Implementasi Sistem Temu Kembali Citra Berdasarkan Histogram Parameter Fraktal

Ukuran: px
Mulai penontonan dengan halaman:

Download "Implementasi Sistem Temu Kembali Citra Berdasarkan Histogram Parameter Fraktal"

Transkripsi

1 Proceedg of NATIONAL CONFERENCE ON COMPUTER SCIENCE & INFORMATION TECHNOLOGY 007 Jauary 9-30, 007, Faculty of Computer Scece, Uversty of Idoesa Implemetas Sstem Temu Kembal Ctra Berdasarka Hstogram Parameter Fraktal Rully Soelama*, Irfa Subakt* da Galh Satraj * * Fakultas Tekolog Iformas Isttut Tekolog Sepuluh Nopember (ITS), Surabaya, 60, Idoesa Emal: rully3070@gmal.com, yfaa@gmal.com ABSTRAK Sstem temu kembal ctra berdasarka parameter fraktal adalah sebuah sstem utuk mecar ctra pada bass data yag mrp dega ctra query dega megguaka parameter fraktal sebaga cr. Algortme pecara dega megguaka hstogram grayscale tdak dapat membedaka ctra yag secara vsual memlk tekstur yag berbeda. Oleh karea tu, pada peelta berkut dkembagka sstem temu kembal ctra berdasarka metode fraktal. Ctra dkodeka dega megguaka metode fraktal yag aka meghaslka parameter fraktal. Dua parameter fraktal (yatu skala kotras da rage block mea) djadka dasar utuk membuat empat hstogram vektor cr yag dmafaatka sebaga deks. Keempat deks tersebut adalah () rage block mea terkuatsas, () gabuga rage block mea da skala kotras terkuatsas, (3) gabuga D atara rage block mea da skala kotras terkuatsas, da (4) gabuga perkala tesor atara rage block mea da skala kotras terkuatsas. Pegukura kemrpa dhtug berdasarka empat hstogram tad dega megguaka metrks Lp-orm orde pertama. Uj coba dlakuka pada 368 ctra yag berasal dar 3 ctra brodatz yag dpotog dalam ukura 8 x 8 pksel. Hasl uj coba meujukka bahwa la average retreval rate terbak sebesar 70,3% dega megambl empat ctra yag palg mrp dega ctra query dega megguaka deks- sebaga cr ctra. Kata Kuc: Sstem temu kembal ctra, pegkodea fraktal, deks ctra.. PENDAHULUAN Sstem temu kembal ctra pada bass data mash megguaka query tekstual sehgga setap ctra pada bass data harus dberka keteraga teks yag dguaka sebaga deks. Cara query secara tesktual tetu saja tdak efektf da memlk akuras yag redah. Beberapa algortme peemua kembal ctra dkembagka sehgga memugkka peggua melakuka query dega megguaka ctra utuk mecar ctra pada bass data yag memlk kemrpa dega ctra yag d-query. Salah satu algortme yag dkembagka adalah megguaka hstogram la pksel grayscale sebaga vektor cr. Namu demka sepert dtujukka oleh gambar da gambar, gambar tersebut secara vsual berbeda amu memlk hstogram la pksel grayscale yag sama. Parameter fraktal hasl pegkodea ctra dega metode fraktal memlk depedes terhadap la pksel grayscale sehgga cukup kokoh terhadap masalah tersebut. Sepert yag dtujukka oleh gambar 3, hstogram rage block mea dapat membedaka ctra brodatz [] pada gambar. Berdasarka sfat tersebut, parameter fraktal dajuka sebaga vektor cr dalam sstem temu kembal ctra yag megguaka ctra sebaga query [3].. PENGKODEAN CITRA DENGAN METODE FRAKTAL Pada pegkodea ctra dega metode fraktal, ada beberapa tahap yag dlakuka utuk medapatka parameter fraktal yag aka dguaka sebaga cr, yatu proses pembagua blok doma, parts quadtree, da pecara blok rage yag kotraktf terhadap blok doma dega megguaka jarak Root Mea Square (RMS). a) Pembagua Blok Doma Blok doma dbagu dega cara ctra dparts mejad subctra dalam berbaga ukura mula dar 6x6 pksel, 8x8 pksel, 4x4 pksel, hgga x pksel yag damaka dega blok doma. Parts dlakuka mula dar pojok kr atas ctra bergeser hgga ke pojok kaa bawah da memugkka terjadya overlappg.

2 NATIONAL CONFERENCE ON COMPUTER SCIENCE & INFORMATION TECHNOLOGY 007 ISSN: Faculty of Computer Scece Uversty of Idoesa Gambar. Tga ctra tekstur yag secara vsual berbeda Gambar. Hstogram grayscale utuk gambar Gambar 3. Hstogram rage block mea utuk gambar Blok doma merupaka betuk dasar dar ctra yag dkodeka. Dar betuk-betuk dasar lah dbagu ctra dega melalu trasformas (rotatg da flppg). Blok doma dbagu pada awal proses pegkodea fraktal utuk mecegah peghtuga propert-propert blok doma (msalya jumlah pksel pada blok, jumlah kuadrat, varas, da la-la) secara berulag pada saat proses quadtree. Utuk mecegah duplkas perhtuga, ctra ddesmas dega megguaka rumus berkut : a + b + ( c + d ) () 4 dmaa a adalah kuadra pksel baga kr atas, b adalah kuadra pksel baga kaa atas, c adalah kuadra pksel baga kr bawah, da d adalah kuadra pksel baga kaa bawah. Utuk megetahu trasformas yag aka dguaka blok doma pada saat decodg, blok doma dklasfkaska berdasarka la pksel da tgkat keceraha pada blok tersebut. Terdapat tga kelas dega 4 subkelas utuk masg-masg kelas. Tap-tap kelas memlk cara trasformas dalam uruta yag berbeda, amu jes trasformas yag dlakuka haya ada dua, yatu rotas da pelpata horzotal (horzotal flppg) []. b) Parts Quadtree Utuk medapatka baga-baga ctra yag kotraktf terhadap blok doma, maka ctra dpotog mejad subctra yag damaka blok rage dega megguaka parts quadtree. Parts membag ctra mejad empat baga yag sama besar da secara rekursf setap baga tersebut dbag lag mejad empat baga da seterusya hgga mecapa ukura tertetu. Ketka subctra sudah mecapa ukura tertetu, msalya BxB pksel, subctra dbadgka dega blok doma yag memlk ukura BxB pksel yag memlk kelas da subkelas yag sama. Atara blok rage da blok doma dukur jarak RMS-ya. Pegukura jarak RMS pada dasarya melakuka mmalsas persamaa berkut : E R, D) = s * d + g r () ( ) ( 3

3 Implemetas Sstem Temu Kembal Ctra Berdasarka Hstogram Parameter Fraktal [Rully Soelama, Irfa Subakt da Galh Satraj] dmaa R adalah blok rage yag beraggotaka r, D adalah blok doma yag beraggotaka d, s adalah skala kotras da g adalah tgkat keceraha. Mmalsas persamaa aka terjad jka skala kotras (s) da tgkat keceraha (g) memeuh persamaa 3 da 4. Pasaga blok rage da blok doma yag memlk jarak RMS terkecl dsmpa pada meda peympaa sebaga parameter fraktal. Parameter fraktal yag ddapatka yatu () skala kotras, () tgkat keceraha, (3) la ratarata pksel blok rage (rage block mea), (4) poss koordat x pada blok doma, da (5) poss koordat y pada blok doma []. dr d r s = (3) d d r s d (4) g = Notas pada persamaa 3 da 4 djelaska sebaga berkut: r adalah eleme-eleme blok rage jka blok rage adalah R = { r, r,.., r }, d adalah eleme-eleme blok doma jka blok doma adalah D = { d, d,, d }, da adalah jumlah testas pksel yag ada pada blok yag sedag dperksa. Jka kods mmal d atas terpeuh, maka jarak RMS dapat dhtug melalu persamaa 5 berkut : RMS = r + s s dr + g d + g g d (5) = r 3. PEMBANGUNAN KEMBALI CITRA DARI KODE FRAKTAL Proses pembagua kembal ctra bertujua utuk memastka bahwa kode fraktal yag dsmpa telah bear sehgga layak utuk djadka cr ctra. Proses merupaka kebalka dar proses pegkodea. Pada dasarya, pasaga blok doma da blok rage yag telah dsmpa dbaca kembal da berdasarka kelas da subkelasya, blok doma dtrasformaska agar medapatka poss semula. Peghtuga dteraska dalam beberapa perulaga. Hasl peghtuga pada teras ke- aka djadka dasar utuk membagu ctra pada teras ke-(+) sehgga semak bayak teras yag dlakuka, ctra yag dhaslka aka semak halus. Jka la rata-rata pksel ctra hasl teras sebelumya dlambagka dega rp, skala kekotrasa s da tgkat keceraha g, maka la pksel utuk ctra yag baru hasl teras saat dhtug dega rumus yag djelaska pada persamaa 6 berkut : mage[ x][ y] = boud + ( s rp) + g (6) dmaa mage[x][y] adalah la pksel yag aka dtempatka pada ctra koordat x, y. Boud adalah fugs pembatas hasl perhtuga sehgga la hasl d atara Gambar 4. Tekstur brodatz yag memlk kemrpa dekat 4

4 NATIONAL CONFERENCE ON COMPUTER SCIENCE & INFORMATION TECHNOLOGY 007 ISSN: Faculty of Computer Scece Uversty of Idoesa Gambar 5. Hstogram rage block mea Gambar 6. Hstogram skala kotras Gambar 7. Hstogram deks-3 utuk gambar 4 Gambar 8. Hstogram deks-3 utuk gambar 9 Gambar 9. Tekstur brodatz yag memlk kemrpa jauh 5

