Implementasi Metode Backpropagation untuk Mengenali Teks pada Natural Scene Image
|
|
- Sri Jayadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer e-issn: X Vol. 2, No. 8, Agustus 2018, hlm Implementas Metode Bacpropagaton untu Mengenal Tes pada Natural Scene Image Imam Ghozal 1, Tbyan 2, Putra Pandu Adara 3 Program Stud Ten Informata, Faultas Ilmu Komputer, Unverstas Brawaya Emal: 1 mam.ghz17@gmal.com, 2 tbyan@ub.ac.d, 3 adara.putra@ub.ac.d Abstra Tes pada gambar dapat memuat berbaga nformas pentng bag manusa, mendetes tes pada natural scene mage (NSI) menad suatu bagan pentng pada peneltan mengena text nformaton extracton (TIE), dalam mendapatan nformas pada NSI terdapat berbaga macam tantangan yang harus dhadap, sepert menentuan regon tes pada bacground yang omples hngga mengenal berbaga macam tes yang meml beranea ragam bentu, uuran, warna dan lan sebaganya. Hasl dar TIE dapat d mplementasan pada berbaga hal salah satunya, sstem yang penuls embangan dharapan nantnya dapat membantu orang tunanetra mengenal label produ atau mengenal tulsan yang ada dsetar merea. Untu mengenal tes pada NSI merupaan gabungan dar 2 top peneltan, top yang pertama adalah penentuan regon tes atau text detecton dan top edua adalah mengenal arater tulsan atau character recognton. Pada peneltan n hanya aan d fousan pada pengenalan arater tes, metode yang dgunaan adalah bacpropagaton dar hasl penguan yang telah dlauan hasl yang ddapatan yatu sebesar 44.00%, hal n dpengaruh oleh ftur yang detras dar hasl proses bnersas, banya ctra huruf yang dgunaan sebaga data lath meml nose yang menyebaban rendahnya tngat auras yang dperoleh. Kata unc: Bacpropagaton, Natural Scene Image, Optcal Character Recognton. Abstract Text n mages contan useful nformaton. Text detecton n Natural Scene Image (NSI) becomes an mportant part of research on text nformaton extracton (TIE). For gettng nformaton on the NSI there are varous challenges, such as determnng the text regon n a complex bacground to recognze varous nds of text that has a varety of shapes, szes, colors and others. The results of TIE can be mplemented n many ways, one of them system can to help blnd people to recognze product label or recognze text s around them. To recognze text on the NSI s a composte of two research topcs, the frst topc s determnaton of the text regon or text detecton and second topc s recognzng character of text or character recognton. In ths research wll focus on recognzng character usng bacpropagaton method. Results of tests s 44.00%, ths s nfluenced by the features extracted from the results of mage bnerzaton, many mage data has a nose. Keywords: Bacpropagaton, Natural Scene Image, Optcal Character Recognton. 1. PENDAHULUAN Tes pada gambar dapat memuat berbaga nformas pentng bag manusa. Mendetes tes pada natural scene mage (NSI) menad suatu bagan pentng pada peneltan mengena text nformaton extracton (TIE). Dalam mendapatan nformas pada NSI terdapat berbaga macam tantangan yang harus dhadap, sepert menentuan regon tes pada bacground yang omples hngga mengenal berbaga macam tes yang meml beranea ragam bentu, uuran, warna dan lan sebaganya. Hasl dar TIE dapat dmplementasan pada berbaga hal salah satunya, sstem yang penuls embangan dharapan nantnya dapat membantu orang tunanetra mengenal label produ atau mengenal tulsan yang ada dsetar merea, untu mengenal tes pada NSI merupaan gabungan dar 2 top peneltan, top yang pertama adalah penentuan regon tes atau text Faultas Ilmu Komputer Unverstas Brawaya 2527
