IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
|
|
- Sucianty Tedja
- 8 tahun lalu
- Tontonan:
Transkripsi
1 IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas Multmeda Fakultas Teknolog Industr, Insttut Teknolog Sepuluh Nopember Surabaya Kampus ITS, Jl. Raya ITS, Sukollo-Surabaya 60111, Indonesa, Telp , Fax Emal :m_mplbn@ yahoo.om Abstrak Cr yang dgunakan dalam dentfkas kematangan buah adalah r warna (ftur R, G, dan B). Selanjutnya dlakukan lusterng dengan metode Sngle Lnkage Herarhal Method (SLHM) terhadap r warna yang dperoleh. Dalam lusterng, umumnya harus dlakukan nsalsas jumlah luster yang dngnkan terlebh dahulu, padahal pada beberapa kasus lusterng, user bahkan tdak tahu berapa banyak luster yang bsa dbangun. Untuk tu, dalam peneltan n daplkaskan metode Valley Trang. Metode n merupakan onstrant yang akan melakukan dentfkas terhadap pergerakan varane dar tap tahap pembentukan luster, dan menganalsa polanya untuk membentuk suatu luster seara otomats (automat lusterng). Jumlah luster yang dperoleh menunjukkan jumlah buah yang ddentfkas, kemudan nama buah dan jens kematangan masng-masng buah dperoleh dengan membandngkan nla entrod tap luster dengan nla entrod data tranng yang sebelumnya telah dsmpan dalam database dan mempunya label nama buah. Kata kun : Pengenalan kematangan buah, SLHM, Image Clusterng, Clusterng Otomats, Valley Trang. 1. PENDAHULUAN 1.1. Latar Belakang Dewasa n perkembangan teknolog nformas berkembang sangat pesat. Hal n dkut pula dengan banyaknya peneltan-peneltan baru dalam bdang tersebut, dantaranya adalah yang berkatan dengan objet reognton (pengenalan objek). Aplkas objet reognton yang telah ada salah satunya adalah proses dentfkas / pengenalan buah berdasarkan r warna. Pada pengenalan buah berdasarkan r warna sebelumnya, sstem hanya mampu mengdentfkas objek buah tunggal. Sstem yang dbangun belum mampu mengenal objek berupa sekumpulan buah. Sehngga dbutuhkan suatu solus untuk permasalahan tersebut. Dalam peneltan n akan dbangun aplkas mage lusterng untuk mengdentfkas buah tomat berdasarkan warna. Dalam lusterng, umumnya harus dlakukan nsalsas jumlah luster yang dngnkan terlebh dahulu, padahal pada beberapa kasus lusterng, user bahkan tdak tahu berapa banyak luster yang bsa dbangun. Untuk tu, dalam peneltan n daplkaskan metode Valley Trang yang mampu menyelesakan masalah tersebut. Metode n bsa melakukan lusterng seara otomats (Automat Clusterng) terhadap ftur warna berupa R,G,B dar buah tomat dengan memanfaatkan Sngle Lnkage Herarhal Method (SLHM), yatu mendeteks pergerakan varan pada tap tahap pembentukan lusternya untuk menemukan global optmum sehngga bsa dbangun luster seara otomats (automat Clusterng). Nla entrod masng-masng hasl lusterng selanjutnya akan dgunakan untuk mengdentfkas jens buah dan kematangannya Perumusan Masalah Permasalahan utama pada peneltan n bagamana membangun sstem dentfkas buah tomat, dar permasalahan n akan dbahas 3 permasalahan yang pentng yatu : - Bagamana mengdentfkas berapa jens kematangan buah tomat dalam gambar nput. - Bagamana mengdentfkas jens buah dan jens kematangannya yang ada pada gambar nput. - Bagamana menerapkan metode Valley Trang untuk membangun luster seara otomats (Automat Clusterng) Tujuan Peneltan Dar rumusan masalah d atas maka peneltan n bertujuan untuk memperbak teknk retrval mage menggunakan lusterng untuk menentukan jumlah buah dan kematangannya yang ada dalam suatu mage Batasan Masalah Batasan pada peneltan n adalah sebaga berkut : 1. Objek yang dgunakan adalah buah tomat. 2. Buah tomat yang ddentfkas adalah buah yang memlk 1 warna dan domnan. 3. Ftur yang dambl dalam objek gambar adalah rr warna dengan ftur R,G,B yang kemudan dolah dalam A-15
