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

Ukuran: px
Mulai penontonan dengan halaman:

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

Transkripsi

1 Semar Nasoal Iformatka 01 (semasif 01) ISSN: UPN Vetera Yogyakarta, 30 Ju 01 SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SUBKONTRAK PRODUKSI SARUNG TANGAN MENGGUNAKAN METODE ENTROPY DAN TOPSIS Jamla Akaem Tekolog Kult Yogyakarta Jl. Rg Roa Selata Paggugharo Sewo Batul 5581 Yogyakarta Telp (074) e-mal: Abstrak Paa proses prouks perusahaa maufaktur, subkotrak merupaka salah satu baga yag kut berpera megatas permasalaha prouks. PT. A Satra Aba (ASA) yag berlokas Yogyakarta aalah perusahaa yag memprouks sarug taga golf a seluruh hasl prouks ekspor ke luar eger. Utuk memeuh target prouks, PT. ASA bekerasama ega beberapa subkotrak. Peelta bertuua utuk membatu perusahaa alam memlh subkotrak terbak. Selama, yag mea krtera pemlha subkotrak aalah kualtas hasl prouks sampel sarug taga. Hasl observas, wawacara a skus ega phak perusahaa, usulka utuk mempertmbagka krtera la alam pelaa subkotrak, sehgga krtera pemlha subkotrak mea 4 yag terr ar kualtas, ketepata waktu, servce a harga. Seagka metoe peetua bobot krtera, berka ega 3 cara yatu (1) bobot awal yag berka perusahaa, () bobot etropy, a (3) meggabugka bobot awal ega bobot etropy yag meghaslka bobot etropy akhr. Data yag guaka aalah hasl seleks prouks sampel sarug taga yag haslka subkotrak berasarka style sarug taga yag pesa oleh buyer. Peragkga subkotrak megguaka Mult Atrbute Decso Makg (MADM), salah satu metoeya aalah TOPSIS (Techque for Orer Preferece by Smlarty to Ieal Soluto). Hasl peelta, terbetukya sstem peukug keputusa pemlha subkotrak yag apat meghaslka subkotrak terbak, seagka krtera a bobot apat sesuaka ega kepetga perusahaa. Hasl pegua ega megguaka ketga cara peetapa bobot krtera mempegaruh la akhr a hasl peragkga. Bobot etropy akhr apat aka plha moel utuk meetuka bobot krtera pemlha karea sela meghaslka bobot krtera berasarka karakterstk ata sekalgus apat megakomoas preferes subyektf ar pegambl keputusa. Kata Kuc : SPK, Decso Support System, Etropy, TOPSIS, Subkotrak 1. PENDAHULUAN Keberaaa subkotrak paa proses prouks perusahaa maufaktur, mea salah satu baga yag kut berpera utuk megatas permasalaha prouks. Selama PT. ASA belum mempuya proseur pemlha subkotrak yag staar. Pemlha subkotrak haya berasar paa kualtas sampel sarug taga yag haslka oleh subkotrak. Ketepata waktu pegrma, servce atau pelayaa terutama ka tera masalah paa saat maupu setelah proses prouks a pelaa hasl pegeceka kos lapaga (survey ke lokas subkotrak) tak htug secara past, melaka haya berasarka perkraa. Akbatya sergkal kemampua ar subkotrak tak sepert yag harapka oleh perusahaa. Keputusa memlh subkotrak yag sesua a meghaslka prouk yag berkualtas buka pekeraa yag muah. Kesalaha alam pemlha subkotrak apat meyebabka kualtas prouk meuru, awal pegrma tergaggu, baya prouks semak megkat a hal yag terpetg hlagya kepercayaa pelagga (customer). Paa proses pemlha subkotrak, krtera pelaa apat tetuka oleh phak perusahaa, termasuk memberka bobot paa krtera tersebut. Sela megguaka bobot krtera berasarka preferes subyektf ar pegambl keputusa (bobot awal), bobot krtera apat uga berka melalu berbaga metoe peetapa bobot krtera, salah satuya aalah metoe etropy. Metoe etropy apat meghtug bobot berasarka karakterstk ata paa krtera, semak tgg varas atar ata paa krtera maka bobot krtera tersebut mak tgg atau semak petg. Pegguaa metoe etropy sagat fleksbel, ka bobot yag haslka ar metoe etropy belum apat guaka sebaga bobot krtera utuk pegambla keputusa maka subyektftas ar pegambl keputusa apat berka bersama-sama ega bobot etropy a aka meghaslka bobot krtera yag sebearya. Seagka metoe utuk meapatka subkotrak terbak megguaka Mult Atrbute Decso Makg (MADM), salah satu metoeya aalah TOPSIS (Techque for Orer Preferce by Smlarty to Ieal Soluto). Metoe TOPSIS apat meghaslka alteratf terbak yag tak haya memlk arak terpeek ar la solus eal postf tetap uga memlk arak terpaag ar la solus eal egatf. C-6

