BAB 2 LANDASAN TEORI 2.1 Grafologi

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 2 LANDASAN TEORI 2.1 Grafologi"

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1 Grafologi Grafologi berasal dari bahasa Yuai, graph yag berarti tulisa atau meulis, da logos yag berarti ilmu. Grafologi adalah cabag dari ilmu psikologi dalam mata kuliah psikografik atau psikodiagostik. Grafologi adalah sei da ilmu yag mempelajari tetag tulisa taga. Grafologi adalah sei meilai karakter seseorag da kepribadia seseorag dega cara melihat tipe tulisa taga da tada taga. Ketepata seseorag grafologi megalisis tulisa taga da tada taga bergatug pada keahlia da bakat sebagaimaa pakar psikologi kliikal. Seorag ahli grafologi memerluka waktu yag tidak sigkat agar bear-bear mahir dalam bidag ii. Grafologi tidak saja bermafaat utuk megetahui karakter seseorag utuk kepetiga pribadi, tetapi ilmu ii bayak diguaka dalam memilih da meilai calo karyawa, seperti yag bayak dilakuka di Amerika Serikat da Eropa. Di duia pedidika, grafologi bisa diguaka utuk medeteksi problem yag sedag dialami peserta didik ataupu dalam megukur kecerdasa si aak. Bahka di raah praktik terapi psikis, grafologi dapat pula dijadika sebagai salah satu metode terapi/rehabilitasi. Grafo-test sudah diguaka sebagai bagia di foresic atau biometric. Di Amerika, grafo-test diguaka utuk megetahui kejujura, kestabila emosi, kemugkia bertidak kasar, da judgmet. Di Australia Federal, State & Territory Police sebagai betuk test yag lebih akurat daripada lie detector. Di Pracis da Swiss, bayak perusahaa megguaka grafo-test utuk mecari karakter karyawa yag sesuai dega kriteria perusahaa. [1] Berikut adalah beberapa mafaat dari grafo-test: 1. Rekrutme. 2. Test kepribadia 3. Pembetuka tim maajeme da peigkata performa dari staf yag ada. 9

2 10 4. Kosultasi utuk aak da dewasa. 5. Bimbiga megeai bidag pedidika da pekerjaa yag cocok dega kepribadia. 6. Peilaia megeai kemugkia peipua/kecederuga berbohog. 7. Memberika gambara megeai diri sediri agar dapat lebih megeal da megembagka diri. [1] Fitur-fitur tada taga yag terdapat [4] da sudah diperbaiki oleh grafologi Idoesia diataraya dapat dilihat pada Tabel 2.1 sebagai berikut: Tabel 2.1 Fitur - Fitur Tada Taga No Fitur Gambar Ciri Kepribadia 1 Cagkag Legkug tertutup Ketakuta berlebiha, itrovert, tidak memperdulika sekitar, tidak suka bergaul da bekerja 2 Awal Kurva Legkug mudur sama. Nyama aka masa lalu. Legkug tajam Legkug lembut Mampu memformulasi pikira secara tajam. Hati-hati, ramah, diplomatis. 3 Coreta Akhir Meaik Terbuka, padaga ke depa, keigia maju, percaya diri. 4 Coreta Ditegah Meuru Adaya coreta Kurag semagat, berfikir realistis, kurag percaya diri, mudah putus asa. Kurag percaya diri da mudah depresi. 5 Garis Bawah Adaya garis bawah 6 Margi ekstrim Cederug ke kaa Membutuhka dukuga membuat keputusa, serta memiliki keadala dalam memimpi. Ceroboh, kurag perhatia.

3 11 Cederug ke kiri Cederug di atas Cederug ke bawah Takut gagal, takut pada orag lai, kurag percaya diri, pesimis. Respek pada diri sediri, mecermika pribadi bahagia. Depresi, pemalu, merasa asig. 7 Struktur Titik Ada titik Pediria stabil, memiliki rasa curiga, selalu mejaga jarak tidak mudah percaya. 8 Tada Taga Terpisah Ada tada taga terpisah Memiliki pegalama kurag meyeagka di masa lalu. 9 Garis Terpisah Ada garis terpisah Membatasi keigiaya, tidak berai megambil resiko,serig patah semagat da ragu megambil keputusa. Peelitia ii megguaka 4 fitur yaitu awal kurva, coreta akhir, adaya coreta ditegah, garis bawah. Terdiri dari 10 kelas legkug mudur, legkug tajam, legkug lembut, coreta akhir meaik, coreta akhir meuru, tidak adaya coreta akhir, adaya coreta ditegah, tidak adaya ditegah, adaya garis bawah, tidak adaya garis bawah. 2.2 Citra Digital Secara umum, istilah pegolaha citra digital meyataka pemrosesa gambar berdimesi-dua melalui komputer digital. Foto adalah cotoh gambar berdimesi dua yag dapat diolah dega mudah. Setiap foto dalam betuk citra digital (misalya berasal dari kamera digital) dapat diolah melalui peragkat tertetu. Sebagai cotoh, apabila hasil bidika kamera terlihat agak gelap, citra dapat diolah mejadi lebih terag dimugkika pula utuk memisahka foto orag dari latar belakagya. Gambara tersebut meujukka hal sederhaa yag dapat dilakuka melalui pegolaha citra digital. Tetu saja bayak hal pelik lai yag dapat dilakuka melalui pegolaha citra digital. [11]

4 Jeis Citra Jeis citra dibagi mejadi tiga jeis citra yag umum diguaka utuk pemroresa citra. Ketiga citra tersebut yaitu citra berwara, citra berskala keabua, da citra bier Citra Berwara Citra berwara, atau biasa diamaka Citra RGB, merupaka jeis citra yag meyajika wara dalam betuk kompoe R(merah), G(hijau), da B(biru). Tiap kompoe wara megguaka 8 bit (ilaiya berkisar atara 0 sampai dega 255). Dega demikia, kemugkia wara yag dapat disajika mecapai 255 x 255 x 255 atau wara. Tabel 2.2 meujukka cotoh wara R, G da B. [11] Tabel 2.2 Wara Da Nilai Peyusu Wara Wara R G B Merah Hijau Biru Hitam Putih Kuig Citra Berskala Keabua Citra berskala keabua meagai gradasi wara hitam da putih, yag meghasilka efek wara abu-abu. Pada jeis gambar ii, wara diyataka dega itesitas. Dalam hal ii, itesitas berkisar atara 0 sampai dega 255. Nilai 0 meyataka hitam da ilai 255 meyataka putih. [11] Citra Bier Citra bier adalah citra dega setiap piksel haya diyataka dega sebuah ilai dari dua kemugkia yaitu ilai 0 da 1. Nilai 0 meyataka wara hitam da ilai 1 meyataka wara putih. Citra jeis ii bayak dipakai dalam pemroresa citra, misalya utuk kepetiga memperoleh tepi objek. [11]

5 Preprocessig Tahap preprocessig merupaka pejelasa tahap awal dalam alur kerja utuk meyiapka citra sebagai data iput yag siap diolah lebih lajut oleh sistem. Proses pada preprocessig yag diguaka pada peelitia ii sebagai berikut: Grayscale Citra grayscale atau citra berskala keabua. Bergua utuk merubah citra berwara mejadi citra berskala keabua. Secara umum perubaha citra berwara mejadi citra keabua dega megguaka rumus: I = a x R + b x G + c x B Dimaa (R) adalah ilai pada wara merah, (G) adalah ilai pada wara hijau, da (B) adalah ilai pada wara biru. Semetara utuk (a, b, c) adalah ilai mutlak, ilai mutlak yag biasa dipakai utuk (a, b, c) adalah: a = b = c = Sehigga didapatka rumus utuk merubah citra berwara mejadi citra berskala keabua adalah sebagai berikut [11]: I = x R x G x B (2.1) Deteksi Tepi Cay Deteksi tepi berfugsi utuk memperoleh tepi objek. Operator Cay dikemukaka oleh Joh F. Cay pada tahu 1986, terkeal sebagai operator deteksi tepi yag palig optimal. Algoritma ii memberika tigkat kesalaha yag redah, melokalisasi titik-titik tepi (jarak piksel-piksel tepi yag ditemuka deteksi da tepi yag sesugguhya sagat pedek), da haya memberika satu taggapa utuk satu tepi. [11]