2 Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer 2528 detecton dan top edua adalah mengenal arater tulsan atau character recognton. Pada peneltan sebelumnya dlauan peneltan dengan membandngan antara metode metode LVQ dan bacpropagaton pada pengenalan huruf hayah, dan haslnya LVQ mencapa auras 58%, dan Bacpropagaton mencapa auras 98% (Malan, et al., 2016), untu text recognton pada natural scene mage (NSI) telah dlauan peneltan oleh (Al & Foroosh, 2016) menggunaan metode Ran-1 Tensor Decomposton yang menghaslan auras tertngg mencapa 70%. Berdasaran pada peneltan sebelumnya bacpropagaton dapat mengenal arater dengan tngat auras yang tngg namun belum dlauan pada NSI yang meml varas pada ens tes, warna, uuran dan lan sebaganya, sehngga al n penelt memfousan dr mengmplementasan metode bacpropagaton untu mengenal tes pada NSI. 2. LANDASAN KEPUSTAKAAN 2.1 Ctra Ctra adalah gambar bdang dua dmens, atau dapat dataan merupaan fungs ontnu dar ntenstas cahaya pada bdang dua dmens. Sumber cahaya menerang obe, obe memantulan embal beras cahaya tersebut, pantulan dar beras cahaya tersebut dtangap oleh mata, amera dan lannya sehngga ta dapat melhat (Munr, 2004). 2.2 Grayscale Grayscale adalah warna psel yang meml rentang eabuan atau berada pada rentang htam dan puth, grayscale terdr dar ombnas 29,9% psel merah, 58,7% psel hau, 11,4% psel bru (Abdullah-al-mamun & Alam, 2015), mengubah warna menad grayscale dapat mempermudah pengolahan ctra, hal n darenaan tda banya warna yang d proses, untu mengubah warna menad grayscale dapat menggunaan Persamaan 1: Gray ( R G B 0.144) (1) 2.3 Image Bnarzaton Image bnarzaton atau bnersas ctra berfungs untu mengubah ctra grayscale menad ctra bner dengan tngat ontras yang tngg. Hal n darenaan semua psel yang lebh dar threshold aan dubah menad puth, dan ssanya yang urang dar threshold aan dubah menad htam (Munr, 2004). 2.4 Segmentas Segmentas berfungs membag ctra e dalam beberapa bagan. Proses n dgunaan untu memsahan antar arater dalam suatu tes atau almat. Peneltan al n aan dombnasan 2 buah algortme segmentas untu mendapatan hasl yang masmal yatu vertcal proecton dan drop fall algorthm Vertcal Proecton Vertcal proecton adalah metode yang menghtung umlah psel pada setap olom pada gambar, setelah ctra dubah menad ctra bner Vertcal proecton dapat dgunaan untu menghtung psel htam maupun psel puth (Shanana & James, 2014). Algortme: 1. Tentuan uuran dar gambar [M N] 2. Htung setap umlah nla psel perolom dar 1 sampa N Drop Fall Algorthm Algortme Drop fall dapat membuat path untu segmentas dar atas hngga bawah dar arater, terdapat 3 omponen dalam Drop fall yatu start pont, movement rules, dan drecton (Yang J. et al, 2016). Drecton sendr terdr dar 4 ens. Descendng-left, descendng-rght, ascendng-left, ascendng-rght, sepert yang terlhat pada Gambar 1. Gambar 1 Jens Drecton pada Drop Fall Sumber: Yang J. et al (2016) Sedangan pada Drop fall terdapat 6 rule yatu: 1. If n3 = 1, then next_pxel = n3 2. If n4 = 1, then next_pxel = n4 3. If n2 = 1, then next_pxel = n2 4. If n5 = 1, then next_pxel = n5 5. If n1 = 1, then next_pxel = n1 6. Else next_pxel = n3 Nla 1 menunuan psel puth, sedangan n1, Faultas Ilmu Komputer, Unverstas Brawaya
