Sistem Pendukung Keputusan Pemilihan Oli Sepeda Motor Matic Terbaik Menerapkan Metode Preference Selection Index

Ukuran: px
Mulai penontonan dengan halaman:

Download "Sistem Pendukung Keputusan Pemilihan Oli Sepeda Motor Matic Terbaik Menerapkan Metode Preference Selection Index"

Transkripsi

1 Sstem Pedukug Keputusa Pemlha Ol Sepeda Motor Matc Terbak Meerapka Metode Preferece Selecto Idex St Asyah 1, Hedr Cahaya Putra 2 1 Poltekk Neger Meda Kreatf, Meda, Idoesa 2 Prod Tekk Iformatka STMIK Bud Darma, Meda, Idoesa Emal: dedek.stasyah@yahoo.com * Abstrak Bag bayak orag yag belum megetahu apa fugs dar pelumasa ol pada mes, semua mes yag d operaska tetu harus megguaka ol, dmaa ol adalah jatug bag setap ege yag terus memutar atau bekerja. Ol adalah pelumas yag bayak dguaka dar berbaga mes sepert, Geset, Mobl, Kapal da berbaga mes yag ada d dua. Ddalam sebuah mes terdapat berbaga kompoe yag ada, da tetu setap kompoe tersebut memlk berbaga fugs yag berbeda pula. Utuk megatas hal tersebut, maka dbutuhka pelumas yatu ol, utuk dapat megurag kehausa karea geseka setap kompoe yag terdapat d dalam mes. Myak atau yag dsebut pelumas mempuya jes yag bermacam, kta dapat memlh pelumas sesua dega kebutuha kta, dar berbaga jes pelumas tetuya haya mempuya satu keguaa yag sama, lalu apa saja perbedaa da keguaa dar pelumaspelumas yag basa dguaka utuk mes. Dalam peelta rumusa masalah yag dtetuka adalah bagamaa memlh ol sepeda motor matc terbak dega megguaka sstem pedukug keputusa sebaga sebuah sstem berbass komputer yag atya dguaka dalam memlah-mlah dar berbaga macam ol yag dpasarka. Peelta meerapka Metode Preferece Selecto Idex (PSI) dalam pemlha ol sepeda motor matc terbak berdasarka krtera dega megguaka rumus yag haslya lebh akurat da tepat sasara. Kata Kuc: Ol Sepeda Motor Matc, Sstem Pedukug Keputusa, Preferece Selecto Idex (PSI) 1. PENDAHULUAN D zama sekarag tekolog semak berkembag dega pesat yag dapat membatu mausa dalam berbaga bayak hal, bak dar seg pola kehdupa da la-la. D zama sekarag juga jumlah kedaraa semak megkat setap tahuya bak tu kedaraa darat, laut, da juga udara. Cotoh halya kedaraa sepeda motor yag sekarag jumlahya mecapa ratusa bahka jutaa kedaraa. Past setap pemlk kedaraa tdak lupa juga selalu memperhatka da memperbak kedaraa mereka jka suatu waktu terjad masalah yag tdak terduga. Pemlk kedaraa harus selalu rut meggat ol kedaraa mereka palg tdak 1 bula sekal agar mes yag ada pada kedaraa selalu tetap dalam kods sehat, dega hal tu juga para pemlk kedaraa kadag-kadag merasa berat dalam membel da memlh-mlh ol yag terbak utuk kedaraa mereka. Myak pelumas mes atau basaya yag lebh dkeal dega sebuta ol mes memag bayak ragam da macamya. Tergatug jes pegguaa mes tu sedr yag membutuhka ol yag tepat utuk meambah atau megawetka usa paka (lfe tme) mes. Ol sepeda motor berfugs atara la sebaga pelumas, ol membuat geseka atar kompoe dalam mes mejad lebh halus da memudahka mes mecapa suhu yag deal. Ol serg dguaka sebaga utuk megurag geseka (frks), jka dua permukaa yag salg meempel bergerak, aka tmbul gaya geseka pada permukaa kotak. Myak pelumas mecptaka lapsa ol (ol flm) d atar kompoe, dega demka mes tdak aka kehausa da kehlaga teaga akbat geseka yag atya terjad. Mes dapat mejad paas bla terjad geseka akbat paas pembakara. Bla paas tdak dserap maka kehausa kompoe mes semak cepat. Ol berfugs juga utuk medgka suatu kompoe-kompoe tersebut da dapat meyerap paas utuk dkeluarka dar mes. Pada baga-baga mes yag megalam gaya teka yag besar sepert pada ball bearg, roller bearg da roda gg, tekaa yag sagat tgg terjad pada permukaa kotak, yag aka megakbatka kehausa da kerusaka. Dalam hal ol meyebarka tekaa da meyerap getaraya. Pelumasa mecptaka lapsa ol yag meghdarka permukaa logam tdak terkea udara da ar secara lagsug, sehgga tdak terjad koros. Atara psto da slder dperluka sfat kedap udara, sehgga kebocora atara ruaga datas psto da dbawah psto dapat dcegah, walaupu sudah ada rg psto kekedapa tdak dapat djam. Ol sela sebaga lapsa flm atara slder da psto juga berfugs sebaga peyekat sehgga membuat terjadya kehlaga teaga akbat kebocora kompres melalu celah psto da slder dapat dkurag. Ol yag bersrkulas juga berfugs membershka salura-salura agar tdak tersumbat oleh kotora atau butra logam (debu metalk/gram). Sstem Pedukug Keputusa adalah sstem berbass komputer yag mampu memecahka masalah dalam meghaslka alteratve terbak utuk medukug keputusa yag dambl oleh pegambl keputusa[1]. Dalam SPK megguaka metode metode dalam memutuska yag mejad alteratve terbak, sepert WASPAS, PROMETHEE II, TOPSIS, ELECTRE, MOORA[2] [6]. Dar peelta bahwa sstem pedukug keputusa merupaka sstem formas teraktf yag meyedaka formas, pemodela, da pemapulasa data. Sstem tu juga dguaka utuk membatu pegambla keputusa dalam stuas yag semterstruktur da stuas yag tdak terstruktur, dmaa tak seorag pu tahu secara past bagamaa keputusa seharusya dbuat[7], [8]. Berdasarka hal-hal tersebut, maka peelt tertark utuk membuat suatu sstem formas pedukug keputusa pada peetua pemlha ol sepeda motor matc terbak dega megguaka metode Preferece Selecto Idex (PSI). Dega adaya sstem dharapka atya dapat mempermudah, mempersgkat, da membatu phak pelaa[9]. P a g e 238

2 Tabel 1. Peelta Terkat No Peuls Judul Kesmpula 1 Yogky Dmas Nur Amala Sstem Pedukug Keputusa Pemlha Ol Mes Utuk Sepeda Motor Megguaka Metode Topss[10] Berdasarka peelta terlebh dahulu dapat dsmpulka bahwa lagkah peracaga sstem dega membuat; flowchat, dagram koteks, etry relatoshp dagram, desa peragkat da smulas perhtuga 2 Stefa Raharjo Nugroho, Hasto Suaro 3 M.Arsad, Darmato Idetfkas Fss Vskostas Ol Mes Kedaraa Bermotor terhadap Fugs Suhu dega Megguaka Laser Helum Neo[11] Aalsa Pegaruh Baha Dasar Pelumas Terhadap Vskostas Pelumas Da Kosums Baha Bakar[12] Berdasarka peelta terdahulu dapat dsmpulka bahwa semak tgg suhu semak redah la absorbas Berdasarka peelta terlebh dahulu dapat dsmpulka bahwa pegaruh baha dasar pelumas terhadap ketahaa vskostas pelumas stetk mempuya kesetabla vskostas palg bak pada temperatur kerja maupu suhu kamar. 2.1 Ol 2. METODOLOGI PENELITIAN Ol merupaka myak pelumas yag berfugs sebaga pelumas kompoe mes sehgga dapat membatu mes dar geseka satu dega yag laya. Fugs ol buka haya sebaga pelumas mes tetap ol juga berfugs sebaga pedg suhu mes, membuat mes tdak mudah berkarat, da dapat meghaluska suara mes yag sedag bekerja. 2.2 Metode Preferece Selecto Idex (PSI) PSI (Preferece Selecto Idex) Metode Preferece Selecto Idex (PSI) dusulka oleh Maya da Bhatt pada tahu 2010 utuk memecahka mater da meetuka masalah MCDM. Tdak sepert kebayaka metode MCDM, metode PSI meetuka bobot krtera haya megguaka formas yag terseda d dalam matrks keputusa, yatu dega megguaka pedekata obyek yag aktf utuk meetuka bobot krtera [13][14][15]. Berkut lagkah-lagkah dalam peyelesaa masalah dega megguaka Metode PSI (Preferece Selecto Idex)[16] [18] sebaga berkut: 1. Lagkah 1: Meetuka tujua dar detfkas krtera yag terkat berdasarka masalah yag terjad dalam pegambla sebuah keputusa 2. Lagkah 2: Meetapka matrks keputusa awal. X X = [x j ] mx = [ x 11 x 12 x 1 x 21 x 22 x 2 ] (1) x m1 x m2 x m Dmaa x j adalah sebuah la pelaa dar alteratf ke- dega krtera ke-j, m merupaka jumlah alteratf da jumlah krtera. 3. Lagkah 3: Meetuka matrks keputusa yag dormalsaska megguaka persamaa berkut Utuk krtera maksmalsas (beeft): X j = max, = 1,, m (2a) Utuk krtera mmalsas (o-beeft): X j = max, = 1,, m (2b) 4. Lagkah 4: Meetuka la rata-rata dar petujuk yag dormalka kedalam hubuga dega masg-masg krtera yag sudah dtetuka dega megguaka persamaa berkut: N = 1 m =1 X j (3) 5. Lagkah 5: Meetuka la varas preferes dega masg-masg krteraya megguaka persamaa, berkut: Ø j = =1 (X j N) 2 (4) P a g e 239

3 6. Lagkah 6: Meetuka la ddalam preferes dega megguaka sebuah persamaa, berkut: = 1 ϕ j (5) 7. Lagkah 7: Meetuka krtera bobot dega sebuah persamaa, berkut: =1 8. Lagkah 8: Meetuka dex dar pemlha preferes alteratf dega megguaka sebuah persamaa, berkut: Ѳ = j=1 x jw j (7) 3. ANALISA DAN PEMBAHASAN Dalam peelta suatu krtera yag dguaka utuk meetuka pemlha ol matc sepeda motor terbak yag atya dguaka dalam mecar harga, ukura, keketala, baha dasar, jes ol, peelta aka membahas sstem pedukug yag dapat membatu utuk memlh ol sepeda motor terbak dega megguaka metode PSI. Meetuka Krtera da Bobot Ddalam proses peetua metode PSI memerluka beberapa krtera-krtera yag atya aka djadka beberapa baha perhtuga da pertmbaga utuk atya dapat meyelesaka suatu permasalaha yag dcar. Adapu berkut krtera-krtera yag mejad baha dalam perhtuga da pertmbaga yatu: Tabel 2. Krtera da Jes Krtera Krtera Jes Harga (C1) Beeft Ukura (ml) (C2) Beeft Keketala (C3) Beeft Baha Dasar (C4) Beeft Jes Ol (C5) Beeft Dar masg-masg krtera tersebut aka dtetuka keteraga la fuzzy. Sepert yag ada pada tabel dbawah : Tabel 3. Krtera Ukura (ml) Krtera Nla 1000 ml ml 2 Tabel 4. Krtera Keketala Krtera Nla 10W/ W/ W/40 3 Tabel 5. Krtera Baha Dasar Krtera Nla Sagat Bak 3 Bak 2 Cukup 1 Pada tabel 6 merupaka tabel alteratf dar pemlha ol sepeda motor matc. Tabel 6. Alteratf Alteratf Nama Ol Harga Ukura Baha Keketala (ml) Dasar A1 AHM Ol MPX2 10W/ W/30 Sagat Bak A2 Yamalube Powe Matc 10W/ W/40 Bak A3 Ol SGO 4T Scooter Matc 10W/ W/40 Bak A4 TOP 1 Acto Matc 10W/ W/40 Bak A5 TOP 1 Acto Matc 20W/ W/40 Cukup A6 Federal Matc 30 10W/ W/30 Bak P a g e 240 (6)

4 Alteratf Nama Ol Harga A7 A8 Suzuk Geue Ol SGO 10W/40 Yamalube Super Matc 10W/40 Ukura (ml) Keketala Baha Dasar W/40 Bak W/40 Sagat Bak A9 Repsol Matc 10W/30 4T W/30 Bak A10 Ol Shell Advace Scooter Matc AX7 4T 10W/ W/40 Bak Berdasarka dar tabel fuzzy d atas da pelaa masg-masg krtera, hasl yag dperoleh dar setap alteratf dberka la kecocoka pada setap krtera. Dapat dlhat pada table dbawah : Matrks = [ ] Berdasarka persamaa d atas, maka matrks yag d ormalka yatu: 1. Mecar maksmum da mmum dar setap krtera 2. Melakuka ormalsas megguaka persamaa (1) Maxmum Mmum C1 X j = max, = 1,, m X 11 = X 11 max = = 0,774 X 21 = X 21 max = = 0,813 X 31 = X 31 max = = 0,686 X 41 = X 41 max = = 0,882 X 51 = X 51 max = = 0,705 X 61 = X 61 max = = 0,686 X 71 = X 71 max = = 0,882 X 81 = X 81 max = = 0,843 X 91 = X 91 max = = 0,686 X 101 = X 101 max = = 1 C2 P a g e 241

5 X 12 = X 12 X 22 = X 22 X 32 = X 32 X 42 = X 42 X 52 = X 52 X 62 = X 62 X 72 = X 72 X 82 = X 82 max = 1 2 = 0,5 X 92 = X 92 X 102 = X 102 C3 X 13 = X 13 max = 3 3 = 1 X 23 = X 23 X 33 = X 33 X 43 = X 43 X 53 = X 53 max = 1 3 = 0,333 X 63 = X 63 max = 3 3 = 1 X 73 = X 73 X 83 = X 83 X 93 = X 93 max = 3 3 = 1 X 103 = X 103 C4 X 14 = X 14 max = 3 3 = 1 X 24 = X 24 X 34 = X 34 X 44 = X 44 X 54 = X 54 max = 1 3 = 0,333 X 64 = X 64 P a g e 242

6 X 74 = X 74 X 84 = X 84 max = 3 3 = 0,333 X 94 = X 94 X 104 = X 104 Dar perhtuga d atas dperoleh matrk terormalsas, yatu: 0, , ,666 0,666 0, ,666 0,666 0, ,666 0,666 Matrks N j = 0, ,333 0,333 0, ,666 0, ,666 0,666 0,843 0,5 0,666 0,333 0, ,666 [ 1 1 0,666 0,666] 3. Kemuda mecar la rata-rata matrks dar data yag telah d ormalsaska: Melakuka pejumlaha dar la rata-rata matrks dar setap atrbut m N = 1 N j = N j N j = 0, , , , , , , , , = 7,957 =1 N j = , = 9,5 =2 N j = 1 + 0, , , , , , ,666 = 7,329 =3 N j = 1 + 0, , , , , , , , ,666 = 6,328 =4 Hasl yag telah dperoleh dar perhtuga yag telah dcar datas, yatu: =1 = 1 N j = [7,957 9,5 7,329 6,328] Meghtug la mea dar hasl yag telah d peroleh dar perhtuga yag telah d car, yatu: N = 1 = N j1 N = 1 = N j2 N = 1 = N j3 N = 1 = N j4 = 1 x 7,657 = 0, = 1 x 9,5 = 0,95 10 = 1 x 7,329 = 0, = 1 x 6,328 = 0, = 1 N j = [7,657 9,5 7,329 6,328] Membuat Matrks N =[0,7657 0,95 0,7329 0,6328] 4. Meetuka la varas Preferes dalam kataya dega setap krtera megguaka persamaa berkut : P a g e 243

7 Ø j1 Ø j11 = (0,774 0,7657) 2 = 0,0001 Ø j21 = (0,813 0,7657) 2 = 0,0022 Ø j31 = (0,686 0,7657) 2 = 0,0063 Ø j41 = (0,882 0,7657) 2 = 0,0135 Ø j51 = (0,705 0,7657) 2 = 0,0036 Ø j61 = (0,686 0,7657) 2 = 0,0063 Ø j71 = (0,882 0,7657) 2 = 0,0135 Ø j81 = (0,843 0,7657) 2 = 0,0059 Ø j91 = (0,686 0,7657) 2 = 0,0063 Ø j101 = (1 0,7657) 2 = 0,0548 Ø j = (X j N) 2 =1 Ø j2 Ø j12 = (1 0,95) 2 = 0,05 Ø j22 = (1 0,95) 2 = 0,05 Ø j32 = (1 0,95) 2 = 0,05 Ø j42 = (1 0,95) 2 = 0,05 Ø j52 = (1 0,95) 2 = 0,05 Ø j62 = (1 0,95) 2 = 0,05 Ø j72 = (1 0,95) 2 = 0,05 Ø j82 = (0,5 0,95) 2 = 0,45 Ø j92 = (1 0,95) 2 = 0,05 Ø j102 = (1 0,95) 2 = 0,05 Ø j3 Ø j13 = (1 0,7329) 2 = 0,0713 Ø j23 = (0,666 0,7329) 2 = 0,0044 Ø j33 = (0,666 0,7329) 2 = 0,0044 Ø j43 = (0,666 0,7329) 2 = 0,0044 Ø j53 = (0,333 0,7329) 2 = 0,1599 Ø j63 = (1 0,7329) 2 = 0,0713 Ø j73 = (0,666 0,7329) 2 = 0,0044 P a g e 244

8 Ø j83 = (0,666 0,7329) 2 = 0,0044 Ø j93 = (1 0,7329) 2 = 0,0713 Ø j103 = (0,666 0,7329) 2 = 0,0044 Ø j4 Ø j14 = (1 0,6328) 2 = 0,1348 Ø j24 = (0,666 0,6328) 2 = 0,0011 Ø j34 = (0,666 0,6328) 2 = 0,0011 Ø j44 = (0,666 0,6328) 2 = 0,0011 Ø j54 = (0,333 0,6328) 2 = 0,9327 Ø j64 = (0,666 0,6328) 2 = 0,0011 Ø j74 = (0,666 0,6328) 2 = 0,0011 Ø j84 = (0,333 0,6328) 2 = 0,9327 Ø j94 = (0,666 0,6328) 2 = 0,0011 Ø j104 = (0,666 0,6328) 2 = 0,0011 Matrks Preferes 0,0001 0,05 0,0713 0,1348 0,0022 0,05 0,0044 0,0011 0,0063 0,05 0,0044 0,0011 0,0135 0,05 0,0044 0,0011 Matrks = 0,0036 0,05 0,1599 0,9327 0,0063 0,05 0,0713 0,0011 0,0135 0,05 0,0044 0,0011 0,0059 0,45 0,0044 0,9327 0,0063 0,05 0,0713 0,0011 [ 0,0548 0,05 0,0044 0,0011] = Ø j11 + Ø j21 + Ø j31 + Ø j41 + Ø j51 + Ø j61 + Ø j71 + Ø j81 + Ø j91 + Ø j101 = 0, , , , , , , , , ,0548 = 0,1125 = Ø j12 + Ø j22 + Ø j32 + Ø j42 + Ø j52 + Ø j62 + Ø j72 + Ø j82 + Ø j92 + Ø j102 = 0,05 + 0,05 + 0,05 + 0,05 + 0,05 + 0,05 + 0,05 + 0,45 + 0,05 + 0,05 = 0,9 = Ø j13 + Ø j23 + Ø j33 + Ø j43 + Ø j53 + Ø j63 + Ø j73 + Ø j83 + Ø j93 + Ø j103 = 0, , , , , , , , , ,0044 = 0,4002 = Ø j14 + Ø j24 + Ø j34 + Ø j44 + Ø j54 + Ø j64 + Ø j74 + Ø j84 + Ø j94 + Ø j104 = 0, , , , , , , , , ,0011 = 2,0079 Ø j = [0,1125 0,9 0,4002 2,0079] 5. Meetuka Nla Dalam Preferes = 1 ϕ j P a g e 245

9 Ω 1 = 1 0,1125 = 0,8875 Ω 2 = 1 0,9 = 0,1 Ω 3 = 1 0,4002 = 0,5998 Ω 4 = 1 2,0079 = 1,0079 Meghtug Total Nla = [0,8875 0,1 0,5998 1,0079] = 0, ,1 + 0, ,0079 = 2, Meetuka Krtera Bobot,atara la: =1 =1 =1 =1 =1 = 0,8875 2,5952 = 0,3420 = 0,1 2,5952 = 0,0385 = 0,5998 2,5952 = 0,2311 = 1,0079 2,5952 = 0,3883 [0,8875 0,1 0,5998 1,0079] 7. Htug PSI Hasl perhtuga perkala pada matrks Ø Ѳ = x jw j j=1 Ø 1 Ø = 0,774 x 0,8875 = 0,6849 Ø = 0,813 x 0,8875= 0,7215 Ø = 0,686 x 0,8875= 0,6088 Ø = 0,882 x 0,8875= 0,7827 Ø = 0,705 x0,8875= 0,6256 Ø = 0,686 x 0,8875= 0,6088 Ø = 0,882 x 0,8875= 0,7827 Ø = 0,843 x 0,8875= 0,7481 Ø = 0,686 x 0,8875= 0,6088 Ø = 1 x 0,8875= 0,8875 Ø 2 Ø = 1 x 0,1 = 0,1 Ø = 1 x 0,1= 0,1 Ø = 1 x 0,1= 0,1 Ø = 1 x 0,1= 0,1 Ø = 1 x 0,1= 0,1 Ø = 1 x 0,1= 0,1 Ø = 1 x 0,1= 0,1 Ø = 0,5 x 0,1=0,05 Ø = 1 x 0,1= 0,1 Ø = 1 x 0,1= 0,1 Ø 3 Ø = 1 x 0,5998 = 0,5998 Ø = 0,666 x 0,5998 = 0,3994 Ø = 0,666 x 0,5998 = 0,3994 Ø = 0,666 x 0,5998 = 0,3994 Ø = 0,333 x 0,5998 = 0,1997 Ø = 1 x 0,5998 = 0,5998 Ø = 0,666 0,5998 = 0,3994 Ø = 0,666 x 0,5998 = 0,3994 Ø = 1 x 0,5998 = 0,5998 P a g e 246

10 Ø = 0,666 x 0,5998 = 0,3994 Ø 4 Ø = 1 x 1,0079= 1,0079 Ø = 0,666 x 1,0079= 0,6712 Ø = 0,666 x 1,0079= 0,6712 Ø = 0,666 x 1,0079= 0,6712 Ø = 0,333 x 1,0079= 0,3356 Ø = 0,666 x 1,0079= 0,6712 Ø = 0,666 x 1,0079= 0,6712 Ø = 0,333 x 1,0079= 0,3356 Ø = 0,666 x 1,0079= 0,6712 Ø = 0,666 x 1,0079= 0,6712 Mecar Nla Peragkga Ø 1 = 0, ,1 + 0, ,0079 = 2,3926 Ø 2 = 0, ,1 + 0, ,6712 = 1,8921 Ø 3 = 0, ,1 + 0, ,6712 = 1,7794 Ø 4 = 0, ,1 + 0, ,6712 = 1,9533 Ø 5 = 0, ,1 + 0, ,3356 = 1,2609 Ø 6 = 0, ,1 + 0, ,6712 = 1,9798 Ø 7 = 0, ,1 + 0, ,6712 = 1,9533 Ø 8 = ,05 + 0, ,3356 = 1,5331 Ø 9 = 0, ,1 + 0, ,6712 = 1,3944 Ø 10 = 0, ,1 + 0, ,6712 = 2,0581 0,6849 0,1 0,5998 1,0079 0,7215 0,1 0,3994 0,6712 0,6088 0,1 0,3994 0,6712 0,7827 0,1 0,3994 0,6712 Matrks N j = 0,6256 0,1 0,1997 0,3356 0,6088 0,1 0,5998 0,6712 0,7827 0,1 0,3994 0, ,05 0,3994 0,3356 0,6088 0,1 0,0144 0,6712 [ 0,8875 0,1 0,3994 0,6712] Hasl Akhr pada matrks Setelah dlakuka perhtuga pada pelaa PSI (Q ) maka dlakukalah peragkga utuk medapatka la yag dperluka dalam meetuka pemlha ol sepeda motor matc terbak yag aka atya dapat bermafaat bag peggua sepeda motor matc dalam pemlha ol matc terbak. Tabel 6. Hasl Peragkga Alteratf Nla Ø Ragkg A1 2, A2 1, A3 1, A4 1, A5 1, A6 1, A7 1, A8 1, A9 1, A10 2, Dar tabel 6, d atas maka dapat dsmpulka bahwa ol motor matc terbak berdasarka krtera-krtera yag sudah dlakuka yatu adalah A1 atas ama alteratf Ol AHM Ol MPX2 10W/30 dega la Q sebesar 2,3926. P a g e 247