6 14 Terdapat lagkah-lagkah yag diguaka utuk melakuka deteksi tepi cay. Lagkah-lagkah tersebut sebagai berikut: 1. Image Smoothig Merupaka sebuah proses utuk megaburka gambar utuk meghilagka derau. Pada proses ii dapat dilakuka dega megguaka filter gausia dapat dilihat pada persamaa 2.2 sebagai berikut [4]: Fidig Gradiet (2.2) Merupaka sebuah proses utuk medapatka kekuata tepi. Tepia harus ditadai pada gambar memiliki gradie yag besar. Operator yag diguaka utuk meetuka gradie dapat meerapka dega operator sobel. Operator sobel dapat dilihat pada persamaa 2.3 sebagai berikut: Mx= My = (2.3) Hasil dari Gausia filter tahap pertama deteksi tepi cay dikovolusi kembali dega filter operator sobel Mx sehigga meghasilka ilai Gx, sedagka utuk megetahui ilai Gy adalah hasil kovolusi gausifa filter dikovolusi kembali dega filter operator sobel My. Magitudo gradie (juga dikeal sebagai kekuata tepi) dapat ditetuka sebagai jarak Euclidea yag diukur megukur dega meerapka hukum Pythagoras seperti yag ditujukka dalam Persamaa (2.4). G = G x 2 + G y 2 (2.4)

7 15 Selajutya meetuka tepia yag sebearya ii, arah tepia harus ditetuka da disimpa seperti ditujukka dalam Persamaa (2.6) [4] (2.6) Gambar 2.1 Area Utuk Koversi Arah Tepi Atura koversi yag berlaku sebagai berikut: a. Semua arah tepi yag berkisar atara 0 da 22,5 serta 157,5 da 180 derajat (wara biru) diubah mejadi 0 derajat. b. Semua arah tepi yag berkisar atara 22,5 da 67,5 derajat (wara kuig) diubah mejadi 45 derajat. c. Semua arah tepi yag berkisar atara 67,5 da 112,5 derajat (wara merah) diubah mejadi 90 derajat. d. Semua arah tepi yag berkisar atara 112,5 da 157,5 derajat (wara hijau) diubah mejadi 135 derajat. [11] 3. No-maximum Suppresio Merupaka proses yag diguaka utuk melakuka peghilaga omaximum. Peghilaga o-maximum dilakuka di sepajag tepi pada arah tepi da meghilagka piksel-piksel (piksel diatur mejadi 0) yag tidak diaggap sebagai tepi. [11] 4. Double Thresholdig Merupaka proses tepia yag berpotesi ditetuka oleh thresholdig. Pada proses ii megguaka dua ambag T1 (ambag bawah) da T2 (ambag atas). Semua piksel yag berilai lebih besar dari T1 diaggap sebagai piksel tepi, lalu semua piksel yag memiliki ilai lebih besar dari T2 juga diaggap sebagai piksel tepi. [11]

8 16 5. Edge Trackig by Hysteresis Merupaka proses tepia fial ditetuka dega meeka semua sisi yag tidak terhubug dega tepia yag sagat kuat. Pegambaga hysteresis dilakuka dega melibatka dua ambag T1 da T2. Nilai yag kurag dari T1 aka diubah mejadi wara hitam (ilai 0) da ilai yag lebih besar dari T2 aka diubah mejadi putih (ilai 255). Semetara ilai yag lebih atau sama dega T1 tetapi kurag dari T2 aka diberi ilai 128 da yag meyataka ilai abu-abu atau belum jelas, aka dijadika 0 atau 255, apabila kodisi seperti itu terpeuhi, agka 128 diubah mejadi 255. [11] 0 Edge Trackig = Segmetasi Objek, ilai T, ilai T 1 2, ilai T 1 da ilai T Dalam pegolaha citra, terkadag kita megigika pegolaha haya pada obyek tertetu. Oleh sebab itu, perlu dilakuka proses segmetasi citra yag bertujua utuk memisahka atara objek (foregroud) dega backgroud. Pada umumya keluara hasil segmetasi citra adalah berupa citra bier di maa objek (foregroud) yag dikehedaki berwara putih (1), sedagka backgroud yag igi dihilagka berwara hitam (0). Sama halya pada proses perbaika kualitas citra, proses segmetasi citra juga bersifat eksperimetal, subjektif, da bergatug pada tujua yag hedak dicapai. [11] Resize Resize atau peskalaa adalah sebuah operasi geometri yag diguaka utuk memperbesar atau memperkecil ukura dari sebuah citra sesuai dega ukura yag dibutuhka. Pada peskalaa apabila variabel peskalaaya berilai lebih besar dari 1, maka ukura citra aka diperbesar, amu apabila variabel peskalaaya berilai lebih kecil dari 1 maka ukura citra aka diperkecil. Proses peskalaa dapat dilakuka dega rumus [13]: 2 x = pb pp pa (2.7)

9 17 Keteraga: x = Nilai piksel baris baru pb = Ukura pajag matriks baru pp = Posisi piksel baris pa = Ukura pajag matriks lama Keteraga: L o = y = Nilai piksel kolom baru lb = Ukura lebar matriks baru lp = Posisi piksel kolom la = ukura lebar matriks lama 2.5 Ekstraksi Ciri lb lp la (2.8) Ekstraksi ciri adalah proses pegukura terhadap data yag telah di ormalisasi utuk membetuk sebuah ilai fitur. Nilai fitur diguaka oleh pegklasifikasi utuk megeali uit masuka dega uit target keluara da memudahka pegklasifikasia karea ilai ii mudah utuk dibedaka. Pada peelitia ii, metode yag diguaka utuk ekstraksi ciri adalah metode Pricipal Compoet Aalysis Pricipal Compoet Aalysis Pricipal Compoe Aalysis(PCA) adalah sebuah cara utuk megidetifikasi pola pada data da kemudia megekspresika data tersebut ke betuk yag lai utuk meujukka perbedaa da persamaa atar pola. Tujua dari PCA adalah utuk mereduksi dimesi yag besar dari ruag data (observed variables) mejadi dimesi yag lebih kecil dari ruag fitur (idepedet variables), yag dibutuhka utuk medeskripsika data lebih sederhaa. Pricipal Compoet Aalysis megguaka vektor-vektor yag disebut dega eigevector da ilai-ilai yag disebut dega eigevalue utuk medapatka fitur yag palig sigifika pada dataset. Prisip dasar dari algoritma Pricipal Compoet Aalysis adalah meguragi satu set data amu tetap mempertahaka sebayak mugki variasi dalam set data tersebut.

10 18 Secara matematis Pricipal Compoet Aalysis metrasformasika sebuah variabel yag berkolerasi ke dalam betuk yag bebas tidak berkolerasi. [14] Berikut adalah tahap dalam algoritma PCA: 1. Hitug rata-rata seluruh sampel data diperoleh dega megguaka persamaa: (2.9) 2. Adjusted data (data yag telah disesuaika) adalah hasil peguraga dari setiap data dega rata-rata setiap data yag diperoleh dega rumusa berikut ii: (2.10) Dega x = Adjusted Data 3. Hitug matrik kovaria (c) dihitug dega megguaka persamaa berikut [15]: c = 1 M 1 x T. x (2.11) Dimaa x adalah Adjusted Data da x T adalah traspose dari matrik x 4. Hitug ilai eige da vector eige dari matrik kovaria dihitug dega megguaka persamaa karakteristik berikut ii: Cv = λiv (2.12) Cv λiv = 0 (C λi)v = 0 (2.13) C λi = 0 Dimaa c adalah matrik kovaria, I adalah matrik Idetitas, λ adalah ilai eige da v adalah vector eige. 5. Hitug ilai eige yag terbesar yag berkorespodesi terhadap ilai vector eige yag terbesar dipilih mejadi Pricipal Compoet. Vektor eige yag disusu dari yag terbesar ke yag terkecil dipilih mejadi vektor fitur. (2.14) 6. Utuk mecari Pricipal Compoet dega x sebagai rata-rata (2.15)

