PENGENALAN WAJAH DENGAN METODE INTERPERSONAL DIFFERENCE BERBASIS GAUSSIAN MIXTURE MODEL DAN ANALISIS DISKRIMINAN
|
|
- Hadi Handoko Halim
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 PENGENALAN WAJAH DENGAN METODE NTERPERSONAL DFFERENCE BERBASS GAUSSAN MXTURE MODEL DAN ANALSS DSRMNAN Made a* dan Rully Soelaiman** Jurusan Teni nformatia, Faultas Tenologi nformasi nstitut Tenologi Sepuluh Nopember, Surabaya ia_made@cs.its.ac.id*; rully@its-sby.edu** ABSTRA Pengembangan sistem pengenalan wajah yang optimal aan sangat bergantung pada proses selesi ciri yang digunaan sebagai basis pada pengenalan pola. Penelitian ini berupaya untu meningatan emampuan disriminasi dan mendapatan aurasi pengenalan wajah yang lebih bai dengan menggunaan Metode Gaussian Mixture Model. Pada Penelitian ini, Metode yang digunaan diantaranya Metode Principal Component Analysis (PCA) yang digunaan untu meredusi dimensi untu menghasilan vetor basis orthogonal yang disebut vetor eigen (eigenfaces). Metode pengenalan wajah Bayesian, dimana metode ini menjadian tugas pengenalan wajah menjadi permasalahan lasifiasi biner yang masing-masing elas, yaitu variasi intrapersonal dan variasi estrapersonal, yang dimodelan sebagai distribusi Gaussian. Hasil pengujian sistem pengenalan wajah Bayesian yang berdasaran pada Gaussian mixture model ini menunjuan bahwa metode ini memilii tingat pengenalan yang lebih bai dibandingan metode Bayesian dan EigenFace, terutama pada penggunaan data pelatihan yang sediit. ata unci : Metode Gaussian Mixture Model, analisis disriminan, pengenalan wajah PENDAHULUAN Pengenalan wajah menari banya perhatian hingga sampai saat ini. Banya penelitian-penelitian yang sudah dilauan untu mendapatan algoritme dan metode yang tangguh dalam proses pengenalan wajah. Bagaimanapun, hal ini masih menyisaan berbagai masalah yang omples yang masih jauh untu dipecahan. Diantara permasalahan tersebut adalah adanya variasi intrapersonal yang signifian. Citra wajah dari orang yang sama bisa jadi memilii penampaan yang sangat berbeda pada ondisi-ondisi yang berbeda. Adanya espresi wajah, pencahayaan dan pose wajah mengubah dengan mudah seumpulan wajah menjadi distribusi yang sangat omples. Permasalahan yang lain adalah etersediaan citra wajah yang digunaan sebagai data pelatihan dari tiap elas wajah sehingga dapat menangap semua jenis variasi. Sehingga desain dari system pengenalan wajah seharusnya fous pada bagaimana mengurangi variasi intrapersonal menggunaan data pelatihan yang terbatas.
2 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 TNJAUAN PUSTAA Pengenalan Wajah dengan Metode Bayesian mplementasi Analisis Bayesian pada Sistem Pengenalan Wajah Sistem pengenalan wajah yang ada, secara umum berdasaran pada esamaan matris yang seringali berdasar pada jara Euclidean atau orelasi ternormalisasi. Sebagai contoh, tingat esamaan S(, ) antara dua citra wajah dan bisa didapatan dengan nilai norm. Metode Bayesian merupaan metode pengenalan wajah yang menggunaan perhitungan peluang tingat esamaan antara citra testing (probe) dengan citra pada training set (gallery) dengan menggunaan perbedaan intensitas antara citra (difference image), dinotasian dengan =, yang merupaan arateristi penting yang menggambaran variasi citra wajah seseorang. Difference image dapat dilasifiasian e dalam class, yaitu intrapersonal variation class ( Ω ) yang ditentuan oleh perbedaan citra wajah dari individu yang sama, dan extrapersonal variation class ( Ω E ) yang ditentuan oleh perbedaan citra wajah dari individu yang berbeda (B. Moghaddam d, 000). Perhitungan Similarity Score (tingat esamaan) masimum yang lebih efisien dari metode pengenalan wajah Bayesian yang menggunaan Maximum Lielihood bisa didapatan dengan memodelan elas intrapersonal Ω sebagai distribusi Gaussian dimensi tinggi. T exp Σ P( Ω ) = D / (π ) Σ Σ merupaan ovarian dari elas intrapersonal, D merupaan jumlah vetor eigen terbesar. Tahapan metode pengenalan wajah metode Bayesian dengan menggunaan perhitungan tingat esamaan yang lebih efisien adalah sebagai beriut: Tahap : Tahap Pelatihan Mendapatan Citra Pelatihan Pada tahap ini ditentuan sejumlah citra wajah X yang aan digunaan sebagai citra pelatihan yang terdiri dari R citra wajah yang berbeda untu setiap S subye beruuran h w pisel. Sehingga total citra yang terdapat pada data pelatihan adalah RS citra. Mengatur Citra Pelatihan Citra pelatihan yang sudah didapatan pada tahap sebelumnya disimpan menjadi sebuah bentu matris citra pelatihan (CP) beruuran N M, dimana M merupaan jumlah seluruh citra wajah (RS) dan N merupaan jumlah pisel tiap citra (h w). Setiap citra pada data pelatihan menempati satu olom matris citra pelatihan. Matris citra pelatihan (CP) memilii bentu sebagai beriut, x x CP = x N x x x N L xm x M xmn x merupaan intensitas pisel dari tiap citra wajah, dan N merupaan jumlah pisel dari tiap citra wajah. / () SBN : C-4-
3 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 Mendapatan Matris ntrapersonal Difference mage Matris intrapersonal difference image (M) didapatan dari selisih dua citra dalam satu subye. Satu subye menghasilan sejumlah RC. Sehingga uuran matris intrapersonal difference image adalah N L dimana L merupaan RC S. Matris intrapersonal difference image (M) memilii bentu sebagai beriut, y y M = y N y y y N L yl y L yln Melauan proses PCA Pada tahap ini dilauan analisis omponen utama (PCA) terhadap matris intrapersonal difference image sehingga didapatan sejumlah L vetor eigen dan nilai eigen Λ terbesar yang digunaan untu proses selanjutnya. Beriut ini adalah bentu matris sejumlah L vetor eigen dan nilai eigen Λ terbesar, v v = vn v v v N L vl v L vln d 0 Λ = 0 d 0 0 L 0 0 d LL Transformasi Whitening Citra Pelatihan Untu menyederhanaan perhitungan maa dilauan proses transformasi whitening terhadap setiap citra yang ada pada data pelatihan dengan menggunaan persamaan beriut. T X trans = Γ / P X () Sehingga matris citra transformasi beruuran L X M. Menghitung onstanta Pembagi ternormalisasi Pada tahap ini dilauan perhitungan onstanta pembagi ternormalisasi yang merupaan onstanta yang digunaan sebagai pembagi pada perhitungan maximum lielihood. Persamaan (3) merupaan persamaan onstanta pembagi ternormalisasi (PT). D / / PT = ( π ) Σ (3) D merupaan jumlah nilai eigen terbesar, dan Σ merupaan matris ovarian dari matris intrapersonal difference image. Determinan dari matris ovarian, bisa dihitung dengan product nilai eigen. Tahap : Pengenalan Citra Wajah Mengatur Citra nputan Citra inputan yang ada dibentu menjadi vetor olom dalam sebuah matris citra input. Bentu matris citra input adalah sebagai beriut, i i =... i N i merupaan intensitas pisel, dan N merupaan jumlah pisel. Transformasi Whitening Citra nput Matris citra input transformasi whitening dinotasian dengan trans. SBN : C-4-3
4 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 Menghitung Similarity Score dan mendapatan nilai masimum Tahap terahir dari tahap pengenalan citra wajah metode Bayesian adalah proses untu mendapatan Similarity Score masimum dengan menghitung Maximum Lielihood untu tiap difference image citra input dan pelatihan. Trans X Trans e P( Ω ) = (4) PT Pada persamaan (.5) dilauan penyederhanaan nilai esponensial yaitu dengan menggunaan jara Euclidean sederhana. Pengenalan Wajah dengan Metode Bayesian Berbasis Gaussian Mixture Model Pada bagian ini aan dijelasan mengenai Gaussian mixture model yang merupaan metode yang digunaan pada pengembangan pengenalan wajah dengan metode Bayesian dan implementasi Gaussian mixture model pada metode pengembangan ini. Gaussian Mixture Model Distribusi Gaussian/ distribusi normal merupaan distribusi ontinu yang paling penting dalam seluruh bidang statistia (Ronald E.W dan Raymond H.M) Pada satu dimensi, grafinya berbentu lonceng disebut urva normal yang didefinisian oleh dua parameter, mean (rata-rata) µ dan variance (variansi/ragam) σ. Pada ruang dimensi D, distribusi Gaussian didefinisian pada bentu matris sebagai beriut: T (5) N( x; µ, Σ) = exp ( x µ ) Σ ( x µ ) D / / (π ) Σ µ adalah vetor