5 Implemetas Sstem Temu Kembal Ctra Berdasarka Hstogram Parameter Fraktal [Rully Soelama, Irfa Subakt da Galh Satraj] Gambar 0. Hstogram rage block mea 4. PEMANFAATAN PARAMETER FRAK- TAL SEBAGAI INDEKS Dar lma parameter fraktal yag tersmpa pada meda peympaa, skala kotras da rage block mea depede [3]. Dua parameter fraktal lah yag djadka dasar utuk membagu hstogram vektor cr. Ada empat hstogram yag dajuka yatu () rage block mea terkuatsas, () gabuga rage block mea da skala kotras terkuatsas, (3) gabuga D atara rage block mea da skala kotras terkuatsas, da (4) gabuga perkala tesor atara rage block mea da skala kotras terkuatsas. a) Ideks-: Hstogram Rage Block Mea Ideks pertama ddapatka dar la rata-rata pksel pada blok rage yag telah megalam proses kuatsas. Kuatsas adalah proses ormalsas suatu retag la ke dalam retag la baru. Nla pksel pada blok rage berksar pada retag la Kuatsas yag dlakuka adalah megubah retag la mejad 6 bt atau 7 bt (retag 0 63 atau 0 7). Msalya utuk kuatsas 6 bt, utuk la pksel atara 0 3 aka masuk kelas kuatsas ke-0, la pksel atara 4 7 aka masuk kelas kuatsas ke- da seterusya. Nla hstogram yag dukur (sebaga sumbu-y) adalah la probabltas dar setap kelas kuatsas. Seberapa bayak kemugka kejada suatu kelas kuatsas pada ctra tertetu. Sehgga jumlah kemucula pada setap kelas kuatsas dbag dega jumlah pasaga blok doma da blok rage yag tersmpa. Gambar. Hstogram skala kotras Utuk ctra yag memlk kemrpa dekat pada gambar 3, hstogram deks- memlk tampla sepert yag dtujukka oleh gambar 5. b) Ideks-: Hstogram Gabuga Rage Block Mea da Skala Kotras Terkuatsas Ideks- merupaka gabuga atara deks- dega skala kotras yag terkuatsas mejad bt (4 kelas) atau 3 bt (8 kelas). Sama halya dega kuatsas deks-, la hstogram yag dukur adalah besar probabltas dar setap kelas kuatsas. Utuk gambar 4, hstogram skala kotrasya dtujukka oleh gambar 6. Besar pegaruh deks- da skala kotras dalam deks- dtetuka oleh bobot w yag dtujukka oleh persamaa 7 berkut : w I { p( r) } { } J ( w) v j j + (7) I p( r ) = dmaa merupaka probabltas rage block mea terkuatsas da { v adalah probabltas skala kotras } J j j= yag terkuatsas. Nla kostata w berksar atara 0 da. Utuk ctra berukura 8x8 pksel, la w yag terbak adalah 0.9 [3]. c) Ideks-3: Hstogram Gabuga D Atara Rage Block Mea da Skala Kotras Terkuatsas Ideks-3 adalah kombas dar rage block mea terkuatsas da skala kotras yag terkuatsas yag peggabugaya berdasarka otas berkut : { q ( r, s j )} (8) 6

6 NATIONAL CONFERENCE ON COMPUTER SCIENCE & INFORMATION TECHNOLOGY 007 ISSN: Faculty of Computer Scece Uversty of Idoesa dmaa ( =,,, I; j =,, 3,.., J). Setap kuatsas pksel blok rage aka dpasagka dega setap kuatsas skala kotras. Jka suatu ode pasaga terbak blok doma da blok rage yag memlk skala kotras da la pksel rata-rata yag sesua, maka kelas hstogram dtambahka probabltasya. Probabltas dhtug dega membag jumlah la hstogram pada setap kelas hstogram dega jumlah data. Utuk kuatsas skala kotras da rage block mea -6 bt, jumlah kelas hstogram adalah 56 kelas. Karea hstogram deks-3 adalah gabuga D dar dua parameter fraktal, maka hstogram yag terbetuk adalah dalam betuk tga dmes sepert pada gambar 7. d) Ideks-4: Hstogram Gabuga Perkala Tesor Atara Rage Block Mea da Skala Kotras Terkuatsas Ideks-4 hampr sama dega deks-3 dmaa parameter skala kotras da la rata-rata pksel dgabugka. Setap eleme kelas kuatsas pada rage block mea jumlah probabltasya dkalka dega jumlah probabltas pada setap eleme pada kelas kuatsas skala kotras. Notas utuk deks-4 dtujukka pada otas berkut : I J { p( r )} { v j } { p( r ) v = = j } (9) * j= dmaa ( =,,, I; j =,, 3,.., J) I da ( r ) = merupaka probabltas rage block mea p v J j j= terkuatsas serta { } adalah probabltas skala kotras yag terkuatsas. Gambar 9 adalah ctra brodatz [] yag memlk jarak kemrpa jauh. Hstogram deks-, skala kotras, da deks-3 utuk gambar berturut-turut dtujukka oleh gambar 0, gambar, da gambar PENGUKURAN JARAK KEMIRIPAN CITRA Utuk megetahu jarak kemrpa ctra query dega ctra pada bass data, dguaka pegukura hstogram deks ctra dega metrks Lp-orm orde pertama yag dotaska pada persamaa berkut : V p dlp( Q, C) = fq(.) fc (.) = λ γ (0) V V dmaa p = adalah jarak Lp-orm, p adalah orde jarak Lporm, Q adalah ctra query, C adalah ctra pada bass data, V adalah pajag vektor cr (jumlah eleme dalam hstogram), λ adalah eleme-eleme vektor cr ctra query, da γ adalah eleme-eleme vektor cr ctra pada bass data yag sedag dbadgka. Jarak utuk ctra brodatz [] pada gambar 4 da gambar 9 dtujukka masg-masg oleh tabel da tabel. Pada tabel tersebut terlhat bahwa jarak utuk ctra yag memlk kemrpa dekat (gambar 4) memlk jarak yag kecl sedagka ctra yag memlk kemrpa jauh (gambar 9) memlk jarak yag besar. Tabel. Jarak hstogram parameter fraktal deks- da deks-3 utuk ctra tekstur pada gambar 4 Ideks ( a, ) ( a, ) ( a, ) ( a, ) b c d e Id Id Tabel. Jarak hstogram parameter fraktal deks- da deks-3 utuk ctra tekstur pada gambar 9 Ideks ( a, ) ( a, ) ( a, ) ( a, ) b c d e Id Id Ada dua strateg pegambla ctra berdasarka jarakjarak dar pegukura hstogram vektor cr yatu dega megguaka la threshold da lagsug melakuka peguruta jarak. Strateg pertama dlakuka dega meetuka suatu la threshold yag aka dterapka pada deks- atau deks-. Ctra yag memlk jarak lebh besar darpada la threshold lagsug dbuag. Ctra yag terssa durutka berdasarka deks-3 atau deks-4 mula dar ctra yag memlk jarak palg dekat hgga jarak terjauh. Kemuda empat ctra dega jarak terdekat dambl da dtamplka sebaga ctra yag daggap mrp. Strateg kedua dlakuka dega lagsug megurutka semua ctra pada bass data mula jarak terdekat hgga jarak terjauh berdasarka salah satu dar keempat deks ctra. 6. UJI KEBENARAN KODE FRAKTAL Kebeara kode fraktal utuk meujukka bahwa parameter fraktal yag dambl layak utuk djadka cr ctra duj dega cara membuat modul decoder yag megembalka kode fraktal pada meda peympaa mejad ctra kembal. Kode fraktal dkataka bear jka la Peak Sgal to Nose Rato (PSNR) telah memeuh syarat. PSNR sedr dotaska dalam persamaa da persamaa berkut : 7