2 Semar Nasoal Iformatka 01 (semasif 01) ISSN: UPN Vetera Yogyakarta, 30 Ju 01 Aaya perkembaga tekolog saat, maka apat buat suatu sstem peukug keputusa utuk membatu perusahaa alam meetapka subkotrak terbak megguaka metoe etropy a TOPSIS. TINJAUAN PUSTAKA Sstem peukug keputusa (Decso Support System/DSS) aalah sstem peukug keputusa bag para pegambl keputusa maaeme yag meaga masalah-masalah tak terstruktur a bertuua meukug pelaa maaer buka mecoba meggatkaya, sstem tak maksuka utuk meggatka fugs pegambl keputusa alam membuat keputusa, tetap sstem racag utuk membatu pegambl keputusa alam melaksaaka tugasya (Turba a Aroso,001). Bobot kepetga yag berka paa setap krtera apat megguaka 3 peekata yatu, peekata subyektf aalah bobot kepetga paa setap krtera serahka sepeuhya paa pegambl keputusa, seagka peekata obyektf aalah bobot kepetga paa setap krtera serahka sepeuhya kepaa sstem. Peekata yag ketga aalah peekata subyektf-obyektf yatu bobot kepetga paa setap krtera htug berasarka hasl bobot ar peekata subyektf a peekata obyektf (Kusumaew, et al. 006). Peelta yag suah perah lakuka terkat ega masalah pegambla keputusa a metoe yag guaka ataraya aalah metoe Aalytcal Herarchy Process (AHP) utuk meghtug bobot ar masg-masg krtera a kator kera suppler (Mauzoh a Zab, 007). Evaluas krtera pusat strbus (stuas klm, umlah permtaa, kemugka pegembaga, baya vestas, kualtas performace laboratorum a keterseaa trasportas) utuk meapatka alteratf terbak megguaka Fuzzy Mult Crtera Decso Makg (Wag a Kao, 007). Pemlha suppler utuk ustr makaa ega megguaka metoe etropy a metoe promethee (Tryat a Gas,008)..1 Metoe Etropy Metoe etropy apat guaka utuk meetuka suatu bobot, paa krtera ega varas la tertgg aka meapatka bobot tertgg (Tryat a Gas,008). Lagkah-lagkah yag guaka aalah sebaga berkut:.1.1 Membuat matrk ratg kera Matrk ratg kera aalah la alteratf paa setap krtera maa setap krtera tak salg bergatug satu ega yag laya. Matrks keputusa setap alteratf terhaap setap krtera (X), berka sebaga: (1) maa: =1,,.. ; =1,,..m merupaka ratg kera subkotrak ke- (=1,..,m) terhaap krtera ke- (=1,,..,)..1. Normalsas tabel ata krtera Normalsas lakuka ega terlebh ahulu meetuka la palg tgg (maksmum) ar masg-masg subkotrak paa setap krtera. Normalsas ata la masg-masg subkotrak (=1,,..,m) terhaap krtera (=1,,..,) berka paa persamaa. () maa: maks maks = la subkotrak () terhaap krtera () yag belum ormalsas = la subkotrak () terhaap krtera () yag belum ormalsas yag mempuya la palg tgg = la subkotrak () terhaap krtera () yag telah ormalsas selautya la masg-masg ata yag telah ormalsas (persamaa ) umlahka. D 1 ; maa =1,,, D aalah umlah la ata yag telah ormalsas paa masg-masg krtera..1.3 Perhtuga Etropy Perhtuga etropy utuk setap krtera ke- ega terlebh ahulu meghtug la e ma a K. Utuk mecar la e ma a K berka paa persamaa 4 a 5. C-63 (3)

