Histogram Citra. Bab Membuat Histogram
|
|
- Fanny Lesmana
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Bab 6 Hstogram Ctra I nformas pentng mengena s ctra dgtal dapat dketahu dengan membuat hstogram ctra. Hstogram ctra adalah grafk yang menggambarkan penyebaran nla-nla ntenstas pxel dar suatu ctra atau bagan tertentu d dalam ctra. Dar sebuah hstogram dapat dketahu frekuens kemunculan nsb (relatve) dar ntenstas pada ctra tersebut. Hstogram juga dapat menunjukkan banyak hal tentang kecerahan (brghtness) dan kontas (contrast) dar sebuah gambar. Karena tu, hstogram adalah alat bantu yang berharga dalam pekerjaan pengolahan ctra bak secara kualtatf maupun kuanttatf. 6. Membuat Hstogram Msalkan ctra dgtal memlk L derajat keabuan, yatu dar nla sampa L (msalnya pada ctra dengan kuantsas derajat keabuan -bt, nla derajat keabuan dar sampa 255). Secara matemats hstogram ctra dhtung dengan rumus n h =, =,,, L (6.) n yang dalam hal n, n = jumlah pxel yang memlk derajat keabuan n = jumlah seluruh pxel d dalam ctra Bab 6_Hstogram Ctra 3
2 Plot h versus f dnamakan hstogram. Gambar 6. adalah contoh sebuah hstogram ctra. Secara grafs hstogram dtamplkan dengan dagram batang. Perhatkan dar persamaan 6. bahwa nla n telah dnormalkan dengan membagnya dengan n. Nla h berada d dalam selang sampa. h Gambar 6.. Hstogram ctra Sebaga contoh, msalkan matrks d bawah n menyatakan ctra djtal yang berukuran pxel dengan derajat keabuan dar sampa 5 (ada 6 buah derajat keabuan): Tabulas perhtungan hstogramnya dtunjukan pada Tabel 6.. Mudah dlhat bahwa semakn besar nla n maka semakn besar pula nla h. Tabel 6. Perhtungan hstogram n h = n /n ( n = 64) Pengolahan Ctra Dgtal
3 Algortma Perhtungan Hstogram Algortma perhtungan hstogram dtunjukkan pada Algortma 6. [HEN95]. Ctra masukan mempunya 256 derajat keabuan yang nla-nlanya dar sampa 255. Intenstas pxel dsmpan d dalam Image[..N-][..M-], sedangkan hstogram dsmpan d dalam tabel Hst[..255]. Gambar 6.2 memperlhatkan hstogram ctra kapal (52 52). Beberapa program komersl sepert Adobe Photoshop, Pantshop, dan PolyVew, dapat dgunakan untuk membangktkan hstogram ctra. vod hstogram(ctra Image, nt N, nt M, float Hst[256]) /* Menghtung hstogram untuk ctra Image yang berukuran N M. Hstogram dsmpan d dalam tabel Hst yang bertpe rl(float). */ { nt, j, n; /* nsalsas Hst[..255] dengan */ for(=;<=255;++) Hst[]=; for(=;<=n-;++) for(j=;j<=m-;j++) Hst[Image[][j]]=Hst[Image[][j]]+; } /*normalsas Hst[] dengan jumlah seluruh pxel*/ n=n*m; for(=;<=255;++) Hst[]=Hst[]/(float)n; Algortma 6.2. Perhtungan hstogram ctra Bab 6_Hstogram Ctra 5
4 (b) Hstogram ctra kapal (by PolyVew ) (a) kapal 52 52, -bt Gambar 6.2. Ctra Kapal (52 52) dan hstogramnya Khusus untuk ctra berwarna, hstogramnya dbuat untuk setap kanal RGB (merah, hjau, dan bru). Msalnya ctra berwarna pepper pxel -bt, pada Gambar 6.3, hstogramnya ada tga buah, masng-masng untuk komponen merah, hjau, dan bru. Hstogram tersebut dhaslkan dar program [WIC]. (b) Hstogram untuk kanal merah (a) pepper (color), 52 52, 24-bt 6 Pengolahan Ctra Dgtal