11 19 7. Lagkah berikutya utuk melakuka trasformasi data utuk meghasilka data PCA. (2.15) 2.6 Support Vector Machie Support Vector Machie (SVM) pertama kali diperkealka oleh Valdimir Vapik pada tahu 1992 sebagai ragkaia harmoisasi kosep-kosep uggula dalam bidag pegeala pola. Support Vector Machie merupaka metode pembelajara yag diguaka utuk klasifikasi bier, ide dasarya adalah mecari hyperplae terbaik yag berfugsi sebagai pemisah dua class pada iput space [16]. Gambar 2.2 SVM Berusaha Meemuka Hyperplae Terbaik Yag Memisahka Dua Kelas -1 Da +1 Metode Support Vector Machie (SVM) bayak diguaka utuk melakuka klasifikasi otomatis. Beberapa peelitia telah megguaka SVM utuk berbagai peerapa, diataraya yaitu pada pegolaha citra, aalisis medik, ataupu utuk melakuka prediksi. Hal ii berbeda jika dibadigka dega metode Neural Network yag maa bisa medapatka solusi yag diperoleh dalam miimum lokal. Pada umumya SVM membagi ruag vector mejadi 2 yaitu positif da kelas egatif. Hal tersebut tidak meutup kemugkia utuk megguaka SVM utuk keperlua membagi mejadi lebih dari 2 kelas [17], gambar (a) meujuka polapola yag merupaka aggota dari dua buah kelas +1 da -1, pola yag berada pada aggota -1 kemudia disimbolka dega wara merah, sedagka pola pada +1 wara kuig. Masalah pada klasifikasi dapat dilakuka dega usaha meemuka

12 20 garis (hyperplae) yag memisahka kelompok tersebut. Pedefiisia persamaa suatu hyperplae pemisah yag dituliska dega: w x i + b = 0 (2.16) Data xi yag terbagi dalam dua kelas, yag termasuk kelas -1 (sample egatif) didefiisika sebagai vektor yag memeuhi pertidaksamaa Sedagka yag termasuk kelas +1 (sample positif) memeuhi persamaa Berikut adalah persamaa 2.17 da 2.18 dibawah ii: Keteraga: xi yi w b = data iput w x i + b < 0 utuk y i = 1 (2.17) w x i + b > 0 utuk y i = +1 (2.18) = label yag diberika = ilai dari bidag ormal = posisi bidag relatif terhadap pusat koordiat Parameter w da b adalah parameter yag aka dicari ilaiya, bila label yi = -1, maka pembatas mejadi persamaa Apabila label data yi = +1, maka pembatas mejadi persamaa Berikut adalah persamaa 2.19 da 2.20 dibawah ii: w x i + b 1 (2.19) w x i + b +1 (2.20) Margi terbesar dapat dicari dega cara memaksimalka jarak atara bidag pembatas kedua kelas da titik terdekatya, yaitu 2 w. Hal ii dirumuska sebagai permasalaha Quadratic Programmig (QP) problem yaitu mecari titik miimal persamaa 2.21 dega memperhatika persamaa 2.22 Berikut: miτ(w) = 1 2 w 2 (2.21) y i (w x i + b) 1 0, (i = 1,, ) (2.22) Permasalaha ii dapat dipecahka dega berbagai tekik komputasi. Lebih mudah diselesaika dega megubah persamaa 2.21 Kedalam fugsi lagragia pada persamaa 2.23 da meyederhaakaya mejadi persamaa 2.14 berikut:

13 21 L(w, b, a) = 1 2 w 2 a i (y i ((w T x i + b) 1)) i=1 (2.23) L(w, b, a) = 1 2 w 2 i=1 a i y i (w T x i + b) + a i i=1 (2.24) Dimaa ai adalah lagrage multiplier yag berilai ol atau positif (ai > 0). Nilai optimal dari persamaa 2.24 dapat dihitug dega memiimalka L terhadap w, b, da a. Dapat dilihat pada persamaa 2.26 sampai 2.27 Berikut: L w = w a (2.25) iy i x i = 0 i=1 L b = a (2.26) iy i = 0 i=1 L a = a iy i (w T (2.27) x i + b) a i = 0 i=1 i=1 Maka masalah lagrage utuk klasifikasi dapat diyataka pada persamaa 2.28 berikut: Mi L(w, b, a) = 1 2 w 2 a i y i (w T x i + b) a i i=1 i=1 (2.28) Dega memperhatika persamaa 2.29 da 2.30 berikut: w i=1 i=1 a i y i x i = 0 (2.29) a i y i = 0 (2.30) Model persamaa 2.30 diatas merupaka primal lagrage. Sedagka dega memaksimalka L terhadap ai, persamaaya mejadi persamaa 2.31 berikut: Max a i 1 i=1 2 i=1,j=1 a i a j y i y j T x i x j T (2.31)

14 22 Dega memperhatika persamaa 2.32 berikut: i=1 a i y i = 0, a i 0(i, j = 1,, ) (2.32) Nilai x didapatka dari persamaa 2.34 kerel liier utuk x berikut: i=1,j=1 T x i x j, (i, j = 1,, ) (2.34) Nilai y didapatka dari persamaa 2.35 kerel liier utuk y berikut: i=1,j=1 T y i y j, (i, j = 1,, ) (2.35) Utuk medapatka jarak tegak lurus yag optimal dega mempertimbagka vektor positif, maka hasil perhituga drai substitusi ilai x da ilai y ke persamaa 2.35 diberi ilai bias = 1. Kemudia cari parameter ai, dega terlebih dahulu mecari ilai fugsi setiap abstrak megguaa persamaa 2.36, lalu mecari ilai ai, pada persamaa liear megguaka persamaa 2.37 dega memperhatika i,j = 1,..., berikut: i=1,j=1 a i S i T S j (2.36) i=1,j=1 a i S i T S j = y i (2.37) Setelah parameter ai didapatka kemudia dimasukka ke persamaa 2.38 berikut: Ŵ = i=1 a i S i (2.38)

15 23 Hasil yag didapatka megguaka persamaa 2.38, selajutya diguaka persamaa 2.39, utuk medapatka ilai w da b: y = wx + b (2.39) Sedemikia sehigga didapatkalah ilai w da b atau ilai hyperplae utuk megklasifikasika kedua kelas. Berikut ii adalah beberapa fugsi kerel yag umum diguaka yaitu [10]: a. Kerel liear K(x i, x) = x T i x (2.40) b. Polyomial K(x i, x) = (x T i x + 1) d (2.41) c. Radial basis Fuctio K(x i, x) = exp ( x x i 2 2 / σ 2 ) (2.42) d. Sigmoid kerel K(x i, x) = tah [kx i T x + θ] (2.43) Hyperplae yag mejadi pemisah terbaik dapat ditemuka dega megukur margi hyperplae da mecari titik maksimalya. Margi adalah jarak atara hyperplae dega patter terdekat dari masig-masig kelas. Patter yag palig dekat tersebut disebut Support Vector. Utuk pembahasa suatu kasus yag dapat dipisahka secara liier, maka dalam hal ii fugsi pemisah yag dicari adalah fugsi liier. Fugsi tersebut dapat didefiisika sebagai: g(x) sq(f(x)) (2.44) dega f(x) = WT X + b (2.45) Masalah klasifikasi ii dapat dirumuska berikut: kita aka meemuka set parameter (w,b) sehigga f(x) = < w,x> + b = yi, utuk semua i. Dalam tekik ii kita berusaha meemuka fugsi pemisah (classfiier/hyperplae) terbaik diatara fugsi yag tidak terbatas jumlahya utuk memisahka dua macam objek.

