BAB 1 PENDAHULUAN 1.1 Latar Belakang
|
|
- Yenny Salim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan makanan pokok sebagian besar penduduk dunia, termasuk penduduk Indonesia. Bangsa Indonesia telah menjadi bangsa yang terbesar mengkonsumsi beras di dunia yaitu 105 kg/kapita/tahun (Machmur, 2008). Tingginya konsumsi beras tersebut menuntut pemerintah untuk selalu mengembangkan varietas padi yang lebih unggul dengan produktivitas tinggi. Konsumsi beras yang tinggi juga memicu terjadinya perdagangan bebas pada produk beras di Indonesia, sehingga pemerintah menerbitkan standar mutu beras giling agar beras yang diperdagangkan memenuhi standar. SNI beras giling berisi syarat mutu beras giling dengan lima tingkatan mutu yakni: mutu I, II, III, IV dan V (Badan Standarisasi Nasional, 1999). Standar mutu atau SNI tersebut belum berlaku efektif dan kurang spesifik di Indonesia (Indrasari dkk, 2009). SNI beras giling belum efektif karena tidak semua komponen mutu yang ada di SNI digunakan sebagai dasar dalam perdagagan beras. SNI ini juga kurang spesifik, karena belum memuat semua sifat-sifat penentu mutu beras. Menurut Damardjati dkk (1995), sifat-sifat yang menentukan mutu beras antara lain: 1) sifat fisik dan sifat giling, 2) cita rasa dan sifat tanak, dan 3) sifat gizi. SNI beras giling hanya memuat sifat fisik dan sifat fisik saja, namun belum menampung cita rasa, sifat tanak dan sifat gizi dari beras. Hal ini disebabkan adanya perbedaan preferensi konsumen tentang cita rasa, sifat tanak dan sifat gizi beras yang mereka konsumsi, sehingga sulit untuk distandarkan secara nasional. Konsumen di setiap daerah mempunyai preferensi yang berbeda-beda terhadap mutu beras. Penampilan beras dan cita rasa (Damardjati,1995) serta kepulenan nasi merupakan faktor utama pilihan konsumen berdasarkan etnis (Setyono dkk, 2008). Penampilan beras, cita rasa, dan kepulenan nasi dapat direpresentasikan oleh sifat fisikokimia beras. Banyaknya varietas padi yang dikembangkan oleh pemerintah menghasilkan banyak pula data tentang sifat fisikokimia beras. Banyaknya data tersebut masih memungkinkan untuk diolah agar diketahui pola datanya sehingga dapat digunakan sebagai bahan pertimbangan dalam 1
2 pengembangan varietas baru yang disukai konsumen. Pendekatan data mining dimungkinkan dapat digunakan untuk mengetahui pola atau hubungan dalam data tersebut. Data mining adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar (Santosa, 2007). Salah satu tugas dalam data mining adalah klastering. Tujuan utama dari klastering adalah pengelompokan sejumlah data/obyek ke dalam klaster sehingga dalam setiap klaster akan berisi data yang semirip mungkin (Santosa, 2007). Dengan teknik ini, maka data varietas padi tersebut dapat diklasterkan berdasarkan sifat fisikokimianya dan diharapkan dapat diperoleh informasi tersembunyi dari data set tersebut. Metode klastering yang umum digunakan adalah k-means clustering, yang termasuk metode partition clustering, yakni memilah-milah data/obyek ke dalam klaster-klaster yang ada. Menurut Jain (2009), Metode k-means telah mengalami banyak pengembangan, antara lain: 1) Fuzzy-c-Means, 2) X-means, 3) k-medoid, 4) Kernel k-means. Menurut Agusta (2008), terdapat pula metode k- harmonic means dan k-modes. Variasi metode k-means tersebut umumnya berhubungan dengan tiga hal yang telah disebutkan oleh Agusta (2007). Namun saat ini telah dihasilkan pengembangan k-means clustering berbasis OWA oleh Cheng dkk (2009) yang melakukan klastering nilai agregat, yang merupakan kumpulan dari nilai multi atribut yang ada. Metode ini berbeda dengan variasi metode k-means yang telah ada sebelumnya. Cheng dkk (2009) lebih fokus pada cara untuk mengurangi kompleksitas data set eksperimental dan keterkaitan antara berbagai kriteria yang ada, yang dapat diatasi dengan cara menggabungkan k- means dengan OWA. Ditinjau dari sisi perkembangan metode Ordered Weighted Averaging (OWA), ada beberapa penelitian terdahulu yang telah menerapkan metode OWA ini pada kasus pengenalan pola (pattern recognition). Yager (1988) yang pertama kali memperkenalkan tentang OWA, menyatakan bahwa OWA dapat diaplikasikan untuk menyelesaikan berbagai problem, termasuk problem klasifikasi. Klasifikasi termasuk metode supervised learning, metode yang diterapkan menggunakan latihan (ada proses training) dan tanpa ada guru (teacher). Guru di sini adalah label (output/variabel respon) dari data. Label 2