5 (c) Hstogram untuk kanal hjau (d) Hstogram untuk kanal bru Gambar 6.3. Ctra berwarna pepper dan hstogram masng-masng kanal warnanya Hstogram ctra banyak memberkan nformas pentng sebaga berkut:. Nla h menyatakan peluang (probablty) pxel, P(), dengan derajat keabuan. Jumlah seluruh nla h sama dengan, atau L = h = Peluang suatu pxel memlk derajat keabuan lebh kecl atau sama dengan derajat keabuan tertentu adalah jumlah h untuk j, atau j h = P( j) =, j L 2. Puncak hstogram menunjukkan ntenstas pxel yang menonjol. Lebar dar puncak menunjukkan rentang kontras dar gambar. Ctra yang mempunya kontras terlalu terang (overexposed) atau terlalu gelap (underexposed) memlk hstogram yang sempt. Hstogramnya terlhat hanya menggunakan setengah dar daerah derajat keabuan. Ctra yang bak memlk hstogram yang mengs daerah derajat keabuan secara penuh dengan dstrbus yang merata pada setap nla ntenstas pxel (Gambar 6.4). Bab 6_Hstogram Ctra 7
6 h() h() (a) (b) h() h() (c) (d) Gambar 6.4. (a) ctra gelap, (b) ctra terang, (c) ctra normal (normal brghtness), (d) normal brghtness dan hgh contrast Gambar 6.5 memperlhatkan tga buah ctra Lena. Ctra Lena yang pertama terlalu gelap. Hstogramnya banyak menumpuk pada bagan kr karena ctra tersebut mengandung banyak nla ntenstas yang dekat dengan (htam). Ctra Lena yang kedua terlalu terang. Hstogramnya banyak menumpuk pada bagan kanan karena ctra tersebut mengandung banyak nla ntenstas yang dekat dengan 255 (puth). Ctra Lena yang ketga adalah ctra yang normal (bagus). Hstogramnya tersebar merata d seluruh daerah derajat keabuan. Tga buah hstogram tersebut dhaslkan dengan program Adobe Photoshop. Pengolahan Ctra Dgtal
7 (a) Kr: ctra Lena yang terlalu gelap; kanan: hstogramnya (by Photoshop) (b) Kr: ctra Lena yang terlalu terang; kanan: hstogramnya Gambar 6.5. Bermacam-macam hstogram dar beberapa kasus ctra Lena Bab 6_Hstogram Ctra 9
8 (c) Kr: ctra Lena yang bagus (normal); kanan: hstogramnya Gambar 6.5 (lanjutan). 9 Pengolahan Ctra Dgtal
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
Lebih terperinciPERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM
PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM 1) Membuat dstrbus frekuens. 2) Mengetahu apa yang dmaksud dengan Medan, Modus dan Mean. 3) Mengetahu cara mencar Nla rata-rata (Mean). TEORI PENUNJANG
Lebih terperinciDISTRIBUSI FREKUENSI
BAB DISTRIBUSI FREKUENSI Kompetens Mampu membuat penyajan data dalam dstrbus frekuens Indkator 1. Menjelaskan dstrbus frekuens. Membuat dstrbus frekuens 3. Menjelaskan macam-macam dstrbus frekuens 4. Membuat
Lebih terperinciSUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD
SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya
Lebih terperinciPENENTUAN DENSITAS PERMUKAAN
PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan
Lebih terperinciBAB I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Ctra dgtal merupakan ctra hasl dgtalsas yang dapat dolah pada suatu komputer dgtal [12]. Ctra dgtal tersusun atas sejumlah elemen. Elemen-elemen yang menyusun ctra
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciMINGGU KE- V: UKURAN PENYEBARAN
MINGGU KE- V: UKURAN PENYEBARAN Tujuan Instruksonal Umum :. Mahasswa mampu memaham apa yang dmaksud dengan ukuran penyebaran. Mahasswa mampu memaham berbaga pengukuran untuk mencar nla ukuran penyebaran
Lebih terperinciWarna. Bab Dasar-dasar Warna
Bab 12 Warna P erseps vsual ctra berwarna (color mages) umumnya lebh kaya dbandngkan dengan ctra htam puth (greyscale ), karena tu ctra berwarna lebh dsenang darpada ctra htam puth. Ctra berwarna menamplkan
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kulah : Pengolahan Ctra Dgtal Kode : IES 6323 Semester : VI Waktu : 1 x 3x 50 Ment Pertemuan : 9 A. Kompetens 1. Utama Mahasswa dapat memaham tentang sstem pengolahan