16 24 Hyperplae terbaik adalah hyperplae yag terletak ditegah-tegah atara dua set objek dari dua kelas. Mecari hyperplae terbaik ekuivale dega memaksimalka margi atau jarak atara dua set objek dari kelas yag berbeda. Jika WX1 + b = +1 adalah hyperplae pedukug dari kelas +1 (WX1 + b = +1) da WX2 + b = -1 hyperplae pedukug dari kelas -1 (WX2 + b = -1), margi atara dua kelas dapat dihitug dega mecari jarak atara kedua hyperplae-hyperplae pedukug dari kedua kelas. Secara spesifik margi dihitug dega cara berikut: (WX1 + b = +1) (WX2 + b = -1) = W(X1 X2) =2 = > (2.46) LD = i=1 a i 1 a 2 i,j ia j y i y j (x T i x + 1) d syarat 1: i=1 a i y i = 0 syarat 2: a i 0, i = 1,2,, N (2.47) xi.xj merupaka dot product dua data dalam data latih. Hyperplae (batas keputusa atau pemisah). Gambar 2.3 meujuka bagaimaa SVM bekerja utuk meetuka suatu fugsi pemisah dega margi yag maksimal [16]. Gambar 2.3 Mecari Fugsi Pemisah Yag Optimal Utuk Objek Yag Dapat Dipisahka Secara Liier Utuk membuktika bahwa memaksimalka margi atara dua set objek aka meigkatka probabilitas pegelompokka secara bear dari data testig. Pada dasarya jumlah fugsi pemisah tidak terbatas jumlahya, misalya dari jumlah yag tak terbatas kita ambil dua fugsi, yaitu f1(x) da f2(x). Fugsi f1

17 25 memiliki margi yag lebih besar daripada f2. Setelah meemuka dua fugsi ii, sekarag suatu data baru masuk dega keluara -1. Maka kita harus megelompokka apakah data ii ada dalam kelas -1 atau +1 megguaka fugsi pemisah yag sudah kita temuka. Dega megguaka f1, kita aka kelompokka data baru ii di kelas -1 yag berarti kita bear megelompokkaya. Kemudia dega f2 kita aka meempatkaya di kelas +1 yag berarti salah. Dari cotoh sederhaa ii kita lihat bahwa memperbesar margi bisa meigkatka probabilitas pegelompokka suatu data secara bear Support Vector Machie Utuk Multi-Kelas Pada awal dikembagkaya SVM pedekata ii diguaka utuk klasifikasi dua kelas. Pegembaga ke arah persoala klasifikasi utuk multi kelas masih mejadi perhatia peeliti. Terdapat dua pedekata utama kutuk SVM multi kelas, yag pertama kita dapat meemuka da meggabugka beberapa fugsi pemisah persoala klasifikasi dua kelas utuk meggabugka beberapa fugsi pemisah persoala klasifikasi dua kelas utuk meyelesaika persoala multi kelas. Kedua, secara lagsug megguaka semua data dari semua kelas dalam satu formulasi persoala optimasi. Yag termasuk pada pedekata pertama diama beberapa fugsi utuk problem dua kelas dikembagka lalu digabug atara lai: satu-lawa-semua (Oe-Agaist-All, OAA), da satu-lawa-satu (Oe- Agaist-Oe, OAO). [16] Metode Satu-Lawa-Semua (Oe-Agaist-All) Dega megguaka metode ii, dibagu k sebuah model SVM bier (k adalah jumlah kelas). Setiap model klasifikasi ke-i dilatih dega megguaka keseluruha data, utuk mecari solusi, terdapat permasalaha klasifikasi dega 4 buah kelas. Utuk pelatiha diguaka 4 buah SVM bier seperti pada Tabel 2.1 da pegguaaya dalam megklasifikasi data baru dapat dilihat pada Gambar 2.4.

18 26 (2.48) Gambar 2.4 Perhituga Metode Oe Vs All Tabel 2.1 Cotoh 4 SVM Bier dega Metode Oe Vs All yi = 1 yi = -1 Hipotesis Kelas 1 Buka kelas 1 f 1 (x) = (w 1 )x + b 1 Kelas 2 Buka kelas 2 f 2 (x) = (w 2 )x + b 2 Kelas 3 Buka kelas 3 f 3 (x) = (w 3 )x + b 3 Kelas 4 Buka kelas 4 f 4 (x) = (w 4 )x + b 4 Kosep pada OAA yaitu dimisalka pada kasus lima kelas, kelas 1, 2, 3, da 4. Bila aka diujika ρ (1), semua data dalam kelas 1 diberi label +1 da data dari kelas laiya diberi label -1. Pada ρ (2), semua data dalam kelas 2 diberi label +1 da data dari kelas laiya diberi label -1 dst higga data terakhir. Kemudia dicari hyperplae dega algoritma SVM du akelas. Maka aka didapat hyperplae utuk masig-masig kelas diatas. Kemudia kelas dari suatu data barus x ditetuka berdasarka ilai terbesar dari hyperplae [19]: kelas x = arg max l=1 k ((w(l) ) T. (x) + b (l) ) (2.49)

19 27 Gambar 2.5 Cotoh Klasifikasi dega Metode Oe Vs All Metode Satu-Lawa-Satu (Oe-Agaist-Oe) Dega megguaka metode ii, dibagu persamaa: Keteraga: k = jumlah kelas dalam SVM k(k 1) 2 (2.50) Setiap model klasifikasi dilatih pada data dari dua kelas. Utuk data pelatiha dari kelas ke-i da kelas ke-j, dilakuka pecaria solusi utuk persoala optimasi kostrai sebagai berikut: (2.51) Terdapat beberapa metode utuk melakuka pegujia setelah keseluruha k(k-1)/2 model klasifikasi selesai dibagu. Salah satuya adalah metode votig [16].

20 28 Tabel 2.2 Cotoh 6 SVM Bier dega Metode Oe Vs Oe yi = 1 yi = -1 Hipotesis Kelas 1 Kelas 2 f 12 (x) = (w 12 )x + b 12 Kelas 1 Kelas 3 f 13 (x) = (w 13 )x + b 13 Kelas 1 Kelas 4 f 14 (x) = (w 14 )x + b 14 Kelas 2 Kelas 3 f 23 (x) = (w 23 )x + b 23 Kelas 2 Kelas 4 f 24 (x) = (w 24 )x + b 24 Kelas 3 Kelas 4 f 34 (x) = (w 34 )x + b 34 Gambar 2.6 Cotoh Klasifikasi dega Metode Oe Vs Oe Jika data x dimasuka kedalam fugsi hasil pelatiha: f(x) = (w ij ) T (x) + b) (2.52) Da hasilya meyataka x adalah kelas i, maka suara utuk kelas i ditambah satu. Kelas dari data x aka ditetuka dari jumlah suara terbayak. Jika terdapat dua buah kelas yag jumlah suaraya sama, maka kelas yag ideksya lebih kecil diyataka sebagai kelas dari data. Jadi pada pedekata ii terdapat k(k 1) 2 buah persamaa Quadratic Programmig yag masig-masig memiliki 2/k variabel ( adalah jumlah data pelatiha). Cotohya, terdapat permasalaha klasifikasi dega 4 buah kelas. [16]

21 UML Salah satu model peracaga berorietasi objek yag saat ii palig serig diguaka di seluruh duia adalah Uified Modellig Laguage (UML). UML sediri adalah bahasa pemodela utuk sistem atau peragkat luak yag memiliki paradigma berorietasi objek. Uified Modellig Laguage (UML) adalah sebuah bahasa yag telah mejadi stadar dalam idustri utuk visualisasi, meracag da medokumetasika sistem pirati luak. UML meawarka sebuah stadar utuk meracag model sebuah sistem. Dega megguaka UML, peracag atau pemodel dapat membuat model utuk semua jeis aplikasi pirati luak, dimaa aplikasi tersebut dapat berjala pada pirati keras, sistem operasi da jariga apapu, serta ditulis dalam bahasa pemrograma apapu. UML lebih cocok diterapaka pada pirati berorietasi objek seperti C++, Java, C#, da sebagaiya. Tetapi UML juga tetap dapat diguaka utuk modelig aplikasi prosedural semisal VB atau C. UML versi 2.0 mecakup 13 macam diagram da peragkat yag berfugsi utuk meggambarka sistem iformasi berorietasi objek dega sagat legkap da rici. Meski demika, tidak selalu ke-13 diagram da peragkat tersebut diguaka saat para pegembag berupaya megemabagka peragkat luak berorietasi objek. Beberapa diatara digaram UML yag diguaka adalah Use Case Diagram, Activity Diagram, Sequece Diagram, Class Diagram, da Collaboratio Diagram. [20] Use Case Diagram Use case diagram pada dasarya diguaka utuk medeskripsika bagaimaa etitas eksteral aka megguaka sistem atau peragkat luak. Etitas eskteral itu dapat berupa mausia atau sistem yag lai. Dalam diagram use case, etitas eksteral ii serig diamaka sebagai actor. Deskripsi diagram use case ii lebih meekaka pada sistem dari sudut padag pegguaya da juga meekaka pada iteraksi yag terjadi di atara peggua dega sistem. Use case sagat membatu pegembag sistem utuk lebih jauh medefiisika ruag ligkup sistem serta batasa-batasaya.

22 30 Actor pada dasarya adalah segala sesuatu yag berada di luar sistem atau peragkat luak yag sedag dikembagka. Setiap iteraksi yag terjadi di atara actorda sistem dimodelka sebagai use case. Cotoh diagram use case sederhaa dapat dilihat pada Gambar 2.7. Gambar 2.7 Use Case Diagram Sederhaa Dalam diagram use case, serig ditemuka asosiasi yag bertipe <iclude>. Asosiasi <iclude> ii meujukka bahwa use case tertetu, misalya Melihat Iformasi Peerbaga harus dilakuka terlebih dahulu sebelum use case laiya seperti Memesa Kursi Pesawat dilakuka. Terdapat asosiasi yag terjadi di atara use case Melihat Iformasi Peerbaga da use case Memesa Kursi Pesawat, sedagka pemesa tiket peerbaga tidak dapat megguka use case Memesa Kursi Pesawat secara madiri dari use case Melihat Iformasi Peerbaga. Implemetasi asosiasi <iclude> dalam kasus tersebut pada diagram use case dapat dilihat Gambar 2.8. Gambar 2.8 Use Case Diagram dega Asosiasi Iclude Selai asosiasi <iclude> dalam peggambara juga dikeal asosiasi yag bertipe <exted>. Asosiasi <exted> ii hampir mirip dega asosiasi bertipe <iclude>, haya saja use case yag diasosiasika sebagai <exted> tidak wajib dilaksaaka. Misalya actor Pemesa Tiket Peerbaga dapat melakuka use case Pemesaa dega terlebih dahulu melaksaaka use case Pemesaa Perusahaa atau Pemesaa Pribadi, tetapi tidak keduaya. Artiya, salah satu

23 31 dari kedua use case ii harus dilaksaaka. Implemetasi asosiasi <exted> dalam kasus tersebut pada diagram use case dapat dilihat Gambar 2.9. Gambar 2.9 Use Case Diagram Dega Asosiasi Exted Activity Diagram Sebuah activity diagram atau diagram aktivitas dapat direalisasika oleh satu use case atau lebih. Aktivitas meggambarka proses yag berjala, semetara use case meggambarka bagaimaa actor megguaka sistem utuk melakuka aktivitas. Sama seperti state, stadar UML megguaka segiempat dega sudut membulat utuk meggambarka aktivitas. Decisio diguaka utuk meggambarka behaviour pada kodisi tertetu. Utuk megilustrasika prosesproses paralel (fork da joi) diguaka titik sikroisasi yag dapat berupa titik, garis horizotal atau vertikal. Activity diagram dapat dibagi mejadi beberapa object swimlae utuk meggambarka objek maa yag bertaggug jawab utuk aktivitas tertetu. Cotoh dari activity diagram dapat dilihat pada Gambar 2.8.

24 32 Gambar 2.10 Activity Diagram Class Diagram Class diagram meggambarka struktur statis dari kelas dalam sistem ada da meggambarka atribut, operasi da hubuga atara kelas. Class diagram membatu dalam memvisualisasika struktur kelas-kelas dari suatu sistem da merupaka tipe diagram yag palig bayak dipakai. Selama tahap desai, class diagram berpera dalam meagkap struktur dari semua kelas yag membetuk arsitektur sistem yag dibuat. Class memiliki tiga area pokok, yaitu ama (da stereotype), atribut, da metoda. Cotoh class digram dapat dilihat pada Gambar Gambar 2.11 Class Diagram

25 Sequece Diagram Sequece diagram mejelaska iteraksi objek yag disusu berdasarka uruta waktu. Secara mudahya Sequece diagram adalah gambara tahap demi tahap, termasuk kroologi (uruta) perubaha secara logis yag seharusya dilakuka utuk meghasilka sesuatu sesuai dega use case diagram. Cotoh Sequece diagram dapat dilihat pada Gambar Gambar 2.12 Sequece Diagram 2.8 Pytho Pytho adalah bahasa pemrograma komputer, sama layakya seperti bahasa pemrograma lai misal C, C++, Pascal, Java, PHP, Perl, da lai-lai. Sebagai Bahasa pembrograma, Pytho tetu memiliki dialek, kosakata atau kata kuci (keyword da atura tersediri yag jelas berbeda dega bahasa pemrograma laiya. Bahasa pemrograma Pytho disusu di akhir tahu 1980-a da implemetasiya baru mulai pada Desember 1989 oleh Guido Va Rossum di Cetrum Wiskude & Iformatica (CWI), sebuah pusat riset di bidag matematika da sais, Amsterdam Belada. Sebagai suksesor atas peggati dari bahasa pemrograma pedahuluya, bahasa pemrograma ABC, yag juga dikembagka di CWI oleh Leo Guerts, Lambert Mertes, da Steve Pemberto. [21]

26 Pegujia Cofusio Matrix Cofusio matrix melakuka pegujia utuk memperkiraka obyek yag bear da salah [22]. Uruta pegujia ditabulasika dalam cofusio matrix dimaa kelas yag diprediksi ditampilka di bagia atas matriks da kelas yag diamati dibagia kiri. Setiap sel berisi agka yag meujuka berapa bayak kasus yag sebeerya dari kelas yag diamati utuk diprediksi. [23] Model cofusio matrix utuk cotoh 2 kelas dapat dilihat pada Tabel 2.3 sebagai berikut: Nilai Aktual Keteraga: Tabel 2.3 Model Cofusio Matrix Nilai Prediksi Positif Negatif Positif TP FP Negatif FN TN TP = jumlah ilai positive yag diklasifikasika positif. TN = jumlah ilai egatif yag diklasifikasika egatif. FP = jumlah ilai positif yag diklasifikasika egatif. FN = jumlah ilai egatif yag diklasifikasika positif. Perhituga utuk medapatka akurasi dapat dilihat pada persamaa 2.53 sebagai berikut: Akurasi = TP+TN TP+TN+FP+FN (2.53) Perhituga utuk megetahui PPV(ilai prediksi positif) dapat dilihat pada persamaa 2.54 sebagai berikut: PPV = TP TP+FP (2.54) Perhituga utuk megetahui NPV(ilai prediksi egatif) dapat dilihat pada persamaa 2.55 sebagai berikut: NPV = TN TN+FN (2.55)

BAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:

BAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu: 4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap

Lebih terperinci

BAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.

BAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya. BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh

Lebih terperinci

Bab 3 Metode Interpolasi

Bab 3 Metode Interpolasi Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui

Lebih terperinci

BAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy

BAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy BAB III PEMBAHASAN Pada BAB III ii aka dibahas megeai betuk program liear fuzzy dega koefisie tekis kedala berbetuk bilaga fuzzy da pembahasa peyelesaia masalah optimasi studi kasus pada UD FIRDAUS Magelag

Lebih terperinci

IV. METODE PENELITIAN

IV. METODE PENELITIAN IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,

Lebih terperinci

I. DERET TAKHINGGA, DERET PANGKAT

I. DERET TAKHINGGA, DERET PANGKAT I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da

Lebih terperinci

TINJAUAN PUSTAKA Pengertian

TINJAUAN PUSTAKA Pengertian TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok

Lebih terperinci

BAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian

BAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,

Lebih terperinci

Pendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X

Pendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..

Lebih terperinci

Bab III Metoda Taguchi

Bab III Metoda Taguchi Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.

Lebih terperinci

Definisi Integral Tentu

Definisi Integral Tentu Defiisi Itegral Tetu Bila kita megedarai kedaraa bermotor (sepeda motor atau mobil) selama 4 jam dega kecepata 50 km / jam, berapa jarak yag ditempuh? Tetu saja jawabya sagat mudah yaitu 50 x 4 = 200 km.

Lebih terperinci

Mata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4

Mata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4 Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika

Lebih terperinci

REGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan

REGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k

Lebih terperinci

BAB III METODE PENELITIAN. Jenis penelitian ini adalah penelitian pengembangan (research and

BAB III METODE PENELITIAN. Jenis penelitian ini adalah penelitian pengembangan (research and BAB III METODE PENELITIAN A. Jeis Peelitia Jeis peelitia ii adalah peelitia pegembaga (research ad developmet), yaitu suatu proses peelitia utuk megembagka suatu produk. Produk yag dikembagka dalam peelitia

Lebih terperinci

BAB III METODOLOGI PENELITIAN. data dalam penelitian ini termasuk ke dalam data yang diambil dari Survei Pendapat

BAB III METODOLOGI PENELITIAN. data dalam penelitian ini termasuk ke dalam data yang diambil dari Survei Pendapat BAB III METODOLOGI PENELITIAN 3.1. Jeis da Sumber Data Jeis peelitia yag aka diguaka oleh peeliti adalah jeis peelitia Deskriptif. Dimaa jeis peelitia deskriptif adalah metode yag diguaka utuk memperoleh

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur 0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia

Lebih terperinci

PERTEMUAN 13. VEKTOR dalam R 3

PERTEMUAN 13. VEKTOR dalam R 3 PERTEMUAN VEKTOR dalam R Pegertia Ruag Vektor Defiisi R Jika adalah sebuah bilaga bulat positif, maka tupel - - terorde (ordered--tuple) adalah sebuah uruta bilaga riil ( a ),a,..., a. Semua tupel - -terorde

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat

BAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuha Sistem Sebelum melakuka deteksi da trackig obyek dibutuhka peragkat luak yag dapat meujag peelitia. Peragkat keras da luak yag diguaka dapat dilihat pada Tabel

Lebih terperinci

Aplikasi Interpolasi Bilinier pada Pengolahan Citra Digital

Aplikasi Interpolasi Bilinier pada Pengolahan Citra Digital Aplikasi Iterpolasi Biliier pada Pegolaha Citra Digital Veriskt Mega Jaa - 35408 Program Studi Iformatika Sekolah Tekik Elektro da Iformatika Istitut Tekologi Badug, Jl. Gaesha 0 Badug 403, Idoesia veriskmj@s.itb.ac.id

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula

Lebih terperinci

BAB II TEORI DASAR. Definisi Grup G disebut grup komutatif atau grup abel jika berlaku hukum

BAB II TEORI DASAR. Definisi Grup G disebut grup komutatif atau grup abel jika berlaku hukum BAB II TEORI DASAR 2.1 Aljabar Liier Defiisi 2. 1. 1 Grup Himpua tak kosog G disebut grup (G, ) jika pada G terdefiisi operasi, sedemikia rupa sehigga berlaku : a. Jika a, b eleme dari G, maka a b eleme

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Variabel-variabel yang digunakan pada penelitian ini adalah:

BAB III METODOLOGI PENELITIAN. Variabel-variabel yang digunakan pada penelitian ini adalah: BAB III METODOLOGI PENELITIAN 3. Variabel da Defiisi Operasioal Variabel-variabel yag diguaka pada peelitia ii adalah: a. Teaga kerja, yaitu kotribusi terhadap aktivitas produksi yag diberika oleh para

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Racaga da Jeis Peelitia Racaga peelitia ii adalah deskriptif dega pedekata cross sectioal yaitu racaga peelitia yag meggambarka masalah megeai tigkat pegetahua remaja tetag

Lebih terperinci

III. METODE PENELITIAN. kelas VIII semester ganjil SMP Sejahtera I Bandar Lampung tahun pelajaran 2010/2011

III. METODE PENELITIAN. kelas VIII semester ganjil SMP Sejahtera I Bandar Lampung tahun pelajaran 2010/2011 III. METODE PENELITIAN A. Latar Peelitia Peelitia ii merupaka peelitia yag megguaka total sampel yaitu seluruh siswa kelas VIII semester gajil SMP Sejahtera I Badar Lampug tahu pelajara 2010/2011 dega

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB ENDAHULUAN. Latar Belakag Masalah Dalam kehidupa yata, hampir seluruh feomea alam megadug ketidak pastia atau bersifat probabilistik, misalya pergeraka lempega bumi yag meyebabka gempa, aik turuya

Lebih terperinci

BAB III METODOLOGI PENELITIAN. kuantitatif karena bertujuan untuk mengetahui kompetensi pedagogik mahasiswa

BAB III METODOLOGI PENELITIAN. kuantitatif karena bertujuan untuk mengetahui kompetensi pedagogik mahasiswa 54 BAB III METODOLOGI PENELITIAN A. Jeis Peelitia Peelitia ii merupaka peelitia deskriptif dega pedekata kuatitatif karea bertujua utuk megetahui kompetesi pedagogik mahasiswa setelah megikuti mata kuliah

Lebih terperinci

BAB VII RANDOM VARIATE DISTRIBUSI DISKRET

BAB VII RANDOM VARIATE DISTRIBUSI DISKRET BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka

Lebih terperinci

BAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya

BAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya 5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel

Lebih terperinci

BAB I PENDAHULUAN. Integral adalah salah satu konsep penting dalam Matematika yang

BAB I PENDAHULUAN. Integral adalah salah satu konsep penting dalam Matematika yang BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Itegral adalah salah satu kosep petig dalam Matematika yag dikemukaka pertama kali oleh Isac Newto da Gottfried Wilhelm Leibiz pada akhir abad ke-17. Selajutya

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Permasalaha peugasa atau assigmet problem adalah suatu persoala dimaa harus melakuka peugasa terhadap sekumpula orag yag kepada sekumpula job yag ada, sehigga tepat satu

Lebih terperinci

Pendekatan Nilai Logaritma dan Inversnya Secara Manual

Pendekatan Nilai Logaritma dan Inversnya Secara Manual Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah

Lebih terperinci

TINJAUAN PUSTAKA Citra Digital

TINJAUAN PUSTAKA Citra Digital TINJAUAN PUSTAKA Citra Digital Secara umum citra merupaka gambar pada bidag dua dimesi. Ditijau dari sudut padag matematis, citra merupaka sebuah fugsi kotiu dari itesitas radiasi pada bidag dua dimesi.

Lebih terperinci

Institut Teknologi Sepuluh Nopember Surabaya. Model Sistem dalam Persamaan Keadaan

Institut Teknologi Sepuluh Nopember Surabaya. Model Sistem dalam Persamaan Keadaan Istitut Tekologi Sepuluh Nopember Surabaya Model Sistem dalam Persamaa Keadaa Pegatar Materi Cotoh Soal Rigkasa Latiha Pegatar Materi Cotoh Soal Rigkasa Istilah-istilah Dalam Persamaa Keadaa Aalisis Sistem

Lebih terperinci

6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi

6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi 6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0

Lebih terperinci

REGRESI DAN KORELASI

REGRESI DAN KORELASI REGRESI DAN KORELASI Pedahulua Dalam kehidupa sehari-hari serig ditemuka masalah/kejadia yagg salig berkaita satu sama lai. Kita memerluka aalisis hubuga atara kejadia tersebut Dalam bab ii kita aka membahas

Lebih terperinci

BAB IV. METODE PENELITlAN. Rancangan atau desain dalam penelitian ini adalah analisis komparasi, dua

BAB IV. METODE PENELITlAN. Rancangan atau desain dalam penelitian ini adalah analisis komparasi, dua BAB IV METODE PENELITlAN 4.1 Racaga Peelitia Racaga atau desai dalam peelitia ii adalah aalisis komparasi, dua mea depede (paired sample) yaitu utuk meguji perbedaa mea atara 2 kelompok data. 4.2 Populasi

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam

Lebih terperinci

IV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data

IV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data IV METODE PENELITIAN 4.1 Lokasi da waktu Peelitia ii dilakuka di PD Pacet Segar milik Alm Bapak H. Mastur Fuad yag beralamat di Jala Raya Ciherag o 48 Kecamata Cipaas, Kabupate Ciajur, Propisi Jawa Barat.

Lebih terperinci

III. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I

III. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I 7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3

Lebih terperinci

BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA DAN FAKTOR DISKON

BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA DAN FAKTOR DISKON BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARA DAN FAKTOR DIKON 3.1 Ecoomic Order Quatity Ecoomic Order Quatity (EOQ) merupaka suatu metode yag diguaka utuk megedalika

Lebih terperinci

BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL

BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah

Lebih terperinci

III. METODOLOGI PENELITIAN. diinginkan. Menurut Arikunto (1991 : 3) penelitian eksperimen adalah suatu

III. METODOLOGI PENELITIAN. diinginkan. Menurut Arikunto (1991 : 3) penelitian eksperimen adalah suatu III. METODOLOGI PENELITIAN A. Metode Peelitia Metode peelitia merupaka suatu cara tertetu yag diguaka utuk meeliti suatu permasalaha sehigga medapatka hasil atau tujua yag diigika. Meurut Arikuto (99 :

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT

JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Vol. 6. No., 97-09, Agustus 003, ISSN : 40-858 METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak Tulisa ii membahas peetua persamaa ruag

Lebih terperinci

II. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel.

II. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel. II. LANDASAN TEORI Defiisi 2.1 Distribusi Samplig Distribusi samplig adalah distribusi probibilitas dari suatu statistik. Distribusi tergatug dari ukura populasi, ukura sampel da metode memilih sampel.

Lebih terperinci

3. Rangkaian Logika Kombinasional dan Sequensial 3.1. Rangkaian Logika Kombinasional Enkoder

3. Rangkaian Logika Kombinasional dan Sequensial 3.1. Rangkaian Logika Kombinasional Enkoder 3. Ragkaia Logika Kombiasioal da Sequesial Ragkaia Logika secara garis besar dibagi mejadi dua, yaitu ragkaia logika Kombiasioal da ragkaia logika Sequesial. Ragkaia logika Kombiasioal adalah ragkaia yag

Lebih terperinci

terurut dari bilangan bulat, misalnya (7,2) (notasi lain 2

terurut dari bilangan bulat, misalnya (7,2) (notasi lain 2 Bab Bilaga kompleks BAB BILANGAN KOMPLEKS Defiisi Bilaga Kompleks Sebelum medefiisika bilaga kompleks, pembaca diigatka kembali pada permasalah dalam sistem bilaga yag telah dikeal sebelumya Yag pertama

Lebih terperinci

3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian

3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian 19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.

Lebih terperinci

III. METODE PENELITIAN. Lokasi penelitian dilakukan di Provinsi Sumatera Barat yang terhitung

III. METODE PENELITIAN. Lokasi penelitian dilakukan di Provinsi Sumatera Barat yang terhitung 42 III. METODE PENELITIAN 3.. Lokasi da Waktu Peelitia Lokasi peelitia dilakuka di Provisi Sumatera Barat yag terhitug mulai miggu ketiga bula April 202 higga miggu pertama bula Mei 202. Provisi Sumatera

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN 22 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di tiga kator PT Djarum, yaitu di Kator HQ (Head Quarter) PT Djarum yag bertempat di Jala KS Tubu 2C/57 Jakarta Barat,

Lebih terperinci

PENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA

PENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA PENAKSIRAN DAN PERAMALAN BIAYA Ari Darmawa, Dr. S.AB, M.AB Email: aridarmawa_fia@ub.ac.id A. PENDAHULUAN B. PENAKSIRAN DAN PRAKIRAAN FUNGSI BIAYA C. PENAKSIRAN JANGKA PENDEK - Ekstrapolasi sederhaa - Aalisis

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN 37 BAB III METODOLOGI PENELITIAN A. Jeis Peelitia Peelitia ii termasuk peelitia pegembaga, yaitu pegembaga buku teks matematika. Model pegembaga yag diguaka adalah model 4-D (four D models) dari Thigaraja

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakag Dalam duia iformatika, assigmet Problem yag biasa dibetuk dega matriks berbobot merupaka salah satu masalah terbesar, dimaa masalah ii merupaka masalah yag metode peyelesaiaya

Lebih terperinci

PETA KONSEP RETURN dan RISIKO PORTOFOLIO

PETA KONSEP RETURN dan RISIKO PORTOFOLIO PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI

Lebih terperinci

Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai

Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai PENGUJIAN HIPOTESIS Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai ilai-ilai parameter populasi,

Lebih terperinci

BAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28

BAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28 5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.

Lebih terperinci

BAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.

BAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014. BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara

BAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula

Lebih terperinci

STATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP

STATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,

Lebih terperinci

BAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan

BAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan.

III. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan. 9 III. METODOLOGI PENELITIAN A. Populasi Da Sampel Peelitia ii dilaksaaka di MTs Muhammadiyah Natar Lampug Selata. Populasiya adalah seluruh siswa kelas VIII semester geap MTs Muhammadiyah Natar Tahu Pelajara

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 6 BAB III METODE PENELITIAN 3.1 Desai Peelitia Meurut Kucoro (003:3): Peelitia ilmiah merupaka usaha utuk megugkapka feomea alami fisik secara sistematik, empirik da rasioal. Sistematik artiya proses yag

Lebih terperinci

BAB IV PEMBAHASAN DAN ANALISIS

BAB IV PEMBAHASAN DAN ANALISIS BAB IV PEMBAHASAN DAN ANALISIS 4.1. Pembahasa Atropometri merupaka salah satu metode yag dapat diguaka utuk meetuka ukura dimesi tubuh pada setiap mausia. Data atropometri yag didapat aka diguaka utuk

Lebih terperinci

BAB V ANALISA PEMECAHAN MASALAH

BAB V ANALISA PEMECAHAN MASALAH 89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1. Lokasi da Waktu Pegambila Data Pegambila data poho Pius (Pius merkusii) dilakuka di Huta Pedidika Guug Walat, Kabupate Sukabumi, Jawa Barat pada bula September 2011.

Lebih terperinci

SISTEM SELEKSI KEMATANGAN BUAH TOMAT WAKTU-NYATA BERBASIS NILAI RGB

SISTEM SELEKSI KEMATANGAN BUAH TOMAT WAKTU-NYATA BERBASIS NILAI RGB ISSN: 1693-6930 211 SISTEM SELEKSI KEMATANGAN BUAH TOMAT WAKTU-NYATA BERBASIS NILAI RGB M. Riza Ferdiasyah, Kartika Firdausy, Tole Sutiko Program Studi Tekik Elektro, Uiversitas Ahmad Dahla Kampus III

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN 31 Flowchart Metodologi Peelitia BAB III METODOLOGI PENELITIAN Gambar 31 Flowchart Metodologi Peelitia 18 311 Tahap Idetifikasi da Peelitia Awal Tahap ii merupaka tahap awal utuk melakuka peelitia yag

Lebih terperinci

BAB IV METODE PENELITIAN

BAB IV METODE PENELITIAN BAB IV METODE PENELITIAN 4.1 Lokasi da Waktu Peelitia Peelitia sikap kosume terhadap kopi ista Kopiko Brow Coffee ii dilakuka di Wilaah Depok. Pemiliha dilakuka secara segaja (Purposive) dega pertimbaga

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 Metode Peelitia Peelitia ii megguaka metode peelitia Korelasioal. Peelitia korelasioaal yaitu suatu metode yag meggambarka secara sistematis da obyektif tetag hubuga atara

Lebih terperinci

BAB V METODOLOGI PENELITIAN

BAB V METODOLOGI PENELITIAN BAB V METODOLOGI PEELITIA 5.1 Racaga Peelitia Peelitia ii merupaka peelitia kualitatif dega metode wawacara medalam (i depth iterview) utuk memperoleh gambara ketidaklegkapa pegisia berkas rekam medis

Lebih terperinci

BAB III METODE PENELITIAN. Metode yang digunakan dalam penelitian ini adalah penelitian korelasi,

BAB III METODE PENELITIAN. Metode yang digunakan dalam penelitian ini adalah penelitian korelasi, BAB III METODE PENELITIAN 3.1 Metode Peelitia Metode yag diguaka dalam peelitia ii adalah peelitia korelasi, yaitu suatu metode yag secara sistematis meggambarka tetag hubuga pola asuh orag tua dega kosep

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma

Lebih terperinci

1 n MODUL 5. Peubah Acak Diskret Khusus

1 n MODUL 5. Peubah Acak Diskret Khusus ODUL 5 Peubah Acak Diskret Khusus Terdapat beberapa peubah acak diskret khusus yag serig mucul dalam aplikasi. Peubah Acak Seragam ( Uiform) Bila X suatu peubah acak diskret dimaa setiap eleme dari X mempuyai

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 22 BAB III METODE PENELITIAN 3.1. Metode Peelitia Pada bab ii aka dijelaska megeai sub bab dari metodologi peelitia yag aka diguaka, data yag diperluka, metode pegumpula data, alat da aalisis data, keragka

Lebih terperinci

FORECASTING (Peramalan)

FORECASTING (Peramalan) FORECASTING (Peramala) PENDAHULUAN Forecastig adalah ramala tetag apa yag aka terjadi dimasa yag aka datag. Forecast Demad atau peramala permitaa mejadi dasar yag sagat petig dalam perecaaa suatu keputusa

Lebih terperinci

BAB I PENDAHULUAN Latar Belakang Permasalahan

BAB I PENDAHULUAN Latar Belakang Permasalahan BAB I PENDAHULUAN 1.1. Latar Belakag Permasalaha Matematika merupaka Quee ad servat of sciece (ratu da pelaya ilmu pegetahua). Matematika dikataka sebagai ratu karea pada perkembagaya tidak tergatug pada

Lebih terperinci

III. METODELOGI PENELITIAN

III. METODELOGI PENELITIAN III. METODELOGI PENELITIAN A. Metode Peelitia Metode peelitia merupaka suatu cara tertetu yag diguaka utuk meeliti suatu permasalaha sehigga medapatka hasil atau tujua yag diigika, meurut Arikuto (998:73)

Lebih terperinci

PENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:

PENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak: PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.

Lebih terperinci

BAB VIII KONSEP DASAR PROBABILITAS

BAB VIII KONSEP DASAR PROBABILITAS BAB VIII KONSEP DASAR PROBABILITAS 1.1. Pedahulua Dalam pertemua ii Ada aka mempelajari beberapa padaga tetag permutasi da kombiasi, fugsi da metode perhituga probabilitas, da meghitug probabilitas. Pada

Lebih terperinci

BAB 1 PENDAHULUAN Latar Belakang

BAB 1 PENDAHULUAN Latar Belakang BAB 1 PENDAHULUAN 1.1. Latar Belakag Dalam keadaa dimaa meghadapi persoala program liier yag besar, maka aka berusaha utuk mecari peyelesaia optimal dega megguaka algoritma komputasi, seperti algoritma

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. Optimasi 2.1.1. Pegertia Optimasi Optimasi (Optimizatio) adalah aktivitas utuk medapatka hasil terbaik di bawah keadaa yag diberika. Tujua akhir dari semua aktivitas tersebut

Lebih terperinci

Materi 5 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2016 Nizar Rabbi Radliya

Materi 5 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2016 Nizar Rabbi Radliya Materi 5 DATA MINING 3 SKS Semester 6 S1 Sistem Iformasi UNIKOM 2016 Nizar Rabbi Radliya izar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Kompetesi Dasar Memahami tekik data miig klasifikasi da mampu meerapka

Lebih terperinci

IV. METODE PENELITIAN

IV. METODE PENELITIAN IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia Daerah peelitia adalah Kota Bogor yag terletak di Provisi Jawa Barat. Pemiliha lokasi ii berdasarka pertimbaga atara lai: (1) tersediaya Tabel Iput-Output

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 Lokasi da objek peelitia Lokasi peelitia dalam skripsi ii adalah area Kecamata Pademaga, alasa dalam pemiliha lokasi ii karea peulis bertempat tiggal di lokasi tersebut sehigga

Lebih terperinci

BAB III METODE PENELITIAN. penelitian yang tepat dalam sebuah penelitian ditentukan guna menjawab

BAB III METODE PENELITIAN. penelitian yang tepat dalam sebuah penelitian ditentukan guna menjawab BAB III METODE PENELITIAN Metode peelitia merupaka suatu cara atau prosedur utuk megetahui da medapatka data dega tujua tertetu yag megguaka teori da kosep yag bersifat empiris, rasioal da sistematis.

Lebih terperinci

2 BARISAN BILANGAN REAL

2 BARISAN BILANGAN REAL 2 BARISAN BILANGAN REAL Di sekolah meegah barisa diperkealka sebagai kumpula bilaga yag disusu meurut "pola" tertetu, misalya barisa aritmatika da barisa geometri. Biasaya barisa da deret merupaka satu

Lebih terperinci

A. Pengertian Hipotesis

A. Pengertian Hipotesis PENGUJIAN HIPOTESIS A. Pegertia Hipotesis Hipotesis statistik adalah suatu peryataa atau dugaa megeai satu atau lebih populasi Ada macam hipotesis:. Hipotesis ol (H 0 ), adalah suatu hipotesis dega harapa

Lebih terperinci

PENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK. Sutikno

PENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK. Sutikno sutiko PENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK Sutiko Program Studi Tekik Iformatika Fakultas Sais da Matematika UNDIP tik@udip.ac.id

Lebih terperinci

Beberapa metode pengembangan sistem : a. Metode pengembangan Evolusioner

Beberapa metode pengembangan sistem : a. Metode pengembangan Evolusioner PENDEKATAN PENGEMBANGAN SISTEM Beberapa metode pegembaga sistem : a. Metode pegembaga Evolusioer b. Metode pegembaga Re-usable c. Metode Prototypig d. Metode Pegembaga berorietasi objek a. METODE PENGEMBANGAN

Lebih terperinci

BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.

BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah. BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder

Lebih terperinci

Balas Additive Algorithm, Algoritma Branch & Bound untuk Binary Integer Programming

Balas Additive Algorithm, Algoritma Branch & Bound untuk Binary Integer Programming Balas Additive Algorithm, Algoritma Brach & Boud utuk Biary Iteger Programmig Aditio Pagestu 13514030 Program Studi Tekik Iformatika Sekolah Tekik Elektro da Iformatika Istitut Tekologi Badug, Jl. Gaesha

Lebih terperinci

III. METODE PENELITIAN. Subjek dari penelitian adalah siswa kelas X.B SMA Muhammadiyah 2 Bandar

III. METODE PENELITIAN. Subjek dari penelitian adalah siswa kelas X.B SMA Muhammadiyah 2 Bandar III. METODE PENELITIAN A. Subjek da Tempat Peelitia Subjek dari peelitia adalah siswa kelas.b SMA Muhammadiyah 2 Badar Lampug Tahu Ajara 2011-2012 dega jumlah siswa 40 orag yag terdiri dari 15 siswa laki-laki

Lebih terperinci

b. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut:

b. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut: Statistik da Peluag A. Statistik Statistik adalah metode ilmiah yag mempelajari cara pegumpula, peyusua, pegolaha, da aalisis data, serta cara pegambila kesimpula berdasarka data-data tersebut. Data ialah

Lebih terperinci

LIMIT. = δ. A R, jika dan hanya jika ada barisan. , sedemikian hingga Lim( a n

LIMIT. = δ. A R, jika dan hanya jika ada barisan. , sedemikian hingga Lim( a n LIMIT 4.. FUNGSI LIMIT Defiisi 4.. A R Titik c R adalah titik limit dari A, jika utuk setiap δ > 0 ada palig sedikit satu titik di A, c sedemikia sehigga c < δ. Defiisi diatas dapat disimpulka dega cara

Lebih terperinci

Kestabilan Rangkaian Tertutup Waktu Kontinu Menggunakan Metode Transformasi Ke Bentuk Kanonik Terkendali

Kestabilan Rangkaian Tertutup Waktu Kontinu Menggunakan Metode Transformasi Ke Bentuk Kanonik Terkendali Jural Tekika ISSN : 285-859 Fakultas Tekik Uiversitas Islam Lamoga Volume No.2 Tahu 29 Kestabila Ragkaia Tertutup Waktu Kotiu Megguaka Metode Trasformasi Ke Betuk Kaoik Terkedali Suhariyato ) Dose Fakultas

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 36 BAB III METODE PENELITIAN A. Racaga Peelitia 1. Pedekata Peelitia Peelitia ii megguaka pedekata kuatitatif karea data yag diguaka dalam peelitia ii berupa data agka sebagai alat meetuka suatu keteraga.

Lebih terperinci

METODE PENELITIAN. Subyek dalam penelitian ini adalah siswa kelas XI IPA 1 SMA Wijaya Bandar

METODE PENELITIAN. Subyek dalam penelitian ini adalah siswa kelas XI IPA 1 SMA Wijaya Bandar III. METODE PENELITIAN A. Settig Peelitia Subyek dalam peelitia ii adalah siswa kelas XI IPA 1 SMA Wijaya Badar Lampug, semester gajil Tahu Pelajara 2009-2010, yag berjumlah 19 orag terdiri dari 10 siswa

Lebih terperinci

Penyelesaian Persamaan Non Linier

Penyelesaian Persamaan Non Linier Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode

Lebih terperinci