2 metode lusterng. 4. Metode lusterng yang dgunakan adalah Sngle Lnkage Hrarhal Method. 5. Ukuran mage atau gambar sama dengan format JPG 6. Warna dasar tempat meletakkan objek tetap (bakground puth) Manfaat Manfaat yang dapat dberkan dalam peneltan n adalah mengembangkan teknk-teknk pengenalan obyek yang telah ada sebelumnya melalu mage lusterng dengan metode Valley Trang sehngga kelemahankelemahan dalam peneltan-peneltan yang dbuat sebelumnya dapat dsempurnakan terutama dalam pengenalan obyek yang memlk karakterstk spesfk, yang sebelumnya belum dapat ddentfkas. 2. TINJAUAN PUSTAKA S. Ray, R.H. Tur, (1999), [1], melakukan peneltan tentang kekurangan utama algortma K-Mean adalah bahwa jumlah luster harus yang dsedakan sebaga parameter. Pada peneltan mereka memperlhatkan suatu valdtas pengukuran sederhana berdasarkan pada pengukuran jarak ntra-luster dan nter-luster yang membolehkan jumlah luster untuk dtentukan seara otomats. Prosedur dasar melbatkan semua segmentas mage untuk lebh dar 2 luster sampa ke Kmax luster, d mana Kmax merepresentaskan batas atas pada jumlah dar luster. Kemudan pengukuran valdtas dhtung untuk menentukan luster terbak dengan menar nla mnmum dar pengukuran Al Rdho Barakhbah, Kohe Ara, (2004), [2], peneltan n mengusulkan pendekatan baru untuk menar global optmum dar lusterng dan menganalsa pergerakan varane dar luster untuk setap tngkat pembentukan luster. Kemudan menganalsa pola untuk menar global optmum untuk menghndar loal optma. Peneltan n juga menganalsa kemungknan untuk membuat luster otomats (aoutomat lusterng) Dasar Teor Pengertan Clusterng Clusterng adalah suatu ara menganalsa data dengan ara mengelompokkan objek kedalam kelompok-kelompok berdasar suatu kesamaan tertentu. Bsa juga dartkan sebaga proses untuk mendefnskan pemetaan/mappng f:d C dar beberapa data D={t 1, t 2, t n } kedalam beberapa luster C={ 1, 2,., n } berdasarkan kesamaan antar t. Sebuah luster adalah sekumpulan obyek yang dgabung bersama karena persamaan atau kedekatannya. Sedangkan Image lusterng ( pengelompokkan gambar ) adalah proses untuk membag atau mengelompokkan suatu mage ke dalam beberapa bagan yang berbeda, dmana pada tap bagan yang berbeda tersebut anggotanya mempunya kesamaan khusus (homogen). Clusterng basa dgunakan pada banyak bdang, sepert : data mnng, pattern reognton (pengenalan pola), mage lassfaton (pengklasfkasan gambar), lmu bolog, pemasaran, perenanaan kota, penaran dokumen, dan lan sebaganya. Clusterng berdasar warna Clusterng berdasar bentuk Gambar 2.1 Ilustras lusterng Karakterstk Clusterng Karakterstk lusterng dbag menjad 4, yatu : 1. Parttonng lusterng Parttonng lusterng dsebut juga exlusve lusterng, dmana setap data harus termasuk ke luster tertentu. Karakterstk tpe n juga memungknkan bag setap data yang termasuk luster tertentu pada suatu tahapan proses, pada tahapan berkutnya berpndah ke luster yang lan. Contoh : K-Means, resdual analyss. 2. Herarhal lusterng Pada herarhal lusterng, Setap data harus termasuk ke luster tertentu. Dan suatu data yang termasuk ke luster tertentu pada suatu tahapan proses, tdak dapat berpndah ke luster lan pada tahapan berkutnya. A-16
3 Contoh: Sngle Lnkage, Centrod Lnkage,Complete Lnkage, Average Lnkage. 3. Overlappng lusterng Dalam overlappng lusterng, setap data memungknkan termasuk ke beberapa luster. Data mempunya nla keanggotaan (membershp) pada beberapa luster. Contoh: Fuzzy C-means, Gaussan Mxture. 4. Hybrd Karakterstk hybrd adalah Mengawnkan karakterstk dar parttonng, overlappng dan herarhal ALgortma Clusterng Ada beberapa algortma yang serng dgunakan dalam lusterng, yatu : 1. K-Means Termasuk parttonng lusterng yang memsahkan data ke k daerah bagan yang terpsah. K-means algorthm sangat terkenal karena kemudahan dan kemampuannya untuk mengklaster data besar dan data outler dengan sangat epat. Sesua dengan karakterstk parttonng lusterng, Setap data harus termasuk ke luster tertentu, dan Memungknkan bag setap data yang termasuk luster tertentu pada suatu tahapan proses, pada tahapan berkutnya berpndah ke luster yang lan. Algortma K-Means : 1. Menentukan k sebaga jumlah luster yang ngn dbentuk 2. Membangktkan k entrods (ttk pusat luster) awal seara random 3. Menghtung jarak setap data ke masng-masng entrods 4. Setap data memlh entrods yang terdekat 5. Menentukan poss entrods baru dengan ara menghtung nla rata-rata dar data-data yang memlh pada entrod yang sama. 6. Kembal ke langkah 3 jka poss entrods baru dengan entrods lama tdak sama. Gambar 2.2 Ilustras Algortma K-means Karakterstk K-Means : K-means sangat epat dalam proses lusterng K-means sangat senstf pada pembangktan entrods awal seara random Memungknkan suatu luster tdak mempunya anggota Hasl lusterng dengan K-means bersfat tdak unk ( selalu berubah-ubah) - terkadang bak, terkadang jelek. K-means sangat sult untuk menapa global optmum Gambar 2.3 Ilustras kelemahan K-means 2. Herarhal Clusterng Dengan metode n, data tdak langsung dkelompokkan kedalam beberapa luster dalam 1 tahap, tetap dmula dar 1 luster yang mempunya kesamaan, dan berjalan seterusnya selama beberapa teras, hngga terbentuk beberapa luster tertentu. Arah herarhal lusterng dbag 2, yatu : a) Dvsve - Dar 1 luster ke k luster - Pembagan dar atas ke bawah (top to down dvson) b) Agglomeratve - Dar N luster ke k luster A-17
4 - Penggabungan dar bawah ke atas (down to top merge). Algortma Herarhal lusterng : 1. Menentukan k sebaga jumlah luster yang ngn dbentuk 2. Setap data danggap sebaga luster. Kalau N = jumlah data dan =jumlah luster, berart ada =N. 3. Menghtung jarak antar luster 4. Car 2 luster yang mempunya jarak antar luster yang palng mnmal dan gabungkan (berart =-1). 5. Jka >k, kembal ke langkah 3. Gambar 2.4 Ilustras Algortma Herarhal Clusterng Penghtungan jarak antar obyek, maupun antar lusternya dlakukan dengan Euldan dstane, khususnya untuk data numerk [2]. Untuk data 2 dmens, dgunakan persamaan sebaga berkut : d ( x, y ) = Algortma herarhal lusterng banyak daplkaskan pada metode peng-lusteran berkut : 1. Sngle Lnkage Herarhal Method (SLHM) Sngle Lnkage adalah proses penglusteran yang ddasarkan pada jarak terdekat antar obyeknya ( mnmum dstane). Metode SLHM sangat bagus untuk melakukan analsa pada tap tahap pembentukan luster. Metode n juga sangat ook untuk dpaka pada kasus shape ndependent lusterng, karena kemampuannya untuk membentuk pattern / pola tertentu dar luster. Sedangkan untuk kasus ondensed lusterng, metode n tdak bagus. Algortma Sngle Lnkage Herarhal Method : 1. Dasumskan setap data danggap sebaga luster. Kalau n=jumlah data dan =jumlah luster, berart ada =n. 2. Menghtung jarak antar luster dengan Euldan dstane. 3. Menar 2 luster yang mempunya jarak antar luster yang palng mnmal dan dgabungkan (merge) kedalam luster baru (sehngga =-1) 4. Kembal ke langkah 3, dan dulang sampa dapa luster yang dngnkan. n = 1 x y 2 (2.1) Jarak luster 1 ke luster 2 = Jarak data 3 ke data 4 Gambar 2.5 Ilustras Sngle Lnkage 2. Centrod Lnkage Herarhal Method Centrod Lnkage adalah proses penglusteran yang ddasarkan pada jarak antar entrodnya. Metode n bagus untuk memperkel varane wthn luster karena melbatkan entrod pada saat penggabungan antar luster. Metode n juga bak untuk data yang mengandung outler. Algortma Centrod Lnkage Herarhal Method : 1. Dasumskan setap data danggap sebaga luster. Kalau n=jumlah data dan =jumlah luster, berart ada =n. 2. Menghtung jarak antar luster dengan Euldan dstane. 3. Menar 2 luster yang mempunya jarak entrod antar luster yang palng mnmal dan dgabungkan (merge) kedalam luster baru (sehngga =-1) A-18
5 4. Kembal ke langkah 3, dan dulang sampa dapa luster yang dngnkan. Jarak luster 1 ke luster 2 = Jarak entrod luster 1 ke entrod luster 2 Gambar 2.6 Ilustras Centrod Lnkage 3. Complete Lnkage Herarhal Method Complete Lnkage adalah proses penglusteran yang ddasarkan pada jarak terjauh antar obyeknya ( maksmum dstane). Metode n bak untuk kasus lusterng dengan normal data set dstrbuton. Akan tetap, metode n tdak ook untuk data yang mengandung outler. Algortma Complete Lnkage Herarhal Method : 1. Dasumskan setap data danggap sebaga luster. Kalau n=jumlah data dan =jumlah luster, berart ada =n. 2. Menghtung jarak antar luster dengan Euldan dstane. 3. Menar 2 luster yang mempunya jarak antar luster yang palng maksmal / terjauh dan dgabungkan (merge) kedalam luster baru (sehngga =-1) 3. Kembal ke langkah 3, dan dulang sampa dapa luster yang dngnkan. Jarak luster 1 ke luster 2 = Jarak data 1 ke data 6 Gambar 2.7 Ilustras Complete Lnkage 4. Average Lnkage Herarhal Method Average Lnkage adalah proses penglusteran yang ddasarkan pada jarak rata-rata antar obyeknya ( average dstane). Metode n relatf yang terbak dar metode-metode herarhal. Namun, n harus dbayar dengan waktu komputas yang palng tngg dbandngkan dengan metode-metode herarhal yang lan. Jarak luster 1 ke luster 2 = Jarak antar data n x m Dmana : n = Jumlah data luster 1 m = Jumlah data luster 2 Gambar 2.8 Ilustras Average Lnkage Analsa Cluster Analsa luster adalah suatu teknk analsa multvarate (banyak varabel) untuk menar dan mengorgansr nformas tentang varabel tersebut sehngga seara relatf dapat dkelompokkan dalam bentuk yang homogen dalam sebuah luster. Seara umum, bsa dkatakan sebaga proses menganalsa bak tdaknya suatu proses pembentukan luster. Analsa luster bsa dperoleh dar kepadatan luster yang dbentuk (luster densty). Kepadatan suatu luster bsa dtentukan dengan varane wthn luster (Vw) dan varane between luster (Vb). Varan tap tahap pembentukan luster bsa dhtung dengan rumus : n V = ( y y ) (2.2) n 1 = 1 A-19