Lebih terperinciPROTOTYPE APLIKASI UNTUK MENGUKUR KEMATANGAN BUAH APEL BERDASAR KEMIRIPAN WARNA
PROTOTYPE APLIKASI UNTUK MENGUKUR KEMATANGAN BUAH APEL BERDASAR KEMIRIPAN WARNA Catur Iswahyud Program Stud Teknk Informatka, Fakultas Teknolog Industr Insttut Sans & Teknolog AKPRIND Yogyakarta Emal :
Lebih terperinciDISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA
DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,
Lebih terperinciBAB III METODE KOMPRESI DAN DEKOMPRESI. untuk setiap B X. fraktal. Penjelasan dimulai dengan pengenalan Multiple Reduction Copy
BAB III METODE KOMPRESI DAN DEKOMPRESI Kompres ctra fraktal memodelkan ctra sebaga lmt dar suatu proses teras. Jka dberkan suatu ctra A X, metode n akan mencar suatu proses W sedemkan sehngga ttk tetap
Lebih terperinciSTATISTIKA. Rumus : 1. Menentukan banyaknya data/responden dari diagram lingkaran:
STATISTIKA Jens-jens soal statstka yang serng dujkan adalah soal-soal tentang : 1. Membaca sajan data dalam bentuk dagram. Ukuran pemusatan data 3. Ukuran Letak Data 4. Ukuran Penyebaran Data SOAL DAN
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 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 terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciBAB II PENDEKATAN PROBABILITAS DAN MODEL TRAFIK
Dktat Rekayasa Trafk BB II PDKT PROBBILITS D MODL TRFIK 2. Pendahuluan Trafk merupakan perstwa-perstwa kebetulan yang pada dasarnya tdak dketahu kapan datangnya dan berapa lama akan berlangsung. Maka untuk
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciSEARAH (DC) Rangkaian Arus Searah (DC) 7
ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan
Lebih terperinciMATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT)
MATERI KULIAH STATISTIKA I UKURAN (Nuryanto, ST., MT) Ukuran Statstk Ukuran Statstk : 1. Ukuran Pemusatan Bagamana, d mana data berpusat? Rata-Rata Htung = Arthmetc Mean Medan Modus Kuartl, Desl, Persentl.
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
PENDAHULUAN Latar Belakang Pada saat n penamplan nformas dalam bentuk ctra semakn banyak dbutuhkan Hal n tdak lepas dar karakterstk ctra yang cenderung mudah dpaham Surat kabar, televs, dan stus web d
Lebih terperinciAnalisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :
Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Sampel yang digunakan dalam penelitian ini adalah data pengujian pada
BAB 5 ASIL DAN PEMBAASAN 5. asl Peneltan asl peneltan akan membahas secara lebh lengkap mengena penyajan data peneltan dan analss data. 5.. Penyajan Data Peneltan Sampel yang dgunakan dalam peneltan n
Lebih terperinciRingkasan Statistika Kelas XI SMA Tarakanita 1 Jakarta BAB I STATISTIKA
BAB I STATISTIKA 1. PENGENALAN STATISTIKA A. PENGERTIAN DASAR STATISTIKA 1. Statstka dan Statstk Statstka adalah lmu tentang pengolahan dan analss suatu data hngga penarkan kesmpulan dar data tu. Statstk
Lebih terperinciBAB II DASAR TEORI. 2.1 Definisi Game Theory
BAB II DASAR TEORI Perkembangan zaman telah membuat hubungan manusa semakn kompleks. Interaks antar kelompok-kelompok yang mempunya kepentngan berbeda kemudan melahrkan konflk untuk mempertahankan kepentngan
Lebih terperinciKWARTIL, DESIL DAN PERSENTIL
KWARTIL, DESIL DAN PERSENTIL 1. KWARTIL Kwartl merupakan nla yang membag frekuens dstrbus data menjad empat kelompok yang sama besar. Dengan kata lan kwartl merupakan nla yang membag tap-tap 25% frekuens
