Articles
16 Documents
<![CDATA[Relasi Inklusi Klas Barisan p-Supremum Bounded Variation Sequences ]]>
<![CDATA[Mochamad Aruman Imron]]>;
<![CDATA[Ch. Rini Indrati]]>;
<![CDATA[Widodo widodo]]>
<![CDATA[ Journal of Natural A Vol 1, No 1 (2013) ]]>
Publisher : <![CDATA[Fakultas MIPA Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (201.565 KB)
<![CDATA[Pada paper ini dibahas konstruksi klas barisan p-Supremum Bounded Variation Sequences yang merupakan generalisasi dari klas Supremum Bounded Variation Sequences (SBVS). Kemudian konstruksi yang didapat diselidiki relasi inklusi dari klas tersebut.]]>
<![CDATA[Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca ]]>
<![CDATA[Candra Dewi]]>;
<![CDATA[M. Muslikh]]>
<![CDATA[ Journal of Natural A Vol 1, No 1 (2013) ]]>
Publisher : <![CDATA[Fakultas MIPA Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (961.028 KB)
<![CDATA[Cuaca merupakan suatu kondisi udara di suatu tempat pada waktu yang relatif singkat, yang dipengaruhi oleh berbagai fenomena atmosfer. Informasi mengenai kondisi atmosfer yang cepat, akurat, dan terperinci sangat diperlukan oleh berbagai sektor. Backpropagation Neural Network (BPNN) dan Adaptive Neuro Fuzzy Inference System (ANFIS) adalah metode yang sering digunakan untuk melakukan prediksi dengan kemampuannya untuk melakukan pembelajaran dari informasi yang ada. Dengan kelebihan yang dimiliki oleh kedua metode ini, pada penelitian ini dilakukan implementasi kedua metode ini untuk mengetahui perbandingan akurasi dari kedua metode tersebut dalam melakukan prediksi cuaca berdasarkan parameter-parameter atmosfir yang mempengaruhi. Pada penelitian ini, metode BPNN diimplementasikan dengan menggunakan tiga layer dan dilakukan penambahan aturan pada penentuan kelas output jaringan, sedangkan ANFIS diimplementasi dengan struktur standar ANFIS yaitu lima layer. Pada BPNN dimungkinkan untuk melakukan perubahan jumlah node pada hidden layer agar dapat dihasilkan jaringan yang optimal. Sedangkan pada tahap awal ANFIS digunakan metode K-Mean Clustering untuk mendapatkan parameter premis dan konsekuen yang digunakan dalam proses inferensi pembelajaran. Pelatihan dilakukan pada data latih 40%, 50% dan 60% dari total data. Sedangkan pengujian dengan menggunakan data uji sebanyak 30%, 40% dan 50% dari total data. Hasil uji coba menunjukkan bahwa metode BPNN dengan modifikasi pada aturan penentuan output jaringan memiliki nilai Root Mean Square Error (RMSE) yang lebih rendah dan nilai akurasi yang lebih tinggi jika dibandingkan dengan metode ANFIS. Selain itu juga dapat diketahui bahwa kedua metode dapat digunakan untuk pengujian dengan menggunakan data latih minimal 50% dari total data. Dan juga diketahui bahwa metode ANFIS cukup baik jika diterapkan untuk kondisi cuaca yang perubahannya tidak begitu cepat dengan rentang waktu dibawah satu tahun.]]>
<![CDATA[Deteksi Wajah Manusia pada Citra Menggunakan Dekomposisi Fourier ]]>
<![CDATA[Dewi Yanti Liliana]]>;
<![CDATA[Muh. Arif Rahman]]>;
<![CDATA[solimun solimun]]>
<![CDATA[ Journal of Natural A Vol 1, No 1 (2013) ]]>
Publisher : <![CDATA[Fakultas MIPA Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1033.82 KB)
<![CDATA[Pada dua dekade ini banyak dilakukan penelitian yang berhubungan dengan identifikasi dan pengenalan wajah. Wajah adalah bagian dari manusia dan merupakan bagian yang dapat dibedakan dengan manusia lainnya. Ada beberapa pendekatan dalam penelitian wajah yaitu secara geometri, template, dan karakteristik obyek wajah. Salah satu penelitian berbasis karakteristik obyek wajah adalah dengan menggunakan transformasi avelet. Terdapat kesamaan dan ketidak samaan antara transformasi wavelet dan transformasi Fourier. Dengan memperhatikan keunggulan masing-masing maka penelitian ini memfokuskan diri pada pengenalan obyek wajah menggunakan karakteristik obyek wajah yaitu dengan menggunakan dekomposisi Fourier.]]>
<![CDATA[The Internet as Complex Networks: Understanding Its Structure and Its Dynamical Properties ]]>
<![CDATA[Ferry Astika Saputra]]>
<![CDATA[ Journal of Natural A Vol 1, No 1 (2013) ]]>
Publisher : <![CDATA[Fakultas MIPA Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1400.149 KB)
<![CDATA[Structures and properties of networks have been attracting research interests in various research fields. The Internet has been investigated as complex networks. The structure of the Internet has been reported to be scale-free. Namely, the degree distribution at a router level obeys a power law. The packet flow in the Internet also has been reported to obey a power law. In this paper, models of networks are investigated theoretically and with simulations. The dynamical properties of those networks are also discussed.]]>
<![CDATA[Model Matematik dari Spark Ignition Engine FIAT DEDRA V6 ]]>
<![CDATA[Irianto Irianto]]>
<![CDATA[ Journal of Natural A Vol 1, No 1 (2013) ]]>
Publisher : <![CDATA[Fakultas MIPA Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (820.18 KB)
<![CDATA[Pemodelan matematik dari spark ignition engine (SIE) berupa engine stand yaitu motor bakar bensin mobil FIAT DEDRA V6 selama ini banyak didominasi oleh model matematik sistem siso, yaitu masukannya berupa Spark advanced position A(s) (time ignition) di dalam ruang bakar (silinder) atau dapat berupa Duty cycle of the throttle valve D(s) sebagai penyebab variasi Air to Fuel Ratio (AFR) terhadap keluaran berupa speed engine atau manifold pressure. Pemodelan matematik dari plant SIE pada penelitian ini, bagaimana menentukan hubungan antar kedua keluaran terhadap pengaruh dari kedua masukan tersebut di atas. Hubungan dari kedua keluaran terhadap kedua masukan dinyatakan dengan transfer function berbentuk matrix sistem multi input multi output (mimo) 2X2 dari SIE, sehingga subsistem-subsistem dari plant engine didapat dengan menggunakan metode superposisi dari kedua keluaran speed engine dan manifold pressure terhadap kedua masukan yaitu Duty cycle of the throttle valve dan Spark advanced Position. Hasil yang didapat disimulasikan untuk mengetahui seberapa jauh pengaruh dari masing-masing masukan yang memberikan kontribusi ke keluaran terhadap subsistem-subsistem sistem mimo dari plant spark igniton engine.]]>
<![CDATA[Penggalian Data dalam Penentuan Keterkaitan Topik pada Terjemahan Ayat-ayat Al-Qur’an ]]>
<![CDATA[Muflikah, Lailil]]>;
<![CDATA[Marji, Marji]]>;
<![CDATA[Liliana, Dewi Yanti]]>
<![CDATA[ Journal of Natural A Vol 1, No 1 (2013) ]]>
Publisher : <![CDATA[Fakultas MIPA Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (13.216 KB)
<![CDATA[Dalam mempelajari isi kandungan Al-Qur’an, seringkali kita hanya membaca dan memahami suatu ayat yang berada dalam satu topik tertentu saja tanpa menyadari adanya ketersinggungan dengan ayat lain dengan topik yang berbeda. Padahal, isi dari suatu ayat seringkali diperjelas pada ayat dan bahkan surat yang berbeda. Oleh karena itu, pada penelitian ini bertujuan melakukan penggalian data dengan cara mengetahui adanya keterkaitan antar topik dalam terjemahan ayat-ayat Al-Qur’an.Adapun metode yang digunakan dalam penelitian ini dengan memadukan dua metode yakni Weighted K-Nearest Neighbour (WKNN) dengan Multiple Direct Hashing and Prunning (M-DHP). WKNN merupakan salah satu dari algoritma klasifikasi yang berfungsi sebagai preprocessing data untuk menentukan topik dalam suatu terjemahan ayat. Sedangkan M-DHP berfungsi sebagai pencarian keterkaitan topik-topik dalam terjemahan ayat Al-Qur’an. Pengujian kinerja penelitian ini dilakukan terhadap penentuan topik dengan mencari nilai precision, recall dan f-measure. Dari hasil pengujian didapatkan nilai rata-rata precision=0.810, recall=0.699 dan f-measure=0.750. Selanjutnya uji coba dilakukan terhadap tingkat kekuatan rule yang dihasilkan. Rule-rule yang dihasilkan memiliki keakuratan tertinggi dengan nilai confidence mencapai 100% dan nilai confiction tak berhingga.]]>
<![CDATA[Solusi Regularitas Persamaan Diferensial Parsial Eliptik Linier Orde Dua ]]>
<![CDATA[Sa'adatul Fitri]]>;
<![CDATA[Mohamad Muslikh]]>;
<![CDATA[Abdul Rouf Alghofari]]>
<![CDATA[ Journal of Natural A Vol 1, No 1 (2013) ]]>
Publisher : <![CDATA[Fakultas MIPA Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Dalam paper ini akan dipelajari solusi regularitas dari persamaan diferensial parsial eliptik linier orde dua. Pertama akan ditunjukkan keeksisan dan ketunggalan solusi lemah dari model di ruang Hilbert. Selanjutnya akan dibangun persamaan homogen yang terkait untuk mempelajari sifat ketaksamaan Harnack dan estimasi De Giorgi-Nash-Moser. Terakhir, dengan menggunakan sifat tersebut dan karakterisasi Campanato akan ditunjukkan solusi regularitas dari model.]]>
<![CDATA[Interaksi Antara Predator-Prey dengan Faktor Pemanen Prey ]]>
<![CDATA[Suzyanna Suzyanna]]>
<![CDATA[ Journal of Natural A Vol 1, No 1 (2013) ]]>
Publisher : <![CDATA[Fakultas MIPA Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1265.834 KB)
<![CDATA[Dalam makalah ini akan dibahas tentang interaksi antara predator-prey dengan faktor pemanenan predator. Akan ditunjukkan analisa kestabilan dari titik setimbang model predator-prey tipe Holling. Pada teori ekologi terdapat dua tipe kecepatan perkapita, yaitu: tipe pertama diasumsikan kecepatan perkapita predator bergantung pada banyaknya predator, sedang predator bergantung pada prey, misalnya terlihat pada tipe Holling, hal ini berarti bahwa fungsi predator bergantung pada prey, sedangkan pada tipe kedua diasumsikan bahwa kecepatan perkapita predator bergantung pada banyaknya predator dan prey.]]>
<![CDATA[A Staggered Grid Numerical Method for the Navier-Stokes Equation ]]>
<![CDATA[Sudi Mungkasi]]>
<![CDATA[ Journal of Natural A Vol 1, No 2 (2014) ]]>
Publisher : <![CDATA[Fakultas MIPA Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (803.474 KB)
<![CDATA[We consider incompressible fluid flows governed by the two-dimensional Navier-Stokes equation. The Navier-Stokes equation is solved numerically using a staggered grid finite difference method. Our aim in this paper is to assess the performance of this numerical method for the Navier-Stokes equation. The lid-driven cavity problem is taken into account to test the numerical method. In order to achieve our aim we focus on the motion of the fluid, and in particular, its velocity. Our results are compared with some available benchmark data. Keywords— finite difference method, lid-driven cavity flow, Navier-Stokes equation, staggered grid.]]>
<![CDATA[Model Components Selection in Bayesian Model Averaging Using Occam's Window for Microarray Data ]]>
<![CDATA[Ani Budi Astuti]]>;
<![CDATA[Nur Iriawan]]>;
<![CDATA[irhamah Irhamah]]>;
<![CDATA[Heri Kuswanto]]>
<![CDATA[ Journal of Natural A Vol 1, No 2 (2014) ]]>
Publisher : <![CDATA[Fakultas MIPA Universitas Brawijaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (614.073 KB)
<![CDATA[Microarray is an analysis for monitoring gene expression activity simultaneously. Microarray data are generated from microarray experiments having characteristics of very few number of samples where the shape of distribution is very complex and the number of measured variables is very large. Due to this specific characteristics, it requires special method to overcome this. Bayesian Model Averaging (BMA) is a Bayesian solution method that is capable to handle microarray data with a best single model constructed by combining all possible models in which the posterior distribution of all the best models will be averaged. There are several method that can be used to select the model components in Bayesian Model Averaging (BMA). One of the method that can be used is the Occam's Window method. The purpose of this study is to measure the performance of Occam's Window method in the selection of the best model components in the Bayesian Model Averaging (BMA). The data used in this study are some of the gene expression data as a result of microarray experiments used in the study of Sebastiani, Xie and Ramoni in 2006. The results showed that the Occam's Window method can reduce a number of models that may be formed as much as 65.7% so that the formation of a single model with Bayesian Model Averaging method (BMA) only involves the model of 34.3%. Keywords— Bayesian Model Averaging, Microarray Data, Model Components Selection, Occam's Window Method.]]>