3 Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer 2529 n2, n3, n4, n5 menunuan psel. 2.5 Jarngan Saraf Truan Bacpropagaton Jarngan saraf truan (JST) atau dapat dsebut sebaga artfcal neural networ merupaan salah satu cabang lmu dar ecerdasan buatan yang berdasar dar sel saraf pada mahlu hdup. JST dapat dgunaan untu belaar dan menghaslan aturan atau operas, contohnya adalah saat ta mengngnan output yang sempurna dar data yang dmasuan, dengan JST ta dapat membuat preds mengena output yang aan muncul atau mengenal araterst nput (Krstanto, 2004). Bacpropagaton adalah salah satu dar algortme supervsed learnng. Bacpropagaton meml 3 tahap yatu perhtungan mau (forward), perhtungan mundur (bacward) dan perubahan nla bobot dan nla bas. Secara umum berut n adalah algortme dar bacpropagaton. 1. Insalsas semua bobot 2. Ja onds berhent belum terpenuh, lauan langah Untu setap data pelathan, lauan langah 4-7 Fase I: Propagas Mau 4. Htung eluaran unt d tersembuny Z (=1,2,.,p) n z _ net v x v (2) 0 1 Z_net = Input arngan e Z V 0 = Bas pada layer X = Unt nput V = Nla bobot dar unt X e unt Z Kemudan gunaan fungs atvas untu menghtung eluaran dar nput. z 1 f ( z _ net ) (3) z _ net 1 e Z = Unt e- pada hdden layer Setelah tu rman hasl tersebut e untunt d hdden layer. 5. Htung eluaran arngan pada unt y (=1,2,..,m) y net w 0 p _ (4) 1 z w Y_net = Input arngan e Y W0 = Bas pada layer W = Nla bobot dar unt X e unt Z Kemudan gunaan fungs atvas untu menghtung eluaran. y 1 f ( y _ net ) (5) y _ net 1 e Y = Unt e- pada output layer. Fase II: Propagas Bal 6. Htung fator δ unt eluaran berdasaran esalahan d setap unt eluaran y ( = 1,2,.,m) ( t ( t y ) y (1 y ) y ) f '( y _ net ) (6) δ merupaan unt esalahan yang aan dpaa dalam perubahan bobot. Htung perubahan w dengan lau percepatan α. w z =1, 2, m =1, 2, p (7) 7. Htung fator δ unt tersembuny berdasaran esalahan dsetap unt tersembuny z (=1,2.,p) m _ net w (8) l Fator δ unt tersembuny: _ net _ net f '( z _ net z (1 z ) Htung perubahan v ) (9) v z =1, 2, p =1, 2, n (10) α = Learnng rate Fase III: Perubahan Bobot 8. Htung semua perubahan bobot w w ( baru) ( lama ) w (11) Faultas Ilmu Komputer, Unverstas Brawaya
4 Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer 2530 v ( baru) v ( lama ) v (12) 9. Memersa stoppng condton. Ada 2 buah parameter yang dapat dgunaan untu memersa stoppng condton, yang pertama adalah masmum epoch dan yang edua adalah mnmum error. Ja salah satu dar stoppng condton sudah terpenuh maa proses aan dhentan. 2.6 Eucldean Dstance Eucldean dstance adalah salah satu metode dalam menentuan ara dar 2 buah tt. Dar hasl peneltan yang dlauan oleh (Greche, et al., 2017) dengan menggunaan eucldean dstance dapat mendapatan auras yang tngg dengan menggunaan hdden unt yang lebh sedt dar manhattan dstance. Persamaan eucldean dstance dtunuan pada Persamaan (13). e n 2 d ( p, q) ( p q ) (13) 1 d e ( p, q) = Merupaan ara antara tt p dan q. = Tt pertama = Tt edua p q 3. METODOLOGI 3.1. Pengumpulan Data Pengumpulan data bertuuan untu mendapatan data yang aan dgunaan pada peneltan, ten pengumpulan data yang dgunaan adalah seunder. Data yang dgunaan untu pelathan dan penguan ddapatan dar dataset Internatonal Conference Document Analyss and Recognton (ICDAR) Perancangan Sstem Perancangan sstem adalah tahapan yang dlauan untu menabaran mengena nera sstem secara terstrutur, dmula dar nput hngga output yang dhaslan, flowchart era sstem n dapat dlhat pada Gambar 2. Gambar 2 Flowchart Sstem Pada Gambar 2 dapat dlhat bahwa perancangan sstem terdr dar tga proses utama, yatu: 1. Input Input adalah masuan dar pengguna berupa gambar dar Natural Scene mage. 2. Proses Proses yang dlauan pertama adalah preprocessng, emudan dlauan segmentas untu memsahan satu arater dengan yang lan, lalu dlauan tranng arater menggunaan bacpropagaton, dan terahr dlauan recognton. 