3 Semar Nasoal Iformatka 01 (semasif 01) ISSN: UPN Vetera Yogyakarta, 30 Ju 01 e ma = l m; m aalah umlah subkotrak (4) 1 (5) K e ma Perhtuga etropy utuk setap krtera ke- tuukka paa persamaa 6. e( ) K l (6) D D maa : e( ) = la etropy paa paa masg-masg krtera (=1,, ). D 1 = la ata yag telah ormalsas. = umlah la ata yag telah ormalsas paa masg-masg krtera. setelah meapatka e( ) paa persamaa 6, selautya meghtug total etropy (E) utuk masg-masg krtera sepert tuukka paa persamaa 7. E 1 e( ).1.4 Perhtuga bobot etropy Setelah total etropy suah haslka ega meruuk paa persamaa 7, selautya meghtug bobot paa setap krtera ega megguaka persamaa 8 a 9. 1 λ 1 e( ) E 1 λ 1 (7) ; maa =1,,, (8).1.5 Perhtuga bobot etropy akhr Jka sebelumya telah aa bobot awal krtera atau bobot yag telah tetuka sebelumya maka hasl bobot etropy akhr utuk tap krtera apat htug ega persamaa 10. Bobot etropy akhr apat guaka ka hasl ar bobot etropy tak sesua ega kega ar pegambl keputusa. λ * w λ ; maa =1,,, (10) λ * w 1 maa: λ = bobot etropy akhr; = umlah krtera ; w = bobot awal. Metoe TOPSIS (Techque for Orer Preferece by Smlarty to Ieal Soluto) Metoe TOPSIS aalah salah satu metoe yag apat membatu proses pegambla keputusa yag optmal utuk meyelesaka masalah keputusa secara prakts. Hal sebabka kosepya seerhaa a muah paham, komputasya efse a memlk kemampua utuk megukur kera relatf ar alteratfalteratf keputusa alam betuk matemats yag seerhaa (Kusumaew, et al.006). Lagkah-lagkah peyelesaaya aalah sebaga berkut:..1 Meetuka matrk ratg kera Matrk ratg kera aalah la alteratf A (=1,..,m) paa setap krtera C (=1,,..,) maa setap krtera tak salg bergatug satu ega yag laya. Matrks keputusa setap alteratf terhaap setap krtera (X) terbetuk ega meruuk paa persamaa 1... Meetuka matrk terormalsas Metoe TOPSIS membutuhka ratg kera setap subkotrak paa setap krtera yag terormalsas. Utuk membetuk matrk terormalsas, guaka matrk ratg kera (X) yag terbetuk ar persamaa 1, seagka matrk terormalsas terbetuk paa persamaa 11 yatu: (9) C-64

4 Semar Nasoal Iformatka 01 (semasif 01) ISSN: UPN Vetera Yogyakarta, 30 Ju 01 r m 1 ; ;maa =1,,...,m; a =1,,.., (11) ega m aalah eks utuk subkotrak a aalah eks utuk krtera. Berasarka persamaa 11 aka terbetuk matrk terormalsas (R) yatu. (1)..3 Meghtug matrk terormalsas terbobot Nla bobot (W) yag meuukka tgkat kepetga relatf setap krtera harus berka utuk meghtug matrk ormalsas terbobot. W={w 1, w,,w } (13) Selautya lakuka perkala atara bobot paa masg-masg krtera ega merupaka ratg bobot terormalsas (y ) maa =1,,..,m (subkotrak) a =1,,.., (krtera). y = w.r (14) Berasarka persamaa 14, maka aka terbetuk matrk keputusa terormalsas terbobot Y. (15)..4 Meghtug matrks solus eal postf a matrk solus eal egatf Nla solus eal postp (A + ) a la solus eal egatf (A - ) berasarka matrk keputusa Y. y y ma{y } m{y } m{y} ma{y } ega =1,,..m aalah eks utuk subkotrak a =1,,.., aalah eks utuk krtera. Berasarka persamaa 16 a 17, selautka car la solus eal postp (A + ) a la solus eal egatf (A - ) ega megguaka persamaa 18 a 19. Meghtug A + a A - harus perhatka syarat apakah krtera bersfat keutuga (beeft) atau krtera bersfat baya (cost). ega =1,,.. ( aalah eks krtera) A (y, y,..., y ); (18) 1 A (y, y,..., y ); (19) 1..5 Meghtug arak atara la setap alteratf ega solus eal postf (D + ) a arak atara la setap alteratf ega solus eal egatf (D - ) Meghtug arak atara subkotrak ega solus eal postf (D + ). D 1 (y y Meghtug arak atara subkotrak ega solus eal egatf (D - ). ; maa aalah krtera keutuga (beeft) ; maa aalah krtera baya (cost) (16) ; maa aalah krtera keutuga (beeft) ; maa aalah krtera baya (cost) (17) ) ; =1,,..,m. (0) D 1 (y y ) ; =1,,..,m (1)..6 Meghtug la preferes utuk setap subkotrak (V ). Nla V yag lebh besar meuukka alteratf yag lebh plh. D V ; D D =1,,..,m. () C-65

5 Semar Nasoal Iformatka 01 (semasif 01) ISSN: UPN Vetera Yogyakarta, 30 Ju METODE PENELITIAN Metoe pegumpula ata paa peelta lakuka ega cara observas a tervew ega phakphak yag berkata lagsug ega pemlha subkotrak paa perusahaa. 3.1 Pegumpula Data Berasarka hasl observas, wawacara a skus ega phak perusahaa apat proses pemlha subkotrak yag terr ar beberapa tahap yatu sebaga berkut: a. Dokume Peawara Sebelum usulka utuk megkut seleks, calo subkotrak meyerahka okume peawara terlebh ahulu utuk melhat kesesuaa atau spesfkas calo subkotrak ega prouk yag aka pesa. b. Pegeceka (survey) lapaga Calo subkotrak yag telah memeuh spesfkas yag gka oleh perusaha, selautya aka survey atau aka lakuka pegeceka kos fsk (bagua, karyawa, umlah mes, kos mes a la-la). Pegeceka bertuua utuk memastka kebeara ata yag berka oleh calo subkotrak yag aka seleks. Hasl pegeceka (survey) alam betuk cek lst. Perhtuga prosetase hasl ar cek lst paa masg-masg calo subkotrak yag telah survey aalah ega cara membag hasl la ceklst paa setap subkotrak ega total la. Seagka persyarata la mmal yag harus peuh ar hasl survey aalah 80% ar keseluruha la ceklst. c. Hasl seleks prouks sampel sarug taga Calo subkotrak yag memeuh la mmal aka berka sampel sarug taga utuk prouks. Calo subkotrak wabka utuk memprouks sampel sarug taga yag aka pesa oleh buyer. Selaut hasl prouks sampel sarug taga tersebut seleks utuk mela kualtas prouk yag haslka oleh masgmasg calo subkotrak. Paa keyataaya tahap (a) a (b) tak lakuka secara maksmal, peetapa subkotrak yag terplh selama haya berasar paa hasl prouks sampel sarug taga yag prouks calo subkotrak (lagsug paa tahap c). Jka hasl belum sesua kega perusahaa maka lakuka perbaka sampa sesua ega spesfkas sarug taga yag tetapka perusahaa. Paa peelta usulka utuk mempertmbagka krtera la alam pelaa subkotrak, msalya ketepata waktu peyelesaa, servce atau pelayaa yag berka a harga yag tawarka oleh calo subkotrak. Hasl skus ega phak perusahaa serta stu lteratur akhrya tetapka krtera pemlha subkotrak serta bobot paa masg-masg krtera aalah yatu: kualtas (40%), waktu (30%), servce (15%) a harga (15). 3. Data Pelaa Krtera Pemlha Subkotrak 1. Krtera Kualtas Kualtas hasl prouks la berasarka bayakya umlah sarug taga yag terma setelah lakuka peyeleksa sampel sarug taga. Jumlah sampel sarug taga yag prouks aalah 10 buah msalya mewakl ukura S,M,ML,L,XL masg-masg buah (1 pasag) utuk 1 ukura. Jumlah sampel megkut tpe ukura sarug taga yag pesa oleh buyer. Pelaa kualtas sepert paa tabel 1. Tabel 1. Daftar la utuk krtera kualtas No Nama Subkotrak Seleks Repar Dterma Kualtas (%) 1. Subkotrak A Subkotrak B Subkotrak C Subkotrak D Krtera Ketepata Waktu (KW) Pelaa ketepata waktu guaka utuk megukur ketepata waktu pegrma oleh subkotrak. Pegukura ketepata waktu berasarka taggal peyelesaa yag telah sepakat atara perusahaa ega subkotrak. Toleras waktu keterlambata pegrma aalah 1 har. Paa kasus, cotoh hasl prouks harus krm paa taggal 13 Maret 011. Subkotrak yag megrm maksmal paa taggal tersebut ber la, ka melewat taggal yag tetapka ber la 1, sepert tuukka paa tabel. Tabel. Daftar la utuk krtera ketepata waktu No Nama Subkotrak Taggal pegrma Nla KW KW (%) 1. Subkotrak A 13 Maret Subkotrak B 14 Maret Subkotrak C 13 Maret Subkotrak D 13 Maret C-66