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciPengembangan Algoritma Enkripsi Selektif Citra Digital dalam Ranah Spasial dengan Mode CBC-like Berbasiskan Chaos
Semnar on Intellgence Technology and Its Applcaton (SITIA) 2012 Pengembangan Algortma Enkrps Selektf Ctra Dgtal dalam Ranah Spasal dengan Mode CBC-lke Berbasskan Chaos Rnald Munr 1) 1) Sekolah Teknk Elektro
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciRAY TRACING dan. Oleh : Karmilasari
RAY TRACING dan RADIOSITY Oleh : Karmlasar RAY TRACING vs. RADIOSITY 2 Revew : ILUMINASI Secara umum dlhat dar fsknya, model lumnas menggambaran perpndahan energ dan radas fokus pada sfat sfat cahaya danmateral
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 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 terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciSTATISTIKA. A. Menyajikan Data dalam Bentuk Diagram
STATISTIKA A. Menyajkan Data dalam Bentuk Dagram. DIAGRAM GARIS Contoh soal Fluktuas nla tukar rupah terhadap dolar AS dar tanggal 8 Aprl 008 sampa dengan tanggal Aprl 008 dtunjukkan oleh tabel sebaga
Lebih terperinciPenerapan Metode Runge-Kutta Orde 4 dalam Analisis Rangkaian RLC
Penerapan Metode Runge-Kutta Orde 4 dalam Analss Rangkaan RLC Rka Favora Gusa JurusanTeknk Elektro,Fakultas Teknk,Unverstas Bangka Beltung rka_favora@yahoo.com ABSTRACT The exstence of nductor and capactor
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciMETODE PENELITIAN. dalam penelitian ini adalah siswa kelas XI IPA 2 Tahun Pelajaran
III. METODE PENELITIAN A. Settng Peneltan Peneltan n menggunakan data kuanttatf dengan jens Peneltan Tndakan Kelas (PTK). Peneltan n dlaksanakan d SMAN 1 Bandar Lampung yang beralamat d jalan Jend. Sudrman
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciPENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA
MAKALAH SEMINAR TUGAS AKHIR PENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA Suharto Jat Santoso *, Bud Setyono **, R. Rzal Isnanto ** Abstrak - Selama n pengenalan jens kan pada
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBAB III METODOLOGI PENELITIAN. dalam situs BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal dari dua
BAB III METODOLOGI PENELITIAN 3.1. Ruang Lngkup Peneltan Reksadana yang dgunakan dalam peneltan n adalah reksadana yang terdaftar dalam stus BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal
Lebih terperinciKWARTIL, DESIL DAN PERSENTIL
KWARTIL, DESIL DAN PERSENTIL 1. KWARTIL Kwartl merupakan nla yang membag frekuens dstrbus data menjad empat kelompok yang sama besar. Dengan kata lan kwartl merupakan nla yang membag taptap 25% frekuens
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
Lebih terperinciUKURAN LOKASI, VARIASI & BENTUK KURVA
UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya
Lebih terperinciPENANGANAN BAHAN PADAT S1 TEKNIK KIMIA FT UNS Sperisa Distantina
PENANGANAN BAHAN PAAT S1 TEKNIK KIMIA FT UNS Spersa stantna. SCREENING: MENENTUKAN UKURAN PARTIKEL Mater: Cara-cara menentukan ukuran partkel. Analss data ukuran partkel menggunakan screen shaker. Evaluas
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 terperinciUKURAN-UKURAN DESKRIPTIF DATA
UKURAN-UKURAN DESKRIPTIF DATA Hazmra Yozza Izzat Rahm HG Jurusan Matenatka FMIPA Unand LOGO Kompetens Khusus Menghtung ukuran pemusatan data Menghtung ukuran keragaman data 3 4 Menghtung ukuran poss data
Lebih terperinciMETODE NUMERIK. INTERPOLASI Interpolasi Beda Terbagi Newton Interpolasi Lagrange Interpolasi Spline.
