Penelitian ini dilaksanakan selama bulan Mei sampai Juli 2019 bertempat di perairan pulau Ternate, dengan tujuan untuk mengkaji sebaran konsentrasi klorofil-a dan hubungannya dengan hasil tangkapan ikan pelagis kecil di perairan Pulau Ternate. Pengguanaan metode eksperimtal fishing, dengan data hasil penelitian di analisis menggunakan analisis SIG dan analisis statistik. Hasil penelitian di dapat bahwa konsentrasi klorofil-a memberikan respon terhadap kehadiran ikan pelagis kecil di daerah Perairan Pulau Ternate dengan nilai rata-rata selama penelitian berkisar antara 0.21 - 0.26 mg/m3, dimana konsentrasi klorofil-a memiliki hubungan yang nyata dengan koefisien korelasi sebesar 0.84.
This research was experimental fishing methods and regression analysis to examine the effect and relationship between biophysical parameters namely sea surface temperature and chlorophyll-a and the results of small pelagic fish conversations in Ternate Island, the results of the study showed that the biosphysical parameters including sea surface temperature (SPL) and chlorophyll-a have a significant influence on the distribution of small pelagic fish, with the correlation coefficient values of each sea surface temperature parameter and chlorophyll-a with the results of the pelagic fish tagging are 0.6121 and 0.7042
Pada paper ini difokuskan dalam penentuan luas daerah yang dibatasi oleh dua kurva yang saling berpotongan dengan mengggunakan integral dan diskriminan. Perhitungan luas daerah antara dua kurva yang dibentuk oleh fungsi-fungsi yang berpotongan sebagai batasan nya menggunakan integral dan diskriminana memiliki kesamaan pada langkah awal yakni kedua fungsi batasan disamakan dan diuraikan hingga membentuk persamaan kuadrat, namun persamaan kuadrat ini untuk integral dicari akar-akarnya yang dijadikan sebagai batas integralnya sedangkan untuk diskriminana dicarai nilai diskriminannya, kemudian dapat dihitung luasnya. Hasil perhitungan untuk kasus yang dibahas menunjukkan bahwa cara diskriminan lebih sederhana dan terbatas penggunaanya Jika dibandingkan dengan integral.
Fish in Indonesian waters have various types, the famous ones are tuna and skipjack. The two types of fish look similar, because they come from the same family, namely scombridae. To find out and differentiate types of tuna and skipjack fish, it can be seen based on the texture image. The method that can be used in analyzing texture is the Gray Level Coocurent Matrix (GLCM) method. There are several methods of image classification, one of which is the Naive Bayes method. This study aims to identify types of tuna and skipjack based on texture analysis using the GLCM and Naive Bayes methods. Based on the results of testing data analysis on types of tuna and skipjack meat using GLCM with angles and , the distance of each pixel is 1, indicating the value of Energy, Entropy Contrast, Homogeneity, Correlation, Sum Average, and Sum of Variance are highly varies. As well as the Naive Bayes classification results obtained a probability of 0.58 or 58% categorized as tuna meat, while the remaining probability of 0.42 or 42% is categorized as skipjack.
ABSTRAKGempa bumi merupakan suatu pergerakan tanah yang terjadi secara tiba-tiba hingga menimbulkan getaran, besarnya kekuatan gempa dapat mengakibatkan bencana baik kerusakan maupun korban jiwa. Untuk mengantisipasi bencana yang akan datang maka diperlukan suatu model khususnya untuk meramalkan besarnya kekuatan gempa. Pada penelitian ini, digunakan model ARIMA dan model kombinasi dari Neural Network-Algoritma Genetik (NN-GA) untuk memprediksi rata-rata kekuatan gempa bumi setiap bulan khususnya yang terjadi di wilayah Maluku Utara. Data yang digunakan adalah data kekuatan gempa berdasarkan skala richter yang diperoleh dari Badan Meteorologi, Klimatologi dan Geofisika (BMKG) kota Ternate. Sebagai input pada model ARIMA dan NN-GA digunakan rata-rata kekuatan gempa bumi 36 bulan dan rata-rata kekuatan gempa 36 bulan berikutnya digunakan sebagai target untuk prediksi. Untuk mengupdate parameter (bobot) dari Neural Network digunakan metode Gradient Descent dan untuk mendapatkan parameter yang lebih optimal pada layer Output, maka di diterapkan Algoritma Genetik. Hasil peramalan dari kedua model kemudian dibandingkan dan model terbaik ditentukan dari nilai Mean square Error (MSE) yang terkecil. dari hasil peramalan dengan model ARIMA diperoleh MSE sebesar 1.0125, sedangkan pada model NN-GA diperoleh MSE sebesar 0.9196. Nilai tersebut, menunjukkan bahwa model NN-GA lebih baik dari model ARIMA untuk peramalan rata-rata kekuatan gempa bumi beberapa bulan ke depan. Kata kunci : Metode Peramalan Time Series ARIMA, Neural Network (NN), Gradient Descent dan AlgoritmaGenetik (GA). Network-Genetic Algorithm (NN-GA) ABSTRACT Earthquake is a ground motion that occurs suddenly to cause vibration. The strength of earthquake magnitude can lead to serious damage and fatalities. To anticipate the impending disaster, then we need a model specifically for earthquake forecasting. This research, uses ARIMA model and a combination of Neural
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.