3 tersebut yang menandai kemana data akan dikelompokkan (Santosa, 2007). OWA dapat diterapkan untuk memberikan bobot yang berbeda untuk setiap atribut. OWA operator yang tepat dapat digunakan untuk mewakili hubungan antar kriteria yang diagregasikan (Yager, 1988). Pernyataan ini didukung oleh penelitian Grandhi (2003), yang telah mengaplikasikan OWA untuk klasifikasi, pada kasus pendeteksian ranjau darat (landmine detection), dengan mengintegrasikan OWA dan Feed Forward Neural Networks (FOWA). Penelitian lainnya oleh Cheng dkk (2009) yang menggabungkan antara OWA dengan metode k-means clustering yang digunakan untuk memecahkan masalah klasifikasi untuk mengelompokkan Key Performance Indicator (KPI) menjadi dua kelas yaitu bagus dan normal pada perusahaan di Taiwan. K-means sebenarnya merupakan metode klastering, namun dalam penelitian Cheng dkk (2009), k-means digunakan untuk menyelesaikan problem klasifikasi dengan melibatkan proses training dan adanya teacher. Artinya, Cheng dkk (2009) masih mengaplikasikan k-means berbasis OWA tersebut pada data yang memiliki label (output/variabel respon), dan hasil penelitian Cheng dkk (2009) menyatakan bahwa metode ini cukup valid untuk menyelesaikan kasus klasifikasi tersebut. Namun, mengingat bahwa k-means itu termasuk metode klastering, maka seharusnya metode k-means berbasis OWA oleh Cheng dkk (2009) juga dapat diaplikasikan untuk menyelesaikan kasus klastering. OWA yang digunakan dalam penelitian Cheng dkk (2009) ini menggunakan persamaan OWA yang dikembangkan oleh Fuller and Majlender (2001), dimana persamaan-persamaan tersebut tidak memperhatikan apakah data yang kita analisis memiliki label (output/variabel respon) atau tidak. karena persamaan ini hanya memerlukan dua input parameter saja yaitu jumlah variabel dari data dan nilai orness (α) atau parameter situasi yang digunakan. Oleh karena itu, diduga bahwa k-means berbasis OWA ini juga dapat digunakan dalam menyelesaikan kasus klastering data, seperti pada data varietas padi. Problem klastering varietas padi memiliki data set eksperimental yang kompleks. Yager (1988) menyatakan OWA operator dapat mengurangi kompleksitas data dengan memadukan nilai-nilai multi attribut ke nilai-nilai agregat yang berupa nilai tunggal. Masing-masing varietas padi memiliki banyak sifat fisikokimia yang mempengaruhi preferensi konsumen dalam memilih beras. 3
4 Sifat-sifat fisikokimia tersebut merupakan suatu kriteria yang harus dipenuhi dalam menentukan varietas mana yang akan dipilih. Kasus ini mirip dengan kasus pengambilan keputusan multikriteria (Multicriteria Decision Making/MCDM), dimana keputusan beras dari varietas mana yang akan dipilih oleh konsumen tersebut didasarkan pada multikriteria. Menurut Yager (2004), Ordered Weighted Averaging (OWA) sangat berguna untuk proses MCDM yang sering kali memerlukan keterkaitan antar kriteria yang ada. Berdasarkan fakta-fakta tersebut, baik dari sisi metode k-means, persamaan OWA yang digunakan, keunggulan OWA untuk menyelesaikan pengambilan keputusan multikriteria, karakteristik data set varietas padi, maka metode k-means berbasis OWA yang telah dikembangkan oleh Cheng et al. (2009) diduga dapat diaplikasikan pada kasus klastering varietas padi, namun ada beberapa tahapan dalam penelitian Cheng et al. (2009) yang harus dimodifikasi, karena tidak adanya teacher (label/output/variabel respon) pada data set varietas padi dan tidak ada proses training dalam proses pembelajaran dari data tersebut. 1.2 Formulasi Masalah Sebagaimana telah dijelaskan pada latar belakang, yang menjadi permasalahan utama dalam penelitian ini adalah bagaimana memodifikasi metode k-means berbasis Ordered Weighted Averaging (OWA) oleh Cheng dkk (2009) dan melakukan klastering varietas padi berdasarkan sifat fisikokimia beras yang dihasilkan dengan menggunakan modifikasi metode tersebut serta membandingkan performansinya dengan metode klastering yang lain. 1.3 Tujuan Penelitian Tujuan yang ingin dicapai dari penelitian ini adalah: 1. Menginventaris sifat fisikokimia beras yang berkaitan dengan penampilan beras, rasa, dan kepulenan nasi dari beberapa hasil penelitian dan menstrukturkannya kembali 2. Mengaplikasikan k-means berbasis OWA pada klastering data set yang digunakan, antara lain: data set iris (pengelompokan jenis bunga menjadi 3, yaitu Setosa, Virginica dan Versicolor) dan pada data set padi. 3. Mengukur tingkat akurasi metode k-means berbasis OWA dalam klastering data set iris untuk proses validasi 4