METODE NUMERIK INTERPOLASI Interpolas Beda Terbag Newton Interpolas Lagrange Interpolas Splne http://maulana.lecture.ub.ac.d Interpolas n-derajat polnom Tujuan Interpolas berguna untuk menaksr hargaharga
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciberasal dari pembawa muatan hasil generasi termal, sehingga secara kuat
10 KARAKTRISTIK TRANSISTOR 10.1 Dasar Pengoperasan JT Pada bab sebelumnya telah dbahas dasar pengoperasan JT, utamannya untuk kasus saat sambungan kolektor-bass berpanjar mundur dan sambungan emtor-bass
Lebih terperinciRingkasan Statistika Kelas XI SMA Tarakanita 1 Jakarta NAMA : KELAS :
NAMA : KELAS : 1 BAB I STATISTIKA 1. PENGENALAN STATISTIKA A. PENGERTIAN DASAR STATISTIKA 1. Statstka dan Statstk Statstka adalah lmu tentang pengolahan dan analss suatu data hngga penarkan kesmpulan dar
Lebih terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih terperinciRegresi. Bahan Kuliah IF4058 Topik Khusus Informatika I. Oleh; Rinaldi Munir(IF-STEI ITB)
Regres Bahan Kulah IF4058 Topk Khusus Informatka I Oleh; Rnald Munr(IF-STEI ITB) 1 Pendahuluan Regresadalahteknkpencocokankurvauntukdata ang berketeltanrendah. Contohdata ang berketeltanrendahdata haslpengamatan,
Lebih terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk
Lebih terperinciTEORI KESALAHAN (GALAT)
TEORI KESALAHAN GALAT Penyelesaan numerk dar suatu persamaan matematk hanya memberkan nla perkraan yang mendekat nla eksak yang benar dar penyelesaan analts. Berart dalam penyelesaan numerk tersebut terdapat
Lebih terperinciALGORITMA ENKRIPSI CITRA DIGITAL BERBASIS CHAOS DALAM GABUNGAN RANAH FREKUENSI DAN RANAH SPASIAL
Konferens asonal Sstem Informas 2013, STMIK Bumgora Mataram 14-16 Pebruar 2013 Makalah omor: KSI-347 ALGORITMA EKRIPSI CITRA DIGITAL BERBASIS CHAOS DALAM GABUGA RAAH FREKUESI DA RAAH SPASIAL Rnald Munr
Lebih terperinciBAB IV APLIKASI. Pada bagian ini akan dibahas bagaimana contoh mengestimasi. parameter model yang diasumsikan memiliki karateristik spasial lag
BAB IV APLIKASI Pada bagan n akan dbahas bagamana contoh mengestmas parameter model yang dasumskan memlk karaterstk spasal lag sekalgus spasal error. Estmas dlakukan dengan menggunakan software Evews 3
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciBAB STATISTIKA. Tujuan Pembelajaran
BAB I STATISTIKA Tujuan Pembelajaran Setelah mempelajar mater bab n, Anda dharapkan mampu:. membaca dan menyajkan data dalam bentuk tabel dan dagram (dagram batang, dagram gars, dagram lngkaran, dagram
Lebih terperinciModul ini adalah modul ke-8 dalam mata kuliah Matematika. Isi modul ini
STATISTIKA ; MODUL ; ; 8; ; ; PENDAHULUAN Modul n adalah modul ke-8 dalam mata kulah Matematka. Is modul n membahas tentang statstka. Modul n terdr dar kegatan belajar. Pada kegatan belajar akan dbahas
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciDevi Dwi Kurniawan Mahasiswa Program Pascasarjana Universitas Negeri Yogyakarta 1. PENDAHULUAN
ANALISIS KUALITAS SOAL UJIAN AKHIR SEMESTER MATEMATIKA BERDASARKAN TEORI RESPON BUTIR Dev Dw Kurnawan Mahasswa Program Pascasarjana Unverstas Neger Yogyakarta devdwkurnawan@gmal.com ABSTRAK. Stud n bertujuan
Lebih terperinciSTATISTIK DESKRIPTIF UKURAN LETAK DATA
UKURAN LETAK DATA OLEH HERDIAN S.Pd., M.Pd. SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER (STIMIK) PRINGSEWU UKURAN LETAK DATA Selan ukuran pemusatan data, ada juga yang dsebut ukuran letak data. Adapun
Lebih terperinciIII PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan
Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF
Lebih terperinciBAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi
BAB III FUNGSI MAYOR DAN MINOR Pada bab n akan dbahas konsep-konsep dasar dar fungs mayor dan fungs mnor dar suatu fungs yang terdefns pada suatu nterval tertutup. Pendefnsan fungs mayor dan mnor tersebut
Lebih terperinciPEMAMPATAN DATA CITRA BERWARNA DENGAN ALIHRAGAM WAVELET
PEMAMPATA DATA CITRA BERWARA DEGA ALIHRAGAM WAVELET HAAR Yul Astran*, Achmad Hdayatno**, R.Rzal Isnanto** Abstrak- Selama n belum pernah dlakukan peneltan mengena pemampatan data ctra berwarna menggunakan
Lebih terperinciI. PENGANTAR STATISTIKA
1 I. PENGANTAR STATISTIKA 1.1 Jens-jens Statstk Secara umum, lmu statstka dapat terbag menjad dua jens, yatu: 1. Statstka Deskrptf. Statstka Inferensal Dalam sub bab n akan djelaskan mengena pengertan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciMetode Ekstraksi Data Untuk Pengenalan Huruf Dan Angka Tulisan Tangan Dengan Menggunakan Jaringan Syaraf Buatan Propagasi Balik
Porceedng of Semanr on Intellgent Technology and Its Applcatons (SITIA 2002) Insttut Teknolog Sepuluh Nopember, Surabaya, May 7 th, 2002 Metode Ekstraks Data Untuk Pengenalan Huruf Dan Angka Tulsan Tangan
Lebih terperinciAnalisis Serangan dengan Selective Plaintext pada Sebuah Algoritma Enkripsi Citra Berbasis Chaos
Analss Serangan dengan Selectve Plantext pada Sebuah Algortma Enkrps Ctra Berbass Chaos Rnald Munr 1) 1) Program Stud Informatka, Sekolah Teknk Elektro dan Informatka (STEI), ITB Jl. Ganesha 10, Bandung
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciDiagram Kendali Shewhart S 2 Fase I Untuk Memonitor Dispersi Proses
Prosdng tatstka IN: 46-6456 Dagram Kendal hewhart Fase I Untuk Memontor Dspers Proses Rsky Faradla, uwanda Idrs, 3 Aceng K. Mutaqn,,3 Prod tatstka, Fakultas Matematka dan Ilmu Pengetahuan Alam, Unverstas
Lebih terperinciSEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN
AALISIS DISKRIMIA DISKRIT UTUK MEGELOMPOKKA KOMPOE Bernk Maskun Jurusan Statstka FMIPA UPAD jay_komang@yahoo.com Abstrak Untuk mengelompokkan hasl pengukuran yang dukur dengan p buah varabel dmana penlaan
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciANALISIS KOVARIANSI part 2
ANALISIS KOVARIANSI part Analss Kovarans merupakan suatu analss statstka untuk mengetahu pengaruh satu atau lebh varabel bebas terhadap varable terkat dengan memperhatkan satu atau lebh varable konkomtan
Lebih terperinciWisnu Ananta Kusuma, Irman Hermadi, Ardiansyah 1. Staf Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor 2 ABSTRAK
ANALISIS METODE ANALOGY BASED ESTIMATION UNTUK PERKIRAAN BIAYA PERANGKAT LUNAK Wsnu Ananta Kusuma, Irman Hermad, Ardansyah 1 Staf Departemen Ilmu Komputer, Fakultas Matematka dan IPA, Insttut Pertanan
Lebih terperinciMANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN
MANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN By: Rn Halla Nasuton, ST, MT MERANCANG JARINGAN SC Perancangan jarngan SC merupakan satu kegatan pentng yang harus
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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciBAB 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 terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinci