TINJAUAN PUSTAKA Citra Digital
|
|
- Ari Chandra
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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. Sumber radiasi megeluarka radiasi yag kemudia megeai objek, objek mematulka kembali sebagia dari radiasi tersebut, patula radiasi ii ditagkap oleh sesor pada alat-alat optik seperti mata, kamera, pemidai (scaer) da sebagaiya. Akhirya bayaga objek tersebut direkam dalam suatu media tertetu. Citra semacam ii disebut juga sebagai citra patula. Jika objek meghasilka radiasi sediri, maka citra yag tertagkap oleh sesor disebut sebagai citra emisi. Sedagka jika objek bersifat traspara, sehigga citra yag dihasilkaya merupaka represetasi dari radiasi yag berhasil diserap oleh partikel-partikel dari objek tersebut, maka citra tersebut adalah citra absorpsi. Utuk pembahasa selajutya pada seluruh bagia dari riset ii, yag disebut sebagai citra adalah citra patula yag ditagkap oleh sesor pada kamera. Aalisis terhadap sebuah citra dapat dilakuka dega megguaka batua komputer melalui sebuah sistem visual buata yag biasa disebut dega computer visio. Secara umum, tujua dari sistem visual adalah utuk membuat model yata dari sebuah citra. Utuk itu citra yag ditagkap oleh sesor yag masih dalam betuk fugsi kotiu (aalog) harus dirubah terlebih dahulu mejadi fugsi diskret (digital) yag dapat dibaca oleh komputer. Proses ii disebut sebagai digitasi, terdiri dari dua sub proses yaitu samplig da kuatifikasi. Samplig merupaka proses utuk megubah sebuah siyal dalam ruag kotiu mejadi siyal dalam ruag diskret, hasil dari proses ii adalah citra yag terdiri dari piksel-piksel yag tersusu dalam kolom da baris. Setiap piksel merupaka hasil peggabuga dari beberapa siyal yag salig berdekata. Sekali sebuah citra megalami proses samplig, tidak dimugkika utuk megembalikaya kedalam betuk kotiu. Setiap piksel biasaya aka memuat ilai itesitas yag pada awalya mempuyai rage kotiu, artiya sagat bayak kemugkia ilai yag dapat dimuat oleh setiap piksel. 7
2 Sehubuga dega keterbatasa kemampua komputer utuk memproses pegkodea ilai-ilai tersebut, dibutuhka sebuah metode utuk membatasiya. Kuatifikasi merupaka proses utuk megubah rage ilai itesitas yag semula kotiu mejadi rage ilai yag diskret sedemikia sehigga dapat diakomodasi oleh sistem pegkodea bier pada komputer. Akhirya, sebuah citra yag telah melalui proses digitasi disebut sebagai citra digital. Represetasi Citra Digital Citra digital biasa direpresetasika sebagai sebuah fugsi dua dimesi f(x,y), x da y adalah koordiat spasial yag meujukka lokasi dari sebuah piksel didalam sebuah citra da amplitudo dari f pada setiap pasaga koordiat (x,y) adalah itesitas dari citra pada piksel tersebut [Gozales, 2004]. Utuk kebutuha pegolaha da aalisis, represetasi tersebut ditampilka dalam betuk matriks sebagai berikut :... (1) Tipe-Tipe Citra Digital Tiga tipe citra digital yag serig diguaka adalah citra itesitas, citra bier, da citra RGB. Citra itesitas da citra bier merupaka citra mookrom (lebih dikeal dega citra hitam putih) sedagka citra RGB merupaka citra berwara. a. Citra Itesitas, merupaka sebuah matriks dua dimesi berukura mx yag setiap selya berisi ilai itesitas atara 0 sampai dega 255. Itesitas 0 ditagkap sebagai wara hitam pekat, sedagka itesitas 255 ditagkap sebagai wara putih terag oleh mata mausia. Nilai itesitas yag ada diataraya merupaka gradasi dari wara hitam ke putih, atau lebih serig disebut wara keabua (grayscale). b. Citra bier, merupaka sebuh matriks dua dimesi berukura mx yag setiap selya berisi kode 0 atau 1 yag merupaka represetasi dari ilai logical "bear" 8
