SpamAssassin Aplication
http://spamassassin.apache.org
Deskripsi SpamAssassin :
- SpamAssassin adalah sebuah penyaring email untuk mengidentifikasi suatu spam.
- Aplikasi ini merupakan penyaring email yang menggunakan beragam tes untuk mengidentifikasi email massal yang tidak diminta oleh pemilik email, yang biasa dikenal dengan Spam.
- Tes pada aplikasi ini berlaku untuk email headers dan konten untuk mengelompokkan email menggunakan suatu metode statistik. Selain itu, SpamAssassin mempunyai arsitektur yang dirancang untuk dapat dengan mudah memeriksa email spam hampir ke semua sistem email.
Keunggulan SpamAssasin :
- SpamAssassin memiliki pendekatan multi-teknik, modularity, dan extensibility yang yang dapat memberi nilai lebih dari sistem anti-spam lainnya.
- SpamAssassin dapat digunakan baik pada email client maupun email server untuk menyaring email masuk dan email keluar, dan kita juga bisa menggunakannya pada banyak sistem operasi yang berbeda-beda.
Bagan SpamAssassin
Study and Fun
From this blog you can get lessons with laugh.. Study from the information and laugh from the funny story.. Hope you enjoy it! Don't forget to follow this Blog...Thanks...
Thursday, September 30, 2010
Equalization Hitogram Using Matlab
Source code :
%load image
image=imread('gigi.jpg');
%image yang berwarna diubah menjadi grayscale
grayscale=rgb2gray(image);
%mengequalization histogram
histequal=histeq(grayscale);
%mengatur tampilan input dan output image beserta histogramnya
subplot(2,2,1);
imshow(grayscale);
title('Input Image');
subplot(2,2,2);
imshow(histequal);
title('Output Image');
subplot(2,2,3);
imhist(grayscale);
title('Original Histogram');
subplot(2,2,4);
imhist(histequal);
title('Equalization Histogram');
%load image
image=imread('gigi.jpg');
%image yang berwarna diubah menjadi grayscale
grayscale=rgb2gray(image);
%mengequalization histogram
histequal=histeq(grayscale);
%mengatur tampilan input dan output image beserta histogramnya
subplot(2,2,1);
imshow(grayscale);
title('Input Image');
subplot(2,2,2);
imshow(histequal);
title('Output Image');
subplot(2,2,3);
imhist(grayscale);
title('Original Histogram');
subplot(2,2,4);
imhist(histequal);
title('Equalization Histogram');
Monday, May 10, 2010
MANOVA
Langkah - Langkah Pengujian
One Way MANOVA
1. Menghitung SST (Treatment)
2. Menghitung SSs(DT) (error)
3. Mencari TSS(Total)
SST + SSE
4. Mencari Wilks Lambda
det(SSs(DT))/det (SST)
Mencari F Hitung
- df effect = (treatment - 1)
- df error = (treatment(n-1))
- P = Jumlah DV
- S = MIN(P, df effect)
- Y = 1/s
- df1 = P*df effect
- df2 = s -
- Fhitung(df1, df2)
- Ftabel(df1, df2)
- Menarik kesimpulan
Two Way MANOVA
1. Mencari nilai SST (Treatment)
2. Mencari nilai SSD (Block)
3. Mencari nilai SSDT (Interaksi)
4. Mencari SSS(DT) (Error)
5. Mencari TTS(Total)
F Hitung ? (to be continued...)
One Way MANOVA
1. Menghitung SST (Treatment)
2. Menghitung SSs(DT) (error)
3. Mencari TSS(Total)
SST + SSE
4. Mencari Wilks Lambda
det(SSs(DT))/det (SST)
Mencari F Hitung
- df effect = (treatment - 1)
- df error = (treatment(n-1))
- P = Jumlah DV
- S = MIN(P, df effect)
- Y = 1/s
- df1 = P*df effect
- df2 = s -
- Fhitung(df1, df2)
- Ftabel(df1, df2)
- Menarik kesimpulan
Two Way MANOVA
1. Mencari nilai SST (Treatment)
2. Mencari nilai SSD (Block)
3. Mencari nilai SSDT (Interaksi)
4. Mencari SSS(DT) (Error)
5. Mencari TTS(Total)
F Hitung ? (to be continued...)
Manova vs Anova
Manova
- Adanya lebih dari satu variabel dependent yang dianalisis secara bersama-sama.
- Model MANOVA : Y1 + Y2 +…+ Yn = X1 + X2 +...+ Xn
- Menguji perbedaan mean di antara kelompok-kelompok kombinasi dependent variabel numerik.
- One-Way MANOVA : >1 DV numerik dengan 1 IV kategorikal
- Two-Way MANOVA : >1 DV numerik dengan >1 IV kategorikal
Anova
- Hanya ada satu variabel dependent yang dianalisis
- Model ANOVA :Y1 = X1 + X2 + ... + Xn
- Menguji perbedaan mean pada variabel dependen untuk beberapa variabel independen.
- One-Way ANOVA : 1 DV numerik dengan 1 IV Kategorikal
- Two-Way ANOVA : 1 DV numerik dengan >1 IV Kategorikal
- Adanya lebih dari satu variabel dependent yang dianalisis secara bersama-sama.
- Model MANOVA : Y1 + Y2 +…+ Yn = X1 + X2 +...+ Xn
- Menguji perbedaan mean di antara kelompok-kelompok kombinasi dependent variabel numerik.
- One-Way MANOVA : >1 DV numerik dengan 1 IV kategorikal
- Two-Way MANOVA : >1 DV numerik dengan >1 IV kategorikal
Anova
- Hanya ada satu variabel dependent yang dianalisis
- Model ANOVA :Y1 = X1 + X2 + ... + Xn
- Menguji perbedaan mean pada variabel dependen untuk beberapa variabel independen.
- One-Way ANOVA : 1 DV numerik dengan 1 IV Kategorikal
- Two-Way ANOVA : 1 DV numerik dengan >1 IV Kategorikal
Subscribe to:
Posts (Atom)