Pengenalan Tanda Tangan Dengan Metode Principal Component Analysis (PCA) Dan Jaringan Syaraf Tiruan (JST)
|
|
- Deddy Darmadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 1 Pengenalan Tanda Tangan Dengan Metode Prncpal Component Analyss (PCA) Dan Jarngan Syaraf Truan (JST) Hann Prastka 1, Rahmat Suhatman 2, Warna Nengsh 3 Program Stud Teknk Informatka dan Multmeda, Polteknk Caltex Rau Jl. Umbansar (Patn) No. 1, Rumba-Pekanbaru E-mal : punya_hann@yahoo.com 1, rahmat@pcr.ac.d 2, warna@pcr.ac.d 3 Abstrak Tanda tangan adalah sebuah bentuk khusus dar tulsan tangan yang mengandung karakter khusus dan bentuk-bentuk tambahan yang serng dgunakan sebaga bukt verfkas denttas seseorang. Untuk menghndar kemungknan terjadnya pemalsuan tanda tangan, maka dbangunlah sebuah aplkas Tanda Tangan Dengan Metode Prncpal Component Analyss (PCA) dan Jarngan Syaraf Truan (JST) yang dgunakan untuk mendeteks tanda tangan. Metode PCA merupakan metode untuk mengambl cr pentng dar sekumpulan data set dengan mereduks data tersebut menjad data yang otonormal dan tdak salng berkoleras. Metode JST yang dpaka dalam aplkas n adalah Perceptron. Perceptron merupakan salah satu bentuk jarngan sederhana dan memlk bobot yang dapat datur. Sehngga dengan menggunakan metode tersebut aplkas n dapat membantu dalam pengenalan tanda tangan dan menamplkan hasl dar pengenalan tanda tangan tersebut. Kata Kunc: Tanda Tangan, Prcpal Component Analyss, Jarngan Syaraf Truan, Perceptron Abstract Sgnature s a specal form of handwrtng that contan specal characters and addtonal forms are often used as proof of a person's dentty verfcaton. To avod the possblty of falsfcaton of sgnatures, he bult an app's Sgnature Method Prncpal Component Analyss (PCA) and Artfcal Neural Network (ANN) s used to detect sgnatures. PCA s a method to take the mportant features of a set of data sets by reducng the data nto the data otonormal and not mutually correlated. ANN method used n ths applcaton s the Perceptron. Perceptron s a smple form of network and has a weght that can be arranged. So by usng the method of ths applcaton can assst n the ntroducton of sgnature and show the result from the ntroducng of sgnature. Keywords : Sgnature, Prncpal Component Analyss, Artfcal Neural Network, Perceptron 1. Pendahuluan Pada era teknolog nformas saat n, hampr semua pekerjaan dapat dlakukan dengan menggunakan komputer untuk menngkatkan efsens. Salah satu kegatan yang dapat dkomputersaskan adalah pengenalan tanda tangan. Pengenalan tanda tangan dapat dlakukan dengan menerapkan Jarngan Syaraf Truan (JST). Salah satu metode JST yang dapat dgunakan untuk mengenal pola tanda tangan adalah Perceptron. Tanda tangan adalah sebuah bentuk khusus dar tulsan tangan yang mengandung karakter khusus dan bentuk-bentuk tambahan yang serng dgunakan sebaga bukt verfkas denttas seseorang. Teknk yang palng serng dgunakan pada proses pengenalan tanda tangan adalah dengan menggunakan jarngan syaraf truan. Jarngan syaraf truan adalah kelayakan sstem pelathan dalam menangkap konds pola tanda tangan dar suatu kelas kompleks. Pada umumnya, proses dentfkas tanda tangan mash dlakukan secara manual yatu dengan mencocokkan tanda tangan pada waktu transaks dengan tanda tangan yang sah. Tekstur ctra tanda tangan yang unk pada setap orang dapat danalss untuk ddentfkas. Oleh karena tu, dperlukan
2 2 sebuah aplkas yang mampu menganalsa karakterstk tanda tangan sehngga mempermudah dalam mengdentfkas tanda tangan seseorang. Dengan Jarngan Saraf Truan yang mana akan dgunakan pelathan perceptron yang dkombnaskan dengan metode PCA (Prncpal Components Analyss) untuk mereduks gambar. Yang mana aplkas tersebut dharapkan dapat membantu dalam proses dentfkas tanda tangan. Adapun tujuan dar proyek akhr n adalah membangun aplkas menggunakan metode jarngan syaraf truan yang dkombnaskan dengan metode PCA (Prncpal Components Analyss) pada proses pengenalan tanda tangan. Perumusan masalah dar mplementas n adalah : 1. Bagamana membangun aplkas pengenalan tanda tangan dengan menggunakan metode jarngan saraf truan yang dkombnaskan dengan metode Prncpal Component Analyss. 2. Bagamana penerapan kecerdasan buatan menggunakan metode jarngan saraf truan sebaga klasfkas tanda tangan. 3. Bagamana penerapan Prncpal Component Analyss sebaga pereduks ctra. 2. Tnjauan Pustaka 2.1 Tanda Tangan Dalam Kamus Besar Bahasa Indonesa (KBBI), Tanda Tangan memlk art nama yang dtulskan secara khas dengan tangan oleh orang tu sendr. Tanda tangan adalah sebuah bentuk khusus dar tulsan tangan yang mengandung karakter khusus dan bentuk-bentuk tambahan yang serng dgunakan sebaga bukt verfkas denttas seseorang. Sebagan tanda tangan dapat dbaca, namun banyak pula yang tdak dapat dbaca (unreadable). Kendat demkan, sebuah tanda tangan dapat dtangan sebaga sebuah ctra sehngga dapat dkenal dengan menggunakan aplkas pengenalan pola pada pengolahan ctra. 2.2 Perceptron Model jarngan perceptron dtemukan oleh Rosenbalt (1962) dan Mnsky Paper (1969). Jarngan terdr dar beberapa unt masukan (dtambah sebuah bas), dan memlk sebuah unt keluaran. Hanya saja fungs aktvas bukan merupakan fungs bner (atau bpolar), tetap memlk kemungknan nla -1, 0 atau 1. Algortma pelathan perceptron adalah sebaga berkut : 1. Insalsas semua bobot pemahaman dan bas (umumnya w =b=0). Tentukan laju pemahaman (α). Untuk penyederhanaan basanya α dber nla = Selama ada elemen vektor masukan yang respon unt keluaraannya tdak sama dengan target, lakukan : a. Set aktvas unt masukan x = s (=1,...,n) b. Htung respon unt keluaran : net = x w b y f (net) jka net > θ jka θ net θ jka net < -θ c. Perbak bobot pola yang mengandung kesalahan (y t) menurut persamaan : w (baru) = w (lama) + w ( = 1,...,n) dengan w = α t x b (baru) = b (lama) + b dengan b = α t Ada beberapa hal yang perlu dperhatkan dalam algortma tersebut : a. Iteras dlakukan hngga semua pola memlk keluaran jarngan yang sama dengan targetnya (jarngan sudah memaham pola). b. Pada langkah (2c), perubahan bobot hanya dlakukan pada pola yang mengandung kesalahan (keluaran jarngan target). Perubahan tersebut merupakan hasl kal unt masukan dengan target dan laju pemahaman. Perubahan bobot hanya akan terjad kalau unt masukkan 0
3 3 c. Kecepatan teras dtentukan pula oleh laju pemahaman (α dengan 0 α 1) yang dpaka. Semakn besar harga α, semakn sedkt teras yang dperlukan. Akan tetap jka α terlalu besar, maka akan merusak pola yang sudah benar sehngga pemahaman menjad lambat. Untuk proses dentfkas perceptron dlakukan cara sebaga berkut : 1. Set aktvas unt masukan x = s (=1,...,n) 2. Htung respon unt keluaran : net = x w b 3. Bandngkan dengan threshold, apabla net > threshold maka pola dkenal, sebalknya jka net < threshold maka pola tdak dkenal. 2.3 Prncpal Component Analyss PCA merupakan metode untuk mengambl cr pentng dar sekumpulan data set dengan mereduks data tersebut menjad data yang otonormal dan tdak salng berkoleras. Sasaran PCA adalah menangkap varas total dan menjelaskan dengan varabel lebh sederhana. Dengan varabel n, cr yang khusus dar sekumpulan data tersebut dapat dgambarkan dengan lebh bak. Proses pada PCA : 1. Normalsas Input Hal pertama yang harus dlakukan adalah memasukkan pxel tap mage ke dalam matrks. Sstem penympanannnya adalah dengan memasukkan semua kolom dalam satu bars sampa habs dahulu, baru kemudan pndah ke kolom pada bars berkutnya. Msalkan ada m mage yang masngmasng berdmens 100x100= pxels. Maka matrks baru yang mempresentaskan mage tranng tersebut berdmens jumlah mage bars x kolom. 2. Mencar Covarance Matrks Setelah data dar setap pxel dmasukkan, kemudan rata-rata dar matrk u dapat dcar. Langkah pertama adalah mencar jumlah total dar setap matrks u, kemudan drata-ratakan dengan dbag kemudan semua pxel pada bars tu dkurang dengan rata ratanya. m 1 u u k m, 1 k 1 Semua varas yang memungknkan dperoleh dar perpasangan vektor kolom dnyatakan sebaga covarance matrks. Covarance matrks ddapat dengan cara mengalhkan matrks u dengan transpose-nya. Matrks baru yang dhaslkan bedmens jumlah mage bars x jumlah mage kolom. C u T * u 3. Mencar EgenValue Dan EgenVector Setelah matrks covarance dhtung, langkah berkutnya adalah mencar egen value dan egen vector dengan menggunakan metode jacob. Egen value yang ddapat durutkan mula yang terbesar sampa yang terkecl, dan egen vector yang bersesuaan dengan egen value tersebut juga durutkan. Egen value yang dhaslkan merupakan matrks satu dmens sebanyak jumlah ctra tranng. Sedangkan matrks egen vector yang dhaslkan merupakan matrks berdmens jumlah mage bars x jumlah mage kolom. Dmana Jacob: Adalah sebuah operas yang ddesan untuk mengenolkan elemen-elemen d luar dagonal utama matrks. Transformas yang dlakukan tdak langsung menghaslkan nol, akan tetap jka transformas berturut-turut dlakukan maka akan menghaslkan nla d luar dagonal utama yang semakn kecl atau semakn mendekat nol. Untuk mencar egen value, dgunakan rumus : Dmana nla λ adalah nla egen value. Q t 1 AQ= 0 0 2
4 4 Secara umum Q adalah : 2aj Dmana tan2θ = a a jj a11 a12 cos sn Msalkan A =, maka Q = a21 a 22 sn cos cos sn a Q t 11 a12 cos sn AQ = sn cos a21 a 22 sn cos a12 Maka tan2θ = a a Setelah egen value dperoleh, maka dapat dlakukan pencaran egen vector dengan menggunakan rumus: λi-a Dmana I adalah matrks denttas Egenface PCA Matrks egenface dhtung dengan cara mengalkan matrks u dengan matrks egenvector dan dengan satu dbag akar egenvalue-nya. Egenface u * egenvector 5. Ekstraks Cr Ekstrakcr egenface T Untuk proses dentfkas, dlakukan proses ekstraks cr dengan rumus yang sama, dengan nla egenface nya merupakan nla egenface yang ddapat dar proses pelathan. 3. Perancangan 3.1 Flowchart Flowchart adalah penggambaran secara grafs dar langkah-langkah dan urutan-urutan prosedur dar suatu program. Flowchart menolong analss dan programmer untuk memecahkan masalah ke dalam segmen-segmen yang lebh kecl dan menolong dalam menganalss alternatf-alternatf lan dalam pengoperasan (Mrrfan, 2010). 11 u 22
5 Flowchart PCA Mula Normalsas Input Car Rata-rata Ekstraks Nla Rata-rata Car Matrks Covaran Jacob Car EgenValue Dan Egenvector Car Egenface Car Nla Ekstraks Cr Hasl Ekstraks Cr Selesa Gambar 3.3 Flowchart PCA
6 Flowchart Perceptron
7 7 3.2 Tabel Tabel 5.1 Tabel Tanda Tangan Tanda Tangan ID Nama Lebar Sample Tngg Sample Bobot Perceptron Bas Perceptron Jml_egen Egenface Prmary key untuk tanda tangan Nama tanda tangan Ukuran Lebar Ctra Ukuran Tngg Ctra Bobot Ctra Hasl Pembelajaran Bas Ctra Hasl pembelajaran Jumlah Egen Egenface 4. Hasl dan Pembahasan 4.1 Tamplan Awal Aplkas Gambar 4.1 Tamplan Awal Aplkas Pengenalan Ctra Tanda Tangan Pada halaman n terdapat dua button. Button pembelajaran mengarahkan ke form pembelajaran yang dgunakan untuk melakukan pembelajaran terhadap ctra tanda tangan, berupa fle gambar. Button Identfkas mengarahkan ke form dentfkas yang dgunakan untuk melakukan dentfkas terhadap ctra tanda tangan. a. Tamplan Form Pembelajaran
8 8 Gambar 4.2 Tamplan Form Pembelajaran b. Tamplan Form Identfkas Gambar 4.3 Tamplan Hasl Identfkas Tanda Tangan 4.2 Metode Pengujan Aplkas n dlakukan pengujan terhadap ctra lath dan ctra dentfkas. Pada ctra lath dlakukan pengujan terhadap tanda tangan yang akan d uj keaslannya. Sesua dengan metode pengujan yang telah dlakukan, berkut data hasl perbandngan yang ddapat : 1. Menghtung lama proses pembelajaran untuk data 100 x 100 pxel dengan jumlah data sebanyak lma, sepuluh dan lmabelas. 2. Menghtung lama proses pembelajaran untuk data 200 x 200 pxel dengan jumlah data sebanyak lma, sepuluh dan lmabelas. 3. Menghtung persentase kecocokan data lath dan data uj untuk data ctra yang berukuran 100 x 100 dengan jumlah data lath lma, sepuluh dan lmabelas. 4. Menghtung persentase kecocokan data lath dan data uj untuk data ctra yang berukuran 200 x 200 dengan jumlah data lath lma, sepuluh dan lmabelas. 5. Menguj apakah aplkas membantu pengguna dalam pengenalan terhadap suatu tanda tangan (Kusoner). Sesua dengan metode pengujan yang telah dlakukan, berkut data hasl yang ddapat : 1. Pengujan I : lama proses pembelajaran untuk data 100 x 100 pxel dengan jumlah data sebanyak lma, sepuluh dan lmabelas. Tabel 4.1 Tabel Waktu Pembelajaran ctra 100 x100 Ukuran Jumlah Data Waktu 100 x ,08 detk
9 9 100 x ,60 detk 100 x ment 16,73 detk 2. Pengujan II : lama proses pembelajaran untuk data 200 x 200 pxel dengan jumlah data sebanyak lma, sepuluh dan lmabelas. Tabel 4.2 Tabel Waktu Pembelajaran Ctra 200 x200 Ukuran Jumlah Data Waktu 200 x ment 0,22 detk 200 x ment 37,79 detk 200 x Not respondng 3. Pengujan III : Persentase kecocokan data lath dan data uj untuk data ctra yang berukuran 100 x 100 dengan jumlah data lath lma, sepuluh dan lmabelas Tabel 4.3 Tabel Kecocokan Ctra 100 x 100 dengan lma sample Ukuran Jumlah Data Lath Percobaan Ke- Cocok/ tdak 100 x cocok 2 cocok 3 tdak 4 tdak 5 cocok Analsa dar pengujan table 4.3 adalah : Hasl : h = 3 5 x 100 % = 60 % x 100% 40% cocok 60% tdak Gambar 4.4 Grafk Hasl Analsa Dar Pengujan Tabel 4.3 Tabel 4.4 Tabel Kecocokan Ctra 100 x 100 dengan sepuluh sample Ukuran Jumlah Data Lath Percobaan Ke- Cocok/ tdak 100 x cocok 2 cocok 3 cocok 4 tdak 5 tdak Analsa dar pengujan table 4.4 adalah : Hasl : h x 100%
10 10 = 3 5 x 100 % = 60 % 40% cocok 60% tdak Gambar 4.5 Grafk Hasl Analsa Tabel 4.4 Tabel 4.5 Tabel Kecocokan Ctra 100 x 100 dengan lmabelas sample Ukuran Jumlah Data Lath Percobaan Ke- Cocok/ tdak 100 x cocok 2 cocok 3 cocok 4 tdak 5 cocok Analsa dar pengujan table 4.5 adalah : Hasl : h = 4 5 x 100 % = 80 % x 100% 20% 80% cocok tdak Gambar 4.6 Grafk Hasl Analsa Pengujan Tabel Pengujan IV : Persentase kecocokan data lath dan data uj untuk data ctra yang berukuran 100 x 100 dengan jumlah data lath lma, sepuluh dan lmabelas. Tabel 4.6 Tabel Kecocokan Ctra 200 x 200 dengan lma sample Ukuran Jumlah Data Lath Percobaan Ke- Cocok/ tdak 200 x cocok 2 tdak 3 cocok 4 tdak 5 cocok
11 11 Analsa dar pengujan table 4.6 adalah : Hasl : h = 3 5 x 100 % = 60 % x 100% 40% cocok 60% tdak Gambar 4.7 Grafk Hasl Analsa Dar Pengujan Tabel 4.6 Tabel 4.7 Tabel Kecocokan Ctra 200 x 200 dengan sepuluh sample Ukuran Jumlah Data Lath Percobaan Ke- Cocok/ tdak 100 x cocok 2 cocok 3 cocok 4 cocok 5 tdak Analsa dar pengujan table 4.7 adalah : Hasl : h = 4 5 x 100 % = 80 % x 100% 20% 80% cocok tdak Gambar 4.8 Grafk Hasl Analsa Pengujan Tabel 4.7 Untuk ctra berukuran 200 x 200 dengan jumlah sample 15 tdak dapat dhtung, karena pada proses pelathan aplkas tdak dapat melakukan proses / not respondng. 5. Pengujan V : Apakah aplkas membantu pengguna dalam pengenalan terhadap suatu tanda tangan (Kuesoner). Kuesoner dberkan kepada 20 orang responden yang merupakan pengguna acak. Kuesoner n terdr dar kuesoner dar seg Interaks Manusa Komputer (IMK) dan manfaat dar aplkas. Berkut panduan untuk pengguna dalam menjawab kuesoner:
12 12 Tabel 4.8 Keterangan Kusoner Sangat Tdak Setuju (STS) Tdak Setuju (TS) Netral (N) Setuju (S) Sangat Setuju (SS) Dsedakan 5 pertanyaan tentang perpaduan warna web, aplkas yang user frendly, pemahaman user pada saat menggunakan aplkas dan penlaan manfaat dar aplkas. Hasl kuesoner adalah sebaga berkut: 80% 70% 60% 50% 40% 30% 20% 10% 0% STS TS N S SS Gambar 4.1 Hasl Kuesoner Aplkas user frendly Fungs berjalan dengan lancar Membantu dalam proses pengenalan tanda tangan Kemudahan dalam menjalan aplkas Tamplan keseluruhan yang menark dan nteraktf Persentas untuk pernyataan bahwa aplkas n memlk tamplan yang user frendly, 0% responden menyatakan sangat tdak setuju, 5% responden tdak setuju, 30% responden netral, 65% responden setuju, dan 0% responden menyatakan sangat setuju. Persentas untuk pernyataan bahwa aplkas memlk fungs yang berjalan dengan lancar, 0% responden menyatakan sangat tdak setuju, 0% responden tdak setuju, 30% responden netral, 70% responden setuju, dan 0% responden menyatakan sangat setuju. Persentas untuk pernyataan bahwa aplkas membantu dalam proses pengenalan tanda tangan, 0% responden menyatakan sangat tdak setuju, 0% responden tdak setuju, 40% responden netral, 50% responden setuju, dan 10% responden menyatakan sangat setuju. Persentas untuk pernyataan bahwa aplkas memlk kemudahan ketka djalankan, 0% responden menyatakan sangat tdak setuju, 0% responden tdak setuju, 60% responden netral, 40% responden setuju, dan 0% responden menyatakan sangat setuju. Persentas untuk pernyataan bahwa aplkas memlk tamplan keseluruhan yang menark dan nteraktf, 0% responden menyatakan sangat tdak setuju, 0% responden tdak setuju, 75% responden netral, 25% responden setuju, dan 0% responden menyatakan sangat setuju. Tabel 4.1 Nla hasl kuesoner Pertanyaan Nla Aplkas n user frendly sehngga tdak sult dgunakan yang mash awam Seluruh fungs yang terdapat dalam aplkas berjalan dengan bak, sepert proses pelathan, proses demtfkas dan lan sebaganya Aplkas n membantu dalam proses pengenalan tanda tangan Kemudahan dalam menjalankan aplkas pengenalan tanda tangan % % % %
13 13 Tamplan dan keseluruhan aplkas sudah nteraktf dan menark % Dar nla yang ddapat maka dapat danalsa bahwa: 1. Tamplan aplkas user frendly. 2. Fungs fungs pada aplkas berjalan dengan bak. 3. Aplkas membantu pengguna untuk proses pengenalan tanda tangan. 4. Mudah dalam menjalankan aplkas pengenalan tanda tangan. 5. Penlaan aplkas secara keseluruhan bak 4.3 Analsa dan Evaluas Berdasarkan hasl pengujan-pengujan yang dlakukan, dapat danalsa bahwa: 1. Ukuran ctra dan jumlah ctra yang dlath mempengaruh dalam kecepatan pada proses pelathan. Semakn besar ukuran ctra dan semakn banyak jumlah ctra yang dlath maka proses pelathan akan lebh lambat. 2. Jumlah ctra yang dlath mempengaruh besar persentase kecocokan pada proses dentfkas. 3. Pada ctra 200 x 200 pxel dengan jumlah ctra yang dlath lma belas, aplkas terhent/ not respondng dkarenakan data yang dproses terlalu besar. 4. Aplkas dapat membantu pengguna dalam proses pengenalan tanda tangan. 5.1 Kesmpulan Setelah dlakukan beberapa pengujan, dapat dsmpulkan bahwa: 1. Ukuran dan jumlah data mempengaruh keefektfan dar program. 2. PCA dapat dkombnaskan dengan perceptron untuk proses pengenalan tanda tangan. 3. Aplkas dapat dgunakan untuk membantu pengguna dalam proses pengenalan suatu tanda tangan. 4. Semakn banyak data dan semakn besar ukuran pxel dar ctra lath, maka semakn lama juga waktu yang dperlukan untuk proses pelathan. 5. Aplkas n tdak dapat berjalan jka data dproses berukuran 200 x 200 pxel dengan lma belas sample. 5.2 Saran Untuk mendapatkan hasl yang lebh maksmal, dsarankan : 1. Dalam melakukan proses data lath, aplkas n dsarankan untuk lebh dkembangkan lag dengan metode yang sama agar dapat melakukan proses dentfkas dengan cepat dan bak untuk data lath yang lebh banyak dan ukuran pxel yang lebh besar. 2. Aplkas dapat dmodfkas dengan menambahkan metode JST lannya, sehngga dapat danalsa dan dketahu metode pengenalan pola yang terbak. 6. Daftar Pustaka Adry Pengenalan Wajah Dengan Metode Backprogaton network dan Prncpal Component Analyss. Petra Chrstan Unversty Lbrary. URL : /junkpe/s1/elkt/2003/junkpe-ns-s saraf-chapter2.pdf Mus, Saludn Teknk Jarngan Syaraf Truan. Yogyakarta : Graha Ilmu Patel, Vthal A Numercal Analyss. Harcourt Brace College Publsher.
14 14 Qur an, Dfla Yustsa dan Safrna Rosmalnda Jarngan Syaraf Truan Leranng Vector Quanttazaton Untuk Aplkas Pengenalan Tanda Tangan. Semnar Nasonal Aplkas Teknolog Informas URL : Sarbn Perbandngan Beberapa Metode Egen dengan PCA Proses Pada Pengenalan Wajah Menggunakan JST Propagas Balk Standar. E-ILKOM. Sholeh, Alfn Pengembangan Sstem Pengenalan Wajah 2D Dengan Implementas Algortma Egenface Dan Manhattan Dstance. Unverstas Penddkan Indonesa. Sang, Jong Jek Jarngan Syaraf Truan & Pemgrogramannya Menggunakan MATLAB. Yogyakarta : And. Sutojo, T dan Edy Mulyanto dan Vncent Suhartono Kecerdasan Buatan. Yogyakarta : And.
BAB 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 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 terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
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 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 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 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 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 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 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 terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
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 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 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 terperinciPENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA
MAKALAH SEMINAR TUGAS AKHIR PENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA Suharto Jat Santoso *, Bud Setyono **, R. Rzal Isnanto ** Abstrak - Selama n pengenalan jens kan pada
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 terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
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 terperinciPRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel
PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan
Lebih terperinciANALISIS KEMIRIPAN POLA CITRA DIGITAL MENGGUNAKAN METODE EUCLIDEAN
AALISIS KEMIRIPA POLA CITRA DIGITAL MEGGUAKA METODE EUCLIDEA Eus St ur Asyah1), Abdul Hayat2), Puspa Wdant3), Shnta Yulnda Prasetya4), Helm Iskandar5) 1), 2 ), 3) Komputersas Akuntans AMIK Raharja Informatka
Lebih terperinciPengenalan Wajah Menggunakan Pseudo-2D Hidden Markov Model
Pengenalan Wajah Menggunakan Pseudo-2D Hdden Markov Model Anak Agung Gde Agung 1, Fazmah Arf Yulanto 2, Warh Maharan 3 1 Program Stud Komputersas Akuntans Polteknk Telkom, Bandung 2,3 Fakultas Teknk Informatka,
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 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 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 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 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 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. fungsi f(x,y), dimana x dan y merupakan spatial koordinat, dan tingkatan aplitude
BAB 2 LANDASAN TEORI 2.1 Ctra Menurut Gonzales (2004, p1) Ctra bsa djelaskan sebaga 2 dmens dar fungs f(x,y), dmana x dan y merupakan spatal koordnat, dan tngkatan apltude pada poss n dsebut dengan ntenstas
Lebih terperinciPengenalan Pola Senyum Menggunakan Backpropagation Berbasis Ekstraksi Fitur Principal Component Analysis (PCA)
Pengenalan Pola Senyum Menggunakan Backpropagaton Berbass Ekstraks Ftur Prncpal Component Analyss (PCA) Rma Tr Wahyunngrum 1, Rza Mashta Wat 2, Aer Rachmad 3 Program Stud Teknk Informatka, Unverstas Trunojoyo
Lebih terperinciBAB 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. 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 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 V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
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 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
Lebih terperinciPENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD
Semnar Nasonal Sstem dan Informatka 2007; Bal, 6 November 2007 PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD Nur Hasanah ) Istkhomah 2) Taufq Hdayat 3) Sr Kusumadew 4) Jurusan
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 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 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. 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 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 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus
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 terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
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 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 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 terperinci2.1 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 terperinciFACE RECOGNITION MENGGUNAKAN METODE ALGORITMA VIOLA JONES DALAM PENERAPAN COMPUTER VISION
FCE RECOGTO MEGGUK METODE LGORTM VOL JOES DLM PEERP COMPUTER VSO Pareza lam Jusa, S.Kom, M.Kom STKOM Dnamka Bangsa Jamb,Teknk nformatka E-mal: parezaalam@stkom-db.ac.d BSTRK Deteks wajah merupakan suatu
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 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 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 terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciMANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN
MANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN By: Rn Halla Nasuton, ST, MT MERANCANG JARINGAN SC Perancangan jarngan SC merupakan satu kegatan pentng yang harus
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. 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 II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
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 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 terperinciPENGENALAN POLA BERBASIS JARINGAN SYARAF TIRUAN DALAM ANALISA CT SCAN TUMOR OTAK BELIGNA
PENGENALAN POLA BERBASIS JARINGAN SYARAF TIRUAN DALAM ANALISA CT SCAN TUMOR OTAK BELIGNA Mke Susmkant Pusat Pengembangan Informatka Nuklr BATAN Kawasan PUSPIPTEK, Gd. 71, Serpong, Tangerang Emal : mke@batan.go.d
Lebih terperinciSEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN
AALISIS DISKRIMIA DISKRIT UTUK MEGELOMPOKKA KOMPOE Bernk Maskun Jurusan Statstka FMIPA UPAD jay_komang@yahoo.com Abstrak Untuk mengelompokkan hasl pengukuran yang dukur dengan p buah varabel dmana penlaan
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.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciDekomposisi Nilai Singular dan Aplikasinya
A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak
Lebih terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih terperinciRANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN
RANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN Erfant Fatkhyah Jurusan Teknk Informatka, Fakultas Teknolog Industr, Insttut Sans & Teknolog AKPRIND Yogyakarta Emal: erfunthye@yahoocod
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
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 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 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 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 terperincib. Tentukan eigenket-eigenket dari sistem tersebut sebagai kombinasi linier dari 1 dan 2
Solus UTS Mekanka Kuantum Program Stud S Fska Tanggal ujan: 6 Oktoer 7 Dosen: Muhammad Azz Majd, Ph.D. Assten: Ahmad Syahron, S.S. Soal Hamltonan seuah sstem -keadaan two states system dnyatakan dengan
Lebih terperinciMetode Ekstraksi Data Untuk Pengenalan Huruf Dan Angka Tulisan Tangan Dengan Menggunakan Jaringan Syaraf Buatan Propagasi Balik
Porceedng of Semanr on Intellgent Technology and Its Applcatons (SITIA 2002) Insttut Teknolog Sepuluh Nopember, Surabaya, May 7 th, 2002 Metode Ekstraks Data Untuk Pengenalan Huruf Dan Angka Tulsan Tangan
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 3 METODOLOGI PERANCANGAN
9 BAB 3 METODOLOGI PERANCANGAN Bab n bers penjelasan mengena langkah-langkah perhtungan serta prosedurprosedur yang dgunakan untuk menemukan solus atas rumusan masalah pada Bab. Dalam bab n juga akan dtamplkan
Lebih terperinciBAB III METODE PENELITIAN. hasil penelitian. Walaupun penelitian ini merupakan penelitian kuasi eksperimen,
BAB III METODE PENELITIAN A. Metode dan Desan Peneltan Metode peneltan n adalah quas ekspermen karena terdapat unsur manpulas, yatu mengubah keadaan basa secara sstemats ke keadaan tertentu serta tetap
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Kamus Buku acuan yang memuat kata dan ungkapan, basanya dsusun menurut abjad berkut keterangan tentang makna, pemakaan, atau terjemahannya, kamus juga dsebut buku yang memuat
Lebih terperinciANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE M. Fachrurroz, M.T. 1, Nov Yuslan, M.T. 2 1,2 Jurusan Teknk Informatka Fakultas Ilmu Komputer, Unverstas Srwjaya 1 obetsobets@gmal.com,
Lebih terperinciBAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,
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 terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
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 terperinciMENGANALISA GANGGUAN PADA 331 WEIGHT FEEDER 2 UNTUK MENINGKATKAN PRODUKSI DI PT. SEMEN GRESIK (PERSERO).Tbk PABRIK TUBAN ABSTRAK
Nelson ulstono Teknk Mesn Unverstas Islam Malang 015 MENGANALIA GANGGUAN PADA 331 WEIGHT FEEDER UNTUK MENINGKATKAN PRODUKI DI PT. EMEN GREIK (PERERO).Tbk PABRIK TUBAN Nelson ulstono, Teknk Mesn, Fakultas
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. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
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 terperinciArdi Kurniawan 1), Kusrini 2) Sistem Informasi STMIK AMIKOM Yogyakarta 2)
Semnar Nasonal Teknolog Informas dan Multmeda 2016 STMIK AMIKOM Yogyakarta, 6-7 Februar 2016 ANALISIS DAN PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA GURU (PKG) MENGGUNAKAN METODE SIMPLE ADDITIVE
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 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 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 terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
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 terperinci