5 4. Membandingkan silhouette value dan Sum of Squares Error antara metode k- means berbasis OWA dan metode klastering lainnya ketika diaplikasikan untuk klastering data set padi. 5. Mengetahui dan menginterpretasikan hasil klastering data set padi menggunakan modifikasi metode k-means berbasis OWA 1.4 Asumsi Penelitian Asumsi penelitian ini terkait dengan dua aspek, yakni aspek metode yang digunakan dan obyek yang diteliti. Berkaitan dengan metode yang digunakan, variabel pada data varietas padi adalah multikriteria dan diasumsikan semua kriteria tersebut memiliki keterkaitan satu sama lain, sehingga kondisinya sama dengan kasus pengambilan keputusan multikriteria, yang dapat diagregasikan dengan OWA operator. Sedangkan dari obyek yang diteliti yaitu padi, diasumsikan proses perlakuan pasca panen padi adalah sama antar varietas padi sehingga data variabel (sifat fisikokimia beras) tidak dipengaruhi oleh proses perlakuan pasca panen, tetapi hanya disebabkan adanya perbedaan varietas padi. 1.5 Manfaat Penelitian Manfaat dari penelitian ini antara lain menghasilkan klaster-klaster varietas padi berdasarkan sifat fisikokimia beras yang dapat digunakan sebagai bahan pertimbangan bagi konsumen untuk memilih beras dan bagi pemerintah dalam mengembangkan varietas baru yang sesuai dengan preferensi konsumen. 1.6 Sistematika Penulisan Berikut akan dijelaskan mengenai sistematika penulisan laporan penelitian yang telah dilakukan : Bab 1 Pendahuluan Bab ini terdiri dari latar belakang dilakukannnya penelitian ini, berikut perumusan masalah, tujuan penelitian, asumsi penelitian, manfaat penelitian dan sistematika penulisan laporan. Bab 2 Kajian Pustaka Pada bab dua akan dijabarkan beberapa kajian kepustakaan tentang penelitian-penelitian terdahulu yang berhubungan dengan metode yang digunakan, metode klastering dan tentang varietas padi beserta sifat fisikokimia beras yang dihasilkan sehubungan dengan preferensi konsumen. 5
6 Bab 3 Metode Penelitian Bab ini memberikan uraian tentang tahapan metode klastering yang akan digunakan, bagaimana memvalidasi metode tersebut, dan prosedur aplikasinya pada kasus klastering varietas padi berdasarkan sifat fisikokimia beras yang dihasilkan. BAB 4 Hasil dan Pembahasan Bab ini berisi hasil penelitian khususnya tentang struktur data varietas padi, validasi metode k-means berbasis OWA yang dimodifikasi dan perbandingan performansi metode tersebut dibandingkan metode klastering lain ketika diaplikasikan pada data iris dan data varietas padi. BAB 5 Analisis dan Interpretasi Hasil Klastering Bab ini menjelaskan tentang hasil klastering dari modifikasi metode k- means berbasis OWA, bagaimana anggota klasternya dan diinterpretasikan hasil klastering tersebut berdasarkan sifat fisikokimia yang dimiliki oleh masing-masing varietas padi dan preferensi konsumen dalam memilih beras. BAB 6 Kesimpulan dan Saran Bab ini berisi hasil akhir yang menjawab tujuan penelitian berdasarkan pada validasi metode, aplikasi metode pada data riil varietas padi dan hasil klastering yang diperoleh. Pada bab ini juga diberikan gambaran kemungkinan penelitian-peelitian lanjutan dari topik yang dibahas dalam penelitian. 6
MODIFIKASI K-MEANS BERBASIS ORDERED WEIGHTED AVERAGING (OWA) UNTUK KASUS KLASTERING
AGROINTEK Volume 5, No.2 Agustus 2011 107 MODIFIKASI K-MEANS BERBASIS ORDERED WEIGHTED AVERAGING (OWA) UNTUK KASUS KLASTERING Millatul Ulya Jurusan Teknologi Industri Pertanian, Fakultas Pertanian, Universitas
Lebih terperinciKLASTERING VARIETAS PADI MENGGUNAKAN MODIFIKASI METODE K-MEANS BERBASIS ORDERED WEIGHTED AVERAGING (OWA)
Program Studi MMT-ITS, Surabaya 7 Agustus 200 KLASTERING VARIETAS PADI MENGGUNAKAN MODIFIKASI METODE K-MEANS BERBASIS ORDERED WEIGHTED AVERAGING (OWA) Millatul Ulya, Budi Santosa, dan Nani Kurniati Jurusan
Lebih terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN Bab ini akan membahas mengenai latar belakang penelitian, rumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian dan sistematika penulisan. 1.1. Latar Belakang Kelapa