rata-rata (mean) dan Σ adalah matris ovarian. mplementasi Gaussian Mixture Model pada Sistem Pengenalan Wajah dengan Metode Bayesian Pada saat perbedaan intrapersonal pada himpunan data wajah cuup besar, ragam variasi intrapersonal aan menjadi sangat omples untu dimodelan sebagai sebuah Distribusi Gaussian Tunggal, Pada metode ini, tingat esamaan antara dua citra bisa diuur dengan periraan dari intrapersonal lielihood P ( Ω ) untu setiap subruang intrapersonal loal seperti yang dilauan pada metode Bayesian. Subruang ntrapersonal loal dengan P Ω ) paling masimum adalah model terbai dari, ( { ( ) } P( Ω ) = max P = (6) Estimasi P Ω ) yang lebih stabil adalah dengan menggunaan persamaan (7). ( P ( Ω ) = exp( ε ( )) (7) ε ( ) DFFS dari masing masing subruang intrapersonal yang dihitung dengan menggunaan sejumlah vetor eigen terbesar. T ε ) = ( m ) W ( W ) ( m ) (8) ( m merupaan rata-rata difference image dari tiap elas, dan W merupaan sejumlah vetor eigen terbesar yang didapat dari proses PCA/ pembelajaran tiap elas. Analisis omponen Utama Analisis omponen Utama (principal component analysis / PCA) adalah teni yang digunaan untu menyederhanaan suatu data, dengan cara mentransformasi linier SBN : C-4-4
5 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 sehingga terbentu sistem oordinat baru dengan variansi masimum. PCA dapat digunaan untu meredusi dimensi suatu data tanpa mengurangi arateristi data tersebut secara signifian. PCA juga dienal dengan Transformasi arhunen-loève (dinamaan untu menghormati ari arhunen dan Michel Loève) atau Transformasi Hotelling (dinamaan untu menghormati Harold Hotelling). PCA juga merupaan salah satu teni statisti multivariat yang dapat menemuan arateristi data yang tersembunyi. DESAN SSTEM Blo Diagram Sistem Secara garis besar, sistem terdiri dari 3 bagian yaitu pra proses (preprocessing), pelatihan data (training), dan pengenalan (identification). Gambar adalah gambar garis besar sistem pengenalan wajah. Hasil ahir dari proses pengenalan wajah ini adalah citra wajah yang diidentifiasi sebagai orang yang sama dari citra [ PREPROCESSNG TRANNG DENTFCATON Gambar Garis besar sistem pengenalan wajah Data Data masuan yang digunaan dalam sistem merupaan data citra wajah yang mempunyai format bmp. Tipe citra wajah yang digunaan adalah grayscale, yaitu citra wajah hitam putih dengan derajat eabuan Basis data citra wajah yang digunaan adalah 3 jenis basis data citra wajah bau yaitu, The University of Bern, The Yale Face Database and ORL / AT&T Database. Basis Data Bern memuat 8 orang yang masing-masing memilii 0 citra wajah frontal. Basis Data Bern memilii arateristi adanya perubahan yang relatif ecil pada espresi wajah (facial expression) serta perubahan posisi epala earah iri, anan, atas dan bawah sebesar ± 30 derajat. Uuran citra asli dari basis data Bern adalah 88x64, namun sebagai data masuan, citra yang digunaan terlebih dahulu aan dinormalisasi dengan melauan redusi uuran citra asal (cropping) menjadi beruuran 73x56. Basis Data Yale memuat 5 orang dengan masing-masing memilii citra. Subye bervariasi terhadap jenis elamin, espresi wajah, pencahayaan (lighting) dan asesoris wajah (misalnya acamata). Uuran citra wajah dari basis data Yale adalah 88x64. citra yang digunaan sebagai data masuan terlebih dahulu aan dinormalisasi dengan melauan redusi uuran citra asal menjadi beruuran 58x4. Untu basis data yang terahir, yaitu basis data ORL, memilii 40 subye dengan masing-masing memilii 0 citra wajah. Subye bervariasi terhadap jenis elamin, espresi wajah, acamata dan perubahan posisi (pose) yang lebih tajam. Citra dari basis data ini beruuran x9, dan dinormalisasi dengan SBN : C-4-5
6 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 melauan redusi uuran citra asal menjadi beruuran 83x70. Untu basis data ORL hanya digunaan 0 subye pertama sebagai data masuan. HASL dan PEMBAHASAN Pengujian pada sistem pengenalan wajah yang diembangan pada penelitian ini dilauan dengan memisahan data citra wajah menjadi dua himpunan yang saling pisah (disjoint) yaitu himpunan citra pelatihan dan citra pengujian. Perhitungan persentase dari eberhasilan pengenalan wajah dilauan pada himpunan citra pengujian. Proses pembelajaran untu seluruh basis data wajah yaitu, Bern, Yale dan ORL dilauan pada tiga variasi pengujian, yaitu. Variasi pengujian Basis Data Bern, yaitu Bern 3, Bern 4 dan Bern 5.. Variasi pengujian Basis Data Yale, yaitu Yale 3, Yale 4 dan Yale Variasi pengujian Basis Data ORL, yaitu ORL 3, ORL 4 dan ORL 5 Pernyataan anga pada model variasi pengujian dari masing-masing basis data menggambaran sebagai jumlah pose dari setiap elas individu dari setiap basis data yang digunaan sebagai data pelatihan. Pengujian terhadap etiga basis data wajah dilauan pada tiga metode yaitu masing-masing dengan metode Bayesian Gaussian Mixture Model, Bayesian dan Eigenface. Tiap metode diuji untu tiap variasi pengujian pada masing-masing basis data wajah. Beriut ini adalah tabel hasil pengujian dari etiga basis data wajah Tabel. Hasil Pengujian Pengenalan Wajah (%) pada basis data Bern, Yale, ORL Basis Variasi Bayesian GMM Bayesian GMM Bayesian Eigenface data Pengujian with reference ,96 7,96 69,39 Bern 4 80,95 76,79 77, ,86 80,7 85,7 77, , ,50 65,83 Yale 4 78,0 73,33 7,38 64, ,78 77,78 73,33 63, ,9 7,4 73,57 65,7 ORL 4 73,33 74,7 78,33 69, Selanjutnya grafi tingat eberhasilan pengenalan dari hasil pengujian terhadap setiap basis data wajah disajian sebagai beriut : Bayesian GMM Bayesian GMM with Reference Bayesian EigenFace Bayesian GMM Bayesian GMM with Reference Bayesian EigenFace Bern5(50%) 86% 8% 83% Yale5(54.55%) 63% Data Uji Bern4(60%) 75% 77% 77% 8% Data Uji Yale4(63.64%) 65% 7% Bern3(70%) 69% 75% Yale3(7.) 66% 70% 0% 0% 0% 30% 40% 50% 60% 70% 80% 90% Tingat Pengenalan 0% 0% 0% 30% 40% 50% 60% 70% 80% 90% Tingat Pengenalan Gambar. Tingat eberhasilan Pengenalan pada Uji Bem Gambar 3 Tingat eberhasilan Pengenalan pada Uji Yale SBN : C-4-6
7 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 Bayesian GMM Bayesian GMM with Reference Bayesian EigenFace ORL5(50%) 80% 86% 8% 79% Data Uji ORL4(60%) 69% 74% ORL3(70%) 66% 74% 7% 74% 0% 0% 40% 60% 80% 00% Tingat Pengenalan Gambar 4Tingat eberhasilan Pengenalan pada Uji ORL Aumulasi aurasi pengenalan pada tiap-tiap himpunan pengujian setiap basis data. Dari grafi aumulasi aurasi tersebut dapat diperoleh bahwa pada ran, aurasi pengenalan meningat untu semua senario uji pada setiap basis data. Aurasi Metode Bayesian GMM pada Uji Bern Aurasi Metode Bayesian GMM pada Uji Yale Aurasi Metode Bayesian GMM pada Uji ORL Aurasi Aurasi 0.85 Aurasi Uji Yale 3 Uji Yale Uji ORL 3 Uji ORL Uji Bern 3 Uji Bern Uji Yale Uji ORL 5 Uji Bern Ran Gambar 5. Aumulasi aurasi pengenalan pada Uji Bern Ran Gambar 6. Aumulasi aurasi pengenalan pada Uji Yale Ran Gambar 5. Aumulasi aurasi pengenalan pada Uji ORL ESMPULAN Berdasaran uji coba dan evaluasi hasil pengujian terhadap sistem pengenalan wajah dengan metode Bayesian berbasis Gaussian mixture model dan terhadap metode pembanding lainnya dapat disimpulan sebagai beriut : Pengenalan wajah dengan metode Bayesian berbasis Gaussian mixture model memilii tingat pengenalan yang lebih bai dibandingan dengan metode Bayesian dan EigenFace, terutama pada penggunaan data training yang sediit. Pengenalan wajah dengan metode Bayesian berbasis Gaussian mixture model tida memperhatian batasan nilai similarity score, sehingga citra inputan selalu dienali sebagai salah satu dari citra pelatihan yang ada mesipun citra inputan buan merupaan citra subye yang digunaan untu pelatihan. REFERENCE B. Moghaddam, T. Jebara, and A. Pentland, Bayesian Face Recognition, Pattern Recognition, Vol. 33, pp , 000. Howard Anton, Aljabar Linear Elementer, Edisi elima, Penerbit Erlangga, 005. M. Tur, A. Pentland, Eigenfaces for Recognition, Journal of Cognitive Neurosicence, Vol. 3, No., 99, pp SBN : C-4-7
8 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 Ronald E Walpole, Raymond H Myers, lmu Peluang dan Statistia untu nsinyur dan lmuwan, Edisi e-4, Penerbit TB Bandung. Rully Soelaiman, Sistem Pengenalan Wajah dengan Penerapan Algoritma Genetia pada Optimasi Basis Eigenface dan Proyesi Fisherface, Universitas ndonesia, 003. Xiaoyang Tan, Jun Liu, Songcan Chen, Sub-intrapersonal space analysis for face recognition, Department of Computer Science & Engineering, Nanjing University of Aeronautics & Astronautics, 005. X. Wang and X. Tang, Bayesian Face Recognition Based on Gaussian Mixture Models, in Proceedings of CPR, 004. SBN : C-4-8
BAB 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 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 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 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 II PENGENALAN WAJAH
BAB II PENGENALAN WAJAH Sistem pengenalan waah dapat dibagi menadi empat tahap, yaitu tahap pengolahan citra, detesi waah, estrasi fitur dan tahap pengenalan waah. Pada tugas ahir ini aan lebih diteanan
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 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 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 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 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 terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
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 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 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 terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciKAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST
KAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST Timbul Pardede (timbul@mail.ut.ac.id) Jurusan Statisti FMIPA, Universitas Terbua ABSTRAK Metode Ward dan metode K-rataan
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
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 terperinciUJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES
1 Uji Kinerja Face Recognition Menggunakan Eigenfaces UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES ABDUL AZIS ABDILLAH 1 1STKIP Surya, Tangerang, Banten, abdillah.azul@gmail.com Abstrak. Pada paper
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 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 terperinciBAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel
BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel
Lebih terperinciUJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure
8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher
Lebih terperinciImplementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint
Implementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint Diana Purwitasari, Rully Soelaiman, Mediana Aryuni dan Hanif Rahma Hakim Fakultas Teknologi Informasi, Institut Teknologi Sepuluh
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar ugas Ahir Simulasi Penapisan Kalman Dengan Kendala Persamaan Keadaan Pada Kasus Penelusuran Posisi Kendaraan (Vehicle racing Problem Iput Kasiyanto [], Budi Setiyono, S., M. [], Darjat,
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 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 terperinciRuang Barisan Orlicz Selisih Dengan Fungsional Aditif Dan Kontinunya
J. Math. and Its Appl. ISSN: 1829-605X Vol. 2, No. 1, May. 2005, 37 45 Ruang Barisan Orlicz Selisih Dengan Fungsional Aditif Dan Kontinunya Sadjidon Jurusan Matematia Institut Tenologi Sepuluh Nopember,
Lebih terperinciABSTRAKSI 2 PENENTUAN KANDIDAT TEPI PADA RUANG FITUR 1 PENDAHULUAN
PEEUA KADIDA EPI PADA RUAG FIUR DEGA MEODE KEREL PRICIPAL COMPOE AALYSIS DA SUBSPACE CLASSIFICAIO Puspita Dewi, Yudhi Purwananto, Rully Soelaiman 3 eni Informatia, Faultas enologi Informasi, IS email :
Lebih terperincitidak mempunyai fixed mode terdesentralisasi, dapat dilakukan dengan memberikan kompensator terdesentralisasi. Fixed mode terdesentralisasi pertama
BB IV PENGENDLIN TERDESENTRLISSI Untu menstabilan sistem yang tida stabil, dengan syarat sistem tersebut tida mempunyai fixed mode terdesentralisasi, dapat dilauan dengan memberian ompensator terdesentralisasi.
Lebih terperinciTanggapan Waktu Alih Orde Tinggi
Tanggapan Watu Alih Orde Tinggi Sistem Orde-3 : C(s) R(s) ω P ( < ζ (s + ζω s + ω )(s + p) Respons unit stepnya: c(t) βζ n n < n ζωn t e ( β ) + βζ [ ζ + { βζ ( β ) cos ( β ) + ] sin ζ ) ζ ζ ω ω n n t
Lebih terperinciPengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis)
Pengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis) Ratna Nur Azizah Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111
Lebih terperinciPENGENALAN WAJAH MANUSIA DENGAN METODE PRINCIPLE COMPONENT ANALYSIS (PCA)
ISSN: 1693-6930 177 PENGENALAN WAJAH MANUSIA DENGAN MEODE PRINCIPLE COMPONEN ANALYSIS (PCA) Murinto Program Studi eknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus III UAD Jl Prof Dr. Supomo,
Lebih terperinciII. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode
3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode
Lebih terperinciANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI
Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: 97-522 Yogyaarta, 7 Juni 26 ANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI Rully Soelaiman, Ni Made Arini
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 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 terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
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 terperinciPrincipal Component Analysis
Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Pembimbing: Dr.Ir.Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) Nimas Setya Yaniar 2208.100.616 POSE (posisi
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 terperinciTEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR
TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR DWI ACHTI NOVIATUR R. 2208100656 Dosen Pembimbing : Dr. Ir. Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) PIE Problem Representasi Citra
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 terperinciBAB III MODEL KANAL WIRELESS
BAB III MODEL KANAL WIRELESS Pemahaman mengenai anal wireless merupaan bagian poo dari pemahaman tentang operasi, desain dan analisis dari setiap sistem wireless secara eseluruhan, seperti pada sistem
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 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 terperinciDESAIN SENSOR KECEPATAN BERBASIS DIODE MENGGUNAKAN FILTER KALMAN UNTUK ESTIMASI KECEPATAN DAN POSISI KAPAL
DESAIN SENSOR KECEPAAN BERBASIS DIODE MENGGUNAKAN FILER KALMAN UNUK ESIMASI KECEPAAN DAN POSISI KAPAL Alrijadjis, Bambang Siswanto Program Pascasarjana, Jurusan eni Eletro, Faultas enologi Industri Institut
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 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 terperinciANALISIS PERBANDINGAN KOMULAN TERHADAP BEBERAPA JENIS DISTRIBUSI KHUSUS Analysis of Comulans Comparative on some Types of Special Distribution
Jurnal Bareeng Vol. 8 No. Hal. 5 0 (04) ANALISIS PRBANDINGAN OMULAN TRHADAP BBRAPA JNIS DISTRIBUSI HUSUS Analysis of Comulans Comparative on some Types of Special Distribution ABRAHAM ZACARIA WATTIMNA,
Lebih terperinciBAB V KESIMPULAN. Wajah pada Subruang Orthogonal dengan Menggunakan Laplacianfaces
BAB V KESIMPULAN Berdasarkan uji coba dan analisis hasil pengujian terhadap Sistem Pengenalan Wajah pada Subruang Orthogonal dengan Menggunakan Laplacianfaces Terdekomposisi QR dapat disimpulkan sebagai
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 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 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 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 terperinciPERBAIKAN KUALITAS CITRA MENGGUNAKAN HISTOGRAM LINEAR CONTRAST STRETCHING PADA CITRA SKALA KEABUAN
PERBAIKAN KUALITAS CITRA MENGGUNAKAN HISTOGRAM LINEAR CONTRAST STRETCHING PADA CITRA SKALA KEABUAN Murinto Program Studi Teni Informatia Universitas Ahmad Dahlan Kampus III UAD Jl. Prof. Soepomo Janturan
Lebih terperinciEstimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.
Lebih terperinciKONTROL MOTOR PID DENGAN KOEFISIEN ADAPTIF MENGGUNAKAN ALGORITMA SIMULTANEOUS PERTURBATION
Konferensi Nasional Sistem dan Informatia 29; Bali, November 14, 29 KONTROL MOTOR PID DENGAN KOEFISIEN ADAPTIF MENGGUNAKAN ALGORITMA SIMULTANEOUS PERTURBATION Sofyan Tan, Lie Hian Universitas Pelita Harapan,
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 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 terperinciKECENDERUNGAN PENGGUNAAN JENIS ALAT KONTRASEPSI PESERTA KB AKTIF PADA KABUPATEN SIDOARJO TAHUN 2009
KECENDERUNGAN PENGGUNAAN JENIS ALAT KONTRASEPSI PESERTA KB AKTIF PADA KABUPATEN SIDOARJO TAHUN 009 Furqan Qadarisman, dan Dwiatmono Agus W. Jurusan Statistia Institut Tenologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciPELACAKAN DAN PENGENALAN WAJAH MENGGUNAKAN METODE EMBEDDED HIDDEN MARKOV MODELS
JURNAL INFORATIKA Vol. 5, No. 1, ei 004: - 31 PELACAKAN DAN PENGENALAN WAJAH ENGGUNAKAN ETODE EBEDDED HIDDEN ARKOV ODELS Arie Wirawan argono, Ibnu Gunawan, Resmana Lim Faultas Tenologi Industri, Jurusan
Lebih terperinciMetode Penggerombolan Berhirarki
4 TINJAUAN PUSTAKA Analisis gerombol dalam bidang riset pemasaran sering diistilahan sebagai analisis segmentasi, merupaan alat statistia peubah ganda yang bertujuan untu mengelompoan n indiidu data e
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 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 terperinciDesain Kontroler Tunggal Untuk Meredam Osilasi Multi Frekuensi Pada Sistem Skala Besar
J. of Math. and Its Appl. ISSN: 1829-605X Vol. 1, No. 1 (2004), 1 7 Desain Kontroler Tunggal Untu Meredam Osilasi Multi Freuensi Pada Sistem Sala Besar Mardlijah Jurusan Matematia Institut Tenologi Sepuluh
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Apliasi Pada tahap implementasi ini merupaan penerapan apliasi dari hasil perancangan sistem yang ada untu mencapai suatu tujuan yang diinginan. Implementasimelasanaan
Lebih terperinciSistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation
Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3
Lebih terperinciKAJIAN TEOREMA TITIK TETAP PEMETAAN KONTRAKTIF PADA RUANG METRIK CONE LENGKAP DENGAN JARAK-W
J. Math. and Its Appl. ISSN: 1829-605X Vol. 8, No. 2, November 2011, 43 49 KAJIAN TEOREMA TITIK TETAP PEMETAAN KONTRAKTIF PADA RUANG METRIK CONE LENGKAP DENGAN JARAK-W Sunarsini. 1, Sadjidon 2 Jurusan
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciMETODE WATERMARKING UNTUK PENYISIPAN INDEKS DATA PADA IMAGE MENGGUNAKAN HAAR TRANSFORMASI WAVELET
METODE WATERMARKING UNTUK PENYISIPAN INDEKS DATA PADA IMAGE MENGGUNAKAN HAAR TRANSFORMASI WAVELET Maryanti 1, Nana Juhana, ST. 1, Manahan P.Siallagan S.Si, MT. 1 1) Jurusan Teni Informatia, FT, UNIKOM
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
Lebih terperinciSISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN
SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN Julian Supardi, Rz. Abdul Aziz, Syepriansyah Seolah Tggi Manaemen Informatia dan Komputer Darmaaya Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia
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 terperinciSifat-sifat Nilai Eigen dan Vektor Eigen Matriks atas Aljabar Maxplus
J. Sains Dasar () Sifat-sifat Nilai Eigen dan Vetor Eigen Matris atas ljabar Maxplus (The Properties of Eigen Value and Eigen Vector of Matrices Over Maxplus lgebra) Musthofa * dan Nienasih inatari * Jurusan
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 terperinciPendekatan Regresi Nonparametrik Spline Untuk Pemodelan Laju Pertumbuhan Ekonomi (LPE) di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol., No., (0) -50 (0-9X Print) D- Pendeatan Regresi Nonparametri Spline Untu Pemodelan Laju Pertumbuhan Eonomi (LPE) di Jawa Timur Elfrida Kurnia Litawati dan I Nyoman Budiantara
Lebih terperinciANALISIS DISKRIMINAN
ANALISIS DISKRIMINAN I Prinsip Dasar dan Tujuan Analisis Analisis disriminan adalah salah satu teni statisti yang bisa digunaan pada hubungan dependensi (hubungan antarvariabel dimana sudah bisa dibedaan
Lebih terperinciMATA KULIAH MATEMATIKA TEKNIK 2 [KODE/SKS : KD / 2 SKS] Ruang Vektor
MATA KULIAH MATEMATIKA TEKNIK [KODE/SKS : KD4 / SKS] Ruang Vetor FIELD: Ruang vetor V atas field salar K adalah himpunan ta osong dengan operasi penjumlahan vetor dan peralian salar. Himpunan ta osong
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 terperinciMODEL MATEMATIKA KONSENTRASI OKSIGEN TERLARUT PADA EKOSISTEM PERAIRAN DANAU
MDEL MATEMATIKA KNSENTRASI KSIGEN TERLARUT PADA EKSISTEM PERAIRAN DANAU Sutimin Jurusan Matematia, FMIPA Universitas Diponegoro Jl. Prof. H. Soedarto SH Tembalang, Semarang 5075 E-mail: su_timin@yanoo.com
Lebih terperinciPEMISAHAN BANYAK SUMBER SUARA MESIN MENGGUNAKAN ANALISIS KOMPONEN INDEPENDEN (ICA) UNTUK DETEKSI KERUSAKAN. B.T. Atmaja, A.S. Aisyah, dan D.
PEMISAHAN BANYAK SUMBER SUARA MESIN MENGGUNAKAN ANALISIS KOMPONEN INDEPENDEN (ICA) UNUK DEEKSI KERUSAKAN B.. Atmaja, A.S. Aisyah, dan D. Arifianto Jurusan eni Fisia,Faultas enologi Industri, Institut enologi
Lebih terperinciAnalisis Regresi Multivariat Terhadap Penilaian Listening, Structure, dan Reading Pada Nilai Tes EFL Mahasiswa ITS
JURNAL SAINS DAN SENI POMIS Vol. 3, No., (04) 337-350 (30-98X Print) D-70 Analisis Regresi Multivariat erhadap Penilaian Listening, Structure, dan Reading Pada Nilai es EFL Mahasiswa IS Heni Kartiasari
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 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 terperinciKombinasi KPCA dan Euclidean Distance untuk Pengenalan Citra Wajah
Kombinasi KPCA dan Euclidean Distance untuk Pengenalan Citra Wajah Rima Tri Wahyuningrum 1,2 Prodi Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo Jl. Raya Telang, PO BOX 2 Kamal, Bangkalan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA.1 Sifat Dasar Neutron Neutron yang dihasilan dari reator nulir biasanya merupaan neutron berenergi rendah. Secara umum, neutron energi rendah dapat dilasifiasian dalam tiga enis yaitu
Lebih terperinciUkuran Pemusatan Data
Uuran Pemusatan Data Atina Ahdia, S.Si., M.Si. Universitas Islam Indonesia Uuran Pemusatan Data 1. Mean (rata-rata) 2. Median (nilai tengah) 3. Modus Mean 1. Rata-rata Hitung Misalan terdapat N observasi,
Lebih terperinciPENERAPAN FUZZY GOAL PROGRAMMING DALAM PENENTUAN INVESTASI BANK
PENERAPAN FUZZY GOAL PROGRAMMING DALAM PENENTUAN INVESTASI BANK Nurul Khotimah *), Farida Hanum, Toni Bahtiar Departemen Matematia FMIPA, Institut Pertanian Bogor Jl. Meranti, Kampus IPB Darmaga, Bogor
Lebih terperinciSUATU KLAS BILANGAN BULAT DAN PERANNYA DALAM MENGKONSTRUKSI BILANGAN PRIMA
SUATU KLAS BILANGAN BULAT DAN PERANNYA DALAM MENGKONSTRUKSI BILANGAN PRIMA I Nengah Suparta dan I. B. Wiasa Jurusan Pendidian MatematiaUniversitas Pendidian Ganesha E-mail: isuparta@yahoo.com ABSTRAK:
Lebih terperinciDISTRIBUSI PROBABILITAS DISKRIT TEORITIS 1. Distribusi Seragam Diskrit
DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 1 TI2131 TEORI PROBABILITAS MINGGU KE-9 Distribusi Seragam Disrit Jia sebuah variabel random X mengambil nilai x 1, x 2,, x dengan probabilitas yang sama, maa distribusi
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 terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciPEMANFAATAN GUI DALAM PENGEMBANGAN PERANGKAT LUNAK PENGENALAN CITRA WAJAH MANUSIA MENGGUNAKAN METODE EIGENFACES
PEMANFAATAN GUI DALAM PENGEMBANGAN PERANGKAT LUNAK PENGENALAN CITRA WAJAH MANUSIA MENGGUNAKAN METODE EIGENFACES Ni Wayan Marti Jurusan Manajemen Informatika, Fakultas Teknik dan Kejuruan,Universitas Pendidikan
Lebih terperinciSISTEM ANTRIAN PELAYANAN BONGKAR MUAT KAPAL DI TERMINAL BERLIAN PELABUHAN TANJUNG PERAK SURABAYA
SISTEM ANTRIAN PELAYANAN BONGKAR MUAT KAPAL DI TERMINAL BERLIAN PELABUHAN TANJUNG PERAK SURABAYA Ruhana Khabibah, Hery Tri Sutanto 2, Yuliani Puji Astuti 3 Jurusan Matematia, Faultas Matematia dan Ilmu
Lebih terperinciKORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK
Jurnal Pengaaran MIPA, Vol. 0 No. Desember 007 ISSN: -097 KORELASI ANARA DUA KELOMPOK VARIABEL KUANIAIF DALAM ANALISIS KANONIK Oleh : Dewi Rachmatin, S.Si., M.Si. Jurusan Pendidian Matematia FPMIPA Universitas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
Lebih terperinci