BAB IV HASIL DAN PEMBAHASAN
|
|
- Hadian Setiawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB IV HASIL DAN PEMBAHASAN Dalam bab ini akan menjelaskan tentang hasil pengujian perhitungan secara matematis dengan membandingkan histogram data mentah dan distribusi probabilitias teoritis. Data mentah tersebut adalah hasil dari proses observasi yang dilakukan oleh penulis selama berada di Puskesmas Dr. Soetomo Surabaya. Data tersebut berupa data kehadiran pasien yang berobat pada poli umum. Penulis juga melakukan proses pencatatan waktu pelayananan secara manual dengan bantuan stopwatch sehingga data tersebut membantu proses perhitungan. Untuk menganalisa data tersebut, terdapat proses pengujian data seperti pengujian dengan menggunakan metode sturgess yang digunakan untuk melakukan pembagian kelas interval. 4.1 Hasil Pengujian Menggunakan Metode Sturgess Pada Waktu Pelayanan Langkah pertama yang dilakukan adalah melakukan perhitungan interval kelas dengan menggunakan metode strugess. Langkah ini dilakukan agar data yang disajikan akan tersusun dengan baik. Rumus yang digunakan untuk metode sturgess dapat dilihat pada Bab 2.5. untuk perhitungannya dapat dilihat di bawah ini: Jangakauan range = Nilai maksimal Nilai minimal = 15 6 = 9 Jumlah kelas = Log(n) = Log(15) = Interval kelas = Jangkauan range/jumlah kelas 27
2 28 Interval kelas= 9/ = Hasil Pengujian Menggunakan Distribusi Frekuensi Relatif Pada Waktu Pelayanan Langkah selanjutnya adalah melihat proporsi data yang ada pada suatu interval kelas. Tujuan dari pengujian ini adalah untuk mencari nilai tengah dan fruekensi relative. Nilai tengah akan digunakan untuk plot histogram atau grafik dan perhitungan nilai distribusi probabilitas. Rumus yang digunakan: frekuensi/total data Dokter Umum I Dalam proses ini akan dilakukan dua pencarian yaitu nilai tengah yang akan digunakan untuk plot histogram dan perhitungan distribusi probabilitas, serta frekuensi relatif yang digunakan dalam proses perhitungan frekuensi data mentah yang sudah dibagi dalam bentuk interval kelas menggunakan metode sturgess. Berikut adalah tabel sebelum menggunakan metode sturgess dan setelah menggunakan perhitungan metode Sturgess. Tabel data yang belum menggunakan metode sturgess ada di Tabel 4.1 dan tabel data yang sudah dilakukan perhitungan menggunakan metode Sturgess ada di Tabel 4.2
3 29 Tabel 4.1 Data dokter I Interval ke Interval Kelas Jumlah Paket TOTAL PAKET 80 Tabel 4.2 Hasil nilai tengah dan frekuensi relatif Dokter umum I Interval INTERVAL JUMLAH NILAI FREKUENSI ke KELAS PAKET TENGAH RELATIF TOTAL JUMLAH PAKET 80 = 1
4 30 Langkah selanjutnya adalah melakukan fitting dengan bantuan Software Matlab. Data perhitungan menggunakan metode Sturgess tersebut di import kedalam Matlab sehingga data tersebut nantinya dapat digunakan dalam proses fitting. Dari data tersebut dapat diperoleh estimasi parameter sebagai berikut: a. Distribusi normal σ = , µ= b. Distribusi lognormal σ = , µ= c. Distribusi gamma α= , β= d. Distribusi weibull α= , β= Gambar 4.1 Hasil Fitting Dokter I menggunakan Matlab Setelah melakukan proses fitting, maka langkah selanjutnya adalah mencari Mean Square Error (MSE). Setiap distribusi melakukan perhitungan sesuai dengan rumus MSE yang terdapat pada Bab 3.7.
5 31 a. Distribusi Normal bin Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter σ = , µ= Detailnya dapat dilihat pada tabel 4.3. Frekuensi Relatif Tabel 4.3 Distribusi Normal Dokter I Distribusi Probabilitas Error Error b. Distribusi Lognormal Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi lognormal adalah senilai dengan parameter σ = , µ= Detailnya dapat dilihat pada tabel 4.4.
6 32 Tabel 4.4 Distribusi Lognormal Dokter I bin Frekuensi Relatif Distribusi Probabilitas Error Error c. Distribusi Gamma Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi gamma adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel 4.5. Tabel 4.5 Distribusi Gamma Dokter I bin Frekuensi Relatif Distribusi Probabilitas Error Error
7 33 d. Distribusi Weibull Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi gamma adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel 4.6. Tabel 4.6 Distribusi Weibull Dokter I Bin Frekuensi Relatif Distribusi Probabilitas Error Error Interval Ke MSE NORMAL Tabel 4.7 Hasil MSE Dokter I MSE LOGNORMAL MSE GAMMA MSE WEIBULL Jumlah
8 34 Maka dapat diambil kesimpulan bahwa nilai MSE yang terkecil dari distribusi diatas adalah distribusi Weibull dengan MSE dengan parameter α= , β= Maka langkah selanjutnya adalah membangkitan bilangan random dengan menggunakan distribusi Weibull. Dalam membangkitkan bialngan random, masih menggunakan software Matlab sehingga hasil dapat langsung diketahui. Nilai yang digunakan dalam membangkitkan bilangan random adalah menggunakan parameter distribusi weibull yaitu α= , β= Contoh proses membangkitkan bilangan acak dengan distribusi weibull pada perangkat lunak Matlab adalah sebagai berikut : >> n1 = wblrnd( , , [1 70]) n1 = Columns 1 through Columns 13 through Columns 25 through Columns 37 through Columns 49 through 60
9 Columns 61 through \ Bilangan Acak di atas merupakan simulsi waktu pelayanan Dokter I yang dibangkitkan untuk 70 pasien Dokter Umum II Dalam proses ini akan dilakukan dua pencarian yaitu nilai tengah yang akan digunakan untuk plot histogram dan perhitungan distribusi probabilitas, serta frekuensi relatif yang digunakan dalam proses perhitungan frekuensi data mentah yang sudah dibagi dalam bentuk interval kelas menggunakan metode sturgess. Berikut adalah tabel sebelum menggunakan metode sturgess dan setelah menggunakan perhitungan metode Sturgess. Tabel data yang belum menggunakan metode sturgess ada di Tabel 4.8 dan tabel data yang sudah dilakukan perhitungan menggunakan metode Sturgess ada di Tabel 4.9
10 36 Tabel 4.8 Data Dokter II Interval ke Interval Kelas Jumlah Paket TOTAL PAKET 78 Tabel 4.9 Hasil nilai tengah dan frekuensi relatif Dokter umum II Interval ke Interval Kelas Jumlah Paket Nilai tengah Frekuensi Relatif TOTAL PAKET 78 1 Langkah selanjutnya adalah melakukan fitting dengan bantuan Software Matlab. Data perhitungan menggunakan metode Sturgess tersebut di import kedalam Matlab sehingga data tersebut nantinya dapat digunakan dalam proses fitting. Dari data tersebut dapat diperoleh estimasi parameter sebagai berikut: a. Distribusi normal σ = , µ= b. Distribusi lognormal σ = , µ= c. Distribusi gamma α= , β= d. Distribusi weibull α= , β=
11 37 Gambar 4.2 Hasil Fitting Dokter II menggunakan Matlab Setelah melakukan proses fitting, maka langkah selanjutnya adalah mencari Mean Square Error (MSE). Setiap distribusi melakukan perhitungan sesuai dengan rumus MSE yang terdapat pada Bab 3.7. a. Distribusi Normal Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter σ = , µ= Detailnya dapat dilihat pada tabel 4.10.