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
Lebih terperinciBAB I PENDAHULUAN. Saat ini, konsep data mining semakin dikenal sebagai tools penting dalam
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Saat ini, konsep data mining semakin dikenal sebagai tools penting dalam manajemen informasi karena jumlah informasi yang semakin besar jumlahnya. Data mining sendiri
Lebih terperinciKLUSTERING DENGAN K-MEANS BERBASIS LVQ DAN K-MEANS BERBASIS OWA
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 2, No. 1, April 2015, hlm. 29-33 KLUSTERING DENGAN K-MEANS BERBASIS LVQ DAN K-MEANS BERBASIS OWA Dian Eka Ratnawati 1, Indriati 2 1,2 Program Studi
Lebih terperinciData Mining Terapan dengan Matlab
Pendahuluan i ii Data Mining Terapan dengan Matlab Pendahuluan iii DATA MINING TERAPAN DENGAN MATLAB Oleh : Budi Santosa Edisi Pertama Cetakan Pertama, 2007 Hak Cipta 2007 pada penulis, Hak Cipta dilindungi
Lebih terperinciPENGKLASIFIKASIAN DATA SEKOLAH PENGGUNA INTERNET PENDIDIKAN MENGGUNAKAN TEKNIK CLUSTERING DENGAN ALGORITMA K-MEANS STUDI KASUS PT TELKOM SURABAYA
Artikel Skripsi PENGKLASIFIKASIAN DATA SEKOLAH PENGGUNA INTERNET PENDIDIKAN MENGGUNAKAN TEKNIK CLUSTERING DENGAN ALGORITMA K-MEANS STUDI KASUS PT TELKOM SURABAYA SKRIPSI Diajukan Untuk Memenuhi Sebagian
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN Latar Belakang Kredit merupakan salah satu usaha sekunder yang dapat dilakukan untuk pemenuhan kebutuhan sehari-hari. Pada umumnya, proses kredit dapat dilayani melalui lembaga keuangan
Lebih terperinciBAB I PENDAHULUAN. dengan ketersediaan lahan sawah yang mencapai 8,1 juta ha, lahan tegal/kebun
BAB I PENDAHULUAN 1.1. LATAR BELAKANG Indonesia merupakan negara yang dikenal sebagai negara agraris. Baik dari sisi ekonomi maupun penyerapan tenaga kerja, sektor pertanian memiliki peranan yang relatif
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
Lebih terperinciCLUSTERING KUALITAS BERAS BERDASARKAN CIRI FISIK MENGGUNAKAN METODE K-MEANS
CLUSTERING KUALITAS BERAS BERDASARKAN CIRI FISIK MENGGUNAKAN METODE K-MEANS Silvi Agustina 1), Dhimas Yhudo 2), Hadi Santoso 3), Nofiadi Marnasusanto 4), Arif Tirtana 5), Fakhris Khusnu 6*) Program Studi
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinci3. METODE PENELITIAN 3.1 Kerangka Pemikiran
65 3. METODE PENELITIAN 3.1 Kerangka Pemikiran Permasalahan utama yang dihadapi industri gula nasional yaitu rendahnya kinerja khususnya produktivitas dan efisiensi pabrik gula. Untuk menyelesaikan permasalahan
Lebih terperinciJURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan jaman, komputer semakin banyak berperan di dalam kehidupan masyarakat. Hampir semua bidang kehidupan telah menggunakan komputer sebagai
Lebih terperinciIMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING
IMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING Yoga Bhagawad Gita 1, Ahmad Saikhu 2 1,2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember
Lebih terperinci1BAB I PENDAHULUAN 1.1 Latar Belakang Masalah
1BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Clustering merupakan sebuah teknik pemrosesan data yang digunakan untuk menemukan pola-pola tersembunyi pada kumpulan data (Žalik, 2008). Clustering telah
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian terkait metode clustering atau algoritma k-means pernah di lakukan oleh Muhammad Toha dkk (2013), Sylvia Pretty Tulus (2014), Johan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Penambangan Data (Data Mining) Pengertian data mining, berdasarkan beberapa orang: 1. Data mining (penambangan data) adalah suatu proses untuk menemukan suatu pengetahuan atau
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciii Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis
Decision Tree i ii Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis Decision Tree iii DATAMI NING: Teknik Pemanfaatan Data untuk Keperluan Bisnis Oleh : Budi Santosa Edisi Pertama Cetakan Pertama,
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK MENETAPKAN KELOMPOK MUTU KARET
PENERAPAN ALGORITMA K-MEANS UNTUK MENETAPKAN KELOMPOK MUTU KARET Handi Kurniawan Sohdianata 1, Sushermanto 2 Jurusan Teknik Informatika STMIK Banjarbaru 1, Jurusan Sistem Informasi STMIK Banjarbaru 2 Jl.
