PEMAMPATAN DAN REKONSTRUKSI CITRA BERWARNA 24-BIT MENGGUNAKAN ANALISIS KOMPONEN UTAMA (PCA) Rofi Yuliansyah 1, Budi Setiyono 2, R.
|
|
- Verawati Sudjarwadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PEMAMPAAN AN REKONSRUKSI CIRA BERWARNA 4-BI MENGGUNAKAN ANALISIS KOMPONEN UAMA (PCA) Rofi Yuliasyah, Budi Setiyoo, R Rizal Isato Abstrak - Selaa ii peelitia egeai peapata da rekostruksi citra digital asih egguaka tekik peapata kovesioal, seperti JPEG, PNG, GIF, da JPEG 000 yag telah ejadi stadar dari tekik peapata data citra digital ekik yag diguaka pada tekik peapata kovesioal buka egguaka aalisis egeai kopoe kopoe pebetuk data citra Oleh sebab itu perlu dilakuka peelitia egeai peapata da rekostruksi citra egguaka etode Aalisis Kopoe Utaa (PCA) utuk egaalisis kopoe pebetuk data citra PCA elakuka peapata dega cara eyajika sekupula ciri-ciri citra ke dala sebuah ruag baru yaitu ruag eige dega setiap ciri tidak salig berkorelasi, keudia eghilagka beberapa ciri citra atau vektor eige yag kurag petig Lagkah pertaa yag dilakuka dala elakuka peapata data citra egguaka PCA adalah eyiapka citra yag aka diapatka Lagkah yag kedua adalah elakuka pegolaha awal terhadap citra, yaitu dega eisahka kopoe RGB ejadi kopoe R,G, da B, keudia egolah asig-asig kopoe sapai edapatka vektor-vektor eige Lagkah yag ketiga elakuka proses peapata dega cara ebetuk data citra terapat da atriks alihraga yag berisi vektor-vektor eige terpilih Lagkah yag terakhir adalah erekostruksi citra dega cara egalihragaka balik data citra terapat Hasil pegujia siste eujukka bahwa pegguaa PCA utuk peapata data citra dapat eberika tigkat prosetase peapata yag cukup tiggi dega hasil citra rekostruksi saa dega citra asli Utuk citra yag diujika dapat diperoleh prosetase peapata terbaik sebesar 60% yaitu citra dega resolusi tertiggi sedagka prosetase peapata terburuk adalah 0% utuk citra yag eiliki tekstur lebih detail dibadigka dega citra uji laiya ega deikia, aplikasi yag dibuat sudah cukup layak diguaka utuk etode peapata citra digital Kata-kuci : Aalisis Kopoe Utaa, citra digital, resolusi, vektor eige I PENAHULUAN Citra digital adalah gabar dua diesi yag dihasilka dari gabar aalog dua diesi yag kotiyu ejadi gabar diskrit elalui proses saplig Citra digital erupaka suatu data yag ebutuhka ruag eori cukup besar utuk peyipaaya ) Mahasiswa Jurusa ekik Elektro UNIP ) Staff Pegajar Jurusa ekik Elektro UNIP Ukura berkas citra bergatug pada resolusi da kedalaa wara yag diguaka Oleh sebab itu perlu dilakuka peapata terhadap data citra ekik peapata secara uu terbagi dua, yaitu peapata berugi (lossy) da tak berugi (lossless) Pada tugas akhir ii dikebagka tekik peapata citra egguaka Aalisis Kopoe Utaa (PCA) ekik PCA terasuk ke dala tekik peapata berugi II EORI ANALISIS KOMPONEN UAMA Aalisis kopoe utaa adalah tekik statistik utuk egidetifikasi pola dala suatu data da egekspresika suatu data sedeikia rupa sehigga diperoleh persaaa da perbedaaya PCA elakuka peapata dega cara eyajika sekupula ciri-ciri citra kedala sebuah ruag baru yaitu ruag eige dega setiap ciri tidak salig berkorelasi, keudia eghilagka beberapa ciri citra atau vektor eige yag kurag petig ekik ii disebut juga alihraga Karhue-Loeve atau alihraga Hotellig Lagkah-lagkah dala PCA adalah Sebagai berikut Megupulka hipua data diesi dega sapel setiap diesiya ABEL HIMPUNAN AA ENGAN IMENSI 4 SAMPEL iggi (X) Berat (Y) 54 c 50 kg 7 c 69 kg 80 c 74 kg 65 c 60 kg Peyesuaia data, yaitu ecari ilai rerata asig-asig diesi da eguragka setiap ilai sapel dega ilai rerata sesuai dega diesiya ABEL CONOH AA HASIL PENYESUAIAN X i Y i X Y X X =67,5 Y =63,5 Peyesuaia Peyesuaia X Y 54 c 50 kg -3,5-3,5 7 c 69 kg 3,5 5,75 80 c 74 kg,5 0,75 65 c 60 kg -,5-3,5 3 Mebetuk atriks varias-kovarias dari data yag telah diperoleh egguaka persaaa da Matriks varias-kovarias ditujukka pada cotoh Y
2 cov(, ) i X i X Y i Y X Y () C ( c i, j, c i, j cov( i i, i j )) () iaa C = Matriks varias-kovarias i i, i j = iesi ke-i, diesi ke-j = Julah sapel setiap diesi cov( X, Y ) = Nilai kovaria atara diesi X da Y Cotoh : 5 C 04,83 04,83,58 Cotoh 4: ata Akhir 0,684 0,684 3,5 3,5 3,5 5,75,5 0,75 7 Merekostruksi kebali hipua data yag asli egguaka persaaa 5 PB MCB A (5) iaa PB = ata peyesuaia yag ditraspos hasil rekostruksi III PERANCANGAN SISEM 3 Peerapa PCA pada Peapata Citra,5 3,5 4 Mecari vektor eige da ilai eige dari atriks varias-kovarias yag eeuhi persaaa 3a da 3b hasil perhituga vektor eige da ilai eige ditujukka pada cotoh a da b C I 0 (3a) C I 0 iaa? = ilai eige a = Vektor eige Cotoh a: 0,684 Cotoh b: 0,684 ; 3, 455 ; 3, 3345 (3b) Gabar 3 iagra blok progra utaa Utuk elakuka peapata terhadap suatu citra berwara, aka citra tersebut harus dipisahka dahulu kopoe-kopoe waraya ejadi kopoe wara satua, yaitu kopoe wara erah(r), hijau(g) da biru(b) iap kopoe wara harus dibagi terlebih dahulu ejadi beberapa blok da ukura resolusi tiap blok citra tersebut harus saa 5 Megelopokka vektor-vektor eige ke dala suatu atriks ciri (MC), yag urutaya ulai dari vektor eige dega ilai terbesar ke vektor eige dega ilai lebih kecil 3 4 Cotoh 3: Matriks Ciri 0,684 0,684 6 Mebetuk data akhir dega egalika operasi trapos terhadap atriks ciri tersebut da egalikaya dega hipua data hasil peyesuaia yag telah ditraspos A MCB PB (4) iaa A = ata akhir MCB = Matriks citra yag ditraspos PB = ata peyesuaia yag ditraspos Gabar 3 Pebagia citra ejadi beberapa blok Blok-blok tersebut disusu sebagai kolo-kolo yag berbeda yag disebut sebagai atriks citra (MCit) Matriks citra ii erupaka represetasi dari hipua data dega diesi berupa blok-blok citra MCit vektor vektor vektor,,,,,,,,, (3) Selajutya ebetuk atriks peyesuaia (MCitP) dega eguragka setiap saple
3 diesi dega rerata dari diesi yag bersagkuta 3 MCitP MCitP (37b) MCitP,,,,,,,,, (3) Matriks citra peyesuaia terekostruksi aka tepat saa ilaiya dega atriks citra peyesuaia sebelu proses peapata citra jika seluruh vektor eige diikutsertaka ke dala atriks ciri Utuk edapatka kebali atriks citra aka atriks peyesuaia dijulahka dega rerata X Lagkah selajutya adalah ebetuk atriks varias-kovarias (C) dari atriks peyesuaia Matriks varias-kovarias selalu berbetuk bujursagkar da berukura, diaa adalah julah diesi (julah blok), karea atriks varias-kovarias eyajika hubuga tibale balik atara diesi/blok pada atriks peyesuaia cov(, ) cov(, ) cov(, ) cov(, ) cov(, ) cov(, ) C (33) cov(, ) cov(, ) cov(, ) ari atriks varias-kovarias dapat dicari vektor-vektor eige beserta ilai eige-ya Vektor eige ii diurutka dari terbesar ke terkecil, keudia disusu ke dala sebuah atriks ciri (MC) Matriks ciri selalu epuyai julah kolo sebayak (julah diesi/blok) MC k (34) iaa k = adalah julah vektor eige yag diabil Utuk kepetiga peapata, sebagia vektor eige yag ilai eige-ya kecil dibuag da disisaka sebayak k vektor eige ari vektor eige yag tersisa pada atriks ciri dapat dibetuk kebali sebuah atriks alihraga (MA) MA (MC) (35) Proses peapata dilakuka dega egalika atriks alihraga dega atriks peyesuaia yag ditraspos sehigga diperoleh atriks data akhir (MA) MA MA MCitP (36) Utuk erekostruksi citra diguaka persaaa 37 hasil rekostruksi berupa atriks peyesuaia terekostruksi yag ditraspos MCitP MA MA (37a) MCit Re k MCitP X (38) Matriks citra keudia disusu kebali ejadi blok-blok citra terekostruksi Blok citra keudia digabugka kebali ejadi satu citra utuh Citra utuh ii asih citra berbetuk citra satua (kopoe R, G, da B), utuk itu citra kopoe R, G, da B disatuka kebali ejadi citra RGB 3 Pegolaha Awal Mebaca citra yag aka diapatka Meisahka kopoe wara dari citra asuka ejadi kopoe wara satua R,G da B 3 Mebagi ilai elee piksel kopoe wara R dega 55 4 Meecah citra kopoe R ejadi blok-blok kecil yag berukura piksel 5 Meabahka data duy jika resolusi citra tidak habis dibagi piksel 50 piksel 50 piksel 50 piksel Gabar 3 Pebetuka blok citra tapa peabaha duy Pebetuka blok citra dega peabaha duy 6 Meyusu atriks citra 7 Meghitug rerata dari setiap kolo pada atriks citra 8 Mebetuk atriks peyesuaia dari atriks citra 9 Mebetuk atriks varias-kovarias 0 Mecari vektor eige dari atriks variaskovarias Setelah proses pegolaha kopoe wara R selesai, dilakuka proses pegolaha kopoe wara G da B seperti proses pegolaha kopoe wara R
4 33 Peapata citra Meyusu atriks alihraga kopoe wara R dega etraspos vektor-vektor eige terpilih Meghitug iforasi ukura resolusi citra asli yag diperluka saat rekostruksi citra utuk eghilagka data duy 3 Meghitug iforasi ukura blok citra yag diperluka saat rekostruksi citra utuk ebetuk kebali potoga-potoga blok citra 4 Meapatka citra dega egalika atriks alihraga dega atriks peyesuaia yag telah ditraspos 5 Mebuat footer citra yag berisi atriks alihraga da ilai rerata + Gabar 33 Forat footer citra Ukura resolusi citra asli Ukura blok citra Matriks alihraga Nilai rerata 6 Mebuat header citra yag berukura 8 3 bit X X Y Y dicadagka Gabar 34 Forat header citra saat proses peapata 7 Melakuka proses peapata utuk kopoe wara citra laiya 34 Rekostruksi Citra Mepersiapka data citra terapat, header citra, footer citra kopoe wara citra R Megekstrak iforasi ilai aksiu da iiu data citra terapat dari header citra 3 Megekstrak atriks alihraga dari footer citra 4 Megekstrak ilai rerata dari footer citra 5 Megekstrak iforasi ukura blok citra dari header citra 6 Megekstrak iforasi ukura resolusi citra asli dari header citra 7 Meghitug atriks peyesuaia terekostruksi 8 Meabahka atriks peyesuaia terekostruksi dega ilai rerata sehigga diperoleh atriks citra terekostruksi 9 Megubah atriks citra terekostruksi ejadi potoga-potoga blok citra egguaka iforasi ukura blok citra, keudia eyatuka kebali ejadi satu citra utuh kopoe wara R 0 Meghilagka data duy dari citra tersebut dega cara dipotog berdasarka ukura resolusi citra asli Melakuka proses rekostruksi utuk citra kopoe wara G da B Meyatuka citra kopoe R,G, da B ejadi citra RGB terekostruksi 35 Peskalaa ata Citra erapat Meyiapka data citra terapat, header citra, da footer citra kopoe wara R,G, da B Mecari ilai aksiu da iiu dari data citra terapat da footer citra tiap kopoe wara 3 Meskalaa data citra terapat da footer citra tiap kopoe wara egguaka persaaa 39 ilai asli ilai i ilai terskala roud (39) ilai aks ilai i 55 4 Meletaka iforasi ilai aksiu da ilai iiu data citra terapat serta footer citra secara beruruta pada kolo ke-5 da ke-6 serta kolo ke-7 da ke-8 header citra X X Y Y i ax i ax Ukura resolusi citra asli Ukura blok citra Nilai aksiu da iiu data citra terapat Nilai aksiu da iiu footer citra Gabar 35 Forat header citra setelah proses peskalaa 36 Peyipaa ata ke Berkas Meyiapka data citra terapat terskala, header citra, da footer citra terskala tiap kopoe wara Meghitug resolusi citra terapat terskala 3 Meghitug resolusi footer citra terskala 4 Meabahka iforasi resolusi citra terapat terskala da resolusi footer citra terskala ke dala header citra 5 Meyiapka berkas dega kodisi apped supaya dapat ditulisi dega data citra terapat terskala, header citra, da footer citra terskala 6 Meyipa header citra ke berkas dega tipe data sigle (3-bit) 7 Meyipa data citra terapat terskala yag bertipe data iteger tak bertada 8-bit (uit8) ke dala berkas 8 Meyipa footer citra terskala yag bertipe data iteger tak bertada 8-bit (uit8) ke dala berkas 9 Meutup kebali berkas yag telah diisi 4
5 5 Header Citra R ( 8) Header Citra G ( 8) Header Citra B ( 8) ata citra terapat terskala R ata citra terapat terskala G ata citra terapat terskala B Footer Citra R Footer Citra G Footer Citra R k k k egguaka aalisis kopoe utaa dega tujua utuk egetahui faktor yag epegaruhi proses peapata citra egguaka peragkat luak ii Pada pegujia pertaa dilakuka pegujia egguaka tiga citra dega resolusi yag berbeda-beda Setiap citra uji aka diapatka dega ilai prosetase peapata yag berbeda-beda Citra yag aka diuji adalah citra beachsidebp yag eiliki resolusi piksel, piksel, da piksel Utuk epersigkat pebahasa, haya ditapilka hasil pegujia utuk ilai prosetase peapata 60% utuk ketiga citra yag ditujuka pada Gabar 4 Gabar 36 Forat data yag disipa ke berkas 37 Pebacaa ata dari Berkas Meetuka aa da lokasi berkas Mebuka da eyiapka berkas dega kodisi read 3 Mebaca header citra dari dala berkas 4 Megabil iforasi ukura data citra terapat terskala dari header citra 5 Megabil iforasi ukura footer citra terkala dari header citra 6 Mebaca data citra terapat terskala berdasarka iforasi ukura data citra terapat terskala 7 Mebaca footer citra terskala berdsarka iforasi ukura footer citra terskala 8 Meutup kebali berkas yag sudah dibaca isiya 9 Mebuag iforasi ukura data citra terapat terskala da ukura footer citra terskala dari header citra (d) 38 Peskalaa Balik Mepersiapka data citra terapat terskala da footer citra terskala serta ilai aksiu da iiuya asig-asig yag diabil dari header citra Melakuka proses peskalaa balik egguaka persaaa 30 NA N Naks N i 55 N i (30) iaa: NA = Nilai asli N = Nilai terskala Naks = Nilai aksiu Ni = Nilai iiu IV HASIL PENELIIAN AN PEMBAHASAN 4 Pegujia Megguaka iga Citra dega Resolusi Berbeda Beberapa pegujia dilakuka terhadap peragkat luak peapata citra berwara Gabar 4 Citra beachsidebp asli Citra rekostruksi beachsidebp (c) Citra rekostruksi beachsidebp (d) Citra rekostruksi beachsidebp Secara sigkat hasil pegujiaya adalah sebagai berikut Hasil rekostruksi citra resolusi eujukka prosetase peapata tertiggi dega citra rekostruksi asih terlihat seperti citra asli adalah 60% Hasil rekostruksi citra resolusi , prosetase peapata tertiggiya adalah 50% dega kualitas citra rekostruksi seperti citra asli Hasil rekostruksi citra resolusi , prosetase peapata tertiggi yag didapat adalah 40% dega kualitas citra rekostruksi asih terlihat seperti citra asli Hasil pegujia eujukka citra yag resolusiya besar jika diapatka dega prosetase peapata yag tiggi, citra rekostruksiya lebih baik dibadig dega citra yag resolusiya lebih redah
6 4 Pegujia Megguaka iga Citra Berbeda dega Resolusi yag Saa Pegujia dilakuka egguaka tiga citra berbeda dega resolusi yag saa Citra yag diujika adalah citra rosebp, epirebp, da beachsidebp ketigaya epuyai resolusi piksel pegujia ii dilakuka dega tujua utuk egetahui kualitas citra hasil rekostruksi dibadigka citra asliya aupu dega citra yag lai dega resolusi yag saa jika diapatka dega variasi ilai prosetase peapata, selai itu aka diketahui citra seperti apa yag baik da cocok utuk dilakuka peapata dega aalisis kopoe utaa Utuk epersigkat pebahasa, haya ditapilka hasil pegujia utuk ilai prosetase peapata 60% utuk ketiga citra yag ditujuka pada Gabar 4, 43, 44 ari ketiga citra yag diuji, hasil rekostruksi eujukka berdasarka peglihata, prosetase peapata tertiggi dega kualitas citra rekostruksi asih terlihat seperti citra asuka utuk 3 citra dega resolusi yag saa yaitu piksel adalah 40% utuk citra rosebp, 0% utuk citra epirebp, da 50% utuk citra beachsidebp apat disipulka bahwa citra rekostruksi beachsidebp lebih baik dibadigka dua rekostruksi citra uji laiya Hal ii disebabka detail/tekstur da persebara wara dari citra beachsidebp lebih seraga dibadig citra uji laiya, begitu juga tekstur citra rosebp lebih seraga dibadigka citra epirebp 43 Pegaruh Prosetase Peapata da Resolusi erhadap Ukura Berkas erapat 6 ABEL 4 HASIL PENGUJIAN CIRA AN Citra Citra Prosetase Rasio Selisih Prosetase Rasio Selisih Peapata Peapata 3% 06,47% 9,47% 3% 0,36% 4,36% 6% 0,49% 8,49% 6% 98,74% 4,74% 9% 99,50% 8,50% 9% 95,4% 4,4% % 96,5% 8,5% % 9,6% 4,6% 5% 9,54% 7,54% 5% 89,3% 4,3% Gabar 4 Citra rosebp asli Citra rekostruksi rosebp 8% 89,56% 7,56% 8% 85,64% 3,64% % 86,58% 7,58% % 83,0% 4,0% 4% 83,59% 7,59% 4% 79,5% 3,5% 7% 79,6% 6,6% 7% 76,90% 3,90% 30% 76,63% 6,63% 30% 73,4% 3,4% 33% 73,65% 6,65% 33% 69,9%,9% 36% 69,67% 5,67% 36% 67,30% 3,30% 39% 66,69% 5,69% 39% 63,8%,8% 4% 63,70% 5,70% 4% 6,9% 3,9% 45% 59,73% 4,73% 45% 57,69%,69% 48% 56,74% 4,74% 48% 54,0%,0% 5% 53,76% 4,76% 5% 5,58%,58% 54% 50,78% 4,78% 54% 48,09%,09% 57% 46,80% 3,80% 57% 45,47%,47% Gabar 43 Citra epirebp asli Citra rekostruksi epirebp 60% 43,8% 3,8% 60% 4,97%,97% 63% 40,83% 3,83% 63% 38,48%,48% 66% 36,85%,85% 66% 35,86%,86% 69% 33,87%,87% 69% 3,37%,37% 7% 30,89%,89% 7% 9,75%,75% 75% 6,9%,9% 75% 6,5%,5% 78% 3,93%,93% 78%,76% 0,76% 8% 0,94%,94% 8% 0,4%,4% 84% 7,96%,96% 84% 6,65% 0,65% 87% 3,98% 0,98% 87% 4,03%,03 90%,00%,00% 90% 0,54% 0,54 Gabar 44 Citra beachsidebp asli Citra rekostruksi beachsidebp Utuk egetahui pegaruh prosetase peapata citra terhadap ukura berkas citra terapat aka diguaka paraeter rasio peapata Idikatorya adalah jika rasio
7 peapata seaki edekati ilai yag sebearya aka ukura berkas terapat aka seaki optial Utuk pegujia aka diguaka buah citra Citra eiliki resolusi piksel, pada citra ii ditabahka data duy pada proses peapataya da citra kedua eiliki resolusi piksel Citra eiliki selisih aksial 9,87% pada prosetase peapata 3% da citra eiliki selisih aksial 4,74% pada prosetase peapata 6% Hal ii eujukka bahwa seaki besar resolusi citra asuka, egakibatka rasio peapata kurag optial pada prosetase peapata yag kecil, selai itu utuk citra yag ditabahka data duy, eiliki rasio peapata yag kurag optial da berkas citra hasil peapata yag disipa juga lebih besar V PENUUP 5 Kesipula Berdasarka hasil pegujia, aalisa da pebahasa aka dapat diabil kesipula sebagai berikut Berdasarka hasil pegaata egguaka siste peglihata ausia, rekostruksi citra hasil peapata citra beachsidebp dega resolusi piksel eujukka prosetase peapata tertiggi dega citra rekostruksi asih terlihat seperti citra asuka adalah 60% Berdasarka perhituga, hasil peapata citra beachsidebp dega resolusi piksel eiliki prosetase peapata tertiggi dega kualitas hasil rekostruksi citra hapir saa dega citra asli adalah 48% 3 Hasil peapata citra beachsidebp dega resolusi piksel, eujukka prosetase peapata tertiggi dega citra rekostruksi asih terlihat seperti citra asuka adalah 50% Sedagka berdasarka perhituga prosetase peapata tertiggi dega kualitas hasil rekostruksi citra hapir saa dega citra asli adalah 4% 4 Hasil peapata citra beachsidebp dega resolusi piksel, eujukka prosetase peapata tertiggi dega citra rekostruksi asih terlihat seperti citra asuka adalah 40% Sedagka berdasarka perhituga prosetase peapata tertiggi dega kualitas hasil rekostruksi citra hapir saa dega citra asli adalah 0,8% 5 Berdasarka peglihata ata, prosetase peapata tertiggi dega kualitas citra rekostruksi asih terlihat seperti citra asuka utuk 3 citra dega resolusi yag saa yaitu piksel adalah 40% utuk citra rosebp, 0% utuk citra epirebp, da 50% utuk citra beachsidebp 6 Berdasarka perhituga, prosetase peapata tertiggi dega kualitas hasil rekostruksi citra hapir saa dega citra asli utuk citra rosebp, epirebp, da citra beachsidebp berturut-turut adalah 33%, %, da 4% 7 Citra yag eiliki tekstur kurag detail jika diapatka dega prosetase peapata yag tiggi aka eiliki citra rekostruksi yag lebih baik dibadig citra yag bertekstur detail pada prosetase peapata yag saa 8 Peabaha data duy aka egakibatka ukura berkas terapat kurag optial Hal ii disebabka oleh adaya peabaha ilai 0 pada kedua sisi citra (sisi vertikal da sisi horisotal), sehigga ukura resolusi citra bertabah 9 Header citra berisi ukura resolusi citra asli, ukura blok citra, ilai iiu da aksiu data citra terapat, ilai iiu da aksiu footer citra, ukura data citra terapat terskala, ukura footer citra terskala Isi header citra ii bergua saat proses rekostruksi citra 0 Footer citra berisi atriks alihraga da ilai rerata pada baris terakhir Footer citra berfugsi saat rekostruksi citra utuk proses alihraga balik AFAR PUSAKA [] Ato, H da P Silaba, Aljabar Liier Eleeter, P Gelora Aksara Prataa, Jakarta, 988 [] Chitwog, S, A Sobookaew, F Cheevasuvit, K ejha, ad S Mithatha, PCA Colour Iage Copressio Usig Vector Quatizatio, Faculty of Egieerig Kig Mogkut s Istitute of echology Ladkrabad, hailad, 999 [3] Godbole, AS, ata Couicatio ad Networks, McGraw-Hill, 003 [4] Guadi, K da SR Pogsitaa, Pebuata Peragkat Luak Pegeala Wajah Megguaka Pricipal Copoets Aalysis, Uiversitas Kriste Petra, kguadi@peterpetraacid [5] Jai, AK, Fudaetals of igital Iage Processig, Pretice Hall, 989 [6] Pitas, I, igital Iage Processig Algoriths, Pretice Hall, 993 [7] Sid-Ahed, MA, Iage Processig heory, Algoriths, ad Architectures, McGraw-Hill, Ic, 995 [8] Sith, LI, A tutorial o Pricipal Copoets Aalysis, 00 [9] Wu, M, Review : Iage Processig Basic & Copressio,
8 8 Rofi Yuliasyah (LF ) Lahir di agerag, 8 Juli 98 Saat ii sedag eepuh pedidika strata di Jurusa ekik Elektro UNIP dega kosetrasi Elektroika da elekouikasi Meyetujui da egesahka Pebibig I Budi Setiyoo, S, M NIP aggal : Pebibig II R Rizal Isato, S, MM, M NIP aggal :
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Kehidupa ausia seatiasa diarahka pada kodisi yag aka datag, yag keberadaaya tidak dapat diketahui secara pasti. Sehigga ausia berusaha elakuka kegiata kegiata dega berorietasi
Lebih terperinciI. PENDAHULUAN II. LANDASAN TEORI
5 I PENDAHULUAN Latar Belakag Persaaa diferesial adalah suatu persaaa ag egadug sebuah fugsi ag tak diketahui dega satu atau lebih turuaa [Stewart, 3] Persaaa diferesial dapat dibedaka eurut ordea, salah
Lebih terperinciBAB 4: PELUANG DAN DISTRIBUSI NORMAL.
BAB 4: PELUANG DAN DISTRIBUSI NORMAL. PELUANG Peluag atau yag biasa juga disebut dega istilah keugkia, probablilitas, atau kas eujukka suatu tigkat keugkia terjadiya suatu kejadia yag diyataka dala betuk
Lebih terperinciPamampatan dan Rekonstruksi Citra Menggunakan Analisis Komponen Utama.
PEMAMPATAN DAN REKONSTRUKSI CITRA MENGGUNAKAN ANBALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENTS ANALYSIS) Praditya *, Budi Setiono **, Rizal Isnanto ** Abstrak - Saat ini sudah banyak aplikasi berbasis citra
Lebih terperinciLAJU REAKSI. A. KEMOLARAN - Kemolaran adalah menyatakan banyaknya mol zat terlarut dalam 1 liter larutan. M = V
LAJU REAKSI STANDART KOMPETENSI; Meahai kietika reaksi, kesetibaga kiia, da faktor-faktor yag berpegaruh, serta peerapaya dala kehidupa sehari-hari KOMPETENSI DASAR; Medeskripsika pegertia laju reaksi
Lebih terperinciDefinisi 2.3 : Jika max min E(X,Y) = min
Teori Peraia 22 Peelitia Operasioal II Defiisi 23 : Jika ax i E(X,Y) = z y i y ax E(X,Y) =E(x 0, y 0 ), aka (x 0, y 0 ) didefiisika z sebagai strategi uri dari peraia itu dega x 0 sebagai strategi optiu
Lebih terperinciMENENTUKAN PENYELESAIAN PERTIDAKSAMAAN DENGAN METODE TITIK PEMECAH. Warsito. Program Studi Matematika FMIPA Universitas Terbuka.
MENENTUKAN PENYELESAIAN PERTIDAKSAMAAN DENGAN METODE TITIK PEMECAH Warsito Progra Studi Mateatika FMIPA Uiversitas Terbuka warsito@ut.ac.id Abstrak Peyelesaia pertidaksaaa ( x- a, a Î R adalah x a (egguaka
Lebih terperinciDISTRIBUSI BINOMIAL. (sukses sebanyak x kali, gagal sebanyak n x kali)
DISTRIBUSI BINOMIAL Distribusi bioial berasal dari percobaa bioial yaitu suatu proses Beroulli yag diulag sebayak kali da salig bebas. Distribusi Bioial erupaka distribusi peubah acak diskrit. Secara lagsug,
Lebih terperinciPenerapan Teorema Perron-Frobenius pada Penentuan Distribusi Stasioner Rantai Markov
Vol. 3, No., 85-9, Juli 6 Peerapa Teorea Perro-Frobeius pada Peetua Distribusi Stasioer Ratai Markov Jusawati Massalesse Abstrak Perilaku suatu ratai Markov setelah berala ukup laa dapat diketahui elalui
Lebih terperinciMAKALAH TUGAS AKHIR DIMENSI PARTISI PADA PENGEMBANGAN GRAPH KINCIR DENGAN POLA K 1 +mk n
MAKALAH TUGAS AKHIR DIMENSI PARTISI PADA PENGEMBANGAN GRAPH KINCIR DENGAN POLA K 1 +K Oleh : MOHAMMAD IQBAL 1 0 100 01 Pebibig : Drs. Suhud Wahyudi, M.Si. 1900109 198701 1 001 ABSTRAK Graph adalah hipua
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 terperinciPerbandingan Inversi Least-Square dengan Levenberg- Marquardt pada Metode Geomagnet untuk Model Crustal Block
PROSIDING SKF 6 Perbadiga Iversi Least-Square dega Leveberg- Marquardt pada Metode Geoaget utuk Model Crustal Block Uar Said a, Mohaad eriyato b, da Wahyu Srigutoo c Laboratoriu Fisika Bui, Kelopok Keilua
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 terperinciBab II Landasan Teori
4 Bab II Ladasa Teori II. Aalisis "Net Social Gai" (NSG) PT. Siar Asia Fortua sebagai suatu perusahaa tabag baha galia batugapig epuyai kotribusi positif terhadap peigkata pedapata jika ilai outputya lebih
Lebih terperinciTAKSIRAN INTERVAL PARAMETER BENTUK DARI DISTRIBUSI PARETO BERDASARKAN METODE MOMEN DAN MAKSIMUM LIKELIHOOD
TAKSIRAN INTERVAL PARAMETER BENTUK DARI DISTRIBUSI PARETO BERDASARKAN METODE MOMEN DAN MAKSIMUM LIKELIHOOD Jailah * Firdaus Sigit Sugiarto Mahasiwa Progra S Mateatika Dose Jurusa Mateatika Fakultas Mateatika
Lebih terperinciVISUALISASI PENGENALAN UCAPAN VOKAL BAHASA INDONESIA DENGAN METODE LPC-DTW
VISUALISASI PENGENALAN UCAPAN VOKAL BAHASA INDONESIA DENGAN METODE LPC-DTW Syaiful Racha (L2F001644) Jurusa Tekik Elektro, Fakultas Tekik Uiversitas Dipoegoro Searag, Idoesia Ipoeltekik2001@yahoo.co Abstrak-
Lebih terperinciBAB III BASIS DATA UNTUK IDENTIFIKASI DAERAH RAWAN BANJIR DAN KEBERADAAN DATA SPASIAL YANG DIPERLUKAN
BAB III BASIS DATA UNTUK IDENTIFIKASI DAERAH RAWAN BANJIR DAN KEBERADAAN DATA SPASIAL YANG DIPERLUKAN Siste idetifikasi daerah rawa bajir ebutuhka adaya data spasial yag diolah dega eafaatka tekologi Siste
Lebih terperinciPenyelesaian Masalah Penugasan Menggunakan Metode Hungarian dan Pinalti (Studi Kasus: CV. Surya Pelangi)
Peyelesaia Masalah Peugasa Megguaka Metode Hugaria da Pialti (Studi Kasus: CV. Surya Pelagi) Sri Basriati 1, Ayu Lestari 2 1,2 Jurusa Mateatika, Fakultas Sais da Tekologi, UIN Sulta Syarif Kasi Riau Jl.
Lebih terperinciBAB 2 DASAR TEORI. 2.1 Probabilitas
BAB DASAR TEORI. Probabilitas Probabilitas epuyai bayak persaaa seperti keugkia, kesepata da kecederuga. Probabilitas eujukka keugkia terjadiya suatu peristiwa yag bersifat acak. Suatu peristiwa disebut
Lebih terperinciPENGGUNAAN NILAI EIGEN DAN VEKTOR EIGEN UNTUK MENENTUKAN MODEL GENOTIP KETURUNAN YANG TERTAUT KROMOSOM X
Jural Maajee Ioratika da Tekik Koputer Volue, Noor, pril PENGGUNN NILI EIGEN DN VEKTOR EIGEN UNTUK MENENTUKN MODEL GENOTIP KETURUNN YNG TERTUT KROMOSOM X Havid Syawa *, Nurwati Jurusa Maajee Ioratika,
Lebih terperinciJurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: 1-13 TEOREMA TITIK TETAP BANACH PADA RUANG METRIK-D
Jural Mateatika Muri da Terapa Vol 4 No Deseber : - 3 TEOREMA TITIK TETAP BANACH PADA RUANG METRIK-D Muhaad Ahsar Kari, Dewi Sri Susati, da Nurul Huda Progra Studi Mateatika Uiversitas Labug Magkurat Jl
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 terperinciLEMBAR KERJA SISWA 5
94 LEMBAR KERJA SISWA 5 Mata Pelajara Kelas/Seester Materi Pokok Subateri Pokok Alokasi Waktu : Kiia : XI/gajil : Laju Reaksi : Orde Reaksi : 2 x 45 eit Stadar Kopetesi 3. Meahai Kietika Reaksi, Kesetibaga
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN Persoala trasportasi yag serig ucul dala kehidupa sehari-hari, erupaka gologa tersediri dala persoala progra liier. Maka etode traportasi ii juga dapat diguaka utuk eyelesaika beberapa
Lebih terperinciSTATISTIKA NON PARAMETRIK
. PENDAHULUAN STATISTIKA NON PARAMETRIK Kelebiha Uji No Parametrik: - Perhituga sederhaa da cepat - Data dapat berupa data kualitatif (Nomial atau Ordial) - Distribusi data tidak harus Normal Kelemaha
Lebih terperinciSekolah Olimpiade Fisika
SOLUSI SIMULASI OLIMPIADE FISIKA SMA Agustus 06 TINGKAT KABUPATEN/KOTA Waktu : 3 ja Sekolah Olipiade Fisika davitsipayug.co Sekolah Olipiade Fisika davitsipayug.co davitsipayug@gail.co. Dua orag aak earik
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI MIA SMA Negeri 5
III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas I MIA SMA Negeri 5 Badar Lampug Tahu Pelajara 04-05 yag berjumlah 48 siswa. Siswa tersebut
Lebih terperinciPENGELOMPOKAN ENTITAS AUDIT PEMERINTAH DAERAH DI BPK RI PERWAKILAN JAWA BARAT DENGAN METODE CLUSTERING
PENGELOMPOKAN ENTITAS AUDIT PEMERINTAH DAERAH DI BPK RI PERWAKILAN JAWA BARAT DENGAN METODE CLUSTERING Moicha Dwayai, Mahedrawati da Nur Iriawa Progra Studi Magister Maajee Tekologi-ITS Jurusa Maajee Tekologi
Lebih terperinciBAB 2 SISTEM DETEKSI DAN PENGHITUNG OBYEK
BAB 2 SISTEM DETEKSI DAN PENGHITUNG OBYEK Bab ii ebahas egeai aalisis siste yag dibutuhka, keudia arsitektur siste, serta tahapa deteksi da peghitug obyek. Pada tahapa deteksi obyek, terdapat beberapa
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 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 terperinciKARAKTERISTIK MATRIKS CENTRO-SIMETRIS THE CHARACTERISTICS OF CENTROSYMMETRIC MATRICES
ural Ilu Mateatika da erapa Deseber 206 Volue 0 Noor 2 Hal 69 76 KAAKEIIK MAIK CENO-IMEI Bery Pebo oasouw urusa Mateatika FMIPA Uiversitas Pattiura l Ir M Putuhea, Kapus Upatti, Poka-Abo, Idoesia e-ail:
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sebagai hasil penelitian dalam pembuatan modul Rancang Bangun
47 BAB IV HASIL DAN PEMBAHASAN Sebagai hasil peelitia dalam pembuata modul Racag Bagu Terapi Ifra Merah Berbasis ATMega8 dilakuka 30 kali pegukura da perbadiga yaitu pegukura timer/pewaktu da di badigka
Lebih terperinciBAB III ANUITAS DENGAN BEBERAPA KALI PEMBAYARAN SETAHUN TERHADAP TABUNGAN PENDIDIKAN
BAB III ANUITAS DNGAN BBRAPA KALI PMBAYARAN STAHUN TRHADAP TABUNGAN PNDIDIKAN. Tabuga Pedidika Aak Tabuga erupaka salah satu produk yag ditawarka oleh bak utuk eyipa uag. Utuk epersiapka daa pedidika aak,
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
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 terperinciOptimisasi Terpadu Persoalan Inventori dan Persoalan Transfortasi dengan Metode ITIO ( Inventory Transfortation Integrated Optimization)
Prosidig Seirata FMIP Uiversitas Lapug, Optiisasi Terpadu Persoala Ivetori da Persoala Trasfortasi dega Metode ITIO ( Ivetory Trasfortatio Itegrated Optiizatio) T.P.Nababa, Sukato, Karida Puspita N Jurusa
Lebih terperinciBAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.
BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder
Lebih terperinciIII. METODE PENELITIAN. Populasi dalam penelitian ini adalah siswa kelas VIII (delapan) semester ganjil di
4 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah siswa kelas VIII (delapa) semester gajil di SMP Xaverius 4 Badar Lampug tahu ajara 0/0 yag berjumlah siswa terdiri dari
Lebih terperinciBAB IV PEMECAHAN MASALAH
BAB IV PEMECAHAN MASALAH 4.1 Metodologi Pemecaha Masalah Dalam ragka peigkata keakurata rekomedasi yag aka diberika kepada ivestor, maka dicoba diguaka Movig Average Mometum Oscillator (MAMO). MAMO ii
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Kosep Peasara Kosep peasara erupaka filsafat bisis yag bagkit eatag kosep-kosep sebeluya. Kosep peasara berpedapat bahwa kuci utuk ecapai tujuatujua orgaisasi/ perusahaaa terdiri
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. : Lux meter dilengkapi sensor jarak berbasis arduino. : panjang 15,4 cm X tinggi 5,4 cm X lebar 8,7 cm
BAB IV HASIL DAN PEMBAHASAN 4.1. Spesifikasi Alat Nama Alat Tegaga Ukura Berat : Lux meter dilegkapi sesor jarak berbasis arduio : 5 V (DC) : pajag 15,4 cm tiggi 5,4 cm lebar 8,7 cm : 657 gram 4.. Gambar
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I
7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciPerbaikan Bagan Kendali Pergerakan Data (Data Driven)
Bab 3 Perbaika Baga Kedali Pergeraka Data Data Drive) 3.1 Pedahulua Baga kedali klasik utuk eoitorig rataa didasarka pada asusi keorala. Ketika syarat keorala tidak dipeuhi, baga kedali klasik ii tidak
Lebih terperinciPERENCANAAN JARINGAN IRIGASI PASANG SURUT ARISAN MUSI KECAMATAN MUARA BELIDA MUARA ENIM
PERENCANAAN JARINGAN IRIGASI PASANG SURUT ARISAN MUSI KECAMATAN MUARA BELIDA MUARA ENIM Syukri Malia da Sri Martii Staf Pegajar Jurusa Sipil Fakultas Tekik Uiversitas Muhaadiyah Palebag Abstrak Suatera
Lebih terperinciτ = r x F KESETIMBANGAN
KESETIMBG Moe Gaa ( τ ) Moe gaa atau torsi adalah besara ag dapat eebabka beda berotasi atau berputar. Besar oe gaa didefiisika sebagai hasil kali atara gaa ag bekerja dega lega. Moe gaa terasuk dala besara
Lebih terperinciModel Pengembangan Wilayah untuk Pembangunan Pelabuhan: Studi Kasus Pantai Selatan Jawa Timur
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 E-1 Model Pegebaga Wilayah utuk Pebagua Pelabuha: Studi Kasus Patai Selata Jawa Tiur Wahyu Putra Gatara, Tri Achadi Jurusa Tekik Perkapala, Fakultas
Lebih terperinciInduksi Matematika. Pertemuan VII Matematika Diskret Semester Gasal 2014/2015 Jurusan Teknik Informatika UPN Veteran Yogyakarta
Iduksi Matematika Pertemua VII Matematika Diskret Semester Gasal 2014/2015 Jurusa Tekik Iformatika UPN Vetera Yogyakarta Metode pembuktia utuk peryataa perihal bilaga bulat adalah iduksi matematik. Cotoh
Lebih terperinciPENYELESAIAN TEORI PERMAINAN MENGGUNAKAN METODE SIMPLEKS ALTERNATIF
Jural Matriks, ol. 1, No. 2, 2018 1 PENYELESAIAN TEORI PERMAINAN MENGGUNAKAN METODE SIMPLEKS ALTERNATIF Rii Hidayattillah, Pardi Affadi, Akhad Yusuf Progra Studi Mateatika Fakultas MIPA Uiversitas Labug
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 IV. METODE PENELITlAN. Rancangan atau desain dalam penelitian ini adalah analisis komparasi, dua
BAB IV METODE PENELITlAN 4.1 Racaga Peelitia Racaga atau desai dalam peelitia ii adalah aalisis komparasi, dua mea depede (paired sample) yaitu utuk meguji perbedaa mea atara 2 kelompok data. 4.2 Populasi
Lebih terperinciPenerapan Fuzzy Analytical Network Process Dalam Menentukan Prioritas Pemeliharaan Jalan
JURNAL SAINS DAN SENI POMITS Vol., No., (203) -6 Peerapa Fuzzy Aalytical Network Process Dala Meetuka Prioritas Peeliharaa Jala Mais Oktavia, I Gusti Ngurah Rai Usadha Jurusa Mateatika, Fakultas Mateatika
Lebih terperinciUkuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus
-Mar- Ukura Pemusata Pertemua STATISTIKA DESKRIPTIF Statistik deskripti adalah pegolaha data utuk tujua medeskripsika atau memberika gambara terhadap obyek yag diteliti dega megguaka sampel atau populasi.
Lebih terperinciPendahuluan. Tujuan MODUL
DATABASE Etity Relasiosip Diagra Satrio Agug W, Ari Kusyati da Mahedra Data Tekik Iforatika, Fakultas Tekik, Uiversitas Brawijaya, Eail : iforatika@ub.ac.id Pedahulua Etity Relasioalship Diagra adalah
Lebih terperinciPENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK. Sutikno
sutiko PENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK Sutiko Program Studi Tekik Iformatika Fakultas Sais da Matematika UNDIP tik@udip.ac.id
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tujua Peelitia Peelitia ii bertujua utuk megetahui apakah terdapat perbedaa hasil belajar atara pegguaa model pembelajara Jigsaw dega pegguaa model pembelajara Picture ad Picture
Lebih terperinciIV. METODE PENELITIAN. Penelitian ini dilakukan di Kawasan Pantai Anyer, Kabupaten Serang
IV. METODE PENELITIAN 4.1 Lokasi da Waktu Peelitia Peelitia ii dilakuka di Kawasa Patai Ayer, Kabupate Serag Provisi Bate. Lokasi ii dipilih secara segaja atau purposive karea Patai Ayer merupaka salah
Lebih terperinciIII. METODOLOGI PENELITIAN. diinginkan. Menurut Arikunto (1991 : 3) penelitian eksperimen adalah suatu
III. METODOLOGI PENELITIAN A. Metode Peelitia Metode peelitia merupaka suatu cara tertetu yag diguaka utuk meeliti suatu permasalaha sehigga medapatka hasil atau tujua yag diigika. Meurut Arikuto (99 :
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan.
9 III. METODOLOGI PENELITIAN A. Populasi Da Sampel Peelitia ii dilaksaaka di MTs Muhammadiyah Natar Lampug Selata. Populasiya adalah seluruh siswa kelas VIII semester geap MTs Muhammadiyah Natar Tahu Pelajara
Lebih terperinciIII. METODOLOGI PENELITIAN. Menurut Sukardi, (2003:17) Metodologi penelitian adalah cara yang
5 III. METODOLOGI PENELITIAN A. Metode Peelitia Meurut Sukardi, (003:7) Metodologi peelitia adalah cara yag dilakuka secara sistematis megikuti atura-atura, direcaaka oleh para peeliti utuk memecahka permasalaha
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 terperinciModel Pengembangan Wilayah Untuk Pembangunan Pelabuhan: Studi Kasus Pantai Selatan Jawa Timur
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Model Pegebaga Wilayah Utuk Pebagua Pelabuha: Studi Kasus Patai Selata Jawa Tiur Wahyu Putra Gatara, Tri Achadi Jurusa Tekik Perkapala, Fakultas Tekologi
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 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 terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciOPTIMASI PRODUKSI PIPA STAINLESS STEEL INDUSTRI di P.T. X
Prosidig Seiar Nasioal Maajee Tekologi IV Progra Studi MMT-ITS, Surabaya 5 Agustus 2006 OPTIMASI PRODUKSI PIPA STAINLESS STEEL INDUSTRI di P.T. X 1 Dely, 2 Bobby Oedy P. Soepagkat, 2 Nurhadi Siswato 1
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 III METODE PENELITIAN
BAB III METODE PENELITIAN A. Racaga da Jeis Peelitia Racaga peelitia ii adalah deskriptif dega pedekata cross sectioal yaitu racaga peelitia yag meggambarka masalah megeai tigkat pegetahua remaja tetag
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 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 terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
Lebih terperinciBAB III METODOLOGI PENELITIAN. kuantitatif karena bertujuan untuk mengetahui kompetensi pedagogik mahasiswa
54 BAB III METODOLOGI PENELITIAN A. Jeis Peelitia Peelitia ii merupaka peelitia deskriptif dega pedekata kuatitatif karea bertujua utuk megetahui kompetesi pedagogik mahasiswa setelah megikuti mata kuliah
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciBAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)
BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) Setiap peelitia selalu berkeaa dega sekelompok data. Yag dimaksud kelompok disii adalah: Satu orag mempuyai sekelompok data, atau sekelompok orag mempuyai satu
Lebih terperinciJurnal EKSPONENSIAL Volume 8, Nomor 1, Mei 2017 ISSN
Jural EKSPONENSIAL Volue 8, Noor 1, Mei 2017 ISSN 2085-7829 Proses Optiasi Masalah Peugasa Oe-Objectiveda Two-Objective Megguaka Metode Hugaria (Studi Kasus : Usaha Kerajia Rota Toko Rota Sejati Saarida
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 terperinciPENYELESAIAN TEORI PERMAINAN MENGGUNAKAN METODE SIMPLEKS ALTERNATIF
Jural Matriks, ol. 1, No. 1, 2018 1 PENYELESAIAN TEORI PERMAINAN MENGGUNAKAN METODE SIMPLEKS ALTERNATIF Rii Hidayattillah, Pardi Affadi, Akhad Yusuf Progra Studi Mateatika Fakultas MIPA Uiversitas Labug
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 terperincisimulasi selama 4,5 jam. Selama simulasi dijalankan, animasi akan muncul pada dijalankan, ProModel akan menyajikan hasil laporan statistik mengenai
37 Gambar 4-3. Layout Model Awal Sistem Pelayaa Kedai Jamoer F. Aalisis Model Awal Model awal yag telah disusu kemudia disimulasika dega waktu simulasi selama 4,5 jam. Selama simulasi dijalaka, aimasi
Lebih terperinciANALISIS TABEL INPUT OUTPUT PROVINSI KEPULAUAN RIAU TAHUN Erie Sadewo
ANALISIS TABEL INPUT OUTPUT PROVINSI KEPULAUAN RIAU TAHUN 2010 Erie Sadewo Kodisi Makro Ekoomi Kepulaua Riau Pola perekoomia suatu wilayah secara umum dapat diyataka meurut sisi peyediaa (supply), permitaa
Lebih terperinciPengujian Normal Multivariat T 2 Hotteling pada Faktor-Faktor yang Mempengaruhi IPM di Jawa Timur dan Jawa Barat Tahun 2007
1 Peguia Normal Multivariat T Hottelig pada Faktor-Faktor yag Mempegaruhi IPM di Jawa Timur da Jawa Barat Tahu 007 Dedi Setiawa, Zuy Iesa Pratiwi, Devi Lidasari, da Sati Puteri Rahayu Jurusa Statistika,
Lebih terperinciBAB III METODOLOGI PENELITIAN
22 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di tiga kator PT Djarum, yaitu di Kator HQ (Head Quarter) PT Djarum yag bertempat di Jala KS Tubu 2C/57 Jakarta Barat,
Lebih terperinciSIFAT-SIFAT GENERALISASI DISTRIBUSI BINOMIAL YANG BERTIPE COM-POISSON
J. Math. ad Its Appl. ISSN: 829-605X Vol. 2, No., Mei 205, 3-22 SIFAT-SIFAT GENERALISASI DISTRIBUSI BINOMIAL YANG BERTIPE COM-POISSON Farida Agustii Widjajati, Marselly Dia Saputri 2, Nur Asiyah 3,2,3
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Keragka Pikir Peelitia Peelitia ii dilakuka dega pola pemikira yag berdasarka latar belakag, perumusa masalah, da tujua yag igi dicapai beserta alat aalisis yag diguaka utuk
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di halaman Pusat Kegiatan Olah Raga (PKOR) Way Halim Bandar Lampung pada bulan Agustus 2011.
III. METODE PENELITIAN A. Tempat da Waktu Peelitia Peelitia ii dilaksaaka di halama Pusat Kegiata Olah Raga (PKOR) Way Halim Badar Lampug pada bula Agustus 2011. B. Objek da Alat Peelitia Objek peelitia
Lebih terperinciPENGEMBANGAN ALGORITMA CROSS ENTROPY DALAM PENYELESAIAN TRAVELING PURCHASER PROBLEM
PENGEMBANGAN ALGORITMA CROSS ENTROPY DALAM PENYELESAIAN TRAVELING PURCHASER PROBLEM Citra Maharai, Budi Satosa Jurusa Tekik Idustri Istitut Tekologi Sepuluh Nopeber (ITS) Surabaya Kapus ITS Sukolilo Surabaya
Lebih terperinciMANAJEMEN RISIKO INVESTASI
MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia Daerah peelitia adalah Kota Bogor yag terletak di Provisi Jawa Barat. Pemiliha lokasi ii berdasarka pertimbaga atara lai: (1) tersediaya Tabel Iput-Output
Lebih terperinciTeknik Penyembunyian dan Enkripsi Pesan pada Citra Digital dengan Kombinasi Metode LSB dan RSA
Tersedia di https://jtsisko.udip.a.id ( Februari 208) DOI: 0.470/jtsisko.6..208.37-43 Jural Tekologi da Siste Koputer, 6(), 208, 37-43 Tekik Peyebuyia da Ekripsi Pesa pada Digital dega Kobiasi LSB da RSA
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciRancangan Percobaan. Arum Handini Primandari, M.Sc.
Kosep Dasar Statistika utuk Racaga Percobaa Arum aii Primaari, M.Sc. Operator Pejumlaha Operator pejumlaha: Sifat: i1 i i1 i1 k k kx k x i1 i i1 i1 i i i i i1 i1 i1 i a bx a b x x y x y x x x... x i i
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 terperinciPertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd
Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciIV. METODE PENELITIAN. berdasarkan tujuan penelitian (purposive) dengan pertimbangan bahwa Kota
IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia ii dilaksaaka di Kota Bogor Pemiliha lokasi peelitia berdasarka tujua peelitia (purposive) dega pertimbaga bahwa Kota Bogor memiliki jumlah peduduk yag
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 terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciMasih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.
Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinci