PERKIRAAN BIAYA PERANGKAT LUNAK MENGGUNAKAN LOGIKA FUZZY

Ukuran: px
Mulai penontonan dengan halaman:

Download "PERKIRAAN BIAYA PERANGKAT LUNAK MENGGUNAKAN LOGIKA FUZZY"

Transkripsi

1 PERKIRAAN BIAYA PERANGKAT LUNAK MENGGUNAKAN LOGIKA FUZZY Denny Seta, Mulyad Irman Hermad, Wsnu Ananta Kusuma 1 Dosen Departemen Ilmu Komputer, Fakultas Matematka dan IPA,Insttut Pertanan Bogor 2 Mahasswa Departemen Ilmu Komputer, Fakultas Matematka dan IPA,Insttut Pertanan Bogor ABSTRACT Software cost estmaton s an ntegral part of software development. Underestmated cost wll most probable result low qualty software. On the contrary, an overestmated one wll cause resource wastages. Ths research has developed a model of software cost estmaton usng fuzzy logc. It also compares two COCOMOs estmaton methods: Intermedate COCOMO and Fuzzy Intermedate COCOMO. The data used s NASA Projects done n between 1980 and The Models developed are evaluated usng MRE (Magntude of Relatve Error), Mean MRE (MMRE), Medan MRE (MdMRE), Mn MRE, Max MRE, and Standard Devaton MRE (SdMRE). However, we only present MMRE to the readers, because t represents overall model performances. Ths experment resulted MMREs of 59.50% for Intermedate COCOMO and 51.95% for Fuzzy Intermedate COCOMO. These results ndcate that the fuzzy verson of Intermedate COCOMO outperforms the non-fuzzy one. In addton, Fuzzy Intermedate COCOMO s senstve to the values of Cost Drvers Keywords: software cost estmaton, fuzzy logc, COCOMO, MMRE PENDAHULUAN Latar Belakang Perkraan baya perangkat lunak sangat pentng dalam pengembangan perangkat lunak. Perkraan yang terlalu kecl dar baya aktualnya akan mengakbatkan perangkat lunak yang dhaslkan berkualtas rendah. Sebalknya, apabla perkraan baya yang terlalu besar akan mengakbatkan pemborosan sumber daya yang dgunakan. Dalam pengembangan perangkat lunak terdapat banyak faktor yang mempengaruh baya pembuatan perangkat lunak. Faktor-faktor tersebut dukur dalam enam lngustc value, yatu: very low, low, nomnal, hgh, very hgh dan extra hgh. Dengan demkan setap faktor hanya masuk dalam satu kelas (skala ordnal) tertentu. Hal n akan menmbulkan perbedaan perkraan baya perangkat lunak yang cukup jauh pada dua proyek yang analog. Masalah n dsebabkan karena penggunaan nterval klask dalam merepresentaskan varabel lngustk. Pada peneltan yang dlakukan oleh Idr et al (2001), representas varabel lngustk tdak dlakukan dengan nterval klask melankan menggunakan hmpunan fuzzy (fuzzy sets). Knerja dar penggunaan konsep fuzzy tersebut menunjukan hasl estmas yang lebh akurat darpada menggunakan nterval klask. Tujuan Tujuan dar peneltan n adalah memodelkan perkraan baya perangkat lunak menggunakan logka fuzzy. Dar pemodelan tersebut akan danalss knerja penerapan logka fuzzy untuk perkraan baya perangkat lunak. Ruang Lngkup Ruang lngkup peneltan n adalah sebaga berkut: 1 Data yang dgunakan untuk pengujan adalah NASA Project yang terdr dar 93 proyek dar tahun Atrbut yang dpaka dalam perhtungan perkraan baya perangkat lunak n adalah model pengembangan proyek, ukuran perangkat lunak, baya aktual, dan 15 jens Cost Drver. Manfaat Peneltan n memberkan manfaat berupa pemodelan perkraan baya perangkat lunak menggunakan logka fuzzy yang dgunakan untuk mempredks baya pada proyek yang selanjutnya. Perkraan Baya Perangkat Lunak Perkraan baya perangkat lunak adalah proses mempredks baya yang dperlukan dalam pengembangan sstem perangkat lunak (Leung 2001). Perkraan baya perangkat lunak mengacu pada predks jumlah baya, waktu, dan staffng level yang dperlukan untuk membangun sstem perangkat lunak (Salu 2003). Perkraan baya perangkat lunak dapat dklasfkas menjad metode pemodelan algortmk dan pemodelan non-algortmk. Pemodelan algortmk dturunkan dar analss statstkal dar data proyek terdahulu (Salu 2003). Contoh dar pemodelan algortmk adalah model lnear, model multplkatf, dan model power-functon. Sedangkan pemodelan non-algortmk berdasarkan pengalaman pakar dan perbandngan dengan proyek sebelumnya yang analog (Dckson 2007). Contoh yang palng umum adalah expert judgment dan analogy costng.

2 Proyek Analog Proyek yang analog adalah proyek-proyek yang palng serupa (Brand et al. 1999). Proyek analog dapat dcar dengan menggunakan persamaan jarak Eucldan n-dmens dmana setap dmens mewakl satu atrbut (Schofeld dan Shepperd 1996). Persamaannya adalah sebaga berkut : 2 2 ( a a ) + ( b b ) + + ( z ) 2 E =...(1) z2 dmana E adalah jarak Eucldean, serta a,b,..,z adalah atrbut-atrbut proyek 1 dan proyek 2. Dua buah proyek dengan jarak terkecl akan dnyatakan sebaga proyek yang analog. Cost Drver Dalam pengembangan perangkat lunak terdapat faktor-faktor yang mempengaruh baya pengembangan yang dsebut dengan Cost Drver (CD). Menurut Salu (2003) terdapat 15 jens CD, yatu : STOR, DATA, TIME, TURN, VIRT, CPLX, RELY, ACAP, PCAP, AEXP, MODP, TOOL, VEXP, LEXP dan SCED. Intermedate COCOMO (Cost Constructve Model) Model Intermedate COCOMO adalah ekstens dar vers awal yang menghtung baya perkraan perangkat lunak hanya dengan mengunakan ukuran perangkat lunak dan model pengembangan proyek saja. Dalam Intermedate COCOMO terdapat penambahan atrbut perhtungan yang dgunakan yatu CD, yang terdr dar 15 jens (Idr et al. 2001). Sehngga perkraan baya perangkat lunak tdak hanya berdasarkan ukuran dan model proyek tap juga bergantung dar lngkungan pengembangan. Persamaan perkraan baya perangkat lunak pada Intermedate COCOMO adalah sebaga berkut: = 15 B = 1 MM = A SIZE C...(2) est dmana MM adalah baya estmas (dalam Manest Months), SIZE adalah ukuran perangkat lunak dalam KDSI (Klo Delvery Source Instructon), A dan B adalah koefsen untuk tap model proyek (organc, semdetached, dan embedded) dan C j adalah effort multpler untuk tap-tap atrbut pada Cost Drver. Logka Fuzzy Zadeh (1996) menyatakan bahwa logka fuzzy berhubungan dengan prnsp-prnsp pemberan alasan formal mengena suatu hal yang tdak mempunya ketentuan atau pemberan alasan perkraan. Penggunaan model logka fuzzy memungknkan pembuatan keputusan yang relatf d dalam suatu lngkungan ketdaktentuan dan ketdaktepatan. Hmpunan fuzzy berbeda dengan hmpunan klask (crsp sets). Dalam hmpunan klask, objek yang merupakan elemen dar suatu hmpunan, maka fungs keanggotaanya adalah 1. Sedangkan jka objek tersebut j bukan elemen dar suatu hmpunan, maka fungs keanggotaanya adalah 0. Dengan demkan hmpunan klask n nlanya adalah {0,1}. Tpe pemkran n merupakan logka bvalent atau two-value-logc, yatu logka yang hanya mempunya dua nla kebenaran, yatu true (benar/1) dan false (salah/0). Problem dalam logka bvalent n adalah dalam duna nyata sesuatu pada umumnya tdak hanya ada dalam dua nla kebenaran. Dalam hmpunan fuzzy, suatu objek mungkn menjad elemen suatu hmpunan secara sebagan. Tngkat keanggotaan dalam hmpunan fuzzy dsebut derajat keanggotaan, dmana nlanya dukur dar perluasan fungs keanggotaan hmpunan klask. Fungs keanggotaan pada hmpunan fuzzy A dnyatakan dengan µ A (x). Fungs keanggotaan n memetakan x kedalam kodoman dalam bentuk nterval dar 0 sampa 1. Nla 0 menunjukan bahwa x bukan anggota hmpunan, nla 1 menunjukan x anggota hmpunan secara penuh, sedangkan nla antara 0 sampa 1 (selan 0 dan 1) menunjukkan derajat keanggotaan x dalam suatu hmpunan. Ilustras dar perbedaan antara hmpunan fuzzy dan hmpunan klask dapat dlhat pada Gambar 1. Gambar 1 (a) Hmpunan fuzzy (b) hmpunan klask. Pada Gambar 1 terlhat bahwa pada hmpunan fuzzy suatu nla bsa menjad anggota hmpunan secara sebagan (msal x = 3000), sedangkan pada hmpunan klask nla tersebut hanya masuk ke salah satu hmpunan saja (too expensve) Fuzzy Intermedate COCOMO Proses dalam perkraan baya perangkat lunak menggunakan logka fuzzy adalah mendefnskan fungs keanggotaan untuk setap varabel lngustk pada Cost Drver dengan fungs keanggotaan yang bertpe trapezod (Idr et al. 2001). Tetap tdak semua faktor pada Cost Drver ddefnskan dalam fuzzy sets karena hanya merupakan sebuah deskrps basa (Salu 2003). Faktor-faktor tersebut adalah RELY, CPLX, MODP, dan TOOL (Idr et al. 2001). Proses penghtungan perkraan baya perangkat lunak menggunakan logka fuzzy sama dengan COCOMO, tetap effort multplers yang dgunakan berasal dar sebuah persamaan. Persamaannya adalah : x x

3 F _ C j k V = µ A ( P) C...(3) j j j= 1 dmana F _ Cj adalah effort multplers yang v ddapatkan dar hmpunan fuzzy, µ adalah fungs keanggotaan dar hmpunan fuzzy dengan Cost Drver K adalah jumlah Cost Drver. j Aj A yang berasosas V, P adalah urutan proyek dan Evaluas Model Perkraan Baya Perangkat Lunak Proses evaluas model perkraan baya perangkat lunak adalah membandngkan akuras dar baya estmas dengan baya aktualnya (Boehm, 1981 dalam Indr et al, 2001). Dalam COCOMO dgunakan lma jens nla untuk mengukur keakuratan dar sebuah model perkraan baya perangkat lunak, (Brand et all, 1998) yatu: MM MM act =...(4) est MRE MM act dmana MRE adalah Magntude of Relatve Error dar proyek ke-, MM est adalah baya estmas untuk proyek ke-, dan MM act adalah baya aktual untuk proyek ke-. Mean MRE = 1 N MRE (5) Mean MRE (MMRE) dgunakan untuk menghtung agregat nla MRE pada N proyek (pengujan). Medan MRE (MdMRE) dgunakan untuk menghtung nla tengah dar sekumpulan MRE proyek. Standar Devas MRE (SdMRE) dgunakan untuk mengukur seberapa besar penympangan nla MRE dar nla rata-ratanya. Pengukuran lannya adalah MRE terkecl (mn MRE) dan MRE terbesar (max MRE). Nla tersebut dgunakan untuk mengetahu seberapa bak dan buruk akuras dar sstem. METODE PENELITIAN Tahapan peneltan yang dgunakan dapat dlhat pada Gambar 2, dengan tahap tahap sebaga berkut : Gambar 2 Metode peneltan. Stud Lteratur Pada tahap n, dlakukan pengumpulan nformas tentang perkraan baya perangkat lunak menggunakan Fuzzy Intermedate COCOMO. Lteratur berupa buku, jurnal dan artkel dar nternet. Pengumpulan Data Data yang dpaka pada peneltan n adalah NASA Project, yang ddapat dar stus Data tersebut berasal dar berbaga proyek yang dlakukan NASA dar tahun , yang terdr dar 93 proyek. Data n terdr dar 24 atrbut, yatu 15 jens CD yang bertpe numerk, 7 atrbut tentang deskrps proyek, ukuran perangkat lunak dalam KDSI, dan baya aktual proyek dalam satuan Man Month (MM). Tdak seluruh atrbut pada NASA Project dgunakan dalam peneltan n. Atrbut yang dgunakan adalah 15 jens CD, model pengembangan proyek, ukuran perangkat lunak dan baya aktual proyek. Enam atrbut lannya tdak dgunakan karena hanya berupa deskrps proyek, sepert: nomor d, tahun pengembangan, nama proyek, kategor aplkas yang dkembangkan, dan lokas pengembangan.

4 Pengembangan Sstem Proses pengembangan sstem pada peneltan n mempunya dlaksanakan dalam dua tahap, yatu: pengembangan sstem, dan pengujan sstem. Pada tahap pengembangan sstem, tap-tap CD berkut nla dan derajat keanggotaannya akan dbuat fungs keanggotaannya. Fungs keanggotaan yang dgunakan pada peneltan n berasal dar jurnal Cost Model Usng Fuzzy Logc (Idr at al. 2001). Kemudan kode program untuk fungs keanggotaan n dbuat menggunakan MATLAB. Setelah sstem selesa dbuat, maka dlakukan pengujan terhadap sstem. Pengujan dlakukan dengan melakukan pengecekan terhadap kesalahan syntax ataupun logka pada kode program yang dbuat. Jka sstem sudah teruj barulah dapat memproses data. Pengujan dan Analss Pengujan pada peneltan n dbag menjad dua tahap. Tahap yang pertama adalah pengujan dan analss sebelum penerapan logka fuzzy. Penghtungan baya perangkat lunak pada pengujan n dlakukan dengan menggunakan Intermedate COCOMO. Atrbut yang dgunakan dalam pengujan adalah 15 CD, model pengembangan, ukuran perangkat lunak dan baya aktual. Pengujan akan menghaslkan perkraan besarnya baya yang dperlukan untuk pengembangan perangkat lunak. Hasl pengujan tersebut devaluas dengan membandngkan dengan baya aktualnya menggunakan MRE. Setelah dhtung nla MRE dhtung juga nlanla galat : MMRE, mn MRE, max MRE, MdMRE dan SdMRE. Pengujan untuk kelompok yang kedua adalah pengujan setelah penerapan logka fuzzy. Pengujan dlakukan dengan menggunakan metode Fuzzy Intermedate COCOMO. Atrbut yang dpaka sama sepert pada pengujan kelompok pertama. Evaluas juga dlaksanakan dengan menggunakan nla-nla galat yang sama dengan pengujan menggunakan Intermedate COCOMO. Hasl pengujan Fuzzy Intermedate COCOMO akan dbandngkan dengan hasl pengujan Intermedate COCOMO. Perbandngan yang dlakukan adalah akuras dan knerja kedua metode tersebut. Analss terhadap akuras dlakukan dengan cara membandngkan besarnya nla-nla galat MMRE, mn MRE dan max MRE antara kedua metode tersebut. Sedangkan untuk perbandngan knerja dlakukan pada dua proyek yang analog. Kedua proyek tersebut dhtung baya perkraannya menggunakan Intermedate COCOMO dan Fuzzy Intermedate COCOMO, kemudan haslnya akan dbandngkan dan danalss. Lngkungan Pengembangan Perangkat lunak yang dgunakan dalam peneltan n adalah sebaga berkut : Mcrosoft Wndows XP Profesonal, Mcrosoft Offce Excel 2007, MATLAB 7.0. Sedangkan perangkat keras yang dgunakan adalah sebaga berkut : PC Intel Pentum IV 2.67 GHz, DDRAM 1024 MB, VGA, hardsk dengan kapastas 120 GB, montor VGA dengan resolus 1024x768 pxel, keyboard, mouse. Gambar 3 Grafk MRE NASA Project. HASIL DAN PEMBAHASAN Pengujan dan analss perkraan baya menggunakan Intermedate COCOMO Terhadap 93 Proyek dalam NASA Project akan dlakukan pengujan. Galat pada tap pengujan dhtung dengan menggunakan MRE. Setelah dhtung MRE pada seluruh proyek, dhtung MMRE, mn MRE, max MRE, MdMRE dan SdMRE. Grafk MRE untuk seluruh pengujan dapat dlhat pada Gambar 3. Pada Gambar 3 terlhat bahwa terdapat 4 buah nla penclan tngg. Nla tersebut berada pada proyek ke-59, 67, 78 dan 92 dengan nla masng-masng 442,25%, 492,68%, 1041,53% dan 638,09%. Keempat penclan n terlhat mencolok karena perbedaan nla MRE yang sangat jauh dengan nla MRE proyek lannya. Penclanpenclan tersebut sangat mempengaru nla rata-rata

5 MRE. Hal n terlhat dar selsh nla yang besar antara MMRE dan MdMRE yang masng-masng sebesar 59,50% dan 29,53%. Penyebab besarnya nla MRE pada penclanpenclan tersebut adalah karena baya aktual yang lebh kecl dbandngkan proyek lan yang sejens. Sebaga contoh: proyek ke-92 memlk baya aktual 12 MM dan proyek ke-93 baya aktualnya 36 MM. Seluruh CD pada kedua proyek tersebut memlk kategor yang sama. Perbedaan kedua proyek tersebut terletak pada ukuran perangkat lunak, proyek ke-92 sebesar 6,2 KDSI dan proyek ke-93 sebesar 3 KDSI. Seharusnya makn besar ukuran perangkat lunak, makn besar baya pengembangannya. Namun hal n berkebalkan dengan baya aktual pada proyek ke-92. Sehngga saat dbandngkan baya perkraan hasl pengujan dengan baya aktualnya, ddapatkan nla MRE yang cukup besar. Konds n dalam juga oleh tga penclan lannya. Agar dapat dketahu selsh antara hasl pengujan dengan baya aktual, Gambar 4 menamplkan grafk perbandngan antara baya aktual dengan baya perkraan. Pada Gambar 4 terlhat bahwa kedua grafk tersebut tdak jauh berbeda. Hanya tampak dua perbedaan yang mencolok pada kedua grafk tersebut, yatu pada pengujan proyek ke-59 dan proyek ke-90. Dua proyek tersebut memlk selsh antara baya aktual dan baya perkraan yang cukup besar dbandngkan dengan proyek lannya. Proyek yang memlk selsh baya yang palng besar adalah proyek ke-59 yang juga merupakan penclan pada pengujan menggunakan Intermedate COCOMO. Gambar 4 Grafk perbandngan baya akual dengan hasl pengujan. Pengujan dan Analss Fuzzy Intermedate COCOMO Karena dalam bass data NASA Project pada tap Cost Drver hanya dcantumkan nformas kategor saja yang berupa very low, low, nomnal, hgh dan very hgh. Sedangkan pada pengujan yang menggunakan metode fuzzy dperlukan sebuah nla dar setap Cost Drver. Hal n dperlukan sebaga nput V untuk µ A ( P) (derajat keanggotaan dar Cost Drver) j pada persamaan 3. Oleh karena tu dbuatlah dataset (data truan) yang berasal dar bass data yang sebenarnya. Dataset n bers nla effort multplers yang sesua dengan data yang sebenarnya (Idr et al. 2001). Sebaga contoh, msalkan proyek ke-1 dalam NASA Project Cost Drver DATA tertuls low, maka pada proyek ke-1 dalam dataset dengan Cost Drver DATA akan bers nla random antara 0 sampa 10. Pada pengujan n akan dgunakan sepuluh dataset. Pengujan dar kesepuluh dataset tersebut dlakukan dengan menghtung MRE setap proyek. Setelah dhtung nla MRE, dhtung nla MMRE, mn MRE, max MRE, MdMRE dan SdMRE pada setap pengujan dataset. Hasl pengujan dapat dlhat pada Tabel 3. Pada Tabel 3 terlhat bahwa hasl pengujan kesepuluh dataset menghaslkan nla galat yang berbeda-beda. Namun jka kesepuluh dataset tersebut dhtung menggunakan Intermedate COCOMO, maka akan ddapatkan nla galat yang sama sepert pada pengujan data NASA Project. Hal n terjad karena pada Intermedate COCOMO yang dgunakan sebaga nputan untuk menghtung baya perkraan adalah kategor dar kelma belas CD. Lan hal pada Fuzzy Intermedate COCOMO, yang dgunakan sebaga nputan adalah nla dar kelma belas CD. Dar nla CD tersebut akan ddapatkan derajat keanggotaan kategor tap CD yang kemudan akan dkalkan dengan effort multplers. Dengan demkan, walaupun kesepuluh dataset tersebut kategor CD nya sama, tap hasl pengujaanya bsa saja berbeda jka nla-nla CD nya berbeda. Dapat dsmpulkan bahwa hasl pengujan menggunakan konsep fuzzy sangat dpengaruh oleh nla CD. Analss yang akan dlakukan pada metode Fuzzy Intermedate COCOMO melput dua hal, yatu akuras dan knerja. Namun karena sepuluh dataset pada Tabel 3 dhaslkan dan duj dengan mekansme yang sama, maka tdak semua dataset akan dbahas. Hanya pada dataset tertentu saja, yatu pada dataset dengan nla MMRE terbesar ataupun terkecl.

6 Tabel 3 Agregat Galat menggunakan Fuzzy Intermedate COCOMO Galat (%) Dataset Mn MRE Max MRE Mean MRE Medan MRE Standar Devas MRE Dataset Dataset Dataset Dataset Dataset Dataset Dataset Dataset Dataset Dataset Gambar 5 Grafk perbandngan tga MMRE terkecl. a Akuras Fuzzy Intermedate COCOMO Nla akuras ddapatkan dar nla galat MMRE, mn MRE dan max MRE pada tap-tap dataset. Makn kecl nla-nla tersebut maka makn bak akurasnya. Pada Tabel 3 terlhat bahwa terdapat tga dataset yang memlk nla galat MMRE terkecl yatu: dataset 2, dataset 7 dan dataset 10 masng-masng sebesar 42,68%, 44,49%, dan 47,52%. Grafk perbandngan MMRE untuk ketga dataset tersebut dapat dlhat pada Gambar 5. Sebaga pembandng dcantumkan pula grafk hasl pengujan Intermedate COCOMO. Pada Gambar 5 terlhat bahwa grafk hasl pengujan dataset 2, dataset 7, dataset 10 dan Intermedate COCOMO memlk bentuk grafk yang hampr sama. Hal tersebut menunjukkan hasl pengujan antara Intermedate COCOMO dan Fuzzy Intermedate COCOMO menghaslkan MMRE yang tdak jauh berbeda. Perbedaan MMRE yang cukup jauh hanya pada empat proyek, yatu proyek ke-59, 67, 78 dan 92, dan merupakan penclan pada grafk-grafk d atas. Pengujan yang menggunakan Fuzzy Intermedate COCOMO menghaslkan nla galat MRE yang lebh kecl dar pada Intermedate COCOMO pada empat penclan tersebut. Hal tersebut yang menyebabkan nla MMRE ketga dataset lebh bak darpada nla MMRE Intermedate COCOMO. Tga dataset yang memlk nla galat MMRE terbesar yatu: dataset 4, dataset 5 dan dataset 6 masngmasng sebesar 59,46%, 61,74% dan 59,81%. Grafk perbandngan MMRE untuk ketga dataset tersebut dapat dlhat pada Gambar 6. Sebaga pembandng dtamplkan pula grafk hasl pengujan Intermedate COCOMO. Pada Gambar 6 terlhat grafk hasl pengujan dataset 4, 5, dan 6 memlk bentuk yang sama dengan hasl pengujan Intermedate COCOMO. Penclan-penclan juga terletak pada proyek yang sama. Secara umum nla galat MRE tap proyek pada ketga dataset tersebut nlanya sama dengan nla galat Intermedate COCOMO. Sehngga nla galat MMRE ketga dataset tersebut tdak jauh berbeda dengan Intermedate COCOMO. Nla galat MMRE dgunakan untuk menghtung akuras dar sstem secara umum (seluruh proyek). Nla galat mn dan max MRE menunjukan seberapa bak dan buruk akuras dar sstem tersebut. Tga dataset yang memlk nla galat MRE terkecl yatu: dataset 5, dataset 7 dan dataset 10, dengan masng-masng nla mn MRE yatu: 0.02%, 0.01% dan 0.02% yang terdapat pada pengujan proyek ke-57, 21 dan 18. Nla-nla mn MRE n hampr sama dengan nla mn MRE pada pengujan menggunakan Intermedate COCOMO yatu sebesar 0.02%. Hal n menunjukan bahwa perkraan baya perangkat lunak menggunakan logka fuzzy juga dapat memlk akuras sebak Intermedate COCOMO. Nla galat MRE terbesar pada pengujan Fuzzy Intermedate COCOMO terletak pada dataset 4 proyek ke-78 yatu sebesar %. Nla galat n lebh besar dar hasl pengujan dengan Intermedate COCOMO.

7 Penyebabnya adalah nla random CD yang dhaslkan pada dataset 4 proyek ke-78 adalah nla-nla besar. Karena nla 15 CD tersebut besar maka akan menghaslkan fuzzy effort multple yang besar. Sehngga pengujan menghaslkan baya perkraan yang besar. Baya perkraan yang dhaslkan adalah MM sedangkan baya aktualnya adalah 97 MM. Gambar 6 Grafk perbandngan tga MMRE terbesar. b Knerja Pengunaan Logka Fuzzy Dalam menghtung baya perangkat, semakn besar nla CD: STOR, DATA, TIME, TURN, VIRT, CPLX dan RELY, semakn besar pula baya perkraan yang dhaslkan. Sedangkan untuk nla CD: ACAP, PCAP, AEXP, MODP, TOOL, VEXP, dan LEXP yang semakn besar akan menurunkan baya perkraan. Karena Fuzzy Intermedate COCOMO sangat dpengaruh oleh nla CD, akan danalss knerja logka fuzzy berdasarkan perbedaaan nla-nla CD. Analss akan dlakukan pada proyek yang analog (proyek yang serupa). Salah satu contoh proyek yang analog pada pengujan Fuzzy Intermedate COCOMO dengan menggunakan dataset 1 adalah proyek ke-21 dan proyek ke-24. Berdasarkan Tabel 4 pengujan dua proyek tersebut menghaslkan baya perkraan yang tdak jauh berbeda. Namun jka duj menggunakan Intermedate COCOMO hasl pengujan dua proyek tersebut menghaslkan baya perkraan sebesar 74,25 MM untuk proyek ke-21 dan 62,22 MM untuk proyek ke-24. Penyebab besarnya selsh baya perkraaan adalah walaupun dua proyek tersebut analog tetap kategor CD kedua proyek tersebut berbeda. Dar hasl pengujan dua proyek tersebut terlhat bahwa hasl pengujan Fuzzy Intermedate COCOMO sangat senstf terhadap perbedaan nla CD, sedangkan pada Intermedate COCOMO hasl pengujan dpengaruh oleh kategor kelma belas CD. Pengujan menggunakan Intermedate COCOMO akan menghaslkan baya pekraan yang sama apabla kategor kelma belas CD antara dua proyek tersebut sama. Sehngga walaupun dua proyek tersebut nla CD nya tdak jauh berbeda, tap kategor CD nya berbeda maka selsh baya perkraan antara dua proyek tersebut akan besar. Hal n berbeda dengan Fuzzy Intermedate COCOMO, baya perkraan yang dhaslkan sesua dengan nla CD. Semakn besar perbedaan nla CD antara dua proyek, maka semakn besar pula selsh baya perkraan yang dhaslkan. Perbedaan kategor CD pada dua proyek tersebut tdak begtu mempengaruh hasl pengujan. Tabel 4 Nla CD dan hasl pengujan proyek yang analog Nla CD Dataset 1 proyek ke-21 Dataset 1 proyek ke-24 DATA 9 11 TIME STOR VIRT TURN ACAP AEXP PCAP VEXP 8 9 LEXP SCED Baya Perkraan 60,24 MM 63,18 MM Pengujan menggunakan Intermedate COCOMO akan menghaslkan baya pekraan yang sama apabla kategor kelma belas CD antara dua proyek tersebut sama. Sehngga walaupun dua proyek tersebut nla CDnya tdak jauh berbeda, tap kategor CDnya berbeda maka selsh baya perkraan antara dua proyek tersebut akan besar. Hal n berbeda dengan Fuzzy Intermedate COCOMO, baya perkraan yang dhaslkan sesua dengan nla CD. Semakn besar perbedaan nla CD antara dua proyek, maka semakn besar pula selsh baya perkraan yang dhaslkan. Perbedaan kategor CD pada dua proyek tersebut tdak begtu mempengaruh hasl pengujan.

8 KESIMPULAN DAN SARAN Kesmpulan Perkraan baya perangkat lunak menggunakan Intermedate COCOMO yang dgunakan sebaga nla nput adalah kategor kelma belas CD sehngga akan menghaslkan baya perkraan dengan selsh yang besar pada proyek proyek yang analog. Begtu juga sebalknya, pada proyek-proyek dengan nla CD yang berbeda jauh akan menghaslkan baya perkraan yang sama. Kekurangan dar metode Intermedate COCOMO datas dengan menggunakan Fuzzy Intermedate COCOMO. Dalam metode n yang dgunakan sebaga nla nput adalah nla setap CD sehngga besarnya baya perkraan yang dhaslkan sesua dengan besarnya nla CD. Semakn besar perbedaan nla CD antara dua proyek maka semakn besar pula selsh baya antara dua proyek tersebut. Berdasarkan pengujan sepuluh dataset menggunakan Fuzzy Intermedate COCOMO ddapatkan rata-rata nla galat MMRE yatu sebesar 51,95%. Nla galat n lebh kecl dar Intermedate COCOMO yatu sebesar 59,50%. Promse Software Engneerng Repostory data set Salu, Moshood. 2003, Adaptve Fuzzy Logc Based Framework For Software Development Effort Predcton. Kng Fahd Unversty of Petroleum & Mnerals. Shepperd, M. dan Schofeld, C Effort Estmaton Usng Analogy. Proceedngs of the 18th Internatonal Conference on Software Engnerng. Berln, Germany. Zadeh, L. 1996, Fuzzy Logc: Computng Wth Words, IEEE Transactons on Fuzzy Systems, Vol.4, No.2, pp Saran Fuzzy Intermedate COCOMO dapat dkembangkan lebh jauh lag dengan cara merepresentaskan ukuran perangkat lunak dan model pengembangan proyek dalam hmpunan fuzzy. DAFTAR PUSTAKA Brand, Lonel. et al An Assessment and Comparson of Common Software Cost Estmaton Model Based on Integraton of Mult-agent and Case-Based Reasonng. Journal of Computer Scence 2. ISSN, 3: Dckson, Gardner, Software Cost Estmaton. Faculty of Computer Scence Faculty of Engneerng, Unversry of New Brunswck, Canada. Idr, Al dan Abran, Alan. COCOMO Cost Model Usng Fuzzy Logc. Department of Computer Scence, UAQM. Montreal, Canada. Idr, Al. et al Fuzzy Analogy: A New Approach for Software Cost Estmaton. Internatonal Workshop on Software Measurement. Montreal, Canada. Idr, Al. et al La Logque Applquee Aux Modeles d Estmaton de Development de Logcels Cas du Modele COCOMO 81 : Internatonal Workshop on Software Measurement. Montreal, Canada. Leung, Hareton. dan Zhang Fan Software Cost Estmaton. Departement of Computng, The Hong Kong Polytechnc Unversty. NASA Cost Estmatng Web Ste

HASIL DAN PEMBAHASAN. Gambar 3 Grafik MRE NASA Project.

HASIL DAN PEMBAHASAN. Gambar 3 Grafik MRE NASA Project. 6 Gambar 3 Grafik MRE NASA Project. HASIL DAN PEMBAHASAN Pengujian dan analisis perkiraan biaya menggunakan Intermediate COCOMO Terhadap 93 Proyek dalam NASA Project akan dilakukan pengujian. Galat pada

Lebih terperinci

Wisnu Ananta Kusuma, Irman Hermadi, Ardiansyah 1. Staf Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor 2 ABSTRAK

Wisnu Ananta Kusuma, Irman Hermadi, Ardiansyah 1. Staf Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor 2 ABSTRAK ANALISIS METODE ANALOGY BASED ESTIMATION UNTUK PERKIRAAN BIAYA PERANGKAT LUNAK Wsnu Ananta Kusuma, Irman Hermad, Ardansyah 1 Staf Departemen Ilmu Komputer, Fakultas Matematka dan IPA, Insttut Pertanan

Lebih terperinci

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan

Lebih terperinci

UKURAN LOKASI, VARIASI & BENTUK KURVA

UKURAN LOKASI, VARIASI & BENTUK KURVA UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya

Lebih terperinci

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan

Lebih terperinci

BAB 4 METODOLOGI PENELITIAN DAN ANALISIS

BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan

Lebih terperinci

ANALISIS DATA KATEGORIK (STK351)

ANALISIS DATA KATEGORIK (STK351) Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat

Lebih terperinci

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi. BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang

Lebih terperinci

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan

Lebih terperinci

2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).

2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996). 2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan

Lebih terperinci

Bab III Analisis Rantai Markov

Bab III Analisis Rantai Markov Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada

Lebih terperinci

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas 9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan

Lebih terperinci

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan

Lebih terperinci

BAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB

BAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota

Lebih terperinci

BAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian

BAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN 41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen

BAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen 3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel

Lebih terperinci

BAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel

BAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel 4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar belakang

BAB 1 PENDAHULUAN. 1.1 Latar belakang BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP

Lebih terperinci

BAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah

BAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.

Lebih terperinci

Bab 1 PENDAHULUAN Latar Belakang

Bab 1 PENDAHULUAN Latar Belakang 11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa

Lebih terperinci

PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)

PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia) PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas

Lebih terperinci

MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM

MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam

Lebih terperinci

BAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat

BAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton

Lebih terperinci

BAB 5 HASIL DAN PEMBAHASAN. Sampel yang digunakan dalam penelitian ini adalah data pengujian pada

BAB 5 HASIL DAN PEMBAHASAN. Sampel yang digunakan dalam penelitian ini adalah data pengujian pada BAB 5 ASIL DAN PEMBAASAN 5. asl Peneltan asl peneltan akan membahas secara lebh lengkap mengena penyajan data peneltan dan analss data. 5.. Penyajan Data Peneltan Sampel yang dgunakan dalam peneltan n

Lebih terperinci

BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode

BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut

Lebih terperinci

BAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh

BAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap 5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap

Lebih terperinci

BAB V ANALISA PEMECAHAN MASALAH

BAB V ANALISA PEMECAHAN MASALAH BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan

Lebih terperinci

ANALISIS REGRESI. Catatan Freddy

ANALISIS REGRESI. Catatan Freddy ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :

Lebih terperinci

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj

Lebih terperinci

III. METODE PENELITIAN

III. METODE PENELITIAN III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la

Lebih terperinci

BAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,

BAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi, BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu

Lebih terperinci

BAB II TINJAUAN PUSTAKA DAN DASAR TEORI

BAB II TINJAUAN PUSTAKA DAN DASAR TEORI BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan

Lebih terperinci

Pendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik

Pendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,

Lebih terperinci

2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil

2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil .1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)

Lebih terperinci

BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:

BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan

Lebih terperinci

BAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis

BAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan

Lebih terperinci

PROPOSAL SKRIPSI JUDUL:

PROPOSAL SKRIPSI JUDUL: PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan

Lebih terperinci

BAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif

BAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses

Lebih terperinci

Penerapan Metode Runge-Kutta Orde 4 dalam Analisis Rangkaian RLC

Penerapan Metode Runge-Kutta Orde 4 dalam Analisis Rangkaian RLC Penerapan Metode Runge-Kutta Orde 4 dalam Analss Rangkaan RLC Rka Favora Gusa JurusanTeknk Elektro,Fakultas Teknk,Unverstas Bangka Beltung rka_favora@yahoo.com ABSTRACT The exstence of nductor and capactor

Lebih terperinci

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas

Lebih terperinci

MINGGU KE- V: UKURAN PENYEBARAN

MINGGU KE- V: UKURAN PENYEBARAN MINGGU KE- V: UKURAN PENYEBARAN Tujuan Instruksonal Umum :. Mahasswa mampu memaham apa yang dmaksud dengan ukuran penyebaran. Mahasswa mampu memaham berbaga pengukuran untuk mencar nla ukuran penyebaran

Lebih terperinci

III. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini

III. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan

Lebih terperinci

BAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i

BAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan

Lebih terperinci

BAB VB PERSEPTRON & CONTOH

BAB VB PERSEPTRON & CONTOH BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur

Lebih terperinci

METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR

METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa

III. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan

Lebih terperinci

ANALISIS BENTUK HUBUNGAN

ANALISIS BENTUK HUBUNGAN ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel

Lebih terperinci

PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI

PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI PENGGUNAAN DINDING GESER SEBAGAI ELEMEN PENAHAN GEMPA PADA BANGUNAN BERTINGKAT 10 LANTAI Reky Stenly Wndah Dosen Jurusan Teknk Spl Fakultas Teknk Unverstas Sam Ratulang Manado ABSTRAK Pada bangunan tngg,

Lebih terperinci

BAB IV PEMBAHASAN MODEL

BAB IV PEMBAHASAN MODEL BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup

Lebih terperinci

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada

Lebih terperinci

PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)

PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,

Lebih terperinci

BAB IV METODE PENELITIAN. Penelitian mengenai Analisis Pengaruh Kupedes Terhadap Performance

BAB IV METODE PENELITIAN. Penelitian mengenai Analisis Pengaruh Kupedes Terhadap Performance BAB IV METODE PENELITIAN 4.1 Lokas dan Waktu Peneltan Peneltan mengena Analss Pengaruh Kupedes Terhadap Performance Busness Debtur dalam Sektor Perdagangan, Industr dan Pertanan dlaksanakan d Bank Rakyat

Lebih terperinci

PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING

PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas

Lebih terperinci

BAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada

BAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada 3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada

Lebih terperinci

BAB II DASAR TEORI. 2.1 Definisi Game Theory

BAB II DASAR TEORI. 2.1 Definisi Game Theory BAB II DASAR TEORI Perkembangan zaman telah membuat hubungan manusa semakn kompleks. Interaks antar kelompok-kelompok yang mempunya kepentngan berbeda kemudan melahrkan konflk untuk mempertahankan kepentngan

Lebih terperinci

PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM

PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM 1) Membuat dstrbus frekuens. 2) Mengetahu apa yang dmaksud dengan Medan, Modus dan Mean. 3) Mengetahu cara mencar Nla rata-rata (Mean). TEORI PENUNJANG

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu 4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013

Lebih terperinci

BAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan

BAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat

Lebih terperinci

BAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas

BAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan

Lebih terperinci

BAB III METODE PENELITIAN. menggunakan strategi pembelajaran mind mapping dalam pendekatan

BAB III METODE PENELITIAN. menggunakan strategi pembelajaran mind mapping dalam pendekatan 35 BAB III METODE PENELITIAN A. Jens dan Desan Peneltan Jens peneltan n adalah kuas ekspermen. Pada peneltan n terdapat dua kelompok subjek peneltan yatu kelompok ekspermen yang dberkan suatu perlakuan

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5

Lebih terperinci

BAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol

BAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and

III. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS

Lebih terperinci

IV. PERANCANGAN DAN IMPLEMENTASI SISTEM

IV. PERANCANGAN DAN IMPLEMENTASI SISTEM IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa

Lebih terperinci

IV. HASIL DAN PEMBAHASAN

IV. HASIL DAN PEMBAHASAN IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang

Lebih terperinci

Pendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan

Pendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk

Lebih terperinci

RANGKAIAN SERI. 1. Pendahuluan

RANGKAIAN SERI. 1. Pendahuluan . Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor

Lebih terperinci

TINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph

TINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan quas expermental dengan one group pretest posttest desgn. Peneltan n tdak menggunakan kelas pembandng namun sudah menggunakan

Lebih terperinci

Apabila dua variabel X dan Y mempunyai hubungan, maka nilai variabel X yang sudah diketahui dapat dipergunakan untuk mempekirakan / menaksir Y.

Apabila dua variabel X dan Y mempunyai hubungan, maka nilai variabel X yang sudah diketahui dapat dipergunakan untuk mempekirakan / menaksir Y. ANALISIS KORELASI (ANALISIS HUBUNGAN) Korelas Hubungan antar kejadan (varabel) yang satu dengan kejadan (varabel) lannya (dua varabel atau lebh), yang dtemukan oleh Karl Pearson pada awal 1900 Apabla dua

Lebih terperinci

BAB II TINJAUAN PUSTAKA. Pemodelan persamaan struktural atau Structural Equation Modeling

BAB II TINJAUAN PUSTAKA. Pemodelan persamaan struktural atau Structural Equation Modeling BAB II TINJAUAN PUSTAKA 1.1 Pemodelan Persamaan Struktural Pemodelan persamaan struktural atau Structural Equaton Modelng (SEM) merupakan analss multvarat yang dapat menganalss hubungan varabel secara

Lebih terperinci

Matematika Eigenface Menggunakan Metrik Euclidean

Matematika Eigenface Menggunakan Metrik Euclidean Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan

Lebih terperinci

BAB 2 TINJAUAN KEPUSTAKAAN

BAB 2 TINJAUAN KEPUSTAKAAN BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud

Lebih terperinci

Peramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting

Peramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155

Lebih terperinci

UKURAN-UKURAN DESKRIPTIF DATA

UKURAN-UKURAN DESKRIPTIF DATA UKURAN-UKURAN DESKRIPTIF DATA Hazmra Yozza Izzat Rahm HG Jurusan Matenatka FMIPA Unand LOGO Kompetens Khusus Menghtung ukuran pemusatan data Menghtung ukuran keragaman data 3 4 Menghtung ukuran poss data

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat

BAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan

Lebih terperinci

APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )

APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi ) APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka

Lebih terperinci

SUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD

SUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya

Lebih terperinci

IV HASIL DAN PEMBAHASAN

IV HASIL DAN PEMBAHASAN 7 IV HASIL DAN PEMBAHASAN 4. Pengumpulan Data Data yang dgunakan dalam peneltan n data sekunder yang dperoleh dar rujukan utama jurnal Fuzzy Condtonal Probablty elatons and ther Applcatons n Fuzzy Informaton

Lebih terperinci

BAB IV PEMBAHASAN HASIL PENELITIAN

BAB IV PEMBAHASAN HASIL PENELITIAN BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon

Lebih terperinci

EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR

EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral

Lebih terperinci

BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE

BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan

Lebih terperinci

METODE PENELITIAN. digunakan untuk mengetahui bagaimana pengaruh variabel X (celebrity

METODE PENELITIAN. digunakan untuk mengetahui bagaimana pengaruh variabel X (celebrity 37 III. METODE PENELITIAN 3.1 Jens dan Sumber Data Jens peneltan yang dgunakan adalah peneltan deskrptf, yang mana dgunakan untuk mengetahu bagamana pengaruh varabel X (celebrty endorser) terhadap varabel

Lebih terperinci

Bab 2 AKAR-AKAR PERSAMAAN

Bab 2 AKAR-AKAR PERSAMAAN Analsa Numerk Bahan Matrkulas Bab AKAR-AKAR PERSAMAAN Pada kulah n akan dpelajar beberapa metode untuk mencar akar-akar dar suatu persamaan yang kontnu. Untuk persamaan polnomal derajat, persamaannya dapat

Lebih terperinci

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c 6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan

Lebih terperinci