11 4. KESIMPULAN Berdasarka hasl peelta datas, peelt meark beberapa kesmpula yag dapat dambl, yatu dapat meyeleks Ol Motor Matc Terbak berdasarka krtera-krtera yag telah dtetuka da dcocokka. Kemuda peerapa metode Preferece Selecto Idex (PSI) cukup mudah dguaka sebaga cara dalam meetuka peyeleksa ol motor, terutama utuk motor matc karea lagkah lagkah peyelesaaya cukup dblag sederhaa. Belum lag dega megguaka Sstem Pedukug Keputusa (SPK) bahwasaya dapat megatas permasalaha utuk meetuka peyeleksa Ol Sepeda Motor Matc mejad lebh tersstem da tepat pada peyeleksa yag bear-bear terstruktur. REFERENCES [1] Kusr, Sstem Pedukug Keputusa da Aplkasya. Yogyakarta: Ad, [2] M. S. Mesra, Rusaa, Sstem Pedukug Keputusa utuk Pemutusa Hubuga Kerja Karyawa Megguaka Metode Elmato ad Choce Traslato Realty, J. Tekol. da Sst. Komput., vol. 6, o. July, pp , [3] S. Syamsud ad R. Rahm, Study Approach Techque for Order of Preferece by Smlarty to Ideal Soluto (TOPSIS), It. J. Recet Treds Eg. Res., vol. 3, o. 3, pp , [4] S. Sugam, E. S. Nasuto, S. U. Lubs, ad M. Mesra, Sstem Pedukug Keputusa Peerma Batua Sswa Msk Meerapka Metode WASPAS da MOORA, Semar Nasoal Sas & Tekolog Iformas (SENSASI), 2018, pp [5] G. Gtg, Fadla, Mesra, A. P. U. Sahaa, ad R. Rahm, Techcal Approach of TOPSIS Decso Makg, It. J. Recet Treds Eg. Res., vol. 3, o. 8, pp , [6] M. Mesra, P. Prstwato, ad I. Saga, Implemetas Promethee II Dalam Pemlha Pestsda Terbak Utuk Perawata Dau Pada Taama Cabe, CESS (Joural Comput. Eg. Syst. Sc., vol. 3, o. 2, pp , [7] D. Nofrasyah ad S. Deft, Mult Crtera Decso Makg (MCDM) pada Sstem Pedukug Keputusa [8] A. P. WINDARTO, Implemetas metode topss da saw dalam memberka reward pelagga, Kumpul. J. Ilmu Komput., vol. 4, o. 1, pp , [9] D. Nofrasyah, Kosep Data Mg Vs Sstem Pedukug Keputusa [10] A. Skrps, Artkel Skrps Uverstas Nusatara PGRI Kedr, pp. 1 8, [11] S. R. Nugroho et al., Idetfkas Fss Vskostas Ol Mes Kedaraa Bermotor terhadap Fugs Suhu dega Megguaka Laser Helum Neo Abstrak Telah dlakuka peelta dega tujua utuk megetahu karakterstk vskostas ol mes kedaraa bermotor dega megguaka laser Helum Neo sebaga sumber cahayaya. Peralata da baha yag dguaka pada peelta adalah laser Helum perubaha suhu. Semak tgg suhu maka mak redah la absorbasya. Secara, pp. 1 5, [12] P. Da, K. Baha, ad T. Pragkoso, ANALISA PENGARUH BAHAN DASAR PELUMAS TERHADAP VISKOSITAS, vol. 8, o. 1, pp , [13] D. Petkovć, M. Madć, M. Radovaovć, ad V. Gečevska, Applcato of the Performace Selecto Idex Method for Solvg Machg Mcdm Problems, Facta Uv. Ser. Mech. Eg., vol. 15, o. 1, p. 97, [14] B. Vahda, S. M. Mousav, ad S. Ebrahmejad, Soft computg-based preferece selecto dex method for huma resource maagemet, J. Itell. Fuzzy Syst., vol. 26, o. 1, pp , [15] R. Attr ad S. Grover, Applcato of preferece selecto dex method for decso makg over the desg stage of producto system lfe cycle, J. Kg Saud Uv. - Eg. Sc., vol. 27, o. 2, pp , [16] S. H. Sahr et al., The Preferece Selecto Idex method determg the locato of used laptop marketg, It. J. Eg. Techol., vol. 7, o. 3.4 Specal Issue 4, [17] Mesra, K. Tampubolo, R. D. Satur, F. T. Waruwu, ad A. P. U. Sahaa, Determato of Educato Scholarshp Recpets Usg Preferece Selecto Idex, It. J. Sc. Res. Sc. Techol., vol. 3, o. 6, pp , [18] R. Khorshd ad A. Hassa, Comparatve aalyss betwee TOPSIS ad PSI methods of materals selecto to acheve a desrable combato of stregth ad workablty Al/SC composte, Mater. Des., vol. 52, o. Jue, pp , P a g e 248

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di: ISSN: 339-541 JURNAL GAUSSIAN, Volume 4, Nomor, Tahu 015, Halama 67-76 Ole d: http://ejoural-s1.udp.ac.d/dex.php/gaussa PEMILIHAN PENGRAJIN TERBAIK MENGGUNAKAN MULTI-ATTRIBUTE DECISION MAKING (MADM) TECHNIQUE

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar

Lebih terperinci

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Koferes Nasoal Tekk Spl 3 (KoNTekS 3) Jakarta, 6 7 Me 009 WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Maksum Taubrata Program Stud Tekk Spl, Uverstas Krste Maraatha Badug Jl.