Lebih terperinciKlasterisasi Wilayah Pemasaran berdasarkan Preferensi Konsumen terhadap PT. X
Klasterisasi berdasarkan Konsumen terhadap PT. X Prasetyo, Andhika Eko Program Studi Manajemen Rekayasa Universitas Internasional Semen Indonesia Jl. Veteran Gresik, Jawa Timur 61122 E-mail: andhika.prasetyo@uisi.ac.id
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Flow Chart Metodologi Penelitian Sumber: Data Hasil Pribadi Gambar 3.1 Flowchart MetodePenelitian 40 41 1 Penerjemahan Visi dan Misi ke dalam empat perspektif Analisis SWOT
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Ketika disodori sejumlah data dari suatu obyek atau kejadian, apa yang bisa dilakukan terhadap data untuk menindaklanjutinya? Data perlu diolah untuk mendapatkan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Citra digital telah digunakan secara luas pada era modern seperti sekarang ini, citra digital banyak dimanfaatkan untuk merekam informasi, komunikasi dan lain sebagainya.
Lebih terperinciBAB I PENDAHULUAN. secara manual dari suatu kumpulan data. Defenisi lain data mining adalah sebagai
BAB I PENDAHULUAN I.1. Latar Belakang Data mining merupakan serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual dari
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciBAB I PENDAHULUAN. mengenai deteksi wajah dengan Differential Evolution Based Neural Network
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Berdasarkan penelitian yang telah dilakukan oleh Yudistira Dewanata mengenai deteksi wajah dengan Differential Evolution Based Neural Network mendapatkan total
Lebih terperinciBAB I PENDAHULUAN. Pangan adalah salah satu hak azasi manusia dan sebagai komoditi strategis
BAB I PENDAHULUAN A. Latar Belakang Pangan adalah salah satu hak azasi manusia dan sebagai komoditi strategis yang dilindungi oleh Undang-Undang Dasar Negara Republik Indonesia tahun 1945 (Tim Koordinasi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Semakin meningkatnya persaingan di dunia industri mengakibatkan para manajer dari industri manufaktur perlu memainkan peranan yang benar dalam sistem industri manufaktur
Lebih terperinciBAB II LANDASAN TEORI. yang terdiri dari komponen-komponen atau sub sistem yang berorientasi untuk
BAB II LANDASAN TEORI 2.1 Sistem Menurut Gondodiyoto (2007), sistem adalah merupakan suatu kesatuan yang terdiri dari komponen-komponen atau sub sistem yang berorientasi untuk mencapai suatu tujuan tertentu.
Lebih terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada penelitian machine learning banyak sekali diperbincangkan tentang perilaku belajar mesin (komputer) agar mampu belajar dan berpikir cerdas layaknya manusia yang
Lebih terperinciBAB III METODOLOGI 3.1. Kerangka Pemikiran
62 BAB III METODOLOGI 3.1. Kerangka Pemikiran Agroindustri sutera alam merupakan industri pengolahan yang mentransformasikan bahan baku kokon (hasil pemeliharaan ulat sutera) menjadi benang, kain sutera,
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pangan merupakan kebutuhan paling utama bagi setiap orang [1]. Nutrisi yang ada dalam berbagai macam pangan dapat memenuhi nutrisi yang dibutuhkan oleh tubuh kita [2].
Lebih terperinciCLUSTERING DATA KATEGORIK MENGGUNAKAN K-MODES DENGAN WEIGHTED DISSIMILARITY MEASURE
CLUSTERING DATA KATEGORIK MENGGUNAKAN K-MODES DENGAN WEIGHTED DISSIMILARITY MEASURE Lutfi Hidayat Ramdhani¹, Hetti Hidayati², Mahmud Dwi Suliiyo³ ¹Teknik Informatika,, Universitas Telkom Abstrak K-Modes
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Peminatan atau konsenterasi merupakan fokus mahasiswa terhadap suatu bidang studi tertentu yang sesuai dengan minatnya. Tujuannya yaitu untuk lebih memfokuskan
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN
PENERAPAN ALGORITMA K-MEANS PADA SISWA BARU SEKOLAHMENENGAH KEJURUAN UNTUK CLUSTERING JURUSAN Fauziah Nur1, Prof. M. Zarlis2, Dr. Benny Benyamin Nasution3 Program Studi Magister Teknik Informatika, Universitas
Lebih terperinciPenerapan Metode Clustering Dengan K-Means Untuk Memetakan Potensi Tanaman Padi Di Kota Semarang
1 Penerapan Metode ing Dengan K-Means Untuk Memetakan Potensi Tanaman Padi Di Kota Lianna Felicia Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Abstract Berdasarkan data hasil pertanian padi di Dinas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Analisis data historis dan pengolahan data multidimensi bukan merupakan hal yang baru untuk mendukung suatu pengambilan keputusan. Namun perubahan objek data yang dicatat, membuat
Lebih terperinciBAB 1 PENDAHULUAN 1-1
BAB 1 PENDAHULUAN Bab ini menguraikan penjelasan umum mengenai tugas akhir yang dikerjakan. Penjelasan tersebut meliputi latar belakang masalah, tujuan tugas akhir, lingkup tugas akhir, metodologi yang
Lebih terperinciPEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS
PEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS Diana Purwitasari 1, Glory Intani Pusposari 2, Rully Sulaiman 3 Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Akhir-akhir ini kita banyak mendengar banyak berita bahwa Perusahaan Listrik Negara (PLN) mengalami kerugian yang sangat besar setiap tahunnya yang disebabkan faktor-faktor
Lebih terperinciSISTEM MANAJEMEN AHLI
201 SISTEM MANAJEMEN AHLI Konfigurasi model Pengambilan keputusan dengan pendekatan sistem berbasis pengetahuan dikenal dengan istilah sistem manajemen ahli. (Eriyatno, 2009). Didalam sistem manajemen
Lebih terperinciSISTEM PEMBAGIAN KELOMPOK BIMBINGAN BELAJAR DENGAN METODE K-MEANS CLUSTERING
SISTEM PEMBAGIAN KELOMPOK BIMBINGAN BELAJAR DENGAN METODE K-MEANS CLUSTERING ARTIKEL SKRIPSI Diajukan Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik
Lebih terperinciBABI PENDAHULUAN. 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Setiap perusahaan dituntut untuk siap menghadapi persaingan yang semakin ketat dengan perusahaan lain. Makin intensifnya persaingan yang dihadapi, telah menyebabkan
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER
RENCANA PEMBELAJARAN SEMESTER Mata Kuliah Big Data and Data Analytics Semester Tujuh Kode SMXXXXXX Prodi MBTI Dosen Andry Alamsyah SKS 4 Capaian Pembelajaran 1. Memahami fenomena, framework, peluang dan
Lebih terperinciData Mining Menggunakan Metode K-Means Klaster untuk Mengelompokkan Pemegang Polis Asuransi Kendaraan Bermotor di Indonesia
Prosiding Statistika ISSN: 2460-6456 Data Mining Menggunakan Metode K-Means Klaster untuk Mengelompokkan Pemegang Polis Asuransi Kendaraan Bermotor di Indonesia Supiyah, 2 Aceng Komarudin Mutaqin, 3 Teti
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 ANALISA PERBANDINGAN METODE HIERARCHICAL CLUSTERING, K-MEANS DAN GABUNGAN KEDUANYA DALAM MEMBENTUK CLUSTER DATA (STUDI KASUS : PROBLEM KERJA PRAKTEK JURUSAN
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkebunan kelapa sawit di Indonesia terus berkembang dalam tiga dekade terakhir. Di Asia Tenggara negara seperti Malaysia, Thailand dan Indonesia merupakan penghasil
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN BANTUAN BIAYA PENDIDIKAN MENGGUNAKAN ALGORITMA K-MEANS
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN BANTUAN BIAYA PENDIDIKAN MENGGUNAKAN ALGORITMA K-MEANS Sinawati ), Ummi Syafiqoh 2) ), 2) Sistem Informasi STMIK PPKIA Tarakanita Rahmawati Tarakan Jl Yos
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dunia pendidikan, khususnya Pendidikan Tinggi mendapat sorotan dari publik. Salah satu sorotan yang dimaksud yaitu: belum meratanya sistem pendidikan tinggi di Jawa
Lebih terperinciK NEAREST NEIGHBOR DALAM IMPUTASI MISSING DATA. Susanti, Shantika Martha, Evy Sulistianingsih INTISARI
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 07, No. 1 (2018), hal 9-14. K NEAREST NEIGHBOR DALAM IMPUTASI MISSING DATA Susanti, Shantika Martha, Evy Sulistianingsih INTISARI Missing data