6 Semar Nasoal Iformatka 01 (semasif 01) ISSN: UPN Vetera Yogyakarta, 30 Ju Krtera Servce (pelayaa) Pelaa servce guaka utuk megukur pelayaa yag berka oleh subkotrak, terr ar 3 (tga) hal yatu (1) terseaya alat komukas, () muah hubug a (3) merespo ega cepat ka tera permasalaha. masg-masg ber la 1, total la aalah 3 sepert paa tabel 3. Tabel 3. Daftar la utuk krtera servce No Nama Subkotrak Alat komukas Muah hubug Respo Nla % 1. Subkotrak A Subkotrak B Subkotrak C Subkotrak D Krtera Harga, Pelaa utuk krtera harga aalah harga sarug taga yag berka oleh calo subkotrak. 3.3 Kompoe Sstem Peukug Keputusa Pemlha Subkotrak Kompoe SPK pemlha subkotrak terr ar bass ata, bass moel, subsstem maaeme bass ata, subsstem bass moel, subsstem alog layar termal (user terface) apat lhat paa gambar 1. Gambar 1. Kompoe sstem peukug keputusa pemlha subkotrak 3.4 Peracaga Sstem Peracaga sstem pemlha subkotrak ataraya aalah peracaga atabase a Data Flow Dagram (DFD) yag terr ar beberapa level. DFD Level 0 merupaka gambara umum SPK pemlha subkotrak terr sstem a lgkuga luar sstem sepert tuukka paa gambar. Gambar. Data Flow Dagram Level 0 4. HASIL DAN PEMBAHASAN Berasarka hasl pegumpula ata, peracaga sstem serta kompoe sstem peukug keputusa maka terbetuk suatu sstem peukug keputusa pemlha subkotrak yag apat guaka utuk membatu perusahahaa meapatka subkotrak terbak. Sstem bagu megguaka bahasa pemrograma Borla Delph 7.0 a atabase- megguaka MySQL. Hasl mplemetas sstem sepert paa gambar 3. C-67

7 Semar Nasoal Iformatka 01 (semasif 01) ISSN: UPN Vetera Yogyakarta, 30 Ju 01 Gambar 3. Dalog pegambla keputusa Dalog pegambla keputusa sepert paa gambar 3, merupaka weweag ar pegambl keputusa utuk memlh krtera a meambahka krtera msalya ata kapastas subkotrak. Jka pegambl keputusa g meambahka krtera luar ata ar tabel hasl prouks a tabel subkotrak pegambl keputusa apat megska la krtera paa masg-masg subkotrak. Selautya lakuka proses pemlha subkotrak ega megguaka sstem peukug keputusa pemlha subkotrak utuk mecar subkotrak yag terbak. Proses pemlha subkotrak paa sstem peukukug keputusa pemlha subkotrak selegkapya tuukka paa gambar 4. Gambar 4. Proses pemlha subkotrak 4.1 Aalss Hasl Metoe Etropy Tgkat kepetga krtera tetuka ega semak tggya la bobot yag berka paa krtera tersebut. Paa bobot awal (yag telah tetapka perusahaa) yag mea krtera utama aalah krtera kualtas (0.40). Nla Bobot etropy apat berlaku ka perusahaa belum mempuya bobot awal, karea paa perusahaa suah terapat bobot awal, maka perhtuga bobot harus lakuka ega mempertmbagka bobot awal. Data hasl pelaa paa masg-masg terlebh ahulu buat alam matrks ratg kera aka guaka sebaga ata awal utuk meghtug setap kera subkotrak terhaap krtera sepert paa tabel 4. C-68

8 Semar Nasoal Iformatka 01 (semasif 01) ISSN: UPN Vetera Yogyakarta, 30 Ju 01 Tabel 4. Matrks ratg kera Nama subkotrak Kualtas Ketepata waktu Servce Harga Subkotrak A Subkotrak B Subkotrak C Subkotrak D Pegua a pegolaha ata lakuka ega megguaka matrks ratg kera (tabel 4). Paa bobot awal yag mea krtera utama aalah kualtas, seagka hasl bobot etropy a bobot etropy akhr megetfkas ketepata waktu sebaga krtera utama. Perbeaa tera karea paa metoe etropy bobot htug berasarka karakterstk ata paa krtera, semak tgg varas atar ata paa krtera maka bobot krtera tersebut mak tgg atau semak petg. Hasl bobot krtera sepert tuukka paa tabel 5. Tabel 5. Perbaga hasl bobot krtera Krtera Bobot Awal Bobot Etropy Bobot Etropy Akhr Kualtas Ketepata waktu Harga Servce Aalss Hasl Metoe TOPSIS Hasl peragkga subkotrak berasarka ata paa tabel 4 a bobot krtera paa tabel 5 memberka hasl la akhr yag berbea a mempegaruh uruta ragkg. TOPSIS uga megetfkas krtera yag bersfat keutuga (beeft) a krtera yag bersfat baya (cost). Subkotrak terbak aalah subkotrak yag meapatka la tertgg, yag tak haya memlk arak terpeek ar la solus eal postf (NSIP) tetap uga memlk arak terpaag ar la solus eal egatf (NSIN). Hasl peragkga megguaka ata kera subkotrak terhaap krtera kualtas, ketepata waktu, servce a harga yag lakuka paa ke-3 moel bobot yatu bobot awal, bobot etropy a bobot etropy akhr peroleh hasl sepert paa tabel 6. Tabel 6. Perbaga hasl peragkga subkotrak Bobot Awal Bobot Etropy Bobot Etropy Akhr Subkotrak C Subkotrak C Subkotrak C Subkotrak D Subkotrak A Subkotrak A Subkotrak A Subkotrak D Subkotrak D Subkotrak B Subkotrak B Subkotrak B Hasl paa tabel 6, meuukka bahwa subkotrak C merupaka subkotrak terbak a meapat la tertgg paa ke-3 moel bobot yag berka, seagka subkotrak D paa peragkga megguaka bobot awal meapat ragkg, tetap paa bobot etropy a bobot etropy akhr subkotrak D ustru beraa paa ragkg 3. Hal uga tera paa subkotrak A, maa paa bobot awal subkotrak A meapat ragkg ke 3 tetap paa bobot etropy a bobot etropy akhr subkotrak A ustru beraa paa ragkg. Seagka la performas subkotrak A terhaap krtera pemlha bak megguaka bobot awal, bobot etropy maupu bobot etropy akhr meapatka la palg reah. 5. KESIMPULAN Sstem peukug keputusa pemlha subkotrak apat guaka utuk membatu perusahaa alam memlh subkotrak terbak, seagka krtera a bobot apat sesuaka meurut kepetga perusahaa. Pegguaa ketga cara peetua bobot krtera pemlha subkotrak aka mempegaruh hasl la akhr a hasl peragkga. Bobot etropy akhr apat aka plha moel utuk meetuka bobot krtera pemlha subkotrak karea sela meghaslka bobot krtera berasarka karakterstk ata sekalgus apat megakomoas preferes subyektf ar pegambl keputusa. DAFTAR PUSTAKA Ahyar, A., 1985, Maaeme Prouks, Perecaaa Sstem Prouks Buku I, Es keempat, BPFE, Yogyakarta. Jamla., 008, Lapora Magag Pegawa Departeme Perustra paa PT. A Satra Aba, Yogyakarta. C-69