3 atau "salah", disebut juga tipe data boolea. Nilai 0 serig diasosiasika dega wara putih terag (setara dega ilai 255 pada citra itesitas) sedagka ilai 1 serig diasosiasika dega wara hitam (setara dega ilai 0 pada citra itesitas). Namu bagaimaapu, asosiasi tersebut bisa berubah-ubah tergatug dari asumsi yag diguaka oleh peggua. Tidak ada kesepakata baku yag megatur bagaimaa ilai 0 da 1 dihubugka dega wara hitam da putih. Umumya, citra bier terbetuk dari citra itesitas yag megalami proses tresholdig. Proses ii sagat sederhaa, pertama-tama tetapka sebuah ilai T yag terletak diatara rage ilai itesitas. Ubah ilai itesitas dari setiap piksel dega megikuti atura berikut: 0, jika f() T g() =... (2) 1, jika f()<t c. Citra RGB (red, gree, blue), merupaka kumpula dari 3 buah matriks 2 dimesi yag masig-masig memuat ilai itesitas (0 s.d. 255) utuk wara merah, hijau da biru. Sebuah piksel merupaka komposisi dari ketiga ilai itesitas tersebut (triplet). Jika diguaka sebagai iput pada sistem moitor berwara, triplet tersebut aka meghasilka wara-wara yag uik. Pricipal Compoets Aalisys (PCA) Ide utama dari pricipal compoet aalysis (PCA) adalah meguragi dimesioalitas dari set data yag megadug bayak sekali variabel yag beriterelasi, dega tetap mempertahaka sebayak mugki iformasi (variasi data). Hal ii dicapai dega metrasformasika set data ke set variabel data yag baru, diamaka pricipal compoet (PC). Pricipal Compoet satu dega yag lai tidak salig berkorelasi da diurutka sedemikia rupa sehigga Pricipal Compoet yag pertama memuat palig bayak variasi dari data set. Sedagka Pricipal Compoet yag kedua memuat variasi yag tidak dimiliki oleh Pricipal Compoet pertama. (Jolliffe IT, 2002) Pricipal Compoets Aalisys 1D (Turk ad Petlad, 1991). Secara matematis ide dasar dari PCA adalah melakuka sebuah trasformasi 9
4 liear dari R m ke R dimaa <<< m dega memaksimumka variasi data. Misalka iput vector adalah x R m dega E[x]=0 (zero mea) da y adalah vektor berdimesi, maka trasformasi liear dari R m ke R dapat diyataka sebagai : dega : [ a1 T ] a T 2 a T =[ a a 1 a 1m] =[, a 2 11 a 12 [ x1 x m] 2 x = a21 a 22 [ y1 ] y y 2... a 2m] =[ a Secara umum trasformasi dapat diyataka sebagai : (3) a1 a 2 a m] y i =a i T x ; i = 1,2,...,... (4) sehigga : var y i var y i = var a i T x = E [( a i T x x T a i var y i = a i T E xx T a i dimaa Σ adalah matriks covaria. var y i = a i T a i... (5) Selajutya harus ditetuka a i yag dapat membuat var y i mejadi maksimum dega kodisi batas a =1 atau a T i a i =1 atau a T i a i 1=0 karea a i adalah sebuah uit vektor. Salah satu tekik memecahka permasalah optimisasi seperti ii adalah megguaka tekik peggada lagrage. Peetua a i dihitug sebagai berikut : Masalah optimisasi : Maksimumka : var y i = a i T a i Kedala : a T i a i 1=0 Melalui peggada lagrage, fugsi yag dimaksimumka adalah : 10
5 f a i = a i T a i - λ( a i T a i 1 ) F a i =0 = 2Σ a i - 2 λ a i = 0 Σ a i = λ a i... (6) Dari persamaa 6 terlihat bahwa λ adalah ilai-ilai eige dari matriks Σ, sedag a i adalah vektor eige yag bersesuaia dega masig-masig λ. Jika ruas kiri da kaa persamaa tersebut dikalika dega a i T maka aka diperoleh : a i T a i = a i T λ a i kerea a i T a i =1, maka : a i T a i = λ var y i = λ... (7) Dari persamaa (7) tersebut dapat dilihat bahwa ilai eige dari matriks covaria Σ adalah var y i. Sehigga agar diperoleh varia maksimum maka a i adalah vetor-vektor eige yag bersesuaia dega ilai-ilai eige terbesar dari matriks Σ. Pricipal Compoets Aalisys 2 Dimesi (Yag J. et al, 2004) Pada tekik pegeala wajah berbasis 1D PCA, citra wajah 2D aka dirubah terlebih dahulu mejadi vektor citra 1D. Akibatya ruag vektor citra yag terbetuk aka memiliki dimesi sagat besar. Hal ii meyebabka perhituga matriks kovaria secara akurat serta perhituga ilai eige da vektor eige dari matriks kovaria tersebut mejadi relatif sulit. Berbeda dega 1D PCA, pada 2D PCA citra wajah tetap direpresetasika dega matriks. Hal ii meyebabka matriks kovaria yag terbetuk mejadi jauh lebih kecil. Dampak dari fakta tersebut, 2D PCA memiliki dua kelebiha dibadigka dega 1D PCA, yaitu : 1. Evaluasi terhadap matriks kovaria lebih akurat. 2. Waktu yag diperluka utuk meghitug ilai eige da vektor eige lebih cepat 11
6 Formulasi 2D PCA Misalka X adalah vektor kolom satua berdimesi. PCA 2D melakuka poreksi sebuah matriks acak dari citra A berukura m x kepada X dega trasformasi liear. Y = A X Sehigga aka diperoleh vektor Y berdimesi m, diamaka vektor feature dari A. Permasalahaya adalah meetuka vektor X yag memaksimumka total scatter dari proyeksi data. Secara matematis dapat diyataka sebagai : J(X) = tr (Sx)... (8) dimaa Sx meyataka matriks kovaria dari vektor feature data-data traiig, da tr (Sx) adalah trace dari Sx. Selajutya matriks kovaria Sx dapat diyataka sebagai : Sx = E Y EY Y EY T =E [ AX E AX ][ AX E AX ] T = E [ A EA X ][ A EA X ] T, sehigga : tr S x = X T [ E [ A EA T A EA ]] X... (9) Kemudia didefiisika sebuah matriks G t =E [ A EA T A EA ]... (10) Matriks G t diamaka matriks kovaria(scatter) citra yag berukura x. Matriks ii dapat dihitug lagsug dari M buah citra-citra traiig A j j=1,2,..., M M G t = 1 A M j A T A j A... (11) j=1 Maka kriteria pada persamaa (8) dapat diyataka sebagai : J X = X T G t X...(12) Kolom vektor satua X yag memaksimisasi J(X) disebut sumbu proyeksi yag optimal. Ii berarti total scatter (varias) dari data yag telah diproyeksika pada X mejadi maksimum. Sumbu tersebut adalah vektor-vektor eige dari matriks G t yag bersesuaia dega ilai-ilai eige terbesar. 12
7 Liear Support Vector Machie (SVM) Kosep SVM dapat dijelaska secara sederhaa sebagai usaha mecari hyperplae terbaik yag berfugsi sebagai pemisah dua buah class pada iput space. Gambar berikut memperlihatka beberapa patter yag merupaka aggota dari dua buah kelas : +1 da 1. Pola yag tergabug pada class 1 disimbolka dega segitiga, sedagka pola pada class +1, disimbolka dega ligkara. Problem klasifikasi dapat diterjemahka dega usaha meemuka garis (hyperplae) yag memisahka atara kedua kelompok tersebut. Gambar 2 : Support vector, hyperplae da margi Hyperplae pemisah dapat diyataka dega persamaa w T x b=0 dimaa w adalah vektor ormal dari hyperplae da b merupaka itercept hyperplae. Misalka himpua buah data traiig adalah D={ x, y }, aggotaya adalah pasaga x i da label kelasya y i utuk i=1,2,...,, dimaa dalam SVM label kelas diyataka sebagai +1 da -1. Selajutya liear classifier dapat diyataka sebagai f x i =sig w T x i b... (13) Permasalaha selajutya adalah mecari set parameter w,b sehigga f x i = w T x i b = y i utuk semua i. SVM berusaha mecari fugsi pemisah/hyperplae optimum diatara fugsi yag tidak terbatas jumlahya yag memisahka dua kelas objek. Optimal hyperplae kemudia ditetuka terhadap support vector dega memaksimumka margi (ρ). Support vectors adalah data traiig yag terletak palig dekat ke hyperplae. Data-data ii merupaka data yag palig sulit utuk diklasifikasika. Hyperplae yag optimal diperoleh pada 13
8 saat jarak support vector egatif ke hyperplae sama dega jarak support vector positif ke hyperplae ( ρ/2). Jarak terpedek setiap vektor data x i ke hyperplae adalah jarak tegak lurus terhadap hyperplae (proyeksi) sehigga paralel dega vektor ormal w. Uit vektor ormal hyperplae adalah w w sehigga jarak proyeksi x i terhadap hyperplae adalah r w w hyperplae adalah x ' maka x '= x yr w w. Misalka proyeksi x terhadap... (14) dimaa perkalia dega y adalah utuk merubah tada sesuai dega kelas positif da egatif. w x x ' r w w w T x b=0 Gambar 3 : Proyeksi x terhadap hyperplae Karea x ' terletak pada hyperplae maka w T x ' b=0 sehigga : w T x yr w w b=0. Setelah persamaa tersebut diatur ulag aka diperoleh : r= y wt x b w atau jarak absolut atar x i a dega hyperplae adalah r= w T x i b w... (15) Jika ormal vektor w yag diguaka adalah uit vektor, maka w =1 da jarak x i ke hyperplae adalah w T x i b. Agar persamaa 14
9 mejadi uik, diambil w T x i b =1 utuk setiap support vector x i (vektor terdekat ke hyperplae). Sehigga jarak support vector x i terhadap hyperplae adalah w T x i b w = 1 w da margi ρ = 2 w. Permasalaha kemudia mejadi bagaimaa memilih w da b agar 2 w maksimum dega kodisi batas : w T x i b 1 jika x i kelas positif da w T x i b 1 jika x i kelas egatif. Permasalah ii dapat dirubah mejadi formulasi stadar SVM sebagai permasalaha miimisasi : Miimumka fugsi : J w = 1 2 w 2 Kodisi batas : g i w, b =1 y i w T x i b utuk i = 1, 2 Permasalaha ii merupaka permasalaha optimisasi fugsi kuadrat dega kedala liear. Karea J w adalah sebuah fugsi kuadrat, maka aka ada satu global miimum. Salah satu tekik pemecahaya adalah dega metoda Peggada Lagrage da Teorema Karush-Kuh-Tucker. (Smith, 2004), (Kecma, 2001). Dega metoda tersebut permasalaha mejadi maksimumka : L D λ = λ i 1 i=1 2 i=1 λ i λ j y i y j x T i x j... (16) j=1 kedala : λ i 0 da λ i y i =0... (17) i=1 dimaa λ = { λ 1,... λ } adalah peggada lagrage (variabel baru) utuk masig-masig data. Persamaa (16 ) dapat ditulis megguaka otasi matriks : L D λ = λ i 1 [ λ 1 i=1 2 H λ ]T [ λ 1 ] λ... (18) dimaa H merupaka matiks berukura x, dega ilai pada baris ke-i da kolom ke-j dari matriks H adalah H ij = y i y j x i T x j 15
10 Selajutya L D λ dapat dioptimasi megguaka Quadratic Programmig. Berdasarka pada λ = { λ 1,... λ } optimal yag diperoleh : jika λ i =0 maka data ke-i adalah buka support vector jika λ i 0 da y i w T x i b 1 =0 maka data ke-i adalah support Kemudia vector. w dihitug megguaka persamaa w= i=1 b dapat dihitug megguaka sembarag Persamaa hyperplae optimal yag diperoleh adalah : λ i y i x i... (19) λ i 0 melalui persamaa b= 1 y i w T x i... (20) f x = x i S λ i y i x i T x i b... (21) dimaa S adalah himpua support vector S={ x i λ i 0 } Metoda Kerel Jika suatu kasus klasifikasi memperlihatka ketidakliiera, algorithma liear SVM tidak bisa melakuka klasifikasi dega baik. Metoda kerel adalah salah satu tekik utuk megatasi hal ii. Dega metoda kerel suatu data x i di iput space dimappig ke feature space F dega dimesi yag lebih tiggi melalui map φ sebagai berikut φ : x φ(x). Karea itu data x di iput space mejadi φ(x) di feature space. Dari persamaa (16) terlihat bahwa optimisai fugsi L D a haya bergatug pada data x i melalui perkalia titik xi T x j. Jika x i dibawa ke dimesi yag lebih tiggi oleh φ(x) maka harus dihitug hasil kali titik pada dimesi yag lebih tiggi tersebut φ x T i φ x j. Fugsi yag aka dimaksimasi mejadi 16
11 L D a = a i 1 i=1 2 a i a j y i y j φ x T i φ x j... (22) i=1 j =1 Serig kali fugsi φ (x) tidak tersedia atau tidak bisa dihitug, tetapi dot product dari dua vektor dapat dihitug baik di dalam iput space maupu di feature space. Dot product ii diamaka kerel da diotasika sebagai Sehigga persamaa (19) mejadi : K x i, x j L D a = a i 1 i=1 2 a i a j y i y j K x i, x j... (23) i=1 j =1 Diharapka pada dimesi yag lebih tiggi data dapat dipisahka secara liear. Gambar 4 : Suatu kerel map megubah problem yag tidak liier mejadi liier dalam space baru Gambar 4 medeskrisika suatu cotoh feature mappig dari ruag dua dimesi ke feature space tiga dimesi. Dalam iput space, data tidak bisa dipisahka secara liier, tetapi bisa dipisahka di feature space. Beberapa fugsi kerel yag umum diguaka adalah : Liear K x i, x j = x i T x j Poliamial K x i, x j = x i T x j 1 p Radial Basis Fuctio (data dibawa ke dimesi tak higga) K x i, x j =exp 1 2σ 2 x i x j 2 17
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 terperinciREGRESI 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 terperinciBAB 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 terperinciInstitut 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 terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinci6. 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 terperinciTINJAUAN 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 terperinciBAB 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 terperinciJURNAL 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 terperinciMAKALAH ALJABAR LINEAR SUB RUANG VEKTOR. Dosen Pengampu : Darmadi, S.Si, M.Pd
MAKALAH ALJABAR LINEAR SUB RUANG VEKTOR Dose Pegampu : Darmadi, S.Si, M.Pd Disusu : Kelas 5A / Kelompok 5 : Dia Dwi Rahayu (084. 06) Hefetamala (084. 4) Khoiril Haafi (084. 70) Liaatul Nihayah (084. 74)
Lebih terperinciBAB 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 terperinciBAB III RUANG HAUSDORFF. Pada bab ini akan dibahas mengenai ruang Hausdorff, kekompakan pada
8 BAB III RUANG HAUSDORFF Pada bab ii aka dibahas megeai ruag Hausdorff, kekompaka pada ruag Hausdorff da ruag regular legkap. Pembahasa diawali dega medefiisika Ruag Hausdorff da beberapa sifatya kemudia
Lebih terperinciPENGUJIAN 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 terperinciDISTRIBUSI SAMPLING. Oleh : Dewi Rachmatin
DISTRIBUSI SAMPLING Oleh : Dewi Rachmati Distribusi Rata-rata Misalka sebuah populasi berukura higga N dega parameter rata-rata µ da simpaga baku. Dari populasi ii diambil sampel acak berukura, jika tapa
Lebih terperinciBab 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 terperinciI. 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 terperinciB a b 1 I s y a r a t
34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat
Lebih terperinci4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN
4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN Saat asumsi keormala tidak dipuhi maka kesimpula yag kita buat berdasarka suatu metod statistik yag mesyaratka asumsi keormala meadi tidak baik, sehigga mucul
Lebih terperinciBab 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 terperinciStatistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:
Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira
Lebih terperinciBAB 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 terperinciRange atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu
BAB 4 UKURAN PENYEBARAN DATA Pada Bab sebelumya kita telah mempelajari beberapa ukura pemusata data, yaitu ukura yag memberika iformasi tetag bagaimaa data-data ii megumpul atau memusat Pada bagia Bab
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 31-41, April 2004, ISSN :
Vol. 7. No. 1, 31-41, April 24, ISSN : 141-8518 Peetua Kestabila Sistem Kotrol Lup Tertutup Waktu Kotiu dega Metode Trasformasi ke Betuk Kaoik Terkotrol Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak
Lebih terperinciDefinisi 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 terperinciBAB 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 terperincioleh hasil kali Jika dan keduanya fungsi yang dapat didiferensialkan, maka
Itegral etu Jika fugsi kotiu yag didefiisika utuk, kita bagi selag mejadi selag bagia berlebar sama Misalka berupa titik ujug selag bagia ii da pilih titik sampel di dalam selag bagia ii, sehigga terletak
Lebih terperinciPersamaan Non-Linear
Persamaa No-Liear Peyelesaia persamaa o-liear adalah meghitug akar suatu persamaa o-liear dega satu variabel,, atau secara umum dituliska : = 0 Cotoh: 2 5. 5 4 9 2 0 2 5 5 4 9 2 2. 2 0 2 5. e 0 Metode
Lebih terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciBAB 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 terperinciKestabilan 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 terperinciCATATAN KULIAH Pertemuan I: Pengenalan Matematika Ekonomi dan Bisnis
CATATAN KULIAH Pertemua I: Pegeala Matematika Ekoomi da Bisis A. Sifat-sifat Matematika Ekoomi 1. Perbedaa Matematika vs. Nomamatematika Ekoomi Keutuga pedekata matematika dalam ilmu ekoomi Ketepata (Precise),
Lebih terperinciterurut 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 terperinciMata 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 terperinciBAB II TINJAUAN PUSTAKA
3 BAB II TINJAUAN PUSTAKA Pada bab ii aka dituliska beberapa aspek teoritis berupa defiisi, teorema da sifat-sifat yag berhubuga dega aljabar liear, struktur aljabar da teori kodig yag diguaka sebagai
Lebih terperinciBab 7 Penyelesaian Persamaan Differensial
Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala
Lebih terperinciBAB 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 terperinciLANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang
2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua
Lebih terperinciSTATISTICS. 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 terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinciBAB 1 PENDAHULUAN. dimana f(x) adalah fungsi tujuan dan h(x) adalah fungsi pembatas.
BAB 1 PENDAHUUAN 1.1 atar Belakag Pada dasarya masalah optimisasi adalah suatu masalah utuk membuat ilai fugsi tujua mejadi maksimum atau miimum dega memperhatika pembatas pembatas yag ada. Dalam aplikasi
Lebih terperinciBAB 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 terperinciBAB 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 terperinciHimpunan. Himpunan 3/28/2012. Semesta Pembicaraan Semua mobil di Indonesia
Himpua Suatu himpua atau gugus adalah merupaka sekumpula obyek. Pada umumya aggota dari gugus tersebut memiliki suatu sifat yag sama. Suatu himpua bagia atau aak gugus merupaka sekumpula obyek yag aggotaya
Lebih terperinciREGRESI 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 terperinciBAB 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 terperinciRESPONSI 2 STK 511 (ANALISIS STATISTIKA) JUMAT, 11 SEPTEMBER 2015
RESPONSI STK 511 (ANALISIS STATISTIKA) JUMAT, 11 SEPTEMBER 015 A. PENYAJIAN DAN PERINGKASAN DATA 1. PENYAJIAN DATA a. Sebutka tekik peyajia data utuk data kualitatif! Diagram kueh, diagram batag, distribusi
Lebih terperinciBAB 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 terperinciBAB 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 terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciBAB II METODOLOGI PENGENDALIAN DAN ALGORITMA GENETIKA
BAB II METODOLOGI PENGENDALIAN DAN ALGORITMA GENETIKA II.1 Pegedali Modus Lucur Sistem o-liier dimodelka dalam persamaa status pada persamaa (2.1) berikut ii: x &( = f ( + B( u(...(2.1) dega x ( merupaka
Lebih terperinciMETODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa
19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh
Lebih terperinciBAB 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 terperinciBAB II TINJAUAN PUSTAKA
3 BAB II TINJAUAN PUSTAKA.1 Ruag Cotoh, Kejadia da Peluag Defiisi.1 (Ruag cotoh da kejadia) Suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak bisa diprediksi secara tepat tetapi
Lebih terperinciFungsi. Jika f adalah fungsi dari A ke B kita menuliskan f : A B yang artinya f memetakan A ke B.
Fugsi Misalka A da B himpua. Relasi bier f dari A ke B merupaka suatu fugsi jika setiap eleme di dalam A dihubugka dega tepat satu eleme di dalam B. Jika f adalah fugsi dari A ke B kita meuliska f : A
Lebih terperinciBAB 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 terperinciMATEMATIKA DISKRIT FUNGSI
1 MATEMATIKA DISKRIT FUNGSI Fugsi Misalka A da B himpua. Relasi bier f dari A ke B merupaka suatu fugsi jika setiap eleme di dalam A dihubugka dega tepat satu eleme di dalam B. Jika f adalah fugsi dari
Lebih terperinciBAB 4. METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN
BAB 4 METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN Estimasi reliabilitas membutuhka pegetahua distribusi waktu kerusaka yag medasari dari kompoe atau sistem yag dimodelka Utuk memprediksi
Lebih terperinciIII PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah
III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka
Lebih terperinciBAB 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 terperinciPendugaan 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 terperinciRUANG BASIS SOLUSI. Ini disusun untuk memenuhi tugas mata kuliah. Aljabar Linier DISUSUN OLEH : DONNA SEPTIAN CAHYA RINI (08411.
RUANG BASIS SOLUSI Ii disusu utuk memeuhi tugas mata kuliah Aljabar Liier DISUSUN OLEH : DONNA SEPIAN CAHYA RINI (08411.114) FIRIA ASUI (08411.133) NURUL AISYAH (08411.211) SULIS SEYOWAI (08411.260) SULISIANI
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciBAB 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 terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciBAB 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 terperincib. 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 terperinciIII. 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 terperinciContoh Produksi dua jenis sepatu A dan B memberikan fungsi keuntungan bulanan sebagai berikut :
I. OPTIMISASI FUNGSI TANPA KENDALA Utuk fugsi dua peubah ) f ag terdiferesial dua kali. Jika di titik ) P dipeuhi :. sarat stasioer)... > maka mecapai ekstrim di ) P. Jika : ekstrim maksimum mecapai maka
Lebih terperinciIII. 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 terperinciBAB 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Bicriteria Liear Programmig (BLP) Pesoala optimisasi dega beberapa fugsi tujua memperhitugka beberapa tujua yag koflik secara simulta, secara umum Multi objective programmig (MOP)
Lebih terperinciBAB 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 terperinciBAB 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 terperinci2 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 terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinciBAB 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 terperinciBAB I PENDAHULUAN. A. Latar Belakang Masalah
BAB I PENDAHULUAN A. Latar Belakag Masalah Struktur alabar adalah suatu himpua yag di dalamya didefiisika suatu operasi bier yag memeuhi aksioma-aksioma tertetu. Gelaggag ( Rig ) merupaka suatu struktur
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciMatematika Terapan Dosen : Zaid Romegar Mair, ST., M.Cs Pertemuan 3
Matematika Terapa Dose : Zaid Romegar Mair ST. M.Cs Pertemua 3 PROGRAM STUDI TEKNIK INFORMATIKA Jl. Koloel Wahid Udi Lk. I Kel. Kayuara Sekayu 30711 web:www.polsky.ac.id mail: polsky@polsky.ac.id Tel.