7 Implemetas Sstem Temu Kembal Ctra Berdasarka Hstogram Parameter Fraktal [Rully Soelama, Irfa Subakt da Galh Satraj] [ f (, j) F(, j) ] MSE = () N 55 PSNR = 0log0 () MSE dmaa f(,j) adalah ctra asl da F(,j) adalah ctra hasl dega ukura N x N pksel. MSE adalah mea squared error atau tgkat kesalaha yag terjad pada ctra hasl. Ctra yag dkataka bak adalah ctra yag memlk PSNR atara 0 db hgga 40 db. Uj coba dlakuka dega megkodeka ctra yag berukura 56x56 pksel da megembalkaya kembal dega megamat la PSNR-ya. Iteras yag dlakuka sebayak 00 kal. Gambar berkut adalah hasl-hasl pembagua ctra dar kode fraktal yag telah dkodeka dar ctra asl meurut algortme yag telah djelaska pada baga. Sedagka la PSNR-ya dtujukka oleh tabel 3.Ss ctra pada setap wdow pada sebelah kr adalah ctra asl sedagka ss sebelah kaa adalah ctra yag telah melalu proses decodg. 7. UJI COBA DAN EVALUASI SISTEM TEMU KEMBALI CITRA Uj coba dlakuka dega megguaka 3 tekstur brodatz [] yag dpotog tapa megalam overlappg dalam ukura 8x8 pksel. Dega demka total jumlah ctra yag dobservas sebayak 368 buah. Ctra brodatz dplh sebaga meda uj coba karea ctra brodatz memlk detal tekstur yag rumt da bervaras. Karea parameter fraktal sebaga cr megeal ctra dar betuk teksturya, ctra brodatz sagat tepat djadka meda evaluas. Jka sstem telah lolos uj coba dega ctra brodatz, maka dapat dpastka sstem telah kokoh da taha (robust) utuk pegeala ctra basa, msalya gambar orag, pemadaga, da la-la. Betuk tekstur ctra brodatz tersebut dtujukka oleh gambar berkut: Gambar. Empat ctra uj berukura 56x56 pksel Tabel 3. PSNR ctra hasl pegkodea yag dtujukka oleh gambar Nama Ctra LENA.BMP PISANG.JPG BRODATZ4.BMP CAMERAMAN.TIF PSNR db 33.9 db db db Gambar 3. Betuk tekstur Brodatz Pegambla ctra daggap bear jka hasl yag dkembalka oleh sstem berasal dar sumber ctra brodatz yag sama dega sumber ctra query. Msalya ctra query adalah potoga ctra dar fle brodatz mage0.bmp, maka hasl pegembala yag bear juga berasal dar fle brodatz mage0.bmp. Utuk medapatka agka rata-rata peemua ctra yag bear, dguaka rumus berkut : Z mz z= Avg = (3) FxZ dmaa Avg adalah average retreval rate ukura rata-rata pegambla ctra yag bear, m z adalah jumlah ctra yag 8