9 Semar Nasoal Iformatka 01 (semasif 01) ISSN: UPN Vetera Yogyakarta, 30 Ju 01 Kusumaew, S., Hartat, S., Haroko, A., a Waroyo, R., 006, Fuzzy Mult-Attrbute Decso Makg (FUZZY MADM), Graha Ilmu, Yogyakarta. Mauzoh, U a Zab, Y., 007, Peracaga Sstem Pelaa a Seleks Suppler Megguaka Mult Krtera, Jural Ilmah Tekk Iustr, volume 5, o. 3, hal Pressma, R.S., 199, Software Egeerg, Thr Eto, McGraw-Hll Ic., New York. Smo, J.L., 000, Developg Decso Makg Skll for Busess, Armok, NY.M.E alam Turba, Efram a J.E Aroso, 001, Decso Support Systems a Itellget Systems. 6 th Eto, Pretce Hall Iteratal, New Jersey. Slberchat, Kohr a Suarsa., 000, Database System Cocept, 4 th Eto, McGraw-Hll Ic, New York. Turba, E., a Aroso, J.E., 001, Decso Support Systems a Itellget Systems. 6 th Eto, Pretce Hall Iteratal, New Jersey. Tryat, V., a Gas, M.T., 008, Pemlha Supller utuk Iustr Makaa Megguaka Promethee, Joural of Logstcs a Supply Cha Maagemet, volume 1, No., hal. 83-9, Dakses taggal 13 Jauar 011. Wag, Y., Kao, C.S., 007, Applyg Fuzzy Multple Crtera Decso Makg Metho to Select the Dstrbuto Ceter, Fourth Iteratoal Coferece o Fuzzy Systems a Kowlege Dscovery, IEEE Computer Socety. akses 15 Jauar 011. C-70

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

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

Lebih terperinci

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

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

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA. Peahulua Dalam bab aka membahas megea teor-teor tetag statstka oparametrk, korelas parsal tau Keall a korelas parsal meurut Ebuh GU a Oeka ICA.. Statstka Noparametrk Istlah oparametrk

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

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

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

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

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

Lebih terperinci

BAB 2. Tinjauan Teoritis

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

Lebih terperinci

KOMPUTASI METODE SAW DAN TOPSIS MENGGUNAKAN GUI MATLAB UNTUK PEMILIHAN JENIS OBJEK WISATA TERBAIK (Studi Kasus : Pesona Wisata Jawa Tengah)

KOMPUTASI METODE SAW DAN TOPSIS MENGGUNAKAN GUI MATLAB UNTUK PEMILIHAN JENIS OBJEK WISATA TERBAIK (Studi Kasus : Pesona Wisata Jawa Tengah) ISSN: 339-54 JURNAL GAUSSIAN, Volume 5, Nomor, Tahu 6, alama 89-98 Ole d: http://eoural-s.udp.ac.d/dex.php/gaussa KOMPUTASI METODE SAW DAN TOPSIS MENGGUNAKAN GUI MATLAB UNTUK PEMILIAN JENIS OBJEK WISATA

Lebih terperinci

PERANCANGAN SISTEM PENILAIAN DAN SELEKSI SUPPLIER MENGGUNAKAN MULTI KRITERIA

PERANCANGAN SISTEM PENILAIAN DAN SELEKSI SUPPLIER MENGGUNAKAN MULTI KRITERIA PERANCANGAN SISTEM PENILAIAN DAN SELEKSI SUPPLIER MENGGUNAKAN MULTI KRITERIA Uyuuul Maudzoh Jurusa Tekk Idustr Sekolah Tgg Tekolog Adsutjpto Jl. Jat Blok R Laud Adsutjpto Yogyakarta Yasr Zabd Jurusa Tