur wajah yang dcar nla egen dan vektor egen terbesar. 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. 2.2 Desan Algortma TDLDA Berkut n adalah langkah-langkah dalam proses TDLDA terhadap suatu bass data ctra pelathan [4]: 1. Jka dalam suatu bass data ctra wajah terdapat hmpunan sebanyak n ctra pelathan A = [A 1,A 2 n] ) dengan dmens ctra (r x c), maka hmpunan total matrks dar semua ctra tersebut adalah : A n = A A A ( n)11 ( n)21... ( n) r1 A A A ( n)12 ( n)22... ( n) r A A A ( n)1c ( n)2c... ( n) rc 2. Menentukan nla 1 (dmens proyeks bars) dan 2 (dmens proyeks kolom). Nla 1 r dan 2 c. 3. Tahapan berkutnya adalah perhtungan rata-rata ctra pelathan dar kelas ke : 1 M X X n 4. Menghtung rata-rata semua ctra pelathan : M = n 1 k 1 X 5. Menetapkan matrks transformas R ukuran (c, 2 ) yang dperoleh dar gabungan antara matrks denttas ukuran ( 2, 2 ) dengan matrks nol ukuran (c- 2, 2 ). 6. Menghtung matrks between class scatter R sesua dengan persamaan (4). S R b = k T T n ( M M ) RR ( M M ) 1 X, ukuran matrksnya (r x r). (4) 7. Menghtung matrks wthn class scatter R sesua dengan persamaan (5). k S R W = T T ( X M ) RR ( X M ), ukuran matrksnya (r x r). (5) 1 x 8. Htung generalzed egenvalue ( ) dar S R b dan S R W (6). (1) (2) (3) menggunakan SVD sesua dengan persamaan J 4(L) = maxtrace((l T S R W L)-1 (L T S R b L)), ukuran matrksnya (r x r). (6) 9. Ambl sebanyak 1 egenvector dar langkah 8 sebaga matrks transformas bars (L). L = [ L 1,..., L ], ukuran matrksnya (r x 1 1 ). 10. Menghtung matrks between class scatter L sesua dengan persamaan (7). k S L b = T T n ( M M ) LL ( M M), ukuran matrksnya (c x c). (7) Menghtung matrks wthn class scatter L sesua dengan persamaan (8). k S L W = T T ( X M ) LL ( X M ), ukuran matrksnya (c x c). (8) 1 x 246
18 12. Htung generalzed egenvalue ( ) dar S L b dan S L W menggunakan SVD sesua dengan persamaan (9). J 5(R)=maxtrace((R T S L W R)-1 (R T S L b R)), ukuran matrksnya (c x c). (9) 13. Ambl sebanyak 2 egenvector dar langkah 12 sebaga matrks transformas kolom (R). R = [ R 1, R..., ], ukuran matrksnya (c x 2 2 ). 14. Htung matrks ftur ekstraks adalah B =L T A R, ukuran matrksnya ( 1 x 2 ) 15. Output : matrks ftur ektraks B, matrks transformas bars L, dan matrks transformas kolom R. 2.3 Klasfkas Klasfkas pada peneltan n menggunakan metode Eucldean Dstance. Metode n merupakan salah satu pengukuran kemrpan ctra dengan konsep menghtung nla kuadrat dar hasl pengurangan kedua ctra [5]. dengan : = tngkat kesamaan objek = matrk bobot ctra testng = matrk bobot ctra tranng = koordnat matrk bobot = dmens panjang matrk bobot = dmens lebar matrk bobot (10) 2.4 Data Yang Dgunakan Pengujan sstem pada peneltan n menggunakan data uj coba berukuran 200x200 pksel sebanyak 400 ctra yang terdr dar 200 ctraa lak-lak dan 200 ctra perempuan. Data uj coba n dambl dar dan telah dgunakan dalam peneltan sebelumnya. Data uj coba tersebut merupakan data testng yang duj jarak kemrpannya menggunakan ED dengan data tranng. Gambar 2 bers beberapa contoh ctra wajah yang dgunakan sebaga data testng dan data tranng. Gambar 2. Contoh Ctra Wajah Yang Dgunakan Sebaga Data Uj Coba Skenaro uj coba yang dlakukan pada peneltan n terdapat 8 skenaro, yatu skenaro 1, skenaro 2, skenaro 3, skenaro 4, skenaro 5, skenaro 6, skenaro 7, skenaro 8. Perbedaan dar 8 skenaro tersebut terletak pada jumlah data tranng dan data testng yang dgunakan. Lebh jelasnya dapat dlhat pada Tabel
19 Tabel 1 Smulas Skenaro Pada Sstem Skenaro Jumlah Ctra Tranng Jumlah Ctra Testng Skenaro Ctra 150 Ctra Perempuan 100 Ctra 50 Ctra Perempuan 150 Ctra Lak-lak 50 Ctra Lak-lak Skenaro Ctra 140 Ctra Perempuan 120 Ctra 60 Ctra Perempuan 140 Ctra Lak-lak 60 Ctra Lak-lak Skenaro Ctra 130 Ctra Perempuan 140 Ctra 70 Ctra Perempuan 130 Ctra Lak-lak 70 Ctra Lak-lak Skenaro Ctra 120 Ctra Perempuan 160 Ctra 80 Ctra Perempuan 120 Ctra Lak-lak 80 Ctra Lak-lak Skenaro Ctra 80 Ctra Perempuan 240 Ctra 120 Ctra Perempuan 80 Ctra Lak-lak 120 Ctra Lak-lak Skenaro Ctra 70 Ctra Perempun 260 Ctra 130 Ctra Perempuan 70 Ctra Lak-lak 130 Ctra Lak-lak Skenaro Ctra 60 Ctra Perempuan 280 Ctra 140 Ctra Perempuan 60 Ctra Lak-lak 140 Ctra Lak-lak Skenaro Ctra 50 Ctra Perempuan 300 Ctra 150 Ctra Perempuan 50 Ctra Lak-lak 150 Ctra Lak-lak 3. Hasl dan Pembahasan Metode yang dgunakan dalam pengujan n ada dua kelompok. Kelompok pertama menggunakan metode Local Bnary Pattern (LBP) untuk preprocessng, metode Fsherface untuk ekstraks ftur dan metode Eucldean Dstance sebaga klasfkas peneltan n yang dkerjakan oleh Nafn Fenanda, Arf Muntasa, Ftr Damayant [3]. Kelompok yang kedua menggunakan metode TDLDA sebaga ekstraks ftur dan metode Eucldean Dstance sebaga klasfkas. Kelompok yang kedua n merupakan peneltan yang dkerjakan oleh penelt. Tabel 2 menunjukkan perbandngan hasl uj coba dar peneltan sebelumnya dan peneltan yang dkerjakan oleh penelt. Data uj coba dan skenaro yang dlakukan pada peneltan n sudah djelaskan pada bab 3. Tabel 2 Perbandngan Hasl Uj Coba Skenaro Akuras LBP Fsherface - ED TDLDA - ED Skenaro 1 75% 89% Skenaro 2 68,33% 88,75% Skenaro 3 67,86% 88% Skenaro 4 73,75% 86% Skenaro 5 60,83% 84% Skenaro 6 49,62% 83% Skenaro 7 45% 70% Skenaro 8 52% 68% Pada Tabel 2 menunjukkan bahwa prosentase pengenalan TDLDA-ED lebh tngg dbandng dengan metode LBP-Fsherface-ED. Keunggulan metode TDLDA-ED dbandngkan dengan metode LBP- Fsherface-ED, adalah pada fsherface prosedur pre-processng untuk mereduks dmens menggunakan PCA dapat menyebabkan kehlangan beberapa nformas dskrmnan yang pentng untuk algortma LDA yang dterapkan setelah PCA. Pada TDLDA mengambl keuntungan penuh dar nformas yang dskrmnatf dar ruang lngkup wajah (face space), dan tdak membuang beberapa subruang (subspace) yang mungkn berguna untuk pengenalan. Terdapat tga varabel pentng yang mempengaruh tngkat keberhaslan pengenalan, yatu varas urutan dar sampel pelathan per kelas yang dgunakan, jumlah sampel pelathan per kelas yang dgunakan, dan jumlah dmens proyeks. Pada skenaro 1 jumlah data pelathan lebh banyak dbandng skenaro 2, demkan juga pada skenaro 2 jumlah data pelathan lebh banyak dbandng skenaro 3, dan seterusnya. Sehngga prosentase pengenalan untuk skenaro 1 lebh tngg haslnya dbandngkan hasl dar skenaro 2. Dar hasl uj coba yang dlakukan terdapat beberapa pengenalan yang salah, harusnya dkenal perempuan tetap hasl pengenalannya lak-lak, demkan juga sebalknya. Beberapa pengenalan yang 248
20 salah tersebut dsebabkan karena beberapa faktor yatu mrpnya bentuk kepala, bentuk rambut dan ekspres antara kedua ctra perempuan dan lak-lak. 4. Smpulan Dar uj coba yang sudah dlakukan dapat dambl smpulan sebaga berkut : 1. Metode TDLDA-ED mampu menunjukkan akuras pengenalan yang optmal dbandngkan dengan metode LBP-Fsherface-ED. Hal n dkarenakan TDLDA mampu mengatas sngular problem, mampu mempertahankan keberadaan nformas dskrmnatf, serta mampu memaksmal jarak antar kelas dan memnmalkan jarak nter kelas. 2. Terdapat tga varabel pentng yang mempengaruh tngkat keberhaslan pengenalan, yatu varas urutan dar sampel pelathan per kelas yang dgunakan, jumlah sampel pelathan per kelas yang dgunakan, dan jumlah dmens proyeks. 3. Dar hasl uj coba menggunakan metode TDLDA-ED ddapatkan tngkat akuras pengenalan antara 68% sampa 89%. 4. Klasfkas yang salah pada uj coba dsebabkan oleh mrpnya bentuk kepala, bentuk rambut dan ekspres antara kedua ctra perempuan dan lak-lak. Daftar Pustaka [1] Ergen B, Abut S. Gender Recognton Usang Facal Images. Internatonal Conference on Agrculture and Botechnology Vol 60 : [2] Khryashchev V, Prorov A, Shmaglt L, and Golubev M. Gender Recognton Va Face Area Analyss. Proceedngs of The World Congress on Engneerng and Compuer Scence Vol 1. [3] Fenanda N, Muntasa Arf, Damayant F. Pengenalan Jens Kelamn Berdasarkan Ctra Wajah Menggunakan Metode Local Bnary Pattern (LBP) dan Fsherface. Bangkalan. Teknk Informatka Unverstas Trunojoyo [4] Quan XG, Le Z, and Davd Z. Face Recognton Usng FLDA Wth Sngle Tranng Image Per Person. Appled Mathematcs and Computaton Vol 205 : [5] Ballh L, Ben Amar B, Daoud M, Srvastava A, Aboutajdne D. Boostng 3-D-Geometc Feature for Effcent Face Recognton and Gender Classfcaton. IEEE Transacton on Bometrcs Compendum Vol 7 :
21
22
Pengenalan 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 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 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 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 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 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 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 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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Emprs Pada peneltan n, penelt menggunakan beberapa peneltan terkat yang pernah dlakukan oleh penelt lan sebaga tnjauan stud, yatu sebaga berkut : a. Pornography Detecton
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 2 TINJAUAN PUSTAKA
BAB 2 INJAUAN PUSAKA 2.1 Ctra Dgtal Ctra (mage) adalah gambar pada bdang dua dmens. Dtnjau dar sudut pandang matemats, ctra merupakan fungs menerus (contnue) dar ntenstas cahaya pada bdang dua dmens. Ctra
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-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. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBAB 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 terperinciPengenalan Pola Senyum Menggunakan Backpropagation Berbasis Ekstraksi Fitur Principal Component Analysis (PCA)
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
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 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 terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciBAB 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 terperinciVol. 5, No. 3, Januari 2010 ISSN DAFTAR ISI
Vol. 5, No. 3, Januar 200 ISSN 026-0544 DAFTAR ISI ALGORITMA PEMUTUSAN SIKLUS ITERATIF PADA 37-46 ESTIMASI ROTASI CITRA DENGAN MENGGUNAKAN PSEUDO-POLAR FOURIER TRANSFORM Arya Yudh Wjaya, Agus Zanal Arfn,
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciFACE RECOGNITION MENGGUNAKAN METODE ALGORITMA VIOLA JONES DALAM PENERAPAN COMPUTER VISION
FCE RECOGTO MEGGUK METODE LGORTM VOL JOES DLM PEERP COMPUTER VSO Pareza lam Jusa, S.Kom, M.Kom STKOM Dnamka Bangsa Jamb,Teknk nformatka E-mal: parezaalam@stkom-db.ac.d BSTRK Deteks wajah merupakan 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 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 terperinciBOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL
BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL Analss sumbangan sektor-sektor ekonom d Bal terhadap pembangunan ekonom nasonal bertujuan untuk mengetahu bagamana pertumbuhan dan
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
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 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 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 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 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 terperinciPENGENALAN CITRA WAJAH YANG MEMILIKI GANGGUAN PENCAHAYAAN DENGAN KLASIFIER NEAREST NEIGHBOUR BERDASARKAN FITUR EIGENFACE DAN FISHERFACE
PENGENALAN CIRA WAJAH YANG MEMILIKI GANGGUAN PENCAHAYAAN DENGAN KLASIFIER NEARES NEIGHBOUR BERDASARKAN FIUR EIGENFACE DAN FISHERFACE Suband Polteknk Neger Banjarmasn Jl. Jend. H. Hasan Basr Kayu ang Banjarmasn
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 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 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 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 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 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 terperinciISSN Evaluasi Kinerja Metode PCA/LPP Pada Sistem Pengenalan Citra Wajah Manusia
ISSN0216-3241 25 Evaluas Knera Metode PCA/LPP Pada Sstem Pengenalan Ctra Waah Manusa Oleh N Wayan Mart Jurusan Manaemen Informatka, FK - Undksha Abstrak Sstem dentfkas personal yang berbass pengenalan
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih 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 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 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 X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
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 terperinciImplementasi Adaptive Support Vector Machine untuk Membantu Identifikasi Kanker Payudara
1 Implementas Adaptve Support Vector Machne untuk Membantu Identfkas Kanker Payudara Baktar Karsma, Dana Purwtasar, Anny Yunart Teknk Informatka, Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan quas expermental dengan one group pretest posttest desgn. Peneltan n tdak menggunakan kelas pembandng namun sudah menggunakan
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 terperinciMULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari
MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuh Tugas Matakulah Multvarat yang dbmbng oleh Ibu Tranngsh En Lestar oleh Sherly Dw Kharsma 34839 Slva Indrayan 34844 Vvn Octana 34633 UNIVERSITAS
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 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu
Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan
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 terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
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 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 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 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 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 terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih 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 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 terperinciIII. METODOLOGI PENELITIAN
44 III. METODOLOGI PENELITIAN A. Metode Peneltan Menurut Arkunto (00:3) peneltan ekspermen adalah suatu peneltan yang selalu dlakukan dengan maksud untuk melhat akbat dar suatu perlakuan. Metode yang penuls
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 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 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 terperinciIII. METODELOGI PENELITIAN. Suatu penelitian dapat berhasil dengan baik dan sesuai dengan prosedur ilmiah,
III. METODELOGI PENELITIAN A. Metode Peneltan Suatu peneltan dapat berhasl dengan bak dan sesua dengan prosedur lmah, apabla peneltan tersebut menggunakan metode atau alat yang tepat. Dengan menggunakan
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Menghadap era globalsas yang penuh tantangan, aparatur negara dtuntut untuk dapat memberkan pelayanan yang berorentas pada kebutuhan masyarakat dalam pemberan pelayanan
Lebih 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 terperinciPROSIDING ISSN: M-16 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN
M-6 KLASIFIKASI CURAH HUJAN BERDASARKAN DATA SATELIT MTSTAT DENGAN METODE BAYESIAN Zulhanf ), I Gede Nyoman Mndra Jaya ),) Departemen Statstka FMIPA UNPAD dzulhanf@yahoo.com, jay.komang@gmal.com Abstrak
Lebih 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 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 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 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 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 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 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 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 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 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Kamus Buku acuan yang memuat kata dan ungkapan, basanya dsusun menurut abjad berkut keterangan tentang makna, pemakaan, atau terjemahannya, kamus juga dsebut buku yang memuat
Lebih terperinci