8 NATIONAL CONFERENCE ON COMPUTER SCIENCE & INFORMATION TECHNOLOGY 007 ISSN: Faculty of Computer Scece Uversty of Idoesa dtemuka dega bear pada setap query ke-z, Z adalah jumlah ctra keseluruha, da F adalah jumlah ctra pada bass data yag dambl program utuk dtamplka dmaa ctra tersebut daggap program sebaga ctra yag bear. Ada eam skearo yag dguaka dalam uj coba yag bertujua utuk megamat faktor-faktor berkut: () kualtas akuras pegambla ctra atara pasaga deks- /deks-3 dega pasaga deks-/deks-4, () pegaruh perubaha kuatsas parameter fraktal, (3) pecara kofguras parameter terbak utuk deks-, da (4) pegaruh kuatsas pada skala kotras jka deks yag dguaka adalah deks-. Rgkasa pegatura kofguras da hasl uj coba dtujukka oleh tabel 4. a) Skearo- da Skearo- Skearo- da skearo- bertujua utuk medapatka pasaga deks terbak atara pasaga deks-/deks-3 dega pasaga deks-/deks-4. Skearo- da skearo- megguaka la threshold Dar hasl uj coba skearo- da skearo-, terlhat bahwa pasaga deks-/deks-3 memlk hasl yag lebh bak darpada pasaga deks-/deks-4 dega hasl 60.39%. b) Skearo-3 da Skearo-4 Dua skearo bertujua utuk melhat pegaruh perubaha kuatsas parameter skala kotras terhadap hasl pegambla ctra. Skearo-3 da skearo-4 megguaka kelas kuatsas skala kotras sebayak 8 kelas sedagka kuatsas utuk rage block mea adalah 64 kelas. Dar hasl uj coba, terlhat bahwa hasl skearo-3 da skearo-4 yag megguaka kuatsas 3-6 bt memlk tgkat kebeara yag lebh redah darpada skearo- da skearo- yag megguaka kuatsas -6 bt. Dega demka dapat dsmpulka bahwa kuatsas -6 bt lebh bak darpada kuatsas 3-6 bt. c) Skearo-5 da Skearo-6 Skearo-5 da skearo-6 megguaka strateg pecara ctra tapa megguaka la threshold. Ideks ctra yag damat adalah deks-. Skearo-5 megguaka kelas kuatsas utuk skala kotras sepajag 4 kelas, sedagka skearo-6 megguaka kelas kuatsas utuk skala kotras sepajag 8 kelas. Keduaya megguaka kelas kuatsas 64 kelas utuk rage block mea. Dar hasl uj coba tersebut, terlhat bahwa perubaha kuatsas parameter skala kotras sama sekal tdak berpegaruh pada hasl pegembala ctra jka deks yag dguaka adalah deks-. Hal dkareaka deks- sama sekal tdak melbatka parameter skala kotras, berbeda dega deks-, deks-3, da deks-4 yag merupaka gabuga atara rage block mea da skala kotras. Tabel 4. Rgkasa Parameter da Hasl Uj Coba utuk Masg-Masg Skearo Skearo- Skearo- Skearo-3 Skearo-4 Skearo-5 Skearo-6 Mpart Maxpart Skala kotras maksmum Toleras RMS terbesar Threshold Kuatsas Ideks threshold Ideks- Ideks- Ideks- Ideks- - - Ideks pegurut Ideks-3 Ideks-4 Ideks-3 Ideks-4 Ideks- Ideks- Hasl-Hasl PSNR 5.8 db 5.8 db 5.8 db 5.8 db 5.8 db 5.8 db Ctra Hasl yag bear Average retreval rate 60.39% 57.8% 59.78% 55.77% 70.3% 70.3% 9

9 Implemetas Sstem Temu Kembal Ctra Berdasarka Hstogram Parameter Fraktal [Rully Soelama, Irfa Subakt da Galh Satraj] 8. KESIMPULAN Dar sstem yag telah dbuat da uj coba yag telah dlakuka terhadapya, dapat dambl beberapa kesmpula sebaga berkut: Hasl uj coba vsual telah meujukka bahwa kode fraktal yag dbuat telah bear, dbuktka dega hasl PSNR berksar atara 5 db hgga 35 db. Ideks- adalah deks terbak yag dguaka sebaga cr ctra, yatu dega average retreval rate sebesar 70.3%. Jka megguaka strateg pecara dega la threshold, hasl terbak yag ddapatka adalah sebesar 60.39%, yatu dega kofguras deks megguaka pasaga deks-/deks-3 da dega kelas kuatsas -6 bt. Jka haya megguaka deks-, perubaha kuatsas pada parameter skala kotras sama sekal tdak berpegaruh pada hasl pegambla ctra. Kuatsas terbak adalah -6 bt atau 4 kelas kuatsas skala kotras da 64 kelas kuatsas rage block mea. DAFTAR PUSTAKA [] Ctra tekstur brodatz [Ole]. URL: [] Y. Fsher, Fractal mage compresso, SIGGRAPH 9 Course Notes, 99. [3] M. P, M. K. Madal ad A. Basu, Image retreval based o hstogram of fractal parameters, IEEE Tras. Multmeda, vol. 7, o. 4, pp , Agustus

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

8. MENGANALISIS HASIL EVALUASI 8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

UKURAN GEJALA PUSAT (UGP)

UKURAN GEJALA PUSAT (UGP) UKURAN GEJALA PUSAT (UGP) Pegerta: Rata-rata (average) alah suatu la yag mewakl suatu kelompok data. Nla dsebut juga ukura gejala pusat karea pada umumya mempuya kecederuga terletak d tegah-tegah da memusat

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

Notasi Sigma. Fadjar Shadiq, M.App.Sc &

Notasi Sigma. Fadjar Shadiq, M.App.Sc & Notas Sgma Fadjar Shadq, M.App.Sc (fadjar_pg@yahoo.com & www.fadjarpg.wordpress.com Notas sgma memag jarag djumpa dalam kehdupa sehar-har, tetap otas tersebut aka bayak djumpa pada baga matematka yag la,

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

BAB III UKURAN PEMUSATAN DATA BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

SIFAT-SIFAT LANJUT FUNGSI TERBATAS Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

NORM VEKTOR DAN NORM MATRIKS

NORM VEKTOR DAN NORM MATRIKS NORM VEKTOR DN NORM MTRIK umaag Muhtar Gozal UNIVERIT PENDIDIKN INDONEI. Pedahulua Jka kta membcaraka topk ruag vektor maka cotoh sederhaa yag dapat kta ambl adalah ruag Eucld R. D ruag kta medefska pajag

Lebih terperinci

BAB 1 STATISTIKA RINGKASAN MATERI

BAB 1 STATISTIKA RINGKASAN MATERI BAB STATISTIKA A RINGKASAN MATERI. Pegerta Data adalah kumpula keteraga-keteraga atau catata-catata megea suatu kejada, dapat berupa blaga, smbol, sat atau kategor. Masg-masg keteraga dar data dsebut datum.

Lebih terperinci

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER TUGAS ATA KULIAH TEORI RING LANJUT ODUL NOETHER Da Aresta Yuwagsh (/364/PPA/03489) Sebelumya, telah dketahu bahwa sebaga rg dega eleme satua memeuh sfat rata ak utuk deal-deal d. Apabla dpadag sebaga modul,

Lebih terperinci

PEDOMAN STATISTIK UJI PROFISIENSI

PEDOMAN STATISTIK UJI PROFISIENSI DPLP 3 Rev. 0 PEDOMAN STATISTIK UJI PROFISIENSI Komte Akredtas Nasoal Natoal Accredtato Body of Idoesa Gedug Maggala Waabakt, Blok IV, Lt. 4 Jl. Jed. Gatot Subroto, Seaya, Jakarta 070 Idoesa Tel. : 6 5747043,

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal) LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau

Lebih terperinci

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah

Lebih terperinci

b) Untuk data berfrekuensi fixi Data (Xi)

b) Untuk data berfrekuensi fixi Data (Xi) B. Meghtug ukura pemusata, ukura letak da ukura peyebara data serta peafsraya A. Ukura Pemusata Data Msalka kumpula data berkut meujukka hasl pegukura tgg bada dar orag sswa. 0 cm 30 cm 5 cm 5 cm 35 cm

Lebih terperinci

PRINSIP INKLUSI- EKSKLUSI INCLUSION- EXCLUSION PRINCIPLE

PRINSIP INKLUSI- EKSKLUSI INCLUSION- EXCLUSION PRINCIPLE RISI IKLUSI- EKSKLUSI ICLUSIO- EXCLUSIO RICILE rsp Iklus-Eksklus Ada berapa aggota dalam gabuga dua hmpua hgga? A A = A A - A A Cotoh Ada berapa blaga bulat postf lebh kecl atau sama dega 00 yag habs dbag

Lebih terperinci

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si.

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si. Ukura Pemusata Data Arum Had P., M.Sc Ayudyah K., M.S. Notas utuk Populas da Sampel Notas: Mea (rata-rata) Sample x Populas μ Varas s 2 σ 2 Smpaga baku s σ Ukura Pemusata Data 1. Mea (rata-rata) 2. Meda

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF KELOMPOK A I GUSTI BAGUS HADI WIDHINUGRAHA (0860500) NI PUTU SINTYA DEWI (0860507) LUH GEDE PUTRI SUARDANI (0860508) I PUTU INDRA MAHENDRA PRIYADI (0860500)

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

BAB 1 ERROR PERHITUNGAN NUMERIK

BAB 1 ERROR PERHITUNGAN NUMERIK BAB ERROR PERHITUNGAN NUMERIK A. Tujua a. Memaham galat da hampra b. Mampu meghtug galat da hampra c. Mampu membuat program utuk meelesaka perhtuga galat da hampra dega Matlab B. Peragkat da Mater a. Software

Lebih terperinci

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk

Lebih terperinci

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data //203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha

Lebih terperinci

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat. KALKULUS LANJUT Pertemua ke-4 Rey Ra Marlaa, S.S.,M.Stat. Plot Mater Notas Jumlah & Sgma Itegral Tetu Jumlah Rema Pedahulua Luas Notas Jumlah & Sgma Purcell, et all. (page 226,2003): Sebuah fugs yag daerah

Lebih terperinci

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan III BAHAN/OBJEK DAN METODE PENELITIAN 3.1. Baha da Alat Peelta 3.1.1. Baha Peelta Objek yag dguaka dalam peelta adalah 50 ekor sap Pasuda jata da beta dewasa dega umur -3 tahu da tdak butg utuk meghdar

Lebih terperinci

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi. Mea utuk Data Tuggal Des. Jka suatu sampel berukura dega aggota x1, x, x3,, x, maka mea sampel ddesska : 1... N 1 Mea utuk Data Kelompok Des Mea dar data yag dkelompoka adalah : x x 1 1 1 dega : x = ttk

Lebih terperinci

BAB III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

Lebih terperinci

PENAKSIR RASIO REGRESI LINEAR YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO REGRESI LINEAR YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKIR RAIO REGREI LINEAR ANG EFIIEN UNTUK RATA-RATA POPULAI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Ed Jamlu 1* Harso Haposa rat 1 Mahasswa Program tud 1 Matematka Dose Jurusa Matematka Fakultas Matematka

Lebih terperinci

XI. ANALISIS REGRESI KORELASI

XI. ANALISIS REGRESI KORELASI I ANALISIS REGRESI KORELASI Aalss regres mempelajar betuk hubuga atara satu atau lebh peubah bebas dega satu peubah tak bebas dalam peelta peubah bebas basaya peubah yag dtetuka oelh peelt secara bebas

Lebih terperinci

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema II. LANDAAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teoremateorema ag medukug utuk pembahasa pada bab IV. Pegerta (defs) da teorema tersebut dtulska sebaga berkut.. Teorema Proeks Teorema

Lebih terperinci

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Semar Nasoal Tekolog 007 (SNT 007) ISSN : 978 9777 IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Krsawat STMIK AMIKOM Yogyakarta e-mal : krsa@amkom.ac.d

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( ) Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

2.2.3 Ukuran Dispersi

2.2.3 Ukuran Dispersi 3 Ukura Dspers Yag aka dbahas ds adalah smpaga baku da varas karea dua ukura dspers yag palg serg dguaka Hubuga atara smpaga baku dega varas adalah Varas = Kuadrat dar Smpaga baku otas yag umum dguaka

Lebih terperinci

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut 3/9/202 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas

Lebih terperinci

STATISTIKA DASAR. Oleh

STATISTIKA DASAR. Oleh STATISTIKA DASAR Oleh Suryo Gurto cara peyaja data - tabel - grak meghtug harga-harga petg : - ukura lokas - ukura sebara/peympaga apabla data mempuya observasya cukup bayak perlu dsusu secara sstematk

Lebih terperinci

3.1 Biaya Investasi Pipa

3.1 Biaya Investasi Pipa BAB III Model Baya Pada model baya [8] d tugas akhr, baya tahua total utuk megoperaska jarga ppa terdr dar dua kompoe, yatu baya operasoal da baya vestas. Baya operasoal terdr dar baya operasoal ppa da

Lebih terperinci

Orbit Fraktal Himpunan Julia

Orbit Fraktal Himpunan Julia Vol. 3, No., 6-7, Jauar 7 Orbt Fraktal Hmpua Jula Ad Kresa Jaya, Nswar Alasa Abstrak Makalah membahas kumpula ttk-ttk yag berada dalam daerah hmpua Jula d ruag kompleks da memperlhatka sebuah algortma

Lebih terperinci

Sudaryatno Sudirham. Permutasi dan Kombinasi

Sudaryatno Sudirham. Permutasi dan Kombinasi Sudaryato Sudrham Permutas da Kombas Permutas Permutas adalah bayakya peelompoka sejumlah tertetu kompoe ya dambl dar sejumlah kompoe ya terseda; dalam setap kelompok uruta kompoe dperhatka Msalka terseda

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka

Lebih terperinci

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut

Lebih terperinci

Sistem Online Content Based Image Retrieval menggunakan Identifikasi Dominan Warna pada Foreground Objek

Sistem Online Content Based Image Retrieval menggunakan Identifikasi Dominan Warna pada Foreground Objek Sstem Ole Cotet Based Image Retreval megguaka Idetfkas Doma Wara pada Foregroud Objek Naa Ramadjat 1, Setawardhaa 1,Ftra Puramasar 2 Dose 1, Mahasswa 2 Poltekk Elektroka Neger Surabaya Kampus PENS-ITS

Lebih terperinci

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real. BAB 5 BARIAN DAN DERET KOMPLEK ecara eses, pembahasa tetag barsa da deret komlpeks sama dega barsa da deret real. 5. Barsa Barsa merupaka sebuah fugs dega doma berupa hmpua blaga asl N. ebuah barsa kompleks

Lebih terperinci

BAB III PEMBENTUKAN SKEMA PEMBAGIAN RAHASIA

BAB III PEMBENTUKAN SKEMA PEMBAGIAN RAHASIA BAB III PEMBENTUKAN SKEMA PEMBAGIAN RAHASIA 3. Pegkodea Matrks Ketetaggaa Matrks ketetaggaa A adaah matrks smetr, sehgga, dega memh semua eeme pada dagoa utama da eeme-eeme dbawah dagoa utama, maka aka

Lebih terperinci

POLIGON TERBUKA TERIKAT SEMPURNA

POLIGON TERBUKA TERIKAT SEMPURNA MODUL KULIAH ILMU UKUR TANAH POLIGON TERBUKA TERIKAT SEMPURNA Pegerta : peetua azmuth awal da akhr, peetuat kesalaha peutup sudut,koreks sudut, kesalaha lear da koreks lear kearah sumbu X da Y, Peetua

Lebih terperinci

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Penarikan Contoh Acak Sederhana (Simple Random Sampling) Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu

Lebih terperinci

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1 Itegras Metode Itegral Rema Metode Itegral Trapezoda Metode Itegral Smpso Itegras Permasalaa Itegras Pertuga tegral adala pertuga dasar yag dguaka dalam kalkulus, dalam bayak keperlua. Itegral secara det

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,

Lebih terperinci

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS LGORITM MENENTUKN HIMPUNN TERBESR DRI SUTU MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar Program Stud Matematka FMIP UNDIP JlProfSoedarto SH Semarag 575 bstract Ths research dscussed about how to obtaed

Lebih terperinci

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode II. TINJAUAN PUSTAKA Dalam proses peelta utuk megaalss aproksmas fugs dega metode mmum orm pada ruag hlbert C[ab] (Stud kasus: fugs rasoal) peuls megguaka defs teorema da kosep dasar sebaga berkut:.. Aproksmas

Lebih terperinci

Regresi & Korelasi Linier Sederhana

Regresi & Korelasi Linier Sederhana Regres & Korelas Ler Sederhaa. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar la peubah

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA Ruag Baach Sumaag Muhtar Gozal UNIVERSITAS PENDIDIKAN INDONESIA Satu kose etg d kulah Aalss ugsoal adalah teor ruag Baach. Pada baga aka drevu defs, cotoh-cotoh, serta sfat-sfat etg ruag Baach. Kta aka

Lebih terperinci

BAB 2 : BUNGA, PERTUMBUHAN DAN PELURUHAN

BAB 2 : BUNGA, PERTUMBUHAN DAN PELURUHAN Jl. Raya Wagu Kel. Sdagsar Kota Bogor Telp. 0251-8242411, emal: prohumas@smkwkrama.et, webste : www.smkwkrama.et BAB 2 : BUNGA, PERTUBUHAN DAN PELURUHAN PENGERTIAN BUNGA Buga adalah jasa dar smpaa atau

Lebih terperinci

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

Lebih terperinci

Analisis Survival Pada Pasien Demam Berdarah Dengue (DBD) di RSU Haji Surabaya Menggunakan Model Regresi Weibull

Analisis Survival Pada Pasien Demam Berdarah Dengue (DBD) di RSU Haji Surabaya Menggunakan Model Regresi Weibull JURNAL SAINS DAN SENI ITS Vol. 5 No. (16) 337-35 (31-98X Pr D-31 Aalss Survval Pada Pase Demam Berdarah Degue (DBD) d RSU Haj Surabaya Megguaka Model Regres Webull Alfa Slf Mufdah da Purhad Jurusa Statstka,

Lebih terperinci

Pemampatan Citra Fraktal

Pemampatan Citra Fraktal Bab 4 Pemampata Ctra Fraktal M etode pemampata cra fraktal (fractal mage compresso) adalah metode lossy compresso yag relatf baru. Metode megeksplotas kemrpa baga-baga d dalam ctra da meghtug trasformas

Lebih terperinci

; θ ) dengan parameter θ,

; θ ) dengan parameter θ, Vol. 4. No. 3, 5-59, Desember 00, ISSN : 40-858 APLIKASI METODE BESARAN PIVOTAL DALAM PENENTUAN SELANG KEYAKINAN TAKSIRAN PARAMETER POPULASI. Agus Rusgyoo Jurusa Matematka FMIPA UNDIP Abstraks Dberka populas

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

KOMPRESI CITRA DIGITAL DE GA FRAKTAL SEBAGAI TEK IK KOMPRESI ALTER ATIF

KOMPRESI CITRA DIGITAL DE GA FRAKTAL SEBAGAI TEK IK KOMPRESI ALTER ATIF Prosdg Semar Nasoal SPMIPA 006 KOMPRESI CITRA DIGITAL DE GA FRAKTAL SEBAGAI TEK IK KOMPRESI ALTER ATIF Ars Sugharto da Agus Harjoko. Jurusa Matematka FMIPA UNDIP. Jurusa Fska FMIPA UGM Abstrak: Kompres

Lebih terperinci

STATISTIKA. A. Tabel Langkah untuk mengelompokkan data ke dalam tabel distribusi frekuensi data berkelompok/berinterval: a. Rentang/Jangkauan (J)

STATISTIKA. A. Tabel Langkah untuk mengelompokkan data ke dalam tabel distribusi frekuensi data berkelompok/berinterval: a. Rentang/Jangkauan (J) STATISTIKA A. Tabel Lagkah utuk megelompokka data ke dalam tabel dstrbus frekues data berkelompok/berterval: a. Retag/Jagkaua (J) J X maks X m b. Bayak kelas (k) Megguaka atura Sturgess, yatu k,. log c.

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama. BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa

Lebih terperinci

9/22/2009. Materi 2. Outline. Graphical Techniques. Penyajian Data. Numerical Techniques

9/22/2009. Materi 2. Outline. Graphical Techniques. Penyajian Data. Numerical Techniques Mater Outle Graphcal Techques Peyaja Data Numercal Techques Tekk Grafk (Graphcal Techques) Secara vsual, grafs merupaka gambar-gambar yag meujukka data berupa agka yag basaya dbuat berdasarka tabel yag

Lebih terperinci

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Koferes Nasoal Tekk Spl 3 (KoNTekS 3) Jakarta, 6 7 Me 009 WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Maksum Taubrata Program Stud Tekk Spl, Uverstas Krste Maraatha Badug Jl.

Lebih terperinci

Pada saat upacara bendera, kita sering memperhatikan teman-teman kita.

Pada saat upacara bendera, kita sering memperhatikan teman-teman kita. Bab Ukura Data Pada saat upacara bedera, kta serg memperhatka tema-tema kta. Terkadag tapa sadar kta membadgka tgg redah sswa dalam upacara tersebut. Ada yag tggya 170 cm, 165 cm, 150 cm atau bahka 140

Lebih terperinci