6 Dmana : rumus : Dmana : V 2 = varan pada luster = 1..k, dmana k = jumlah luster n = jumlah data pada luster y = data ke- pada suatu luster y = rata-rata dar data pada suatu luster Selanjutnya dar nla varan datas, kta bsa menghtung nla varane wthn luster (Vw) dengan Vw = ( n 1 ). V (2.3) N = 1 N = Jumlah semua data n = Jumlah data luster V = Varan pada luster Dan nla varane between luster (Vb) dengan rumus : Vb = n( y y) (2.4) 1 = 1 Dmana : y = rata-rata dar y Salah satu metode yang dgunakan untuk menentukan luster yang deal adalah batasan varane, yatu dengan menghtung kepadatan luster berupa varane wthn luster (Vw) dan varane between luster (Vb). Cluster yang deal mempunya Vw mnmum yang merepresentaskan nternal homogenty dan maksmum Vb yang menyatakan external homogenty. 2 Vw V = x100% (2.5) 2 Vb Meskpun mnmum Vw menunjukkan nla luster yang deal, tetap pada beberapa kasus kta tdak bsa menggunakannya seara langsung untuk menapa global optmum. Jka kta paksakan, maka solus yang dhaslkan akan jatuh pada loal optma Identfkas Pola Berdasarkan Pergerakan Varan Identfkas pola pergerakan varan merupakan metode untuk memperoleh luster yang menapa global optmum, yang mampu mengatas masalah dar mnmum V. Gambar 2.9 menunjukkan pergerakan varan pada tap tahap pembentukan luster, dmana dar gambar tersebut terlhat bahwa global optmum berada pada tahap ke 15, dengan 6 total luster. Gambar 2.9 Pergerakan Varane pada taptahap Pembentukan luster Berkut tahap untuk menemukan global optmum dar tahap pembentukan luster : a) Mendeskrpskan semua pola dar pergerakan varan, sepert gambar 2.9 datas. b) Menganalsa kemungknan global optmum yang berada pada tempat yang tepat. ) Melhat poss dar global optmum yang mungkn. Poss yang mungkn untuk menemukan global optmum pada pergerakan varan, dkelompokkan menjad 2, yatu : 1. Hll-lmbng Pada Hll-lmbng ddefnskan bahwa kemungknan menapa global optmum terletak pada tahap ke-, jka memenuh persamaan berkut : A-20
7 v >. + (2.6) Dmana, α adalah nla tngg. Nla tngg dgunakan untuk menentukan seberapa mungkn metode n menapa global optmum. Nla α yang basa dgunakan adalah 2,3, dan 4. Persamaan datas, dperoleh berdasar analsa pergerakan varan pola Hll-lmbng berkut : 1 α v Gambar 2.10 Pola nla beda Hll-lmbng 2. Valley-trang Pada Valley-trang ddefnskan bahwa kemungknan menapa global optmum terletak pada tahap ke-, jka memenuh persamaan berkut : ( v v ) ( v > v ) (2.7) Dmana = 1 n, dan n tahap terakhr pembentukan luster. Persamaan datas, dperoleh berdasar analsa pergerakan varan pola Valley-trang berkut : Gambar 2.11 Pola nla beda Valley-trang Berkut tabel yang menunjukkan pola-pola Valley-trang yang mungkn menapa global optmum. Pola yang mungkn dtanda dengan smbol. Tabel 1. Tabel kemungknan pola Valley-trang menapa global optmum Selanjutnya, bak dengan pendekatan metode valley-trang maupun hll-lmbng dlakukan dentfkas perbedaan nla tngg ( ) pada tap tahap, yang ddefnskan dengan : = = ( v+ v) + ( v 1 v) ( v + v ) ( 2xv) 1 (2.8) Nla dgunakan untuk menghndar loal optma, dmana persamaan n dperoleh dar maksmum yang dpenuh pada persamaan 7. Untuk membentuk luster seara otomats, yatu luster yang menapa global optma, dgunakan nla λ sebaga threshold, sehngga luster seara otomats A-21
8 terbentuk ketka memenuh : ( ) λ max (2.9) Untuk mengetahu keakuratan dar suatu metode pembentukan luster pada herarhal method, bak menggunakan valley-trang maupun hll-lmbng, dgunakan persamaan sebaga berkut : ϕ max( ) = (2.10) nla terdekat ke max Dmana : sebelumnya. Nla φ yang lebh besar dar 2, menunjukkan luster yang terbentuk merupakan luster yang wellseparated (terpsah dengan bak). nla terdekat ke max ( ) adalah nla kanddat max ( ) Konsep Warna Warna pokok [3] dalam pengelolaan tra terdr dar 3 (tga) unsur, yatu merah (R), hjau (H), dan bru (B). Jka warna-warna pokok tersebut dgabungkan, maka akan menghaslkan warna lan. Penggabungan tersebut bergantung pada warna pokok yang tap-tapwarna memlk nla 256 (8 bt). ( ) Warna yang ddeskrpskan dengan RGB adalah pemetaan yang mengau pada panjang gelombang dar RGB. Pemetaan menghaslkan nuansa warna untuk masng-masng R, G, dan B. Masng-masng R, G, dan B ddskrtkan dalam skala 256, sehngga RGB akan memlk ndeks antara 0 sampa METODE PENELITIAN Untuk menapa tujuan dalam peneltan n, dperlukan suatu metode peneltan yang tepat sehngga dapat dgunakan sebaga pedoman dalam pelaksanaannya seara sstemats. Metode peneltan yang akan dgunakan dalam peneltan n nantnya melput tahapan peneltan yang terdr dar : 3.1. Stud Kepustakaan Adapun langkah-langkah yang dlakukan dalam peneltan n dantaranya adalah melakukan pengumpulan serta mempelajar lteratur-lteratur yang berhubungan dengan mage lusterng dar peneltanpeneltan sebelumnya, dasar-dasar mage proessng, lterature pendukung lannya yang berhubungan dengan peneltan n Ranang Bangun Sstem Dalam peneltan n memlk 2 tahap yatu tahap Learnng (learnng proess) dan tahap dentfkas (dentfaton proses). 1. Tahap Learnng (Learnng Proess) Learnng proess adalah tahap pembelajaran kepada komputer untuk mengenal nla RGB dar suatu mage buah tomat, dmana nla RGB tersebut adalah nla entrod dar suatu proses mage lusterng. Yang pertama kal d lakukan dalam learnng proess adalah pengamblan nla RGB dar suatu mage buah. Kemudan nla RGB d setap pxel d mage tersebut d klastersas dengan menggunakan algortma K- Means, sehngga d dapatkan nla-nla entrod dar suatu mage tersebut. 2. Tahap Identfkas (Identfkas Proess) Pertama kal gambar buah tomat yang akan d dentfkas akan dambl nla RGBnya untuk nantnya akan dlakukan proses automat lusterng. Pada proses automat lusterng n akan menggunakan metode valley trang untuk menar berapa luster yang terbentuk seara otomats sehngga akan d dapatkan nla entrodnya dmana nla entrod tersebut akan dgunakan untuk melakukan proses dentfkas. Proses dentfkas n akan merujuk pada database yang ada, dmana program akan menganalsa nla-nla A-22
9 RGB dar mage yang telah d klastersas dengan nla-nla yang terdapat dalam database yang bers nlanla RGB dar hasl luster pada proses learnng sehngga jens buah tomat dan kematangannya yang terdapat dalam mage nput dapat d ketahu Blok Dagram Sstem ( ) λ Gambar 3.1. Blok Dagram Sstem 3.3. Pengujan Unjuk Kerja Sstem Pada pengujan sstem dlakukan mplementas dar ranangan sstem yang telah djelaskan dar blok dagram sstem yang ada. Gambar 3.1 menunjukkan blok dagram sstem dar proses tranng, ekstraks warna, learnng, luster sampa pada dentfkas kematangan buah pada sebuah mage yang bers kumpulan buah Analsa Sstem Penganalsaan yang dlakukan yatu dengan mengambl data tranng dar masng masng mage buah tomat dalam poss yang berbeda, lalu dber nama dengan nama buah serta jens kematangannya kemudan dsmpan dalam database yang djadkan sebaga data tranng. Gambar 3.1 datas menggambarkan blok dagram proses dentfkas, dmana setelah gambar dekstraks warnanya, sehngga ddapat nla R,G,dan B, selanjutnya nla tersebut d-luster oleh system dengan menggunakan algortma Sngle Lnkage Herarhal Method yang juga mengaplkaskan metode valley trang untuk membentuk luster seara otomats. Pada tap tahap pembentukan luster dlakukan penghtungan nla beda tngg. Nla tersebut dhtung dengan ara terlebh dahulu melakukan pengeekan dengan metode valley trang, jka memenuh, maka nla dhtung. Selanjutnya pada nla max tulah luster yang optmal terbentuk. Dar luster yang terbentuk dperolehlah nla entrod. Masuk ke proses dentfkas, nla entrod hasl dhtung kedekatannya dengan nla entrod masng-masng data learnng menggunakan euqldean dstane. Nla jarak yang palng mnmal dplh dengan representas label pada data tranng. 4. KESIMPULAN DAN SARAN 4.1. Kesmpulan 1. Tdak semua dar hasl perobaan yang dlakukan menghaslkan suatu dentfkas yang bak dan benar, karena proses apture yang kurang sempurna, sehngga pada saat klastersas terdapat klaster-klaster lan yang terbentuk. 2. Untuk mendapatkan luster yang tepat pada saat penglusteran otomats terhadap data ftur R,G,B. Kualtas gambar juga menentukan tepat tdaknya hasl luster. A-23
10 4.2. Saran Hasl yang dapa dar peneltan n belum sempurna. Untuk menngkatkan hasl yang dapa, maka dperlukan : 1. Pre-proessng terhadap mage yang akan dproses dengan lusterng, hal n untuk mereduks pxel-pxel yang mengganggu yang mengakbatkan terbentuknya luster yang tdak dngnkan. 2. Penggunaan algortma lusterng yang lebh ampuh untuk membentuk luster, yang mampu menangan data yang mengandung outler (dalam hal n pxel yang mengganggu). 3. Pengamblan gambar dengan penahayaan yang bagus, agar dperoleh kualtas gambar yang bagus. 5. DAFTAR PUSTAKA Al Rdho Barakhbah, Kohe Ara, 2004, Determnng Constrants of Movng Varane to Fnd Global Optmum and Make Automat Clusterng IES Pro. Pp C.J. Veenman, M.J.T. Renders, E. Baker, 2002, A Maxmum Varane Cluster Algorthm, IEEE Transatons on Pattern Analyss and Mahne Intellgene, Vol. 24, No. 9, pp S. Ray, R.H. Tur, 1999, Determnaton of Number of Clusters n K-means Clusterng and Applaton n Colour Image Segmentaton, 4th ICAPRDT Pro., pp A-24
BAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciJULIO ADISANTOSO - ILKOM IPB 1
KOM341 Temu Kembal Informas KULIAH #9 Text Clusterng Clusterng Pengelompokan, penggerombolan Proses pengelompokan sekumpulan obyek ke dalam kelas-kelas obyek yang memlk sfat sama. Unsupervsed learnng JAS
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu
Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciBAB II DASAR TEORI. 2.1 Definisi Game Theory
BAB II DASAR TEORI Perkembangan zaman telah membuat hubungan manusa semakn kompleks. Interaks antar kelompok-kelompok yang mempunya kepentngan berbeda kemudan melahrkan konflk untuk mempertahankan kepentngan
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciBAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinci2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil
.1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciSEARAH (DC) Rangkaian Arus Searah (DC) 7
ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan
Lebih terperinciBAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:
BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
Lebih terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
Lebih terperinciContoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi.
BAB V TEOEMA-TEOEMA AGKAIA 5. Teorema Superposs Teorema superposs bagus dgunakan untuk menyelesakan permasalahan-permasalahan rangkaan yang mempunya lebh dar satu sumber tegangan atau sumber arus. Konsepnya
Lebih terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciBAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk
Lebih terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciBab 2 AKAR-AKAR PERSAMAAN
Analsa Numerk Bahan Matrkulas Bab AKAR-AKAR PERSAMAAN Pada kulah n akan dpelajar beberapa metode untuk mencar akar-akar dar suatu persamaan yang kontnu. Untuk persamaan polnomal derajat, persamaannya dapat
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
Lebih terperinciBab III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas
BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciConfigural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Confgural Frequency Analyss untuk Melhat Penympangan pada Model Log Lnear Resa Septan Pontoh 1, Def Y. Fadah 2 1,2 Departemen Statstka FMIPA
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciBAB I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Ctra dgtal merupakan ctra hasl dgtalsas yang dapat dolah pada suatu komputer dgtal [12]. Ctra dgtal tersusun atas sejumlah elemen. Elemen-elemen yang menyusun ctra
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciBAB III METODE PENELITIAN. Karangkajen, Madrasah Tsanawiyah Mu'allimaat Muhammadiyah Yogyakarta,
BAB III METODE PENELITIAN A. Tempat dan Waktu Peneltan Peneltan n dlakukan pada 6 (enam) MTs d Kota Yogyakarta, yang melput: Madrasah Tsanawyah Neger Yogyakarta II, Madrasah Tsanawyah Muhammadyah Gedongtengen,
Lebih terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciSEGMENTASI BERBASIS REGION PADA CITRA BERWARNA UNTUK KEPERLUAN TEMU KEMBALI CITRA PADA EVENT OLAH RAGA LAPANGAN HIJAU
EGMENTAI BERBAI REGION PADA CITRA BERWARNA UNTUK KEPERLUAN TEMU KEMBALI CITRA PADA EVENT OLAH RAGA LAPANGAN HIJAU Arf Basof,.Kom, Moch. Harad, T, M.c, Ph.D. Program Magster Bdang Keahlan Jarngan Cerdas
Lebih terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
Lebih terperinciMETODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
TESIS METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS Oleh : I Made Wdartha NRP. 5109201009 Dosen Pembmbng : Dr. Agus Zanal Arfn, S.Kom, M.Kom Anny Yunart, S.Kom, M.Comp.Sc
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciBAB I PENDAHULUAN. konsep strategi yang cocok untuk menghadapi persaingan baik itu mengikuti marketing
BAB I PENDAHULUAN 1.1 Latar Belakang Konds persangan dalam berbaga bdang ndustr saat n dapat dkatakan sudah sedemkan ketatnya. Persangan dalam merebut pasar, adanya novas produk, mencptakan kepuasan pelanggan
Lebih terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
I ENDHULUN. Latar elakang Mengambl keputusan secara aktf memberkan suatu tngkat pengendalan atas kehdupan spengambl keputusan. lhan-plhan yang dambl sebenarnya membantu dalam penentuan masa depan. Namun
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Bab n membahas tentang prosedur pengembangan pembelajaran dan mplementas model Problem Based Learnng dalam pembelajaran Konsep Dasar Matematka, Subjek Peneltan, Teknk dan Instrumen
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tempat, Subek, Waktu dan Jens Peneltan Pada bagan n akan dbahas tentang tempat peneltan, waktu peneltan dar perencanaan sampa penulsan hasl peneltan, serta ens peneltan n.
Lebih terperinci