3. Output Output adalah eluaran dar sstem yang dharapan yatu berupa tes dar gambar 4. PENGUJIAN 4.1 Penguan Parameter Pada tahap penguan n aan dcar omposs yang palng ba dar arstetur bacpropagaton untu mengenal arater. Penguan parameter aan terdr dar 2 parameter yang du, yatu umlah hdden unt dan learnng rate, aan dcar ombnas dar eduanya yang menghaslan auras terba. Penguan aan dlauan dengan cara melauan pengenalan terhadap 26 arater huruf Penguan Jumlah Hdden Unt Penguan aan dlauan untu mengetahu pengaruh umlah hdden unt dan terhadap tngat auras. Pada penguan n Faultas Ilmu Komputer, Unverstas Brawaya
5 Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer 2531 umlah nput unt yang dgunaan adalah 96, Jumlah masmum epoch adalah 7000, Jumlah hdden unt yang aan du adalah 10, 20, 30, 40, 60, 70, 80, 90, dan learnng rate yang aan dgunaan adalah 0.1. Penguan aan dlauan sebanya 3 al emudan aan dambl rata-rata aurasnya, dan hasl terba aan dgunaan untu penguan auras. Hasl penguan hdden unt dapat dlhat pada Tabel 1, 2, 3, dan Ratarata hasl penguan dapat dlhat pada Tabel 4. Tabel 1 Penguan Pertama No Hdden Unt Denal Auras % % % % % % % % % Tabel 2 Penguan Kedua No Hdden Unt Denal Auras % % % % % % % % % Tabel 3 Penguan Ketga No Hdden Unt Denal Auras % % % % % % % % % Tabel 0 Rata-rata Hasl Penguan No Hdden Unt Auras % % % % % % % % % Dar penguan yang telah dlauan menunuan bahwa umlah hdden unt berpengaruh terhadap tngat auras, namun tda ada acuan past berapa umlah hdden unt yang harus dgunaan untu mendapatan hasl yang optmal, darenaan setap BPNN meml umlah nput dan output masngmasng, sehngga umlah hdden unt aan menyesuaan dar arstetur nput dan output BPNN yang dgunaan. Dar penguan yang telah dlauan menunuan bahwa seman banya hdden unt tda aan menamn menghaslan hasl yang lebh ba dar pada hdden unt dengan umlah yang sedt, Graf rata-rata hasl penguan dapat dlhat pada Gambar 3. Gambar 3 Graf Rata-rata Hasl Penguan Penguan Learnng Rate Penguan learnng rate dgunaan untu mengetahu pengaruh learnng rate terhadap tngat auras. Pada penguan n umlah nput unt yang dgunaan adalah 96, Jumlah masmum epoch adalah 7000, Jumlah hdden unt yang aan dgunaan adalah 90 dan learnng rate yang aan du adalah 0.1, 0.2, 0.3, 0.4, 0.5. Hasl penguan learnng rate aan dtunuan pada Tabel 5. Learn ng Rate Tabel 5 Penguan Learnng Rate Percobaan Rata-rata % 30.77% 42.31% 34.62% Faultas Ilmu Komputer, Unverstas Brawaya
6 Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer % 7.69% 11.54% 11.54% % 30.77% 7.69% 23.08% % 23.08% 11.54% 19.23% % 15.38% 34.62% 26.92% Menurut hasl penguan pada Tabel 5 menunuan bahwa learnng rate berpengaruh terhadap tngat auras, dar lma learnng rate yang menghaslan hasl terba adalah 0.1, dengan tngat rata-rata auras sebesar 34.62%. Seman ecl learnng rate aan seman lama ecepatan belaar hal n darenaan perubahan bobot yang terad aan seman ecl, sehngga aan membutuhan watu dan epoch yang lebh banya untu mencapa nla mnmum error. 4.2 Penguan Auras Penguan auras dlauan untu mengetahu tngat auras BPNN dalam mengenal tes pada NSI, dengan menggunaan hasl penguan sebelumnya yatu learnng rate yang aan dgunaan adalah 0.1 dan hdden unt yang dgunaan adalah 90. Data untu penguan adalah 14 tes yang dplh secara aca, dengan total terdr dar 61 huruf. Hasl penguan auras aan dtunuan oleh Tabel 6. FEPE % FIIOQFI 0 0% Rata-rata 44.00% Berdasaran hasl auras rata-rata yang ddapatan adalah 44.00%, hasl yang ddapatan cuup ecl, hal n dpengaruh oleh bentu huruf dan poss yang berbeda beda untu setap arater yang denal pada tes, sehngga mempersult proses pengenalan, selan hal tersebut darenaan bacground yang beranea ragam dan terdapat pula nose sepert cahaya yang tda merata, atau uga terdapat bayangan, yang menyebaban tda semua proses preprocessng menghaslan bnersas dan estras ftur yang sempurna, contoh hasl bnersas data lath dtunuan pada Tabel 7. Data Tabel 7 Hasl Bnersas Hasl Bnersas Tabel 6 Hasl Penguan Auras Data Hasl Den al Auras YOC % POIPAPI % PAEI % FOW % CARCCP % EAIP % ECCAE % IEACF % BIEPIIIIY % OICEI % PIPAPFPI PRT % EEIATE % 5. KESIMPULAN Setelah melauan peneltan mengena pengenalan tes pada NSI menggunaan Bacpropagaton, terdapat beberapa esmpulan yang dapat dambl antara lan. 1. Bacpropagaton dapat dgunaan untu mengenal huruf atau arater pada NSI, dengan melalu beberapa tahap preprocessng antara lan mage bnarzaton, crop, resze, dan segmentas pada ctra. mage bnarzaton berfungs untu merubah ctra menad bner sehngga an memunculan warna htam dan puth saa, emudan crop berfungs untu memotong bacground ctra huruf sehngga hanya terssa hurufnya saa, resze berfungs untu mengubah uuran ctra menad 8 x 12 psel, psel tersebut aan Faultas Ilmu Komputer, Unverstas Brawaya
7 Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer 2533 dgunaan sebaga ftur yang dmasuan pada neuron nput, dan yang terahr segmentas, segmentas hanya dgunaan pada proses pengenalan, berfungs untu memecah tes menad huruf. 2. Auras yang ddapatan cuup rendah yan sebesar 44.00%, hal n dsebaban arena pada saat pelathan dan pengenalan, terdapat beberapa fator yang mempengaruh data yang dgunaan antara lan bentu huruf yang berbeda-beda, cahaya yang tda merata, terdapatnya bayangan pada gambar, dan poss huruf yang berbeda-beda menyebaban hasl yang tda masmal. Jumlah hdden unt dan learnng rate uga berpengaruh terhadap tngat auras dar BPNN, pada peneltan al n ddapatan hasl terba dengan menggunaan 90 hdden unt, dan 0.1 learnng rate. dengan Pendeatan Algortm. Bandung: Informata Bandung. C, S. & James, A., Character Segmentaton n Malayalam Handwrtten Documents. Unnao, Internatonal Conference on Advances n Engneerng & Technology Research (ICAETR ). Yang, J., Guo, J. & Jang, W., A Novel Drop-fall Algorthm Based on Dgtal Features for Touchng Dgt Segmentaton, Shangha: East Chna Normal Unversty. DAFTAR PUSTAKA Abdullah-al-mamun, M. & Alam, T., An approach to emprcal Optcal Character recognton paradgm usng Mult-Layer Perceptorn Neural Networ. Dhaa, th Internatonal Conference on Computer and Informaton Technology (ICCIT). Al, M. & Foroosh, H., CHARACTER RECOGNITION IN NATURAL SCENE IMAGES USING RANK-1 TENSOR. Phoenx, 2016 IEEE Internatonal Conference on Image Processng (ICIP). Desa, S. & Sngh, A., Optcal character recognton usng template matchng. Combatore, Internatonal Conference on Inventve Computaton Technologes (ICICT) IEEE. Greche, L. et al., Comparson Between Eucldean and Manhattan Dstance Measure for Facal Expressons Classfcaton. Fez, 2017 Internatonal Conference on Wreless Technologes, Malan, N. A., Amrzal, V. & Haem, N., Comparatve Analyss of the Accuracy of Bacpropagaton and Learnng Vector Quantsaton for Pattern Recognton of Hayah Letters. s.l., 6th Internatonal Conference on Informaton and Communcaton Technology for The Muslm World. Munr, R., Pengolahan Ctra Dgtal Faultas Ilmu Komputer, Unverstas Brawaya
Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data
Lebih terperinciImplementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0
Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,
Lebih terperinciAnalisis Variasi Parameter Backpropagation Artificial Neural Network dan Principal Component Analysis Terhadap Sistem Pengenalan Wajah
ELECTRANS, Jurnal Ten Eletro, Komputer dan Informata http://eournal.up.edu/ndex.php/electrans Analss aras Parameter Bacpropagaton Artfcal Neural Networ dan Prncpal Component Analyss Terhadap Sstem Pengenalan
Lebih terperinciIMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN
E-Jurnal Matemata Vol. 5 (4), November 2016, pp. 126-132 ISSN: 2303-1751 IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN I Made Dw Udayana Putra 1, G. K. Gandhad
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciPengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis
Konferens Nasonal Sstem & Informata 05 STMIK STIKOM Bal, 9-0 Otober 05 Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Two-Dmensonal Lnear Dscrmnant Analyss Ftr Damayant Prod Manajemen Informata,
Lebih terperinciANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING
Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata
Lebih 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 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 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciMETODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciJARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU
JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU Ea Saputra LF096585 Jurusan Ten Eletro Faultas Ten Unverstas Dponegoro Abstra Jarngan saraf truan merupaan suatu metode yang salah satunya
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 terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih 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 terperinciSEGMENTASI CITRA MENGGUNAKAN WATERSHED DAN ITENSITAS FILTERING SEBAGAI PRE PROCESSING
SEGMENTASI CITRA MENGGUNAKAN WATERSHED DAN ITENSITAS FILTERING SEBAGAI PRE PROCESSING Murnto 1), Agus Harjoo 2) 1) Mahasswa S3 Ilmu Komputer UGM, Dosen jurusan Ten Informata UADYogyaarta 2) Dosen Faultas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih 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 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 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 terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciPengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA
Pengaruh Kelembaban dan Ser Tanah Terhadap Mutu dan Produs Tanaman Tembaau Temanggung dengan Metode MANOVA Mftala Al Rza ), Sutno ), dan Dumal ) ) Jurusan Statsta, Faultas MIPA, Insttut Tenolog Sepuluh
Lebih terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih 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 VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih 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 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 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 terperinciPENYELESAIAN SISTEM PERSAMAAN TAK LINIER
PENYELESIN SISTEM PESMN TK LINIE Mater Kulah: Pengantar; Iteras Satu Tt; Iteras Newton # PENGNT # erut n adalah contoh seumpulan buah persamaan ta lner smulta dengan buah varabel ang ta detahu:... ( 57...
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciRestorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization
Restoras Ctra Dengan Menggunaan Metode Iteratf Lanczos Hybrd Regularzaton Yudh Purwananto, Rully Soelaman, Alfa Masjta Rahmat Jurusan Ten Informata, Faultas Tenolog Informas Insttut Tenolog Sepuluh Nopember
Lebih terperinciKAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR
Berala Fsa ISSN : 1410-966 Vol.8, No.1, Januar 005, hal 7-10 KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR Agus Setyawan Laboratorum Geofsa, Jurusan
Lebih terperinciBAB 3 METODOLOGI PERANCANGAN
9 BAB 3 METODOLOGI PERANCANGAN Bab n bers penjelasan mengena langkah-langkah perhtungan serta prosedurprosedur yang dgunakan untuk menemukan solus atas rumusan masalah pada Bab. Dalam bab n juga akan dtamplkan
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 terperinciKonferensi 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 terperinciPerbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield
Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya
Lebih 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 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 terperinciPENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI
PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI Yunarstanto 1 Irwan Iftad 1 Iwan Ngabd Raharjo 2 Abstract: Producton flow n PT. Tga Seranga Pustaa Mandr
Lebih terperinciBAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
Lebih terperinciPROGRAM SEDERHANA SISTEM PENGENALAN WAJAH MENGGUNAKAN FUNGSI JARAK
ISSN: 1693-6930 153 PROGRAM SEDERHANA SISTEM PENGENALAN WAJAH MENGGUNAKAN FUNGSI JARAK Abul Fall Program Stu Ten Eletro Unverstas Ahma Dahlan, Kampus III UAD Jl. Prof. Dr. Soepomo, Janturan, Umbulharjo,
Lebih terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih 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 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 terperinciINTEGRASI EKSTRAKSI FITUR LOCAL BINARY PATTERN DAN GRAY-LEVEL COOCCURENCE METRIX UNTUK PENGENALAN EKSPRESI MULUT PEMBELAJAR
ISSN prnt 087-1716 ISSN onlne 548-7779 ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017 INTEGRASI EKSTRAKSI FITUR LOCAL BINARY PATTERN DAN GRAY-LEVEL COOCCURENCE METRIX UNTUK PENGENALAN EKSPRESI MULUT PEMBELAJAR
Lebih terperinciImplementasi Algoritma Radix Sort dalam Berbagai Kasus Bilangan Dibandingkan Algoritma Pengurutan yang lain
Abstra Implementas Algortma Radx Sort dalam Berbaga Kasus Blangan Dbandngan Algortma Pengurutan yang lan Dean Fathony Alfatwa, Ere Rahman Syah P 2, Fahrs Mumtaza Ahsan 3 Departemen Ten Informata, Insttut
Lebih terperinciU JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK
Jurusan Ten Spl dan Lngungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SENIN, 4 JANUARI 23 OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara tda boleh menggunaan omputer untu mengerjaan soal- soal ujan
Lebih terperinciPendekatan Hurdle Poisson Pada Excess Zero Data
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 05 Pendeatan Hurdle Posson Pada Excess Zero Data S - 7 Def Yust Fadah, Resa Septan Pontoh Departemen Statsta FMIPA Unverstas Padadaran def.yust@unpad.ac.d
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 terperinciPROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM
Konferens Nasonal Sstem dan Informata 2009; Bal, November 14, 2009 PROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM Tjoorda Agung Bud W., 1, Mela
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
Lebih 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 terperinciV E K T O R Kompetensi Dasar :
MODUL PEMELJRN I V E K T O R Kompetens Dasar : 1. Mahasswa mampu memaham perbedaan besaran vetor dan salar serta memberan contohcontohna dalam ehdupan sehar-har, 2. Mahasswa mampu melauan operas penumlahan
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 terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciSEGMENTASI CITRA BERWARNA MENGGUNAKAN ALGORITMA JSEG
SEGMENTASI CITRA BERWARNA MENGGUNAKAN ALGORITMA JSEG Rully Soelaman 1), Darls Herumurt ), Dyah Wardhan Kusuma. 3) Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember (ITS), Surabaya, 6111, Indonesa
Lebih terperinciKLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN
KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN Abstra Nama: Moh. Bagus Had S (Nrp 1205 100 037) Dosen Pembmbng:
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
Lebih terperinciIDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER
IDENIFIKASI SISEM NONLINIE DENGAN MENGGUNAKAN ECUEN NEUAL NEOK DAN ALGOIMA DEAD-ZONE KALMAN FILE ully Soelaman, angga fa Faultas enolog Informas Insttut enolog Sepuluh Nopember Kampus Keputh, Suollo, Surabaya
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 terperinciPENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD
Semnar Nasonal Sstem dan Informatka 2007; Bal, 6 November 2007 PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD Nur Hasanah ) Istkhomah 2) Taufq Hdayat 3) Sr Kusumadew 4) Jurusan
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING BERBASIS SIMILARITAS MAKSIMAL
MAKALA EMINAR TUGA AKIR PERIODE JULI 00 IMPLEMENTAI EGMENTAI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING ERAI IMILARITA MAKIMAL Ayu Arta Paramta Relga, andayan Tjandrasa, Anny Yunart 3 Teknk Informatka,
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 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 terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih 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 terperinciHybrid intelligent system adalah kombinasi lebih dari dua teknologi cerdas.
Teny Handhayan Pendahuluan Hybrd ntellgent system adalah kombnas lebh dar dua teknolog cerdas. Contohnya kombnas Neural Network dengan Fuzzy membentuk Neuro-fuzzy system Perbandngan Expert Systems, Fuzzy
Lebih terperinciANALISA UNJUK KERJA SISTEM V-BLAST PADA KANAL FREQUENCY SELECTIVE FADING DALAM RUANGAN DENGAN MENGGUNAKAN MODULASI J-ary QAM
Analsa Unju Kerja Sstem I Gst. Ag. Km. Dafar Djun H. ANALISA UNJUK KEJA SISEM V-BLAS PADA KANAL FEQUENCY SELECIVE FADING DALAM UANGAN DENGAN MENGGUNAKAN MODULASI J-ary QAM I Gust Agung Komang Dafar Djun
Lebih terperinciPENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK.
PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. Fanny Ayu Octavana dan Dra. Luca Ardnant, MT. Jurusan Statsta, Faultas Matemata dan Ilmu
Lebih terperinciadalah beban pada simpul i berturut-turut. θ adalah vektor sudut fasa dan B adalah elemen-elemen imajiner matriks admitansi simpul. Mengingat bahwa: 1
ISSN 907-0500 Analss Kepeaan engembangan Sstem Transms Tenaga Lstr Ternternes Menggunaan Successve Frward Methd Stud Kasus: Sstem Transms 500 V Jawa-Bal engembangantahun 007 06 Nurhalm Jurusan Ten Eletr
Lebih terperinciALGORITMA THRESHOLDING ADAPTIF UNTUK BINERISASI CITRA DOKUMEN BERWARNA
Vol. 2, No. 2 Desember 2011 ISSN 2088-2130 ALGORITMA THRESHOLDING ADAPTIF UNTUK BINERISASI CITRA DOKUMEN BERWARNA Eka Mala Sar Rochman 1), Ratna Nur Tara Shanty 2), Dyah S Rahayu 3) Unverstas Trunojoyo
Lebih terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d
Lebih 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 terperinciOleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si
Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf
Lebih terperinciBab III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
65 BAB IMPLEMENTASI DAN EVALUASI. Penyaan Data Hasl Peneltan Data-ata hasl peneltan yang gunakan alam pengolahan ata aalah sebaga berkut: a. ata waktu kera karyawan b. ata umlah permntaan konsumen c. ata
Lebih terperinciPengenalan Retina Menggunakan Alihragam Gelombang Singkat dengan Pengukuran Jarak Euclidean Ternormalisasi
6 Jurnal Sstem Informas Bsns 02(204) On-lne : http://ejournal.undp.ac.d/ndex.php/jsnbs Pengenalan Retna Menggunakan Alhragam Gelombang Sngkat dengan Pengukuran Jarak Eucldean Ternormalsas Ars Wjayant a*,
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)
BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga
Lebih terperincie + Dengan menggunakan transformasi logit dari π(x), maka model regresi fungsi logit dapat didefinisikan sebagai berikut (2) π(x) e
ANALISIS PEMAKAIAN KEMOTERAPI PADA KASUS KANKER PAYUDARA DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL (STUDI KASUS PASIEN DI RUMAH SAKIT X SURABAYA Aref Yudssanta, dan Dra. Madu Ratna, M.S Jurusan
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 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciStrategi Meminimalkan Load Shedding Menggunakan Metode Sensitivitas Untuk Mencegah Voltage Collapse Pada Sistem Kelistrikan Jawa-Bali 500 kv
1 Strateg Memnmalan Load Sheddng Menggunaan Metode Senstvtas Untu Mencegah Voltage Collapse Pada Sstem Kelstran Jawa-Bal 500 V Rs Cahya Anugrerah Haebb, Ad Soepranto,, Ardyono Pryad Jurusan Ten Eletro,
Lebih terperinci