Lebih terperinciRizqi Elmuna Hidayah, S.Si, M.Kom
Techologia Vol 7, No.4, Oktober Desember 06 3 IMPLEMENTASI METODE PRINCIPAL COMPONENT ANALYSIS PADA PENGENALAN WAJAH BERBASIS EIGENFACE Rizqi Elmua Hidayah, S.Si, M.Kom (rizqielmua8@gmail.com) ABSTRAK
Lebih terperinci3. 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 terperinciTINJAUAN PUSTAKA. 2.1 Ruang Vektor. Definisi (Darmawijaya, 2007) Diketahui (V, +) grup komutatif dan (F,,. ) lapangan dengan elemen identitas
II. TINJAUAN PUSTAKA 2.1 Ruag Vektor Defiisi 2.1.1 (Darmawijaya, 2007) Diketahui (V, +) grup komutatif da (F,,. ) lapaga dega eleme idetitas 1. V disebut ruag vektor (vector space) atas F jika ada operasi
Lebih terperinciBAB III METODOLOGI 3.1 Tempat dan Waktu Penelitian 3.2 Bahan dan Alat 3.3 Metode Pengumpulan Data Pembuatan plot contoh
BAB III METODOLOGI 3.1 Tempat da Waktu Peelitia Pegambila data peelitia dilakuka di areal revegetasi laha pasca tambag Blok Q 3 East elevasi 60 Site Lati PT Berau Coal Kalimata Timur. Kegiata ii dilakuka
Lebih terperinciBARISAN DAN DERET. Nurdinintya Athari (NDT)
BARISAN DAN DERET Nurdiitya Athari (NDT) BARISAN Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) = a Fugsi tersebut dikeal sebagai barisa bilaga
Lebih terperinciSISTEM 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 terperinciBAB 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 terperinciBAB 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Program liier Program liier adalah suatu tekik peyelesaia optimal atas suatu problema keputusa dega cara meetuka terlebih dahulu fugsi tujua (memaksimalka atau memiimalka) da kedala-kedala
Lebih terperinciIII. 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 terperinciBAB II TINJAUAN PUSTAKA. dengan asumsi bahwa telah diketahui bentuk fungsi regresinya. atau dalam bentuk matriks dapat ditulis dengan:
BAB II TINJAUAN PUSTAKA 2.1 Regresi Parametrik Regresi parametrik merupaka metode statistika yag diguaka utuk megetahui pola hubuga atara variabel prediktor dega variabel respo, dega asumsi bahwa telah
Lebih terperinciAplikasi Pengenalan Pola pada Citra Bola Sebagai Dasar Pengendalian Gerakan Robot
Jural Emitor Vol.16 No. 02 ISSN 1411-8890 Aplikasi Pegeala Pola pada Citra Bola Sebagai Dasar Pegedalia Geraka Robot Ratasari Nur Rohmah Jurusa Tekik Elektro Uiversitas Muhammadiyah Surakarta (UMS) Surakarta,
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciKompleksitas dari Algoritma-Algoritma untuk Menghitung Bilangan Fibonacci
Kompleksitas dari Algoritma-Algoritma utuk Meghitug Bilaga Fiboacci Gregorius Roy Kaluge NIM : 358 Program Studi Tekik Iformatika, Istitut Tekologi Badug Jala Gaesha, Badug e-mail: if8@studets.if.itb.ac.id,
Lebih terperinciBAB 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 terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinciIV 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 terperinciProbabilitas dan Statistika Teorema Bayes. Adam Hendra Brata
robabilitas da Statistika Teorema ayes dam Hedra rata Itroduksi - Joit robability Itroduksi Teorema ayes eluag Kejadia ersyarat Jika muculya mempegaruhi peluag muculya kejadia atau sebalikya, da adalah
Lebih terperinciBAB 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 terperinciSolusi Soal OSN 2012 Matematika SMA/MA Hari Pertama
Solusi Soal OSN Matematika SMA/MA Hari Pertama Soal 1. Buktika bahwa utuk sebarag bilaga asli a da b, bilaga adalah bilaga bulat geap tak egatif. = F P B (a, b) + KP K (a, b) a b Solusi. Pertama aka dibuktika
Lebih terperinci