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Mining 2.1.1 Pengertian Data Mining Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis yang tepat. Data mining
Lebih terperinciMETODOLOGI PENELITIAN
55 METODOLOGI PENELITIAN Kerangka Pemikiran Membangun agroindustri yang tangguh dan berdaya saing tinggi seharusnya dimulai dengan membangun sistem jaringan rantai pasokan yang tangguh dan saling menguntungkan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciBAB III ANALISIS DAN PENYELESAIAN MASALAH
BAB III ANALISIS DAN PENYELESAIAN MASALAH 3.1 Deskripsi Sistem Gambar III-1 Deskripsi Umum Sistem Pada gambar III-1 dapat dilihat deskripsi sistem sederhana yang mendeteksi intrusi pada jaringan menggunakan
Lebih terperinciSistem Pendukung Keputusan Untuk Menentukan Program Keahlian di SMK Syubbanul Wathon Magelang
Konferensi Nasional Sistem & Informatika 205 STMIK STIKOM Bali, 9 0 Oktober 205 Sistem Pendukung Keputusan Untuk Menentukan Program Keahlian di SMK Syubbanul Wathon Magelang Ninik Tri Hartanti ), Kusrini
Lebih terperinciBAB I PENDAHULUAN. efektivitas dan efisiensi kerja tercapai. STIKOM Surabaya merupakan salah
BAB I PENDAHULUAN 1.1 Latar belakang masalah Solusi pemanfaatan teknologi komputer sebagai alat bantu dalam mendukung kegiatan operasional suatu bidang usaha memudahkan manusia dalam mendapatkan data atau
Lebih terperinciMatematika Ekonomi. Diana Chalil, PhD
Matematika Ekonomi Diana Chalil, PhD 1 Matematika ekonomi adalah: Analisa ekonomi dengan menggunakan simbol dan teori matematika dalam perumusan dan solusi masalah 2 Rifki mempunyai uang sebesar Rp50.000,-
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciPENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
Lebih terperinciBab I Pendahuluan. 1.1 Latar Belakang
Bab I Pendahuluan 1.1 Latar Belakang Klasifikasi merupakan task dari data mining yang bertujuan untuk memberikan label kelas terhadap suatu data. Pemberian label kelas ini dilakukan oleh classifier. Suatu
Lebih terperincimatematis. Formulasi matematis ini menunjukkan keterkaitan antara setiap variabel yang saling berinteraksi.
matematis. Formulasi matematis ini menunjukkan keterkaitan antara setiap variabel yang saling berinteraksi. 8.4. HASIL ANALISIS 8.4. 1. Sub Model Produksi Jeruk Sub model produksi jeruk pada Gambar 8.4
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Pada era industrialisasi sekarang ini, ilmu pengetahuan di bidang teknologi merupakan salah satu faktor yang dapat mempengaruhi perkembangan suatu perusahaan.
Lebih terperinciIDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION
JURNAL MANUTECH 43 IDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION Yoan Elviralita 1, Asrul Hidayat 2 1 Program Studi Teknik Mekatronika-Politeknik Bosowa 2 Program Studi Perawatan dan Perbaikan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Semakin maju dan berkembangnya kondisi perekonomian menyebabkan persaingan di dunia bisnis menjadi semakin ketat. Persaingan tersebut menuntut para pelaku bisnis melakukan
Lebih terperinci2. Tinjauan Pustaka. Gambar 2-1 : Knowledge discovery in database
2. Tinjauan Pustaka 2.1 Data Mining Data mining merupakan ilmu yang mempelajari tentang proses ekstraksi informasi yang tersembunyi dari sekumpulan data yang berukuran sangat besar dengan menggunakan algoritma
Lebih terperinciBAB I PENDAHULUAN. ini, tuntutan konsumen atas kualitas layanan komunikasi bergerak atau mobile
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Pada era persaingan industri selular di Indonesia maupun dunia dewasa ini, tuntutan konsumen atas kualitas layanan komunikasi bergerak atau mobile sangat
Lebih terperinciPengaruh Ketinggian Tempat Terhadap Mutu Fisik Beberapa Beras Aromatik
Pengaruh Ketinggian Tempat Terhadap Mutu Fisik Beberapa Beras Aromatik Beras aromatik adalah beras yang popular saat ini baik di dalam dan luar negeri karena mutu yang baik dan aroma yang wangi. Banyak
Lebih terperinciBAB IV PREPROCESSING DATA MINING
BAB IV PREPROCESSING DATA MINING A. Konsep Sebelum diproses data mining sering kali diperlukan preprocessing. Data preprocessing menerangkan tipe-tipe proses yang melaksanakan data mentah untuk mempersiapkan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Dalam era yang semakin berkembang ini, penggunaan data mining semakin banyak dalam berbagai bidang dan menjadi bagian dari perkembangan teknologi informasi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah kemiskinan merupakan hal yang sangat kompleks. Di wilayah Kecamatan Bantul, seorang warga disebut sebagai keluarga miskin berdasarkan beberapa aspek seperti
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini sering terjadi data explosion problem yaitu data data yang tersimpan dalam database berjumlah sangat besar namun dari data data tersebut belum banyak dimanfaatkan
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciThe 6 th University Research Colloquium 2017 Universitas Muhammadiyah Magelang
Penerapan Seleksi Atribut Berdasarkan Koefisien Variansi dan Korelasi untuk Inisialisasi Pusat Awal Klaster pada Algoritma K- Means dalam Pemetaan E-Government Tahun 2016 Ivon Dewi Apriliyaningsih 1*,
Lebih terperinciBAB I PENDAHULUAN. Beras merupakan bahan pangan pokok bagi sebagian besar penduduk
BAB I PENDAHULUAN 1.1. Latar Belakang Beras merupakan bahan pangan pokok bagi sebagian besar penduduk Indonesia yang memberikan energi dan zat gizi yang tinggi. Beras sebagai komoditas pangan pokok dikonsumsi
Lebih terperinciBAB II TINJAUAN PUSTAKA
2.1 Tinjauan Empiris BAB II TINJAUAN PUSTAKA Pada penelitian ini, peneliti menggunakan beberapa penelitian yang pernah dilakukan sebelumnya sebagai tinjauan studi. Berikut ialah tinjauan empiris yang digunakan:
Lebih terperinciBAB IV GAMBARAN UMUM METODOLOGI DATA MINING
BAB IV GAMBARAN UMUM METODOLOGI DATA MINING A. Metodologi Data Mining Metodologi Data Mining Komponen data mining pada proses KDD seringkali merupakan aplikasi iteratif yang berulang dari metodologi data
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciIDENTIFIKASI TIGA JENIS BUNGA IRIS MENGGUNAKAN ANFIS
IDENTIFIKASI TIGA JENIS BUNGA IRIS MENGGUNAKAN ANFIS Abdul Kadir Program Pascasarjana Teknik Elektro Universitas Gadjah Mada, Yogyakarta E-mail: akadir@mti.ugm.ac.id Abstract This paper was based on our
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sistem jaringan komputer memiliki peran yang sangat penting dalam masyarakat modern karena memungkinkan informasi dapat diakses, disimpan dan dimanipulasi secara online.
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-521
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-521 Analisa Perbandingan Metode Hierarchical Clustering, K-means dan Gabungan Keduanya dalam Cluster Data (Studi kasus : Problem Kerja Praktek Jurusan
Lebih terperinciBAB I PENDAHULUAN. satu bagian sistem biometrika adalah face recognition (pengenalan wajah). Sistem
1 BAB I PENDAHULUAN 1.1. Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia yang memiliki keunikan. Salah satu bagian sistem biometrika
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan
Lebih terperinciGambar 5.8 Crossplot korelasi regresi multiatribut CC = Gambar 5.9 Crossplot korelasi multiatribut-pnn CC = 0.87
Korelasi yang dihasilkan dari neural network lebih besar dari regresi multiatrribute, hal ini karena neural network mempunyai operasi yang non-linear. Neural network hanya dilakukan dalam window analysis
Lebih terperinciBAB 1 PENDAHULUAN. Dengan kemajuan teknologi informasi sekarang ini, kebutuhan akan
BAB 1 PENDAHULUAN A. Latar Belakang Dengan kemajuan teknologi informasi sekarang ini, kebutuhan akan informasi yang akurat sangat dibutuhkan dalam kehidupan sehari-hari. Namun kebutuhan informasi yang
Lebih terperinciPengolahan Citra untuk Identifikasi Kerusakan Kemasan Minuman Kaleng
Pengolahan Citra untuk Identifikasi Kerusakan Kemasan Minuman Kaleng Damage identification of packaging beverage can by image processing application Tugas Akhir Diajukan untuk memenuhi sebagian dari syarat
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada era informasi, kebutuhan akan teknologi memberikan peranan yang sangat penting dalam mendukung aktivitas manusia. Salah satu contohnya adalah pengembangan teknologi
Lebih terperinciModel Linear untuk Regresi
MMA10991 Topik Khusus - Machine Learning Model Linear untuk Regresi Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciBAB 2 LANDASAN TEORI
16 BAB 2 LANDASAN TEORI 2.1 Diagram Sebab-Akibat (Causes and Effect Diagram) Diagram sebab akibat adalah suatu diagram yang menunjukkan hubungan antara sebab dan akibat. Berkaitan dengan pengendalian proses
Lebih terperinciI PENDAHULUAN
I PENDAHULUAN 1.1. Latar Belakang Indonesia merupakan negara agraris yang sebagian besar penduduknya bermata pencarian sebagai petani. Hal ini perlu mendapat perhatian berbagai pihak, karena sektor pertanian
Lebih terperinciMetode Kernel. Machine Learning
MMA10991 Topik Khusus Machine Learning Metode Kernel Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinci