PENERAPAN METODE PARTICLE SWARM OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK DATA CLUSTERING
|
|
- Sucianty Hardja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENERAPAN METODE PARTICLE SWARM OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK DATA CLUSTERING Yoe Ota a, Ahmad Saihu, S.Si,MT. b Jurusan Teni Informatia, Faultas Tenologi Informasi, Institut Tenologi Sepuluh Nopember, Suraba Abstra Clustering adalah proses pengelompoan obje data e dalam elas-elas berbeda ng disebut cluster sehingga obje ng berada pada cluster ng sama semain mirip dan berbeda dengan obje pada cluster ng lain. K-Harmonic Means (KHM) merupaan algoritme clustering ng dapat memecahan masalah inisialisasi pusat cluster pada algoritme K-Means, namun KHM masih belum dapat mengatasi masalah loal optima. Particle Swarm Optimization (PSO) adalah algoritme stoasti ng dapat digunaan untu menemuan solusi ng optimal pada sebuah permasalahan numeri, namun PSO memilii masalah pada ecepatan onvergensi. Untu mengatasi masalah tersebut terdapat algoritme Particle Swarm Optimization K-Harmonic Means (PSOKHM) ng merupaan penggabungan dari algoritme KHM dan PSO. Pada tugas ahir ini, digunaan algoritme PSOKHM untu melauan clustering data, serta algoritme KHM dan PSO sebagai perbandingan evaluasi hasil cluster berdasaran nilai objective function,, dan running time. Uji coba dilauan dengan 3 senario terhadap 5 data set ng berbeda. Berdasaran hasil uji coba diperoleh bahwa, jia ditinjau dari nilai objective function dan, PSOKHM mampu memberian hasil ng lebih bai. Sedangan bila dilihat dari running time, PSOKHM mampu mengungguli PSO namun lebih bai daripada KHM. Kata unci : Data Clustering, K-Harmonic Means, Particle Swarm Optimization 1. Pendahuluan Clustering adalah proses pengelompoan obje data e dalam elas-elas berbeda ng disebut cluster sehingga obje ng berada pada cluster ng sama semain mirip dan berbeda dengan obje pada cluster ng lain [2]. K- Means (KM) adalah salah satu algoritme paling populer ng digunaan untu proses partisi clustering arena elaan dan efisiensin pada saat berurusan dengan data ng ban. Mesipun algoritme tersebut mudah diimplementasian dan dapat beerja dengan cepat pada ban situasi, algoritme KM memilii beberapa elemahan, diantaran hasil cluster sensitif terhadap penentuan awal (inisialisasi) pusat cluster dan hasiln dapat mengarah epada loal optima [2]. Untu mengatasi masalah ng terjadi pada inisialisasi pusat cluster, Zhang, Hsu, dan Dal (1999,2000) [8] mengusulan sebuah algoritme baru ng diberi nama K-Harmonic Means (KHM) ng emudian dimodifiasi oleh Hammerly dan Elan (2002). Tujuan dari algoritme ini adalah meminimalisasi rata-rata harmoni dari semua titi pada data set e seluruh pusat cluster. Mesipun algoritme KHM dapat memecahan masalah inisialisasi, namun KHM masih belum dapat mengatasi masalah loal optima [2]. Particle Swarm Optimization (PSO) adalah suatu algoritme stoasti ng dirancang oleh Kennedy dan Eberhart (1995), ng diinspirasi oleh perilau awanan burung [4]. Pada paper ini, penulis melauan esplorasi bagaimana algoritme PSO dapat membantu algoritme KHM untu terlepas dari loal optima. Dengan menggunaan edua algoritme tersebut, sebuah algoritme hibrid clustering data ng disebut Particle Swarm Optimization K-Harmonic Means (PSOKHM) dienalan [2]. Berdasaran hasil uji coba terhadap beberapa data set, didapat bahwa hasil dari algoritme PSOKHM lebih bai daripada KHM dan PSO. Algoritme PSOKHM ini han mengatasi masalah loal optima pada algoritme KHM, namun juga meningatan ecepatan onvergensi dari algoritme PSO [2]. Paper ini dapat dibagi sebagai beriut : Bagian 2 memperenalan algoritme clustering KHM. Pada bagian 3 dijelasan bagaimana algoritme PSO dipaai pada proses clustering. Bagian 4 menjelasan Algoritme hibrid PSOKHM. Bagian 5 berisi implementasi dan hasil uji coba terhadap 5 data set, itu Iris, Glass, Cancer, CMC, dan Wine. Kemudian ng terahir, bagian 6 berisi esimpulan. 