12 38 bin Frekuensi Relatif Tabel 4.10 Distribusi Normal Dokter II Distribusi Probabilitas Error Error b. Distribusi Lognormal bin Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi lognormal adalah senilai dengan parameter σ = , µ= Detailnya dapat dilihat pada tabel Frekuensi Relatif Tabel 4.11 Distribusi Lognormal Dokter II Distribusi Probabilitas Error Error
13 39 c. Distribusi Gamma Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi gamma adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel Tabel 4.12 Distribusi Gamma Dokter II bin Frekuensi Relatif Distribusi Probabilitas Error Error d. Distribusi Weibull bin Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel Frekuensi Relatif Tabel 4.13 Distribusi Weibull Dokter II Distribusi Probabilitas Error Error
14 40 Interval ke MSE NORMAL Tabel 4.14 Hasil MSE Dokter II MSE LOGNORMAL MSE GAMMA MSE WEIBULL JUMLAH Maka dapat diambil kesimpulan bahwa nilai MSE yang terkecil dari distribusi diatas adalah distribusi weibull dengan MSE dengan parameter α= , β= Maka langkah selanjutnya adalah membangkitan bilangan random dengan menggunakan distribusi Weibull. Dalam membangkitkan bialngan random, masih menggunakan software Matlab sehingga hasil dapat langsung diketahui. Nilai yang digunakan dalam membangkitkan bilangan random adalah menggunakan parameter distribusi weibull yaitu α= , β= Contoh proses membangkitkan bilangan acak dengan distribusi weibull pada perangkat lunak Matlab adalah sebagai berikut : >> n1 = wblrnd( , , [1 70]) n1 = Columns 1 through
15 41 Columns 13 through Columns 25 through Columns 37 through Columns 49 through Columns 61 through Bilangan Acak di atas merupakan simulsi waktu pelayanan Dokter II yang dibangkitkan untuk 70 pasien. 4.3 Hasil Pengujian Menggunakan Metode Sturgess Pada Waktu Antar Kedatangan. Langkah pertama yang dilakukan adalah melakukan perhitungan interval kelas dengan menggunakan metode strugess. Langkah ini dilakukan agar data yang disajikan akan tersusun dengan baik. Rumus yang digunakan untuk metode sturgess daoat dilihat pada Bab 2.5. untuk perhitungannya dapat dilihat dibawah ini:
16 42 Jangakauan range = Nilai maksimal Nilai minimal = 10 1 = 9 Jumlah kelas = Log(n) = Log(10) = Interval kelas = Jangkauan range/jumlah kelas = 9/ = Hasil Pengujian Menggunakan Distribusi Frekuensi Relatif Pada Waktu Antar Kedatangan. Langkah selanjutnya adalah melihat proporsi data yang ada pada suatu interval kelas. Tujuan dari pengujian ini adalah untuk mencari nilai tengah dan fruekensi relative. Nilai tengah akan digunakan untuk plot histogram atau grafik dan perhitungan nilai distribusi probabilitas dapat dilihat pada Tabel Tabel 4.15 Data Waktu antar kedatangan interval ke Interval Kelas Jumlah Paket Total Paket 158
17 43 Tabel 4.16 Hasil nilai tengah dan frekuensi relatif waktu antar kedatangan. interval ke Interval Kelas Jumlah Paket Nilai Tengah Jumlah Paket total paket Langkah selanjutnya adalah melakukan fitting dengan bantuan Software Matlab. Data perhitungan menggunakan metode Sturgess tersebut di import kedalam Matlab sehingga data tersebut nantinya dapat digunakan dalam proses fitting. Dari data tersebut dapat diperoleh estimasi parameter sebagai berikut: a. Distribusi normal σ = , µ= b. Distribusi lognormal σ = , µ= c. Distribusi gamma α= , β= d. Distribusi weibull α= , β=
18 44 Gambar 4.3 Hasil Fitting waktu antar kedatangan menggunakan Matlab Setelah melakukan proses fitting, maka langkah selanjutnya adalah mencari Mean Square Error (MSE). Setiap distribusi melakukan perhitungan sesuai dengan rumus MSE yang terdapat pada Bab 3.7. a. Distribusi Normal Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter σ = , µ= Detailnya dapat dilihat pada tabel 4.17.
19 45 Tabel 4.17 Distribusi Normal Waktu Antar Kedatangan bin Frekuensi Relatif Distribusi Probabilitas Error Error b. Distribusi Lognormal Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter σ = , µ= Detailnya dapat dilihat pada tabel bin Tabel 4.18 Distribusi Lognormal Waktu Antar Kedatangan Frekuensi Relatif Distribusi Probabilitas Error Error
20 46 c. Distribusi Gamma Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel Tabel 4.19 Distribusi Gamma Waktu Antar Kedatangan bin Frekuensi Relatif Distribusi Probabilitas Error Error d. Distribusi Weibull Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel Tabel 4.20 Distribusi Weibull Waktu Antar Kedatangan bin Frekuensi Relatif Distribusi Probabilitas Error Error
21 47 bin Frekuensi Relatif Distribusi Probabilitas Error Error Tabel 4.21 Hasil MSE waktu antar kedatangan Interval ke MSE NORMAL MSE LOGNORMAL MSE GAMMA MSE WEIBULL JUMLAH Maka dapat diambil kesimpulan bahwa nilai MSE yang terkecil dari distribusi diatas adalah distribusi normal dengan MSE dengan parameter σ = , µ= Maka langkah selanjutnya adalah membangkitan bilangan random dengan menggunakan distribusi normal. Dalam membangkitkan bialngan random, masih menggunakan software Matlab sehingga hasil dapat langsung diketahui. Nilai yang digunakan dalam membangkitkan bilangan random adalah menggunakan parameter distribusi normal yaitu Distribusi normal σ = , µ=
22 Hasil Pengujian Menggunakan Metode Sturgess PadaWaktu Tunggu Pelayanan. Langkah pertama yang dilakukan adalah melakukan perhitungan interval kelas dengan menggunakan metode strugess. Langkah ini dilakukan agar data yang disajikan akan tersusun dengan baik. Rumus yang digunakan untuk metode sturgess daoat dilihat pada Bab 2.5. untuk perhitungannya dapat dilihat dibawah ini: Jangakauan range = Nilai maksimal Nilai minimal = 19 6 = 13 Jumlah kelas = Log(n) = Log(19) = Interval kelas = Jangkauan range/jumlah kelas = 13/ = Hasil Pengujian Menggunakan Distribusi Frekuensi Relatif Pada Waktu Tunggu Pelayanan. Langkah selanjutnya adalah melihat proporsi data yang ada pada suatu interval kelas. Tujuan dari pengujian ini adalah untuk mencari nilai tengah dan fruekensi relative. Nilai tengah akan digunakan untuk plot histogram atau grafik dan perhitungan nilai distribusi probabilitas. Rumus yang digunakan: frekuensi/total data. Tabel 4.22 Data waktu tunggu pelayanan interval ke Interval Kelas Jumlah Paket
23 49 interval ke Interval Kelas Jumlah Paket TOTAL 70 Tabel 4.23 Hasil nilai tengah dan frekuensi relatif waktu antar pelayanan. interval ke Interval Kelas Jumlah Paket Nilai Tengah Jumlah Paket TOTAL 70 1 Langkah selanjutnya adalah melakukan fitting dengan bantuan Software Matlab. Data perhitungan menggunakan metode Sturgess tersebut di import kedalam Matlab sehingga data tersebut nantinya dapat digunakan dalam proses fitting.
24 50 Dari data tersebut dapat diperoleh estimasi parameter sebagai berikut: a. Distribusi normal σ = , µ= b. Distribusi lognormal σ = , µ= c. Distribusi gamma α= , β= d. Distribusi weibull α= , β= Gambar 4.4 Hasil fitting waktu antar pelayanan menggunakan Matlab a. Distribusi Normal Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan param eter σ = , µ= Detailnya dapat dilihat pada tabel 4.24.
25 51 Tabel 4.24 Distribusi Normal waktu tunggu pelayanan bin Frekuensi Relatif Distribusi Probabilitas Error Error b. Distribusi Lognormal Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter σ = , µ= Detailnya dapat dilihat pada tabel Tabel 4.25 Distribusi Lognormal waktu tunggu pelayanan bin Frekuensi Relatif Distribusi Probabilitas Error Error
26 52 c. Distribusi Gamma Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel Tabel 4.26 Distribusi Gamma waktu tunggu pelayanan bin Frekuensi Relatif Distribusi Probabilitas Error Error d. Distribusi Weibull Dari proses fitting menggunakan Matlab, maka didapatkan nilai MSE untuk distribusi normal adalah senilai dengan parameter α= , β= Detailnya dapat dilihat pada tabel Tabel 4.27 Distribusi Weibull waktu tunggu pelayanan bin Frekuensi Relatif Distribusi Probabilitas Error Error
27 53 bin Frekuensi Relatif Distribusi Probabilitas Error Error Tabel 4.28 Hasil MSE waktu tunggu pelayanan Interval ke MSE NORMAL MSE LOGNORMA L MSE GAMMA MSE WEIBULL
28 54 Interval ke JUMLA H MSE NORMAL MSE LOGNORMA L MSE GAMMA MSE WEIBULL Maka dapat diambil kesimpulan bahwa nilai MSE yang terkecil dari distribusi diatas adalah distribusi normal dengan MSE dengan parameter σ = , µ= Maka langkah selanjutnya adalah membangkitan bilangan random dengan menggunakan distribusi Weibull. Dalam membangkitkan bialngan random, masih menggunakan software Matlab sehingga hasil dapat langsung diketahui. Nilai yang digunakan dalam membangkitkan bilangan random adalah menggunakan parameter distribusi weibull yaitu σ = , µ= Contoh proses membangkitkan bilangan acak dengan distribusi weibull pada perangkat lunak Matlab adalah sebagai berikut: >> n1 = normrnd( , ,1,70) n1 = Columns 1 through Columns 13 through Columns 25 through
29 55 Columns 37 through Columns 49 though Columns 61 through Simulasi Bagian akhir dari penyelesaian masalah di atas adalah melakukan proses simulasi. Proses simulasi ini akan menggunakan software Arena. Proses simulasi akan dilakukan selama 6 jam sesuai dengan waktu pelayanan yang terjadi pada Puskesmas Dr. Soetomo Surabaya dan akan dilakukan selama 30 hari. Langkah pertama adalah membuat sebuah alur antrian yang terjadi di Puskesmas dengan memasukkan inputan berupa hasil MSE dari setiap parameter. Untuk inputan yang pertama adalah menggunakan hasil akhir MSE distribusi normal sebagai waktu antar kedatangan. Langkah selanjutnya adalah memasukan parameter waktu pelayanan oleh dokter satu dan dua yaitu dengan menggunakan nilai MSE distribusi weibull. Maka keluaran simulasi ini berupa utilisasi pelayanan pasien, kinerja dokter selama satu hari dan waktu tunggu antar pasien, sehingga nanti akan digunakan sebagai informasi tambahan kepada kepala Puskesmas Penentuan Parameter Pasien Dalam proses simulasi yang pertama kali dilakukan adalah mengatur jumlah inputan, sesuai dengan studi lapangan yang telah dijelaskan pada bab III maka di
30 56 dalam permasalahan puskesmas tersebut menggunakan jumlah pasien sebanyak 70 orang, dengan jarak kedatangan sebanyak 1 pasien. Distribusi yang digunakan dalam waktu kedatangan adalah Distribusi normal dengan parameter yaitu normal σ = , µ= Gambar 4.5 Inputan waktu kedatangan pasien Proses Simulasi Pelayanan Dokter I Langkah pertama adalah memasukkan inputan awal berupa nilai akhir MSE pada waktu kedatangan, nilai MSE menggunakan distribusi normal dengan σ = , µ= , lalu untuk bagian proses adalah menggunakan distribusi weibull dengan α= , β= Untuk lamanya proses simulasi, akan dilakukan selama 6 jam/hari dalam 30 hari, sehingga nanti akan muncul laporan hasil akhir simulasi Gambar 4.6 Proses Simulasi Dokter 1.
31 57 Gambar 4.7 Pengaturan proses Simulasi Dokter Proses Simulasi Pelayanan Dokter II Langkah pertama adalah memasukkan inputan awal berupa nilai akhir MSE pada waktu kedatangan, nilai MSE menggunakan distribusi normal dengan σ = , µ= , dan untuk bagian proses adalah menggunakan distribusi weibull dengan α= , β= Untuk lamanya proses simulasi, akan dilakukan selama 6 jam/hari dalam 30 hari, sehingga nanti akan muncul laporan hasil akhir simulasi Gambar 4.8 Proses Simulasi Dokter 2
32 58 Gambar 4.9 Pengaturan proses simulasi dokter Hasil Akhir Proses Simulasi Dalam proses simulasi, akan dilakukan oleh dua dokter dan tiga dokter dalam kurun waktu 5 jam, 6 jam, 7 jam dan 8 jam selama 30 hari. Keluaran yang dihasilkan berupa utilisasi pelayanan dokter sehingga dapat memberikan informasi berupa kinerja dokter di poli umum selama 30 hari. 1. Simulasi 5 jam dengan 2 dokter. Selama 5 jam dengan memakai 2 dokter, maka pasien yang dapat diperiksa sejumlah 62 orang dengan prosentasi utilisasi mencapai 0.99.
33 59 Gambar 4.10 Hasil simulasi 2 dokter selama 5 jam 2. Simulasi 6 jam dengan 2 dokter Selama 6 jam dengan memakai 2 dokter, maka pasien yang dapat diperiksa sejumlah 70 orang dengan prosentasi utilisasi mencapai Gambar 4.11 Hasil simulasi 2 dokter selama 6 jam
34 60 3. Selama 7 jam dengan memakai 2 dokter, maka pasien yang dapat diperiksa sejumlah 70 orang dengan prosentasi utilisasi mencapai Gambar 4.11 Hasil simulasi 2 dokter selama 7 jam 4. Selama 8 jam dengan memakai 2 dokter, maka pasien yang dapat diperiksa sejumlah 70 orang dengan prosentasi utilisasi mencapai Gambar 4.13 Hasil simulasi 2 dokter selama 8 jam
35 61 5. Selama 5 jam dengan memakai 3 dokter, maka pasien yang dapat diperiksa sejumlah 70 orang dengan prosentasi utilisasi mencapai 0.86 Gambar 4.14 Hasil simulasi 3 dokter selama 5 jam 6. Selama 6 jam dengan memakai 3 dokter, maka pasien yang dapat diperiksa sejumlah 70 orang dengan prosentasi utilisasi mencapai 0.70 Gambar 4.14 Hasil simulasi 3 dokter selama 6 jam
36 62 7. Selama 7 jam dengan memakai 3 dokter, maka pasien yang dapat diperiksa sejumlah 70 orang dengan prosentasi utilisasi mencapai Gambar 4.15 Hasil simulasi 3 dokter selama 7 jam 8. Selama 8 jam dengan memakai 3 dokter, maka pasien yang dapat diperiksa sejumlah 70 orang dengan prosentasi utilisasi mencapai 0.55 Gambar 4.16 Hasil simulasi 3 dokter selama 8 jam
37 63 Dari hasil grafik diatas, Jumlah pasien yang terlayani dalam sehari dapat dilihat pada tabel 4.29 dibawah ini : Tabel 4.29 Jumlah pasien yang dilayani Waktu Pelayanan Jumlah Dokter 2 Dokter 3 Dokter 5 jam 62 pasien 70 pasien 6 Jam 70 pasien 70 pasien 7 Jam 70 pasien 70 pasien 8 Jam 70 pasien 70 pasien Untuk waktu tunggu yang terjadi disetiap antrian, didapatkan hasil waktu tunggu antar pasien seperti pada tabel 4.30 dibawah ini : Tabel 4.30 Hasil waktu tunggu antar pasien Waktu Jumlah dokter Pelayanan 2 dokter 3 dokter 5 jam 5 menit - 18 menit 4 menit - 14 menit 6 jam 4 menit -15 menit 3 menit - 13 menit 7 jam 3 menit - 13 menit 3 menit - 10 menit 8 jam 3 menit - 11 menit 2 menit - 9 menit Dan untuk hasil utilisasi diatas dapat dikelompokkan seperti pada tabel 4.31 dibawah ini:
38 64 Tabel 4.31 Hasil Utilisasi pelayanan pasien Waktu Pelayanan Jumlah Dokter 2 Dokter 3 Dokter 5 jam Jam Jam Jam Sehingga dapat diambil kesimpulan bahwa dengan pelayanan menggunakan dua dokter lebih efektif daripada tiga dokter namun dengan catatan bahwa jam operasional harus ditambahkan. Yang paling cocok untuk diterapkan dalam pelayanan pasien di Puskesmas Dr. Soetomo Surabaya adalah menggunakan tenaga 2 dokter selama 7 jam. Dari hasil simulasi diatas menunjukkan bahwa kinerja 2 dokter dengan waktu layanan selama 7 jam didapatkan utilisasi sebesar 0.79 atau 79%. Hal ini berarti sebanyak 79% waktu layanan per hari digunakan untuk melayani pasien. Waktu layanan 7 jam tersebut digunakan untuk melayani pasien hingga 70 pasien per hari, lihat tabel Dengan menentukan waktu layanan selama 7 jam tersebut keuntungan lain yang didapatkan adalah waktu antrian di ruang tunggu tidak terlalu panjang yaitu antara 3-13 menit, lihat tabel 4.30 sehingga secara keseluruhan proses pelayanan Puskesmas Dr. Soetomo Surabaya dapat berlangsung dengan baik.
BAB III METODOLOGI PENELITIAN. dalam pembuatan solusi tersebut adalah sebagai berikut: harapan dan memiliki manfaat yang maksimal.
BAB III METODOLOGI PENELITIAN Pada bab ini akan menjelaskan tentang tahapan-tahapan yang dilakukan untuk memecahkan masalah. Tahapan tersebut diawali dengan analisa permasalahan yang terjadi dalam Puskesmas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pemodelan dan Simulasi Model merupakan representasi sistem dalam kehidupan nyata yang menjadi fokus perhatian dan menjadi pokok permasalakan. Pemodelan dapat didefinisikan sebagai
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Desain Penelitian Untuk mendapatkan hasil yang sesuai tujuan yang diinginkan diperlukan sebuah rancangan untuk mempermudah dalam memahami sistem yang akan dibuat, maka akan
Lebih terperinciBAB III METODOLOGI PENELITIAN. 3.1Perancangan Sistem dan Blok Diagram Sistem. Perancangan Arsitektur Jaringan. Pengambilan Data (Capture Data)
BAB III METODOLOGI PENELITIAN 3.1Perancangan Sistem dan Blok Diagram Sistem Perancangan sistem yang digunakan dapat dijelaskan dengan blok diagram seperti pada gambar 3.1 berikut. Perancangan Arsitektur
Lebih terperinciBAB II LANDASAN TEORI. digunakan untuk mendukung penyusunan laporan tugas akhir. Landasan teori
BAB II LANDASAN TEORI Dalam bab ini akan dijelaskan berbagai macam landasan teori yang digunakan untuk mendukung penyusunan laporan tugas akhir. Landasan teori yang dibahas meliputi permasalahan-permasalahan
Lebih terperinciKULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output:
KULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output: 1. Terminating simulation 2. Nonterminating simulation: a. Steady-state parameters b. Steady-state cycle parameters
Lebih terperinciSIMULASI ANTRIAN PELAYANAN BONGKAR MUAT KAPAL
SEMINAR TUGAS AKHIR SIMULASI ANTRIAN PELAYANAN BONGKAR MUAT KAPAL (STUDI KASUS TERMINAL MIRAH PELABUHAN TANJUNG PERAK SURABAYA) Oleh : Risky Abadi 1203.109.004 Latar Belakang Pelabuhan Tanjung Perak sebagai
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perhitungan dengan parameter-parameter yang ada. Setelah itu dilakukan
BAB IV HASIL DAN PEMBAHASAN Pembahasan yang dilakukan nerupakan hasil dari percobaan dan perhitungan dengan parameter-parameter yang ada. Setelah itu dilakukan pengolahan data dan analisis untuk mendapatkan
Lebih terperinciBAB IV HASIL DAN ANALISIS
BAB IV HASIL DAN ANALISIS 4.1 Data Hasil Pengujian Pengujian yang dilakukan menguji masa hidup baterai dengan alat uji masa hidup baterai yang telah dirancang dan dimplementasikan. Pengujian dilakukan
Lebih terperinciSeminar Hasil Tugas Akhir
Seminar Hasil Tugas Akhir FALAH EGY SUJANA (1209100050) JURUSAN MATEMATIKA FMIPA-ITS SIMULASI ANTRIAN SISTEM PELAYANAN NASABAH (STUDI KASUS : BANK X) Pembimbing : Drs. Soetrisno, MI.Komp. LATAR BELAKANG
Lebih terperinciRANCANG BANGUN ALAT BANTU PENENTU POLA DISTRIBUSI INPUT DENGAN MEMANFAATKAN JARINGAN SYARAF TIRUAN DENGAN MENGGUNAKAN PERSENTIL SEBAGAI PENCIRI
RANCANG BANGUN ALAT BANTU PENENTU POLA DISTRIBUSI INPUT DENGAN MEMANFAATKAN JARINGAN SYARAF TIRUAN DENGAN MENGGUNAKAN PERSENTIL SEBAGAI PENCIRI Aris Tjahyanto Jurusan Sistem Informasi, Fakultas Teknologi
Lebih terperinciBAB IV PEMBAHASAN. Sebelum melakukan analisis dengan penerapan simulasi Monte Carlo dan VaR,
BAB IV PEMBAHASAN IV.1 Analisa Harga Saham BBCA Sebelum melakukan analisis dengan penerapan simulasi Monte Carlo dan VaR, penulis akan menganalisa pergerakan harga saham BBCA. Data yang diperlukan dalam
Lebih terperinciBAB IV IMPLEMENTASI SKEMA RUNGE-KUTTA. Pada bab ini akan dibahas implementasi skema skema yang telah
BAB IV IMPLEMENTASI SKEMA RUNGE-KUTTA Pada bab ini akan dibahas implementasi skema skema yang telah dijelaskan pada Bab II dan Bab III pada suatu model pergerakan harga saham pada Bab II. Pada akhir bab
Lebih terperinciPenyajian data histrogram
Modul ke: Distribusi Frekuensi Penyajian data histrogram Fakultas EKONOMI & BISNIS Sediyanto, ST. MM Program Studi Akuntansi www.mercubuana.ac.id Pengelompokan data Pengelompokkan data menjadi tabulasi
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 3, No. (204) 94-04 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone KARAKTERISASI PROFIL SERANGAN PADA JARINGAN DENGAN MELAKUKAN PEMODELAN TERHADAP
Lebih terperinciBAB IV ANALISIS PENGARUH VARIASI PEMBELAJARAN PENDIDIKAN AGAMA ISLAM TERHADAP HASIL BELAJAR SISWA SMP NEGERI 3 PEKALONGAN
BAB IV ANALISIS PENGARUH VARIASI PEMBELAJARAN PENDIDIKAN AGAMA ISLAM TERHADAP HASIL BELAJAR SISWA SMP NEGERI 3 PEKALONGAN A. Analisis Variasi Pembelajaran Pendidikan Agama Islam SMP Negeri 3 Pekalongan
Lebih terperinciStudi Simulasi Grafik Pengendali Non Parametrik Berdasarkan Fungsi Distribusi Empirik
Studi Simulasi Grafik Pengendali Non Parametrik Berdasarkan Fungsi Empirik S 6 Jantini Trianasari Natangku 1), Adi Setiawan ), Lilik Linawati ) 1) Mahasiswa Program Studi Matematika FSM-UKSW Email : n4n4_00190@yahoo.co.id
Lebih terperinciBAB II LANDASAN TEORI. melakukan analisis protokol, paket harus ditangkap pada real time untuk analisis
BAB II LANDASAN TEORI 2.1 Network Protocol Analyzer Jaringan protokol analisis adalah proses untuk sebuah program atau perangkat untuk memecahkan kode header protokol jaringan dan trailer untuk memahami
Lebih terperinciPenyajian Data. Teori Probabilitas
Penyajian Data Teori Probabilitas Sub Materi Tabel distribusi frekuensi Tabel distribusi frekuensi relatif Tabel distribusi frekuensi kumulatif, histogram dan kurva ogive Teori Probabilitas - Onggo Wr
Lebih terperinciAnalisis Sistem Antrian Pada Pelayanan Poli Kandungan Dan Ibu Hamil Di Rumah Sakit X Surabaya
Analisis Sistem Antrian Pada Pelayanan Poli Kandungan Dan Ibu Hamil Di Rumah Sakit X Surabaya Zarah Ayu Annisa 1308030058 Dosen Pembimbing : Dra. Sri Mumpuni R., MT PENDAHULUAN Antrian Meningkatnya kebutuhan
Lebih terperinciDistribusi Probabilitas : Gamma & Eksponensial
Distribusi Probabilitas : Gamma & Eksponensial 11 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Gamma Distribusi Eksponensial 3 Distribusi Gamma Tidak selamanya
Lebih terperinciBAB I PENDAHULUAN. cuma iseng - iseng saja untuk unjuk gigi.status subkultural dalam dunia hacker,
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Masalah keamanan sebuah jaringan akhir-akhir ini amat sangat rentan terhadap serangan dari berbagai pihak. Alasan dari serangan tersebut tentu saja beragam.
Lebih terperinciANALISIS KONDISI HAULAGE PETI KEMAS DI AREA PELABUHAN (STUDI KASUS: PELABUHAN TANJUNG PERAK SURABAYA)
ANALISIS KONDISI HAULAGE PETI KEMAS DI AREA PELABUHAN (STUDI KASUS: PELABUHAN TANJUNG PERAK SURABAYA) *Muhammad Imam Wahyudi,**Setyo Nugroho. *Mahasiswa Jurusan Teknik Perkapalan *Staf Pengajar Jurusan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Evaluasi Sistem Transportasi Suatu sistem transportasi dapat dinyatakan sebagai sebuah rangkaian tindakan yang konsisten yang juga dapat disebut sebagai suatu proyek, dimana dalam
Lebih terperinciESTIMASI. Arna Fariza PENDAHULUAN
ESTIMASI Arna Fariza PENDAHULUAN MATERI LALU Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik
Lebih terperinciMODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI
MODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI Puspitaningrum Rahmawati, Bambang Susanto, Leopoldus Ricky Sasongko Program Studi Matematika (Fakultas Sains dan Matematika,
Lebih terperinciDISTRIBUSI FREKUENSI. Oleh Dr. Ratu Ilma I.P. Bahan Mata kuliah Di FKIP Universitas Sriwijaya
DISTRIBUSI FREKUENSI Oleh Dr. Ratu Ilma I.P. Bahan Mata kuliah Di FKIP Universitas Sriwijaya DEFINISI Pengelompokkan data menjadi tabulasi data dengan memakai kelaskelas data dan dikaitkan dengan masing-masing
Lebih terperinciBAB 4 PEMBAHASAN. PT. PLN (Persero) Udiklat Jakarta merupakan lembaga pendidikan yang
BAB 4 PEMBAHASAN P. PLN (Persero Udiklat Jakarta merupakan lembaga pendidikan yang memiliki fungsi untuk meningkatkan kompetensi SM Pegawai P. PLN (Persero. Selayaknya tempat pelatihan dan pembelajaran,
Lebih terperinciDISTRIBUSI PELUANG KONTINYU DISTRIBUSI PROBABILITAS
DISTRIBUSI PROBABILITAS Berbeda dengan variabel random diskrit, sebuah variabel random kontinyu adalah variabel yang dapat mencakup nilai pecahan maupun mencakup range/ rentang nilai tertentu. Karena terdapat
Lebih terperinciBAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI
BAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI 3.1 Pendahuluan Pada bab sebelumnya telah dibahas mengenai pertidaksamaan Chernoff dengan terlebih dahulu diberi pemaparan mengenai dua pertidaksamaan
Lebih terperinciSimulasi Produksi dan Distribusi Pelayanan Permintaan Sarung Tenun (studi kasus di PT. ASEANTEX Mojokerto)
Simulasi Produksi dan Distribusi Pelayanan Permintaan Sarung Tenun (studi kasus di PT. ASEANTEX Mojokerto) Weny Indah Kusumawati, MMT ITS, weny@stikom.edu Dr. Ir. Abdullah Shahab, M.Sc, ITS Abstraksi PT.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Antrian Teori antrian adalah teori yang menyangkut studi sistematis dari antrian atau baris-baris penungguan. Formasi baris-baris penungguan ini tentu saja merupakan suatu
Lebih terperinciBAB IV ANALISIS HASIL PENELITIAN. Wonopringgo Pekalongan (Variabel X), peneliti menggunakan metode angket yang
40 BAB IV AALISIS HASIL PEELITIA A. Analisis Kompetensi Profesional Guru MTs. Syarif Hidayatullah Wonopringgo Pekalongan Untuk mengetahui kompetensi profesional guru MTs. Syarif Hidayatullah Wonopringgo
Lebih terperinciDetail Tugas Besar Mata Kuliah Pemodelan dan Simulasi
Detail Tugas Besar Mata Kuliah Pemodelan dan Simulasi Buatlah aplikasi program untuk menyelesaikan kasus permasalahan dibawah ini, dengan menggunakan software aplikasi yang kalian mampu gunakan, interfacing
Lebih terperinciPENGANTAR MANAJEMEN SAINS EXERCISE UAS
PENGANTAR MANAJEMEN SAINS EXERCISE UAS 2013/2014 UNIVERSITAS INDONESIA FAKULTAS EKONOMI DEPARTEMEN MANAJEMEN PROGRAM STUDI S1 REGULER MANAJEMEN UJIAN AKHIR SEMESTER SEMESTER GASAL 2013/2014 PENGANTAR MANAJEMEN
Lebih terperinciUJI HIPOTESIS UNTUK PROPORSI
PENGUJIAN HIPOTESIS UJI HIPOTESIS UNTUK PROPORSI Uji Hipotesis untuk Proporsi Data statistik sampel: - = Proporsi kejadian sukses dalam sampel - p = Proporsi kejadian sukses dalam populasi - - Statistik
Lebih terperinciContoh Solusi PR 4 Statistika & Probabilitas. 1. Nilai probabilitas pada masing-masing soal mengacu pada tabel Standard Normal Distribution.
Contoh Solusi PR 4 Statistika & Probabilitas 1. Nilai probabilitas pada masing-masing soal mengacu pada tabel Standard Normal Distribution. a X := curah hujan satu tahun. X : N 42,16. Dit: PX > 50. 50
Lebih terperinciSIMULASI ANTRIAN KLINIK DAN IMPLEMENTASINYA MENGGUNAKAN GPSS
SIMULASI SIMULASI ANTRIAN KLINIK DAN IMPLEMENTASINYA MENGGUNAKAN GPSS Dosen Pengampu : Dr. Danardono DISUSUN OLEH : Nama : Muh. Zaki Riyanto NIM : (02/156792/PA/08944) Prodi : Matematika JURUSAN MATEMATIKA
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Pengertian Persediaan Persediaan merupakan simpanan material yang berupa bahan mentah, barang dalam proses dan barang jadi. Dari sudut pandang sebuah perusahaan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Sistem Antrian Sistem antrian adalah merupakan keseluruhan dari proses para pelanggan atau barang yang berdatangan dan memasuki barisan antrian yang seterusnya memerlukan pelayanan
Lebih terperinciBAB I PENDAHULUAN. Dalam statistika, sebuah penaksir adalah sebuah fungsi dari sample data
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam statistika, sebuah penaksir adalah sebuah fungsi dari sample data observasi yang digunakan untuk menaksir parameter populasi yang tidak diketahui. Ada
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Diagram Alir Gambar 3.1 Diagram Alir Metodologi Penelitian 11 12 Gambar 3.1 Diagram Alir Metodologi Penelitian (Lanjutan) 3.2 Langkah-Langkah Pelaksanaan Penelitian Untuk
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini terdiri dari 3 bagian. Pada bagian pertama diberikan tinjauan pustaka dari penelitian sebelumnya. Pada bagian kedua diberikan teori penunjang untuk mencapai tujuan penelitian
Lebih terperinciPENARIKAN SAMPEL & PENDUGAAN PARAMETER
PENARIKAN SAMPEL & PENDUGAAN PARAMETER Arti Penarikan Sampel Populasi ( Universe) adalah totalitas dari semua objek atau individu yang memiliki karakteristik tertentu, jelas dan lengkap yang akan diteliti
Lebih terperinciSumbu X (horizontal) memiliki range (rentang) dari minus takhingga. ( ) hingga positif takhingga (+ ). Kurva normal memiliki puncak pada X
Sumbu X (horizontal) memiliki range (rentang) dari minus takhingga ( ) hingga positif takhingga (+ ). Kurva normal memiliki puncak pada X = 0. Perlu diketahui bahwa luas kurva normal adalah satu (sebagaimana
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
Lebih terperinciBAB III METODOLOGI PENELITIAN. Langkah perancangan yang akan dilakukan adalah sebagai berikut: produksi pada departemen plastik
BAB III METODOLOGI PENELITIAN 3.1 Langkah Perancangan Langkah perancangan yang akan dilakukan adalah sebagai berikut: a. Melakukan studi literatur sejumlah buku yang berkaitan dengan preventive maintenance.
Lebih terperinciBAB 3 PEMBANGUNAN MODEL SIMULASI MONTE CARLO. Simulasi Monte Carlo merupakan salah satu metode simulasi sederhana yang
BAB 3 PEMBANGUNAN MODEL SIMULASI MONTE CARLO 3. Simulasi Monte Carlo Simulasi Monte Carlo merupakan salah satu metode simulasi sederhana yang dapat dibangun secara cepat menggunakan spreadsheet. Penggunaan
Lebih terperinciSTATISTICS. WEEK 5 Hanung N. Prasetyo TELKOM POLTECH/HANUNG NP
STATISTICS WEEK 5 Hanung N. Prasetyo Kompetensi 1. Mahasiswa memahamikonsep dasar distribusi peluang kontinu khusus seperti uniform dan eksponensial 2. Mahasiswamampumelakukanoperasi hitungyang berkaitan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciBAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n<<p DAN TERDAPAT KEKOLINEARAN-GANDA
BAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n
Lebih terperinciMata Kuliah Pemodelan & Simulasi. Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia
Mata Kuliah Pemodelan & Simulasi Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia Pokok Bahasan Variabel Acak Pola Distribusi Masukan Pendugaan Pola Distribusi Uji Distribusi
Lebih terperinciMODUL TEORI ESTIMASI ATAU MENAKSIR TEORI ESTIMASI ATAU MENAKSIR
TEORI ESTIMASI ATAU MENAKSIR MODUL 9 TEORI ESTIMASI ATAU MENAKSIR. Pendahuluan Untuk menginginkan mengumpulkan populasi kita lakukan dengan statistik berdasarkan data yang diambil secara sampling yang
Lebih terperinciTUGAS II STATISTIKA. Oleh. Butsiarah / 15B Kelas B PROGRAM STUDI PENDIDIKAN TEKNOLOGI DAN KEJURUAN PROGRAM PASCASARJANA
TUGAS II STATISTIKA Oleh Butsiarah / 15B20020 Kelas B PROGRAM STUDI PENDIDIKAN TEKNOLOGI DAN KEJURUAN PROGRAM PASCASARJANA UNIVERSITAS NEGERI MAKASSAR 2015 1. Penelitian terhadap nilai mahasiswa S1 Jurusan
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciVALIDASI DAN VERIFIKASI MODEL
DAFTAR ISI 1. Tujuan Umum... 2 2. Validasi dan Verifikasi... 2 3. Tipe Validasi... 4 4. Teknik Validasi... 5 4.1. Uji Kesamaan Dua Rata-Rata... 8 4.2. Uji Kesamaan Dua Variansi... 12 4.3. Uji Kecocokan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di zaman sekarang, kemajuan sains dan teknologi sangat berkembang pesat. Salah satu ilmu yang berkembang adalah matematika yang merupakan induk dari semua ilmu
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Pengantar Pada Bab ini akan dilakukan pembahasan untuk menetapkan beban overbooking melalui model penghitungan. Untuk dapat melakukan penghitungan tersebut, terlebih dahulu
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan cara berfikir dan berbuat yang dipersiapkan secara matang dalam rangka untuk mencapai tujuan penelitian, yaitu menemukan, mengembangkan atau
Lebih terperinciDISTRIBUSI FREKUENSI
DISTRIBUSI FREKUENSI PENDAHULUAN Suatu daftar yang menunjukkan penggolongan sekumpulan data yang dilakukan dengan cara mendistribusikan data dalam kelas dan menetapkan banyaknya nilai yang termasuk dalam
Lebih terperinciSTATISTIKA. Tabel dan Grafik
STATISTIKA Organisasi Data Koleksi data statistik perlu disusun (diorganisir) sedemikian hingga dapat dibaca dengan jelas. Salah satu pengorganisasian data statistik adalah dengan: tabel grafik Organisasi
Lebih terperinciBAB II LANDASAN TEORI. Dalam Kamus Bahasa Inggris dari Oxford [13] menjelaskan simulasi : The
BAB II LANDASAN TEORI 2.1 Teknik Simulasi Dalam Kamus Bahasa Inggris dari Oxford [13] menjelaskan simulasi : The Technique of imitating then behaviour of some situation or system (economic, mechanical,
Lebih terperinciBAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut
Lebih terperinciBAB IV PEMBAHASAN. Gambar 4.1 nilai tukar kurs euro terhadap rupiah
BAB IV PEMBAHASAN 4.1 Deskripsi Data Gambar 4.1 memperlihatkan bahwa data berfluktuasi dari waktu ke waktu. Hal ini mengindikasikan bahwa data tidak stasioner baik dalam rata-rata maupun variansi. Gambar
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Simulasi Simulasi dapat dilakukan untuk menyelesaikan masalah antrian kendaraan. Simulasi merupakan sebuah eksperimen buatan yang disederhanakan ke dalam sebuah sistem operasi
Lebih terperinciDistribusi Probabilitas Kontinyu Teoritis
Distribusi Probabilitas Kontinyu Teoritis Suprayogi Dist. Prob. Teoritis Kontinyu () Distribusi seragam kontinyu (continuous uniform distribution) Distribusi segitiga (triangular distribution) Distribusi
Lebih terperinciInterval Estimation. Tjipto Juwono, Ph.D. May 20, TJ (SU) Interval Estimation May / 24
Interval Estimation Tjipto Juwono, Ph.D. May 20, 2015 TJ (SU) Interval Estimation May 2015 1 / 24 Outline 1 Pendahuluan 2 Pengertian Confidence Interval 3 Menghitung t 4 Menyusun Confidence Interval 5
Lebih terperinciTENTANG UTS. Penentuan Cadangan, hal. 1
TENTANG UTS Soal 1: Jawaban umumnya tidak fokus atau straight ke pertanyaan/ masalah yang diajukan. Key words dalam pertanyaan di atas tekanan saturasi, sedangkan dalam banyak jawaban di bawah tekanan
Lebih terperinciBAB 5 METODOLOGI PENELITIAN
46 BAB 5 METODOLOGI PENELITIAN 5.1. Desain Study Desain penelitian ini menggunakan desain study cross sectional yaitu penelitian non-eksperimental yang mempelajari dinamika korelasi anatara faktor resiko
Lebih terperinciBAB III DARI MODEL ANTRIAN M/M/1 DENGAN POLA KEDATANGAN BERKELOMPOK KONSTAN. 3.1 Model Antrian M/M/1 Dengan Pola Kedatangan Berkelompok Acak
BAB III PERUMUSAN PROBABILITAS DAN EKSPEKTASI DARI MODEL ANTRIAN M/M/1 DENGAN POLA KEDATANGAN BERKELOMPOK KONSTAN 3.1 Model Antrian M/M/1 Dengan Pola Kedatangan Berkelompok Acak Model antrian ini para
Lebih terperinciMANAJEMEN TUNDAAN DI BANDARA
PENDAHULUAN MANAJEMEN TUNDAAN DI BANDARA Pergerakan yang efisien dari pesawat dan penumpang di bandara dipengaruhi oleh: Kapasitas bandara Jumlah penumpang dan pesawat Dr.Eng. Muhammad Zudhy Irawan, S.T.,
Lebih terperinciInterval Estimation. Tjipto Juwono, Ph.D. May 13, TJ (SU) Interval Estimation May / 17
Interval Estimation Tjipto Juwono, Ph.D. May 13, 2016 TJ (SU) Interval Estimation May 2015 1 / 17 Pendahuluan Point Estimator Perhatikan MPC pada persamaan regresi Ŷ i = ˆβ 1 + ˆβ 2 X i = 2.3121+0.5231X
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. menggunakan data stagnasi mesin yang dicatat oleh perusahaan. Penelitian
BAB 3 METODOLOGI PENELITIAN 3.1. Populasi dan Sampel Penelitian Penelitian mengenai preventive maintenance mesin pada PTPTN XIII menggunakan data stagnasi mesin yang dicatat oleh perusahaan. Penelitian
Lebih terperinciOPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION
OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION NILA YUWIDA 1208100015 Dosen Pembimbing : Dra. Nuri Wahyuningsih, M.Kes Drs. Lukman Hanafi,
Lebih terperinciSATUAN ACARA PEMBELAJARAN (SAP)
SATUAN ACARA PEMBELAJARAN (SAP) Mata Kuliah : Statistik Kode Mata Kuliah : PSI-106 Jumlah SKS : 3 Waktu Pertemuan : 150 menit Kompetensi Dasar : 1. Penguasaan metodologi penelitian psikologi Indikator
Lebih terperinciBab VI Perbandingan Model Simulasi menggunakan Metode Monte Carlo dan Metode Functional Statistics Algorithm (FSA)
37 Bab VI Perbandingan Model Simulasi menggunakan Metode Monte Carlo dan Metode Functional Statistics Algorithm (FSA) VI.1 Probabilitas Integral (Integral Kumulatif) Ketika menganalisis distribusi probabilitas,
Lebih terperinciPERBANDINGAN KUASA WILCOXON RANK SUM TEST DAN PERMUTATION TEST DALAM BERBAGAI DISTRIBUSI TIDAK NORMAL
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 139 146 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN KUASA WILCOXON RANK SUM TEST DAN PERMUTATION TEST DALAM BERBAGAI DISTRIBUSI TIDAK NORMAL
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Model Rumusan Masalah dan Pengambilan Keputusan Pada metodologi pemecahan masalah mempunyai peranan penting untuk dapat membantu menyelesaikan masalah dengan mudah, sehingga
Lebih terperinciCara memperoleh data: Zaman dahulu, dgn cara : Melempar dadu Mengocok kartu
Cara memperoleh data: Zaman dahulu, dgn cara : Melempar dadu Mengocok kartu Zaman modern (>1940), dgn cara membentuk bilangan acak secara numerik/aritmatik (menggunakan komputer), disebut Pseudo Random
Lebih terperinci3 BAB III LANDASAN TEORI
3 BAB III LANDASAN TEORI 3.1 Pemeliharaan (Maintenance) 3.1.1 Pengertian Pemeliharaan Pemeliharaan (maintenance) adalah suatu kombinasi dari setiap tindakan yang dilakukan untuk menjaga suatu barang dalam,
Lebih terperinciBAB IV KESIMPULAN DAFTAR PUSTAKA LAMPIRAN... 64
DAFTAR ISI Halaman HALAMAN JUDUL... ii HALAMAN PENGESAHAN... iii KATA PENGANTAR... v ABSTRAK... vii ABSTACT... viii DAFTAR ISI... ix DAFTAR SIMBOL... xii DAFTAR TABEL... xiv DAFTAR GAMBAR... xv DAFTAR
Lebih terperinciDAFTAR ISI HALAMAN JUDUL LEMBAR PENGESAHAN PEMBIMBING LEMBAR PENGESAHAN PENGUJI SURAT KETERANGAN PERUSAHAAN LEMBAR PENGAKUAN PERSEMBAHAN
DAFTAR ISI HALAMAN JUDUL LEMBAR PENGESAHAN PEMBIMBING LEMBAR PENGESAHAN PENGUJI SURAT KETERANGAN PERUSAHAAN LEMBAR PENGAKUAN PERSEMBAHAN MOTTO KATA PENGANTAR i ii in iv v vi vii viii DAFTAR ISI x DAFTAR
Lebih terperinciANALISIS DAN PEMBAHASAN
Pengujian Hasil Analisis dengan Back Testing (LR) - Tentukan nilai T, V dan α - Hitung nilai - Bandingka LR dengan CV pada α tertentu - Kesimpulan uji Membandingkan Actual Loss dengan Metode Standar dengan
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN III. 1. Prosedur Penelitian Penelitian dilakukan dengan mencatat secara penuh data kurva pengendapan lumpur dengan parameter fisiko-kimiawi untuk pembuatan modelnya. Sampel lumpur
Lebih terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH
BAB 3 METODOLOGI PEMECAHAN MASALAH START Studi Pendahuluan Identifikasi Masalah Studi Pustaka Perumusan Masalah Pengumpulan Data Pengolahan Data A Taguchi Identifikasi faktorfaktor yang berpengaruh Penentuan
Lebih terperinciMODUL II DISTRIBUSI PELUANG DISKRIT DAN KONTINU
DISTRIBUSI PELUANG DISKRIT DAN KONTINU A. TUJUAN PRAKTIKUM Melalui praktikum Modul II ini diharapkan praktikan dapat: 1. Mengenal jenis dan karakteristik dari beberapa distribusi peluang. 2. Menguji dan
Lebih terperinciBAB VI DISTRIBUSI PROBABILITAS MENERUS
BAB VI DISTRIBUSI ROBABILITAS MENERUS 6. Distribusi Uniform (seragam) Menerus Distribusi seragam menerus merupakan distribusi yang paling sederhana. Karaketristik distribusi ini adalah fungsi kepadatannya
Lebih terperinciBAB III SIMULASI SISTEM ANTRIAN M/M/1. paket data. Adapun kinerja yang akan dibahas adalah rata-rata jumlah paket dalam
BAB III SIMULASI SISTEM ANTRIAN M/M/1 3.1 Model Antrian M/M/1 Model antrian yang dibahas dalam tugas akhir ini adalah model antrian M/M/1. Sistem antrian ini diasumsikan digunakan pada simpul jaringan
Lebih terperinciBAB 3 PEMBAHASAN. Tabel 3.1 Data Jumlah dan Rata-Rata Waktu Pelayanan Pasien (menit) Waktu Pengamatan
BAB 3 PEMBAHASAN 3.1. Uji Kesesuaian Distribusi Dalam penelitian ini kedatangan pasien diasumsikan berdistribusi Poisson dan waktu pelayanan diasumsikan berdistribusi Eksponensial. Untuk menguji kebenarannya
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinci3.3 Pengumpulan Data Primer
10 pada bagian kantong, dengan panjang 200 m dan lebar 70 m. Satu trip penangkapan hanya berlangsung selama satu hari dengan penangkapan efektif sekitar 10 hingga 12 jam. Sedangkan untuk alat tangkap pancing
Lebih terperinciMagister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada. 18-Aug-17. Statistika Teknik.
Magister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada Statistika Teknik Tabel dan Grafik Organisasi Data Koleksi data statistik perlu disusun (diorganisir) sedemikian hingga dapat dibaca dengan
Lebih terperinciSIMULASI PELAYANAN PUSKESMAS SADANG SERANG
SIMULASI PELAYANAN PUSKESMAS SADANG SERANG Nia Budi Puspitasari Program Studi Teknik Industri Universitas Diponegoro Semarang Jl. Prof Sudarto, SH., Semarang nia_niyo@yahoo.com Abstrak Kesehatan merupakan
Lebih terperinciANALISA KEANDALAN PADA PERALATAN UNIT PENGGILINGAN AKHIR SEMEN UNTUK MENENTUKAN JADWAL PERAWATAN MESIN (STUDI KASUS PT. SEMEN INDONESIA PERSERO TBK.
ANALISA KEANDALAN PADA PERALATAN UNIT PENGGILINGAN AKHIR SEMEN UNTUK MENENTUKAN JADWAL PERAWATAN MESIN (STUDI KASUS PT. SEMEN INDONESIA PERSERO TBK.) I Gusti Ngr. Rai Usadha 1), Valeriana Lukitosari 2),
Lebih terperinciBAB IV HASIL DAN ANALISIS EKSPERIMEN
BAB IV HASIL DAN ANALISIS EKSPERIMEN 4. 1 Input Data Berdasarkan data yang tersedia dalam tugas yang diberikan di kelas, eksperimen ini menggunakan data permintaan terhadap komoditi soft drink yang merupakan
Lebih terperinciAyundyah Kesumawati. April 20, 2015
Pengujian Kesumawati Nol dan Prodi Statistika FMIPA-UII April 20, 2015 Pengujian Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi Pengujian hipotesis berhubungan dengan penerimaan atau
Lebih terperinciPEMODELAN DISTRIBUSI FREKWENSI TIME HEADWAY LALU LINTAS DI WILAYAH JALAN BERBUKIT
PEMODELAN DISTRIBUSI FREKWENSI TIME HEADWAY LALU LINTAS DI WILAYAH JALAN BERBUKIT Rizky Indra Utama Jurusan Teknik Sipil Universitas Andalas Abstrak Time headway merupakan besaran mikroskopik arus lalu
Lebih terperinci