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

POLIGON TERBUKA TERIKAT SEMPURNA

POLIGON TERBUKA TERIKAT SEMPURNA MODUL KULIAH ILMU UKUR TANAH POLIGON TERBUKA TERIKAT SEMPURNA Pegerta : peetua azmuth awal da akhr, peetuat kesalaha peutup sudut,koreks sudut, kesalaha lear da koreks lear kearah sumbu X da Y, Peetua

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

Penelitian Operasional II Teori Permainan TEORI PERMAINAN Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

8. MENGANALISIS HASIL EVALUASI 8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

ANALISIS PENGGABUNGAN METODE SAW DAN METODE TOPSIS UNTUK MENDUKUNG KEPUTUSAN SELEKSI PENERIMAAN DOSEN

ANALISIS PENGGABUNGAN METODE SAW DAN METODE TOPSIS UNTUK MENDUKUNG KEPUTUSAN SELEKSI PENERIMAAN DOSEN Semar Nasoal Iformatka 2013 (semasif 2013) ISSN: 1979-2328 UPN Vetera Yogyakarta, 18 Me 2013 ANALISIS PENGGABUNGAN METODE SAW DAN METODE TOPSIS UNTUK MENDUKUNG KEPUTUSAN SELEKSI PENERIMAAN DOSEN Gregorus

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug

Lebih terperinci

PEMILIHAN PENGRAJIN TERBAIK DENGAN METODE ELECTRE DAN TOPSIS MENGGUNAKAN GUI MATLAB (STUDI KASUS : PT. Asaputex Jaya, Tegal)

PEMILIHAN PENGRAJIN TERBAIK DENGAN METODE ELECTRE DAN TOPSIS MENGGUNAKAN GUI MATLAB (STUDI KASUS : PT. Asaputex Jaya, Tegal) ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahu 2016, Halama 663-672 Ole d: http://eoural-s1.udp.ac.d/dex.php/gaussa PEMILIHAN PENGRAJIN TERBAIK DENGAN METODE ELECTRE DAN TOPSIS MENGGUNAKAN GUI

Lebih terperinci

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc STUDI KELAYAKAN: ASPEK FINANSIAL F.Hafz Saragh SP, MSc Pajak Baya bag perusahaa/ usahata, sehgga merupaka peguraga dar beeft Subsd FINANSIAL Peguraga baya bag perusahaa/ usahata, sehgga merupaka tambaha

Lebih terperinci

NORM VEKTOR DAN NORM MATRIKS

NORM VEKTOR DAN NORM MATRIKS NORM VEKTOR DN NORM MTRIK umaag Muhtar Gozal UNIVERIT PENDIDIKN INDONEI. Pedahulua Jka kta membcaraka topk ruag vektor maka cotoh sederhaa yag dapat kta ambl adalah ruag Eucld R. D ruag kta medefska pajag

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama. BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah

Lebih terperinci

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah

Lebih terperinci

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

BAB III UKURAN PEMUSATAN DATA BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN BUAH RAMBUTAN DENGAN KUALITAS TERBAIK MENGGUNAKAN METODE WEIGHTED PRODUCT (WP)

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN BUAH RAMBUTAN DENGAN KUALITAS TERBAIK MENGGUNAKAN METODE WEIGHTED PRODUCT (WP) ISSN 2548-8368 (meda ole) SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN BUAH RAMBUTAN DENGAN KUALITAS TERBAIK MENGGUNAKAN METODE WEIGHTED PRODUCT (WP) Yosa aro Za, Mesra 2, Efor Buulolo 3 Mahasswa Tekk Iformatka

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka

Lebih terperinci

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga

Lebih terperinci

TINJAUAN PUSTAKA Evaluasi Pengajaran

TINJAUAN PUSTAKA Evaluasi Pengajaran TINJAUAN PUSTAKA Evaluas Pegajara Evaluas adalah suatu proses merecaaka, memperoleh da meyedaka formas yag sagat dperluka utuk membuat alteratf- alteratf keputusa. Dalam hubuga dega kegata pegajara evaluas

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci

3.1 Biaya Investasi Pipa

3.1 Biaya Investasi Pipa BAB III Model Baya Pada model baya [8] d tugas akhr, baya tahua total utuk megoperaska jarga ppa terdr dar dua kompoe, yatu baya operasoal da baya vestas. Baya operasoal terdr dar baya operasoal ppa da

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

Lebih terperinci

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Penarikan Contoh Acak Sederhana (Simple Random Sampling) Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,

Lebih terperinci

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk

Lebih terperinci

BAB III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

Lebih terperinci

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah

Lebih terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal) LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau

Lebih terperinci

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan III BAHAN/OBJEK DAN METODE PENELITIAN 3.1. Baha da Alat Peelta 3.1.1. Baha Peelta Objek yag dguaka dalam peelta adalah 50 ekor sap Pasuda jata da beta dewasa dega umur -3 tahu da tdak butg utuk meghdar

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom

Lebih terperinci

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data //203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF KELOMPOK A I GUSTI BAGUS HADI WIDHINUGRAHA (0860500) NI PUTU SINTYA DEWI (0860507) LUH GEDE PUTRI SUARDANI (0860508) I PUTU INDRA MAHENDRA PRIYADI (0860500)

Lebih terperinci

UKURAN GEJALA PUSAT (UGP)

UKURAN GEJALA PUSAT (UGP) UKURAN GEJALA PUSAT (UGP) Pegerta: Rata-rata (average) alah suatu la yag mewakl suatu kelompok data. Nla dsebut juga ukura gejala pusat karea pada umumya mempuya kecederuga terletak d tegah-tegah da memusat

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa

Lebih terperinci

Penerapan Metode TOPSIS untuk Penentuan Variabel Setting Pada Optimisasi Multirespon Taguchi

Penerapan Metode TOPSIS untuk Penentuan Variabel Setting Pada Optimisasi Multirespon Taguchi Koferes Nasoal Sstem & Iformatka 017 STMIK STIKOM Bal, 10 Agustus 017 Peerapa Metode TOPSIS utuk Peetua Varabel Settg Pada Optmsas Multrespo Taguch I Ketut Putu Suatara 1), I Gede Eka Watara Putra ) STMIK

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

SIFAT-SIFAT LANJUT FUNGSI TERBATAS Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas

Lebih terperinci

Uji Modifikasi Peringkat Bertanda Wilcoxon Untuk Masalah Dua Sampel Berpasangan 1 Wili Solidayah 2 Siti Sunendiari 3 Lisnur Wachidah

Uji Modifikasi Peringkat Bertanda Wilcoxon Untuk Masalah Dua Sampel Berpasangan 1 Wili Solidayah 2 Siti Sunendiari 3 Lisnur Wachidah Prosdg Statstka ISSN 40-45 Uj Modfkas Pergkat Bertada Wlcoxo Utuk Masalah Dua Sampel Berpasaga 1 Wl Soldayah St Suedar 3 Lsur Wachdah 1, Statstka, Fakultas MIPA, Uverstas Islam Badug, Jl. Tamasar No. 1

Lebih terperinci

BAB 1 STATISTIKA RINGKASAN MATERI

BAB 1 STATISTIKA RINGKASAN MATERI BAB STATISTIKA A RINGKASAN MATERI. Pegerta Data adalah kumpula keteraga-keteraga atau catata-catata megea suatu kejada, dapat berupa blaga, smbol, sat atau kategor. Masg-masg keteraga dar data dsebut datum.

Lebih terperinci

RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN OPERATOR TELEKOMUNIKASI DENGAN METODE AHP DAN TOPSIS. 2)

RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN OPERATOR TELEKOMUNIKASI DENGAN METODE AHP DAN TOPSIS. 2) RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN OPERATOR TELEKOMUNIKASI DENGAN METODE AHP DAN TOPSIS I Putu Eratama 1), I Gede Arya Utama ) 1) ) Jurusa Sstem Iformas. Sekolah Tgg Maajeme Iformatka

Lebih terperinci

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS LGORITM MENENTUKN HIMPUNN TERBESR DRI SUTU MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar Program Stud Matematka FMIP UNDIP JlProfSoedarto SH Semarag 575 bstract Ths research dscussed about how to obtaed

Lebih terperinci

XI. ANALISIS REGRESI KORELASI

XI. ANALISIS REGRESI KORELASI I ANALISIS REGRESI KORELASI Aalss regres mempelajar betuk hubuga atara satu atau lebh peubah bebas dega satu peubah tak bebas dalam peelta peubah bebas basaya peubah yag dtetuka oelh peelt secara bebas

Lebih terperinci

PEMILIHAN MAHASISWA BERPRESTASI DIPLOMA MENGGUNAKAN METODE TOPSIS

PEMILIHAN MAHASISWA BERPRESTASI DIPLOMA MENGGUNAKAN METODE TOPSIS emar Nasoal APTIKOM (EMNATIKOM), Hotel Lombok Raya Mataram, - Oktober PEMILIHAN MAHAIWA BERPRETAI DIPLOMA MENGGUNAKAN METODE TOPI Dyah Herawate,, Eto Wuryato () Program tud D stem Iformas Fakultas Vokas

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN MAKALAH SEMINAR TERBAIK

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN MAKALAH SEMINAR TERBAIK SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN MAKALAH SEMINAR TERBAIK Deborah Kurawat 1), Azhar S.N. 2) 1) Program stud Sstem Iformas STMIK AKAKOM Jl. Raya Jat No 143 Karagjambe Yogyakarta 2) Jurusa Ilmu Komputer

Lebih terperinci

BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA

BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA 97 BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS 4. Hasl da Pegumpula Data 4.. Peetua L Krts DATA Berdasarka hasl peelta da observas dlapaga secara lagsug pada lata produks PT. Fajar It Plasdo yag meghaslka

Lebih terperinci

Pada saat upacara bendera, kita sering memperhatikan teman-teman kita.

Pada saat upacara bendera, kita sering memperhatikan teman-teman kita. Bab Ukura Data Pada saat upacara bedera, kta serg memperhatka tema-tema kta. Terkadag tapa sadar kta membadgka tgg redah sswa dalam upacara tersebut. Ada yag tggya 170 cm, 165 cm, 150 cm atau bahka 140

Lebih terperinci

b) Untuk data berfrekuensi fixi Data (Xi)

b) Untuk data berfrekuensi fixi Data (Xi) B. Meghtug ukura pemusata, ukura letak da ukura peyebara data serta peafsraya A. Ukura Pemusata Data Msalka kumpula data berkut meujukka hasl pegukura tgg bada dar orag sswa. 0 cm 30 cm 5 cm 5 cm 35 cm

Lebih terperinci

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( ) Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

STATISTIKA. A. Tabel Langkah untuk mengelompokkan data ke dalam tabel distribusi frekuensi data berkelompok/berinterval: a. Rentang/Jangkauan (J)

STATISTIKA. A. Tabel Langkah untuk mengelompokkan data ke dalam tabel distribusi frekuensi data berkelompok/berinterval: a. Rentang/Jangkauan (J) STATISTIKA A. Tabel Lagkah utuk megelompokka data ke dalam tabel dstrbus frekues data berkelompok/berterval: a. Retag/Jagkaua (J) J X maks X m b. Bayak kelas (k) Megguaka atura Sturgess, yatu k,. log c.

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha

Lebih terperinci

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

BAB 2 : BUNGA, PERTUMBUHAN DAN PELURUHAN

BAB 2 : BUNGA, PERTUMBUHAN DAN PELURUHAN Jl. Raya Wagu Kel. Sdagsar Kota Bogor Telp. 0251-8242411, emal: prohumas@smkwkrama.et, webste : www.smkwkrama.et BAB 2 : BUNGA, PERTUBUHAN DAN PELURUHAN PENGERTIAN BUNGA Buga adalah jasa dar smpaa atau

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB METODE PENELTAN 3.1 Tempat da Waktu Peelta Peelta dlaksaaka d areal/wlaah koses huta PT. Sarmeto Parakata Tmber, Kalmata Tegah pada bula Aprl sampa dega Me 007. 3. Baha da Alat Baha ag dguaka utuk

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 22 BAB II LANDASAN TEORI 2.1 Pedahulua 2.1.1 Pegerta Mateace Beberapa pegerta perawata (mateace) meurut ahl : 1. Meurut Corder (1988), perawata merupaka suatu kombas dar tdaka yag dlakuka utuk mejaga suatu

Lebih terperinci

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut 3/9/202 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas

Lebih terperinci

Notasi Sigma. Fadjar Shadiq, M.App.Sc &

Notasi Sigma. Fadjar Shadiq, M.App.Sc & Notas Sgma Fadjar Shadq, M.App.Sc (fadjar_pg@yahoo.com & www.fadjarpg.wordpress.com Notas sgma memag jarag djumpa dalam kehdupa sehar-har, tetap otas tersebut aka bayak djumpa pada baga matematka yag la,

Lebih terperinci

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi.

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi. TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Ftr Yulat, SP. Ms. UKURAN DATA Ukura data Ukura Pemusata data Ukura letak data Ukura peyebara data Mea Meda Jagkaua Meda Kuartl Jagkaua atar

Lebih terperinci

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Semar Nasoal Tekolog 007 (SNT 007) ISSN : 978 9777 IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Krsawat STMIK AMIKOM Yogyakarta e-mal : krsa@amkom.ac.d

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Propinsi Gorontalo tahun pelajaran 2012/2013.

BAB III METODOLOGI PENELITIAN. Propinsi Gorontalo tahun pelajaran 2012/2013. BAB III METODOLOGI PENELITIAN 3.. Tempat da Waktu Peelta Peelta dlaksaaka d SMP Neger 3 Gorotalo kota Gorotalo Props Gorotalo tahu pelajara 0/03. D SMP Neger 3 Gorotalo memlk 6 romboga belajar yag terdr

Lebih terperinci

REGRESI LINIER SEDERHANA

REGRESI LINIER SEDERHANA MODUL REGRESI LINIER SEDERHANA Dsusu oleh : I MADE YULIARA Jurusa Fska Fakultas Matematka Da Ilmu Pegetahua Alam Uverstas Udayaa Tahu 016 Kata Pegatar Puj syukur saya ucapka ke hadapa Tuha Yag Maha Kuasa

Lebih terperinci

Dasar Ekonomi Teknik: Matematika Uang. Ekonomi Teknik TIP FTP UB

Dasar Ekonomi Teknik: Matematika Uang. Ekonomi Teknik TIP FTP UB Dasar Ekoom Tekk: Matematka Uag Ekoom Tekk TIP TP UB Bahasa lra Kas (Cash low Tme Value of Moey Buga Ekvales Cash low Tata alra uag masuk da keluar per perode waktu pada suatu perusahaa lra kas aka terjad

Lebih terperinci

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

Sistem Pendukung Keputusan dalam Pemilihan Internet Service Provider Dengan Metode TOPSIS

Sistem Pendukung Keputusan dalam Pemilihan Internet Service Provider Dengan Metode TOPSIS Sstem Pedukug Keputusa dalam Pemlha Iteret Servce Provder Dega Metode TOPSIS Galh Hedro Martoo 1, D Satoso 2 Jurusa Tekk Iformatka STMIK Bumgora Mataram Mataram, Idoesa Emal : galh.hedro@stmkbumgora.ac.d,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 21 Sstem Pedukug Keputusa Meurut Prof Dr Praud Atmosudro, SH, keputusa adalah suatu pegakhra darpada proses pemkra tetag suatu masalah atau problema utuk meawab pertayaa apa yag harus

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Pegerta Perawata (Mateace) Meurut Assaur (999, p95) perawata merupaka kegata utuk memelhara atau mejaga fasltas da peralata pabrk, da megadaka perbaka, peyesuaa, atau peggata yag dperluka

Lebih terperinci

BAB III METODE PENELITIAN. Penelitian ini dilakukan di PT. Mulya Agro Bioteknologi yang terletak

BAB III METODE PENELITIAN. Penelitian ini dilakukan di PT. Mulya Agro Bioteknologi yang terletak BAB III METODE PENELITIAN 3.1 Lokas da Waktu Peelta Peelta dlakuka d PT. Mulya Agro Botekolog yag terletak Perumaha Tegalgodo Asr Blok H III No. 10 Kecamata Karagploso, Kabupate Malag. Pemlha lokas peelta

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SUBKONTRAK PRODUKSI SARUNG TANGAN MENGGUNAKAN METODE ENTROPY DAN TOPSIS

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SUBKONTRAK PRODUKSI SARUNG TANGAN MENGGUNAKAN METODE ENTROPY DAN TOPSIS Semar Nasoal Iformatka 01 (semasif 01) ISSN: 1979-38 UPN Vetera Yogyakarta, 30 Ju 01 SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SUBKONTRAK PRODUKSI SARUNG TANGAN MENGGUNAKAN METODE ENTROPY DAN TOPSIS Jamla Akaem

Lebih terperinci

2.2.3 Ukuran Dispersi

2.2.3 Ukuran Dispersi 3 Ukura Dspers Yag aka dbahas ds adalah smpaga baku da varas karea dua ukura dspers yag palg serg dguaka Hubuga atara smpaga baku dega varas adalah Varas = Kuadrat dar Smpaga baku otas yag umum dguaka

Lebih terperinci

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi. Mea utuk Data Tuggal Des. Jka suatu sampel berukura dega aggota x1, x, x3,, x, maka mea sampel ddesska : 1... N 1 Mea utuk Data Kelompok Des Mea dar data yag dkelompoka adalah : x x 1 1 1 dega : x = ttk

Lebih terperinci

Penyelesaian Sistem Persamaan Linier Kompleks Dengan Invers Matriks Menggunakan Metode Faddev (Contoh Kasus: SPL Kompleks dan Hermit)

Penyelesaian Sistem Persamaan Linier Kompleks Dengan Invers Matriks Menggunakan Metode Faddev (Contoh Kasus: SPL Kompleks dan Hermit) Jural Sas Matematka da Statstka, Vol., No. I, Jauar ISSN - Peyelesaa Sstem Persamaa Ler Kompleks Dega Ivers Matrks Megguaka Metode Faddev Cotoh Kasus: SPL Kompleks da Hermt F. rya da Tka Rzka, Jurusa Matematka,

Lebih terperinci