2. Metode clustering K-Harmonic Means K-Harmonic means merupaan salah satu metode clustering berbasis terpusat ng diperenalan oleh Zhang pada tahun 1999 ng emudian diembangan oleh Hammerly dan Elan pada tahun Tujuan dari algoritme ini adalah meminimalisasi rata-rata harmoni dari semua titi pada data set e seluruh pusat cluster. Pada K-Means setiap titi data han dimasuan e satu centroid, ng berarti setiap titi data han memilii eteraitan dengan centroid dimana data tersebut dimasuan. Pada area dengan loal density antara titi data dengan centroid ng tinggi, centroid memilii emunginan dapat bergera dari suatu titi data walaupun fatan terdapat centroid edua dideatn. Centroid edua ini mungin saja memilii solusi loal ng lebih buru, namun efe global dalam penempatan ulang satu dari dua centroid tersebut mungin saja dapat berguna bagi proses clustering untu mendapatan hasil ng lebih bai. Proses penuaran centroid tersebut dapat terjadi pada algoritme K-Means [8]. Pada algoritme KHM, setiap titi data dicari jaran e semua centroid. Rata-rata harmoni sensitif terhadap fata adan 2 atau lebih centroid ng berada deat suatu titi data. Algoritme ini secara natural aan menuar satu atau lebih centroid e area dimana terdapat suatu titi data ng memilii centroid di deatn. Sehingga semain bai hasil clustern, nilai fungsi objetifn aan semain ecil [8]. Notasi beriut digunaan untu merumusan algoritme KHM [2]: X = {x 1,...,x n } : data ng dicluster C = {c 1,...,c } : umpulan pusat cluster
2 m(c j x i ) : fungsi anggota ng mendefinisian proporsi dari data point x i mili pusat c j. w(x i ) : fungsi bobot ng mendefinisian seberapa besar pengaruh ng dimilii data point x i pada proses omputasi ulang parameter centroid pada iterasi selanjutn. Algoritme KHM dapat dilihat pada Gambar 2.1 dan 2.2. Mulai 1 2 Untu setiap data point x i, hitung bobot w(x i ) berdasaran : K j =1 w (x i ) = x i c j p 2 ( K j =1 x i c j p ) 2 Input data set dan parameter Inisialisasi centroid seban jumlah cluster dengan memilih secara random dari data Hitung Objective function berdasaran : = N i=1 1 j =1 x i c j p Untu setiap data point x i, hitung eanggotaan m(c j x i ) pada setiap pusat c j berdasaran : m(c j x i ) = x i c j p 2 j =1 x i c j p 2 Untu setiap pusat c j, hitung ulang loasin terhadap semua data point x i berdasaran eanggotaan dan bobotn : n i=1 m c j x i w(x i )x i c j = n i=1 m c j x i w (x i ) Jia lewat batas iterasi atau nilai berubah secara signifian Masuan data point x i e cluster j dengan nilai m(c j x i ) ng terbesar Hitung Selesai Gambar 2.1 Flowchart algoritme KHM bag.1 3. Particle Swarm Optimization 1 Metode PSO diperenalan oleh Kennedy dan Eberhart pada tahun PSO menggunaan seumpulan partiel ng beerjasama, dimana setiap partiel merepresentasian satu andidat solusi, untu mengesplorasi solusi-solusi ng memunginan bagi permasalahan optimasi. Masing-masing partiel diinisialisasi secara aca atau heuristi, emudian partiel partiel tersebut diperbolehan untu terbang. Pada setiap langah optimasi, masing-masing partiel diperbolehan untu mengevaluasi emampuann dan emampuan partiel-partiel di seitarn. Masing-masing partiel dapat menyimpan solusi ng menghasilan emampuan terbai sebagai salah satu andidat solusi terbai untu semua partiel diseitarn [4]. PSO diinisialisasi dengan pembuatan matris secara aca. Baris-baris di matris disebut dengan partiel. Barisbaris tersebut mengandung variabel nilai. Masing-masing partiel aan berpindah berdasaran jara dan ecepatan. Partiel memperbaharui ecepatan (velocity) dengan persamaan 3.1 dan posisin berdasaran solusi terbai loal dan global dengan persamaan 3.2 [4]. V i t+1 = ωv i t + C 1 *R 1 *(P i t X i t ) + C 2 *R 2 *(P g t -X i t ) (3.1) 2 Gambar 2.2 Flowchart algoritme KHM bag.2 X t+1 i = X t t+1 i + V i (3.2) Variabel i merupaan partiel e-i dalam awanan, t merupaan jumlah iterasi, V i adalah ecepatan partiel e-i dan X i adalah variabel partiel vetor (contohn posisi vetor) dari partiel e-i pada permasalahan N dimensional. P i adalah solusi terbai loal partiel e-i ng diperoleh, dan P g adalah solusi terbai global dari seluruh partiel dimana P i dan P g diperoleh berdasaran nilai fitness ng terbai [4]. R 1 dan R 2 merupaan bilangan aca antara 0 dan 1, ω adalah beban partiel disebut sebagai innertia weight, C 1 dan C 2 adalah dua onstanta bilangan, sering disebut sebagai cognitive confidence coefficient [4]. Partiel PSO pada asus data clustering adalah matrix centroid dari tiap cluster ng dibentu. Representasi partiel PSO dapat dilihat pada Gambar 3.1. x 11 x x 1d... x 1 x 2... x d Gambar 3.1 Representasi partiel Dimana adalah jumlah cluster ng dibentu dan d adalah dimensi data. Fitness function ng digunaan pada asus ini adalah objective function pada algoritme KHM [2]. Algoritme PSO dapat dilihat pada Gambar
3 Mulai 3 2 Input data set dan parameter, p, Swarm size, c1, c2, dan Inertia Inisialisasi particle seban Swarm size dengan memilih secara random dari data Inisialisasi velocity = 0 untu tiap particle Update velocity particle i berdasaran : Jia t lewat batas iterasi Pilih particle pc dengan nilai KHM pc (X,C) terecil Masuan data point x i e cluster j dengan nilai m pc (c j x i ) ng terbesar Hitung V pc t+1 = ωv pc t + C 1 *R 1 *(P pc t X pc t ) + C 2 *R 2 *(P g t -X pc t ) Update posisi particle i berdasaran : X pc t+1 = X pc t + V pc t+1 1 Gambar 3.2 Flowchart algoritme PSO bag.1 1 Hitung Objective function berdasaran : N KHM pc (X,C) = i=1 1 j =1 x i c j p Untu setiap data point x i, hitung eanggotaan m(c j x i ) pada setiap pusat c j berdasaran : m pc (c j x i ) = x i c j p 2 j =1 x i c j p 2 Jia KHM pc t < KHM pc t-1 Update pbest pc t dan gbest t t = t+1 Gambar 3.3 Flowchart algoritme PSO bag Gambar 3.4 Flowchart algoritme PSO bag.3 4. Algoritme PSOKHM KHM merupaan algoritme clustering ng dapat memecahan masalah inisialisasi pusat cluster pada algoritme K-Means. Mesipun algoritme KHM dapat memecahan masalah inisialisasi, namun KHM masih belum dapat mengatasi masalah loal optima. Untu mendapatan solusi optimal, terdapat algoritme stoasti ng bernama PSO, namun algoritme PSO memilii masalah pada ecepatan onvergensi. Untu mengatasi masalah tersebut, Fengqin Yang, Tieli Sun, dan Changhai Zhang (2009) mengintegrasian algoritme PSO dengan KHM, sehingga didapat algoritme clustering hybrid ng disebut PSOKHM. Algoritme PSOKHM menggunaan KHM dengan empat ali iterasi terhadap partiel setiap delapan generasi sehingga fitness value dari setiap partiel meningat. Partiel adalah sebuah vetor dari bilangan real dari dimensi *d, dimana adalah ban cluster dan d adalah dimensi data ng dicluster. Fitness function ng dipaai untu algoritme PSOKHM adalah objective function dari algoritme KHM [2]. Algoritme PSOKHM dapat dilihat pada Gambar 4.1 dan Uji Coba Selesai Uji coba dilauan terhadap algoritme KHM, PSO, dan PSOKHM dengan senario sebagai beriut : 1. Uji coba dengan parameter p = 2,5 2. Uji coba dengan parameter p = 3 3. Uji coba dengan parameter p = 3,5 Lima data set digunaan sebagai input untu uji coba terhadap sistem. Data set ng digunaan adalah Iris, Glass, Cancer, CMC, dan Wine, dimana elima data set tersebut disimpan pada file bernama sama dengan estensi data. Data set bisa didapatan dari website : ftp://ftp.ics.uci.edu./pub/machine-learning-databases/. Karateristi setiap data set dapat dilihat pada Tabel 5.1. Selain lima data set ng telah disebutan di atas, terdapat beberapa input parameter ng dapat dilihat pada Tabel 5.2.
4 Tabel 5.1 Karateristi data set masuan Nama data set Jumlah elas () Jumlah fitur (d) Jumlah data (n) Iris Glass Cancer CMC Wine Tabel 5.2 Nilai parameter masuan 1 2 Update tiap centroid dengan menjalanan modul KHM Gen3 = Gen3+1 Jia Gen3 < 4 Parameter Nilai p 2,5, 3, dan 3,5 Sesuai data set Iteration 10 Swarm size 20 c c Inertia Jia Gen1 < 5 Pilih particle pc dengan nilai KHM pc (X,C) terecil Masuan data point x i e cluster j dengan nilai m pc (c j x i ) ng terbesar Hitung Mulai Input data set dan parameter, p, Swarm size, c1, c2, dan Inertia Selesai Inisialisasi particle seban swarm size dengan memilih secara random dari data Inisialisasi velocity = 0 untu tiap particle Gen1 = 0 Gen2 = Gen3 = 0 Lauan Modul PSO untu mengupdate particle pc Gen2 = Gen2+1 Jia Gen2 < 8 Ambil posisi particle pc sebagai centroid awal 1 2 Gambar 4.2 Flowchart algoritme PSOKHM bag.2 Nilai parameter p ng digunaan untu uji coba sistem adalah 2,5, 3, dan 3,5. Nilai parameter ng diinputan tergantung dari ban elas dari tiap data set ng dapat dilihat pada olom jumlah elas () pada Tabel 5.1. Sedangan nilai untu parameter ng lain itu Iteration, Swarm size, c1, c2, dan Inertia sesuai dengan ng ada pada Tabel 5.2. Nilai parameter tersebut dipilih berdasaran penelitian selesi parameter PSO ng dilauan oleh Shi dan Eberhart [6]. Masing-masing algoritme dijalanan seban 10 ali untu setiap data set, emudian ualitas dari hasil clustering dari etiga algoritme dibandingan berdasaran : 1. Nilai objective function itu hasil penjumlahan rata-rata harmoni antara titi data dengan seluruh centroid. Semain ecil nilai, semain bai ualitas cluster tersebut. 2. adalah nilai ng didapatan dari penguuran precision dan recall antara class hasil cluster dengan class sebenarn ng terdapat pada data masuan. Precision dan recall bisa didapatan dengan dengan rumus sebagai beriut [2]: Precision (i,j) = n ij n j (5.1) Gambar 4.1 Flowchart algoritme PSOKHM bag.1
5 Recall (i,j) = n ij n i (5.2) Sedangan rumus untu menghitung nilai elas i dengan cluster j adalah sebagai beriut [2] : F(i,j) = b2 +1.(p i,j.r(i,j )) b 2.p i,j +r(i,j ) (5.3) n i adalah jumlah data dari elas i ng diharapan sebagai hasil query, n j adalah jumlah data dari cluster j ng dihasilan oleh query, dan n ij adalah jumlah elemen dari elas i ng masu di cluster j. Untu mendapatan pembobotan ng seimbang antara precision dan recall, digunaan nilai b = 1. Untu mendapatan nilai dari data set dengan jumlah data n, maa rumus ng digunaan adalah sebagai beriut : F = ni i max n j {F(i, j)} (5.4) Semain besar nilai, semain bai ualitas cluster tersebut [2]. Algoritme diimplementasian menggunaan Matlab 7.0 pada Intel Pentium Dual Core 1.86 GHz dengan RAM 1 GB. Dari hasil uji coba sistem terhadap 3 senario itu parameter p = 2.5, 3, dan 3.5 didapatan hasil objective function,, dan running time dari etiga algoritme ng dapat dilihat pada Tabel Nilai ng diceta tebal adalah nilai terbai dan ng diceta miring adalah ng terbai edua. Tabel 5.3 Hasil dari modul KHM, PSO, dan PSOKHM pada lima data set dengan p = 2.5 Iris Glass Cancer CMC Wine KHM PSO PSOKHM Jia dilauan uji t dan ANOVA terhadap hasil objective function KHM (X,C),, dan running time dari etiga modul ng terdapat dalam Tabel , didapatan hasil sebagai beriut : a. Berdasaran nilai confidence interval dari hasil uji t terhadap objective function KHM (X,C) pada Gambar 5.1, didapatan bahwa hasil dari algoritme PSOKHM lebih bai daripada algoritme KHM dan PSO. Dari Gambar 5.1 juga dapat dilihat bahwa perbedaan hasil objective function dari etiga algoritme signifian. Hal ini dapat dilihat dari nilai P ng besar. Tabel 5.4 Hasil dari modul KHM, PSO, dan PSOKHM pada lima data set dengan p = 3 Iris Glass Cancer CMC Wine KHM PSO PSOKHM Tabel 5.5 Hasil dari modul KHM, PSO, dan PSOKHM pada 5 data set dengan p = 3.5 Iris Glass Cancer CMC Wine Gambar 5.1 Hasil uji t dan Anova terhadap objective function KHM (X,C) KHM PSO PSOKHM
6 b. Berdasaran nilai confidence interval dari hasil uji t terhadap pada Gambar 5.2, didapatan bahwa hasil dari algoritme PSOKHM lebih bai daripada algoritme KHM dan PSO. Karena nilai F- Measure semain bai jia nilain semain besar, maa nilai confidence intervaln dilihat berlawanan. Gambar 5.2 Hasil uji t dan Anova terhadap Dari Gambar 5.2 juga dapat dilihat bahwa perbedaan hasil dari etiga algoritme signifian. Hal ini dapat dilihat dari nilai P ng besar. c. Berdasaran nilai confidence interval dari hasil uji t terhadap running time pada Gambar 5.3, didapatan bahwa hasil dari algoritme PSOKHM lebih bai daripada algoritme PSO, namun lebih buru jia dibandingan dengan algoritme KHM. b. PSOKHM han meningatan ecepatan onvergensi pada algoritme PSO, namun juga membantu algoritme KHM untu terlepas dari loal optima. c. Jia dibandingan dengan algoritme KHM, algoritme PSOKHM memerluan watu ng lebih lama pada proses omputasi, sehingga PSOKHM sebain diapliasian apabila watu ng disediaan sangat terbatas. Daftar Pustaa [1] Cui, X., & Poto, T. E. (2005). Document clustering using Particle Swarm Optimization. In: IEEE swarm intelligence symposium. Pasadena, California. [2] Fengqin Yang, Tieli Sun, Changhai Zhang. 2009, An efficient hybrid data clustering method based on K- harmonic means and Particle Swarm Optimization. [3] Hammerly, G., & Elan, C. (2002). Alternatives to the -means algorithm that find better clusterings. In: Proceedings of the 11th international conference on information and nowledge management (pp ). [4] Kennedy, J., & Eberhart, R. C. (1995). Particle swarm optimization. In Proceedings of the 1995 IEEE international conference on neural networs (pp ). New Jersey: IEEE Press. [5] Manning, Christopher D., Prabhaar Raghavan, and Hinrich Schutze Introduction to Information Retrieval. Cambridge University Press. [6] Shi, Y. H., Eberhart, R. C., Parameter Selection in Particle Swarm Optimization, The 7 th Annual Conference on Evolutionary Programming, San Diego, CA. [7] Ünler, A., & Güngör, Z. (2008). Applying K- harmonic means clustering to the partmachine classification problem. Expert Systems with Applications [8] Zhang, B., Hsu, M., & Dal, U. (1999). K-harmonic means a data clustering algorithm. Technical Report HPL Hewlett-Pacard Laboratories. Gambar 5.3 Hasil uji t dan Anova terhadap Running time Dari hasil uji ANOVA terhadap running time terdapat perbedaan ng signifian antara algoritme KHM dengan algoritme PSO dan PSOKHM, hal ini dapat dilihat dari nilai P mendeati nilai Kesimpulan Setelah dilauan rangaian uji coba dan analisis terhadap sistem ng dibuat, maa dapat diambil esimpulan sebagai beriut : a. Algoritme PSOKHM dapat menyelesaian permasalahan data clustering dengan performa ng lebih bai dibandingan dengan algoritme KHM dan PSO jia dilihat pada hasil objective function dan.
PERBANDINGAN KINERJA METODE K-HARMONIC MEANS DAN PARTICLE SWARM OPTIMIZATION UNTUK KLASTERISASI DATA
PERBANDINGAN KINERJA METODE K-HARMONIC MEANS DAN PARTICLE SWARM OPTIMIZATION UNTUK KLASTERISASI DATA Ahmad Saikhu, Yoke Okta 2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciBAB II TINJAUAN PUSTAKA. Gambar 2.1 Graf dengan 4 node dan 5 edge
BAB II TINJAUAN PUSTAKA 2.1. Teori Graf Graf digunaan untu merepresentasian obje-obje disrit dan hubungan antara obje-obje tersebut (Munir, 2005). Dalam menggambar graf, simpul digambaran dengan lingaran
Lebih terperinciPENERAPAN METODE ANT COLONY OPTIMZATION PADA METODE K-HARMONIC MEANS UNTUK KLASTERISASI DATA
PENERAPAN METODE ANT COLONY OPTIMZATION PADA METODE K-HARMONIC MEANS UNTUK KLASTERISASI DATA I Made Kunta Wicaksana, I Made Widiartha Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana, Bali ABSTRAK
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciPERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM
Seminar Nasional Sistem dan Informatia 2007; Bali, 16 November 2007 PERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM Fajar Saptono 1) I ing Mutahiroh
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciBAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN
BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN Berdasaran asumsi batasan interval pada bab III, untu simulasi perhitungan harga premi pada titi esetimbangan, maa
Lebih terperinciModifikasi ACO untuk Penentuan Rute Terpendek ke Kabupaten/Kota di Jawa
187 Modifiasi ACO untu Penentuan Rute Terpende e Kabupaten/Kota di Jawa Ahmad Jufri, Sunaryo, dan Purnomo Budi Santoso Abstract This research focused on modification ACO algorithm. The purpose of this
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperinciBAB IV Solusi Numerik
BAB IV Solusi Numeri 4. Algoritma Genetia Algoritma Genetia (AG) [2] merupaan teni pencarian stoasti yang berdasaran pada meanisme selesi alam dan prinsip penurunan genetia. Algoritma genetia ditemuan
Lebih terperinciPENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL
PENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL Reisha Humaira NIM 13505047 Program Studi Teni Informatia Institut Tenologi Bandung Jl. Ganesha 10, Bandung E-mail : if15047@students.if.itb.ac.id
Lebih terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciPENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )
PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciPelatihan Feedforward Neural Network Menggunakan PSO untuk Prediksi Jumlah Pengangguran Terbuka di Indonesia
Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1260-1269 http://j-ptii.ub.ac.id Pelatihan Feedforward Neural Networ Menggunaan PSO untu Predisi
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinciPenerapan Sistem Persamaan Lanjar untuk Merancang Algoritma Kriptografi Klasik
Penerapan Sistem Persamaan Lanjar untu Merancang Algoritma Kriptografi Klasi Hendra Hadhil Choiri (135 08 041) Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciSimulasi Deployment Jaringan Sensor Nirkabel Berdasarkan Algoritma Particle Swarm Optimization
JNTETI, Vol. 1, No. 3, November 2012 21 Simulasi Deployment Jaringan Sensor Nirabel Berdasaran Algoritma Particle Swarm Optimization Zawiyah Saharuna 1, Widyawan 2, Sujoo Sumaryono 3 Abstract Deployment
Lebih terperinciIMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA
94 IMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA Yudhi Purwananto 1, Diana Purwitasari 2, Agung Wahyu Wibowo Jurusan Teni Informatia, Institut Tenologi Sepuluh Nopember
Lebih terperinciPENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI
PENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI Devi Fitrianah, Ade Hodijah Program Studi Teni Informatia, Faultas Ilmu Komputer,
Lebih terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperincipada Permasalahan Traveling Salesman Problem
Studi Perbandingan Algoritma Ant Colony System dan Algoritma Ant System Leonardo Z Tomarere Laboratorium Ilmu dan Reayasa Komputasi Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Jl. Ganesa
Lebih terperinciANALISIS KEPUASAN KONSUMEN TERHADAP PELAYANAN PELAYANAN JASA PENGIRIMAN PAKET (KURIR) DENGAN MENGGUNAKAN METODE TOPSIS FUZZY
Jurnal Manti Penusa Vol No Desember ISSN 88-9 ANALISIS EPUASAN ONSUMEN TERHADAP PELAYANAN PELAYANAN JASA PENGIRIMAN PAET (URIR DENGAN MENGGUNAAN METODE TOPSIS FUZZY Desi Vinsensia Program Studi Teni Informatia
Lebih terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
Lebih terperinciMENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE
MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE Desfrianta Salmon Barus - 350807 Jurusan Teni Informatia, Institut Tenologi Bandung Bandung e-mail: if807@students.itb.ac.id ABSTRAK
Lebih terperinciKENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA. Thiang, Resmana, Wahyudi
KENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA Thiang, Resmana, Wahyudi Jurusan Teni Eletro, Universitas Kristen Petra Jl. Siwalanerto 121-131 Surabaya Email : thiang@petra.ac.id,
Lebih terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
Lebih terperinciALGORITMA GENETKA PADA MULTI DEPOT VEHICLE ROUTING PROBLEM (MDVRP)
ALGORITMA GENETKA PADA MULTI DEPOT VEHICLE ROUTING PROBLEM (MDVRP) Igusta Wibis Vidi Abar Purwanto 2 FMIPA Universitas Negeri Malang E-mail: wibis.roccity@gmail.com Abstra: Multi Depot Vehicle Routing
Lebih terperinciPengaruh Proses Stemming Pada Kinerja Analisa Sentimen Pada Review Buku
Jurnal Hasil Penelitian LPPM Untag Surabaya Januari 2018, Vol. 03, No. 01, hal 55-59 jurnal.untag-sby.ac.id/index.php/jhp17 E-ISSN : 2502-8308 P-ISSN : 2579-7980 Pengaruh Proses Stemming Pada Kinerja Analisa
Lebih terperinciSTUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING
STUDI KOPARASI IPEENTASI JARINGAN BASIS RADIA DAN FUZZY INFERENCE SYSTE TSK UNTUK PENYEESAIAN CURVE FITTING Sri Kusumadewi Teni Informatia Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyaarta cicie@fti.uii.ac.id
Lebih terperinciPenentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway
Rea Racana Jurnal Online Institut Tenologi Nasional Teni Sipil Itenas No.x Vol. Xx Agustus 2015 Penentuan Nilai Eivalensi Mobil Penumpang Pada Ruas Jalan Perotaan Menggunaan Metode Time Headway ENDI WIRYANA
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
Lebih terperinciESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR)
SEMINAR NASIONAL PASCASARJANA SAL ESIMASI RAJECORY MOBILE ROBO MENGGUNAKAN MEODE ENSEMBLE KALMAN FILER SQUARE ROO (ENKF-SR) eguh Herlambang Zainatul Mufarrioh Firman Yudianto Program Studi Sistem Informasi
Lebih terperinci1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba
JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA Nurmalasari Rusmiati 1 Sistem Informasi, Faultas Ilmu Komputer, Universitas Gunadarma
Lebih terperinciINTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh
INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON Maalah Disusun guna memenuhi tugas Mata Kuliah Metode Numeri yang dibimbing oleh Dr. Nur Shofianah Disusun oleh: M. Adib Jauhari Dwi Putra 146090400111001
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperinciFUNGSI BANTU NONPARAMETRIK BARU UNTUK MENYELESAIKAN OPTIMASI GLOBAL
Seminar Nasional Matematia dan Apliasinya, 2 Otober 27 FUNGSI BANTU NONPARAMETRIK BARU UNTUK MENYELESAIKAN OPTIMASI GLOBAL Ridwan Pandiya #, Emi Iryanti #2 # S Informatia, Faultas Tenologi Industri dan
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
Lebih terperinciImputasi Missing data Menggunakan Algoritma Pengelompokan Data K-Harmonic Means
Imputasi Missing data Menggunakan Algoritma Pengelompokan Data -Harmonic Means Abidatul Izzah 1), Nur Hayatin 2) 1) Jurusan Teknik Informatika ITS Surabaya Jl. Teknik imia ampus Teknik Informatika ITS
Lebih terperinciUji Alternatif Data Terurut Perbandingan antara Uji Jonckheere Terpstra dan Modifikasinya Ridha Ferdhiana 1 Statistics Peer Group
Uji Alternatif Data Terurut Perbandingan antara Uji Joncheere Terpstra dan Modifiasinya Ridha Ferdhiana Statistics Peer Group Jurusan Matematia FMIPA Universitas Syiah Kuala Banda Aceh, Aceh, 23 email:
Lebih terperinciVARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL
SEMINAR NASIONAL PENDIDIKAN SAINS Peningatan Kualitas Pembelajaran Sains dan Kompetensi Guru melalui Penelitian & Pengembangan dalam Menghadapi Tantangan Abad-1 Suraarta, Otober 016 VARIASI NILAI BATAS
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION
UPN Veteran Yogyaarta, 30 Juni 2012 CONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION Ni G.A.P Harry Saptarini 1), Rocy Yefrenes Dilla 2) 1) Politeni Negeri Bali 2)
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS 1 Ihwannul Kholis, 2 Ahmad Rofii. 1 Universitas 17 Agustus 1945 Jaarta,
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih terperinciIMPLEMENTASI ALGORITMA KOLONI SEMUT PADA PROSES PENCARIAN JALUR TERPENDEK JALAN PROTOKOL DI KOTA YOGYAKARTA
Seminar Nasional Informatia 2009 (semnasif 2009) ISSN: 1979-2328 UPN Veteran Yogyaarta, 23 Mei 2009 IMPLEMENTASI ALGORITMA KOLONI SEMUT PADA PROSES PENCARIAN JALUR TERPENDEK JALAN PROTOKOL DI KOTA YOGYAKARTA
Lebih terperinciPELABELAN FUZZY PADA GRAF. Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman.
JMP : Volume 6 Nomor, Juni 04, hal. - PELABELAN FUZZY PADA GRAF Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman email : oeytea0@gmail.com ABSTRACT. This paper discusses
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
Lebih terperinciPencitraan Tomografi Elektrik dengan Elektroda Planar di Permukaan
Abstra Pencitraan omografi Eletri dengan Eletroda Planar di Permuaan D. Kurniadi, D.A Zein & A. Samsi KK Instrumentasi & Kontrol, Institut enologi Bandung Jl. Ganesa no. 10 Bandung Received date : 22 November2010
Lebih terperinciSistem Navigasi Perjalanan Berbasis Web Dengan Algoritma Koloni Semut (Ant Colony Algorithm)
Sistem Navigasi Perjalanan Berbasis Web Dengan Algoritma Koloni Semut (Ant Colony Algorithm) Arna Fariza 1, Entin Martiana 1, Fidi Wincoo Putro 2 Dosen 1, Mahasiswa 2 Politeni Eletronia Negeri Surabaya
Lebih terperinciALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER
ALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER Oleh: Supardi SEKOLAH PASCA SARJANA JURUSAN ILMU FISIKA UNIVERSITAS NEGERI YOGYAKARTA 2012 1 PENDAHULUAN Liquid Crystal elastomer (LCE
Lebih terperinciPrediksi Volume Impor Beras Nasional dengan Metode Multi-Factors High-Order Fuzzy Time Series
Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol., No. 2, esember 207, hlm. 77-778 http://j-ptii.ub.ac.id Predisi Volume Impor eras Nasional dengan Metode Multi-Factors High-Order
Lebih terperinciPenggunaan Metode Bagi Dua Terboboti untuk Mencari Akar-akar Suatu Persamaan
Jurnal Penelitian Sains Volume 16 Nomor 1(A) Januari 013 Penggunaan Metode Bagi Dua Terboboti untu Menari Aar-aar Suatu Persamaan Evi Yuliza Jurusan Matematia, FMIPA, Universitas Sriwijaya, Indonesia Intisari:
Lebih terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
Lebih terperinciBAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.
BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas
Lebih terperinciKARAKTERISTIK POHON FUZZY
KARAKTERISTIK POHON FUZZY Yuli Stiawati 1, Dwi Juniati 2, 1 Jurusan Matematia, Faultas Matematia dan Ilmu Pengetahuan Alam, Universitas Negeri Surabaya, 60231 2 Jurusan Matematia, Faultas Matematia dan
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinciAPLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK. Tesis
APLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Tesis Program Studi Teni Eletro Jurusan Ilmu-ilmu Teni disusun oleh : Wiwien Widyastuti 8475/I-/820/02 PROGRAM PASCASARJANA
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Tinjauan Pustaa Untu menacapai tujuan penulisan sripsi, diperluan beberapa pengertian dan teori yang relevan dengan pembahasan. Karena itu, dalam subbab ini aan diberian beberapa
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar Tugas Ahir PENDETEKSI POSISI MENGGUNAKAN SENSOR ACCELEROMETER MMA7260Q BERBASIS MIKROKONTROLER ATMEGA 32 Muhammad Riyadi Wahyudi, ST., MT. Iwan Setiawan, ST., MT. Abstract Currently, determining
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciVI. PEMILIHAN MODA (Modal Split/Choice)
VI. PEMILIHAN MODA (Modal Split/Choice) 6.. UMUM Tujuan: Mengetahui proporsi pengaloasian perjalanan e berbagai moda transportasi. Ada dua emunginan situasi yang dihadapi dalam meramal pemilihan moda:
Lebih terperinciPERANCANGAN PENGENDALI ROBOT BERGERAK BERBASIS PERILAKU MENGGUNAKAN PARTICLE SWARM FUZZY CONTROLLER. Andi Adriansyah
PERANCANGAN PENGENDALI ROBOT BERGERAK BERBASIS PERILAKU MENGGUNAKAN PARTICLE SWARM FUZZY CONTROLLER Andi Adriansyah Program Studi Teni Eletro, Faultas Tenologi Industri, Universitas Mercu Buana, Jalan
Lebih terperinciI. PENDAHULUAN. Teori graf merupakan salah satu bagian ilmu dari matematika dan merupakan
I. PENDAHULUAN. Latar Belaang Teori graf merupaan salah satu bagian ilmu dari matematia dan merupaan poo bahasan yang relatif muda jia dibandingan dengan cabang ilmu matematia yang lain seperti aljabar
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciPerbandingan Antara Algoritma Penghapusan Bising Adaptif LMS dan Adaptif RLS dalam Penghapusan Bising Kendaraan
Perbandingan Antara Algoritma Penghapusan Bising Adaptif LMS dan Adaptif RLS dalam Penghapusan Bising Kendaraan Sri Arttini Dwi Prasetyowati 1), Adhi Susanto ), homas Sriwidodo ), Jazi Eo Istiyanto 3)
Lebih terperinciPengenalan Pola. Klasifikasi Linear Discriminant Analysis
Pengenalan Pola Klasifiasi Linear Discriminant Analysis PTIIK - 2014 Course Contents 1 Analisis Disriminan 2 Linear Classification 3 Linear Discriminant Analysis (LDA 4 Studi Kasus dan Latihan Analisis
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih terperinciADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoko Sumaryono ABSTRACT
Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoo Sumaryono ABSTRACT Noise is inevitable in communication
Lebih terperinciMASALAH VEKTOR EIGEN MATRIKS INVERS MONGE DI ALJABAR MAX-PLUS
Seminar Sains Penidi Sains VI UKSW Salatiga Juni 0 MSLH VEKTOR EIGEN MTRIKS INVERS MONGE DI LJBR MX-PLUS Farida Suwaibah Subiono Mahmud Yunus Jurusan Matematia FMIP Institut Tenologi Sepuluh Nopember Surabaya
Lebih terperinciMateri. Menggambar Garis. Menggambar Garis 9/26/2008. Menggambar garis Algoritma DDA Algoritma Bressenham
Materi IF37325P - Grafia Komputer Geometri Primitive Menggambar garis Irfan Malii Jurusan Teni Informatia FTIK - UNIKOM IF27325P Grafia Komputer 2008 IF27325P Grafia Komputer 2008 Halaman 2 Garis adalah
Lebih terperinciFISIKA. Kelas X GETARAN HARMONIS K-13. A. Getaran Harmonis Sederhana
K-13 Kelas X FISIKA GETARAN HARMONIS TUJUAN PEMBELAJARAN Setelah mempelajari materi ini, amu diharapan memilii emampuan sebagai beriut. 1. Memahami onsep getaran harmonis sederhana pada bandul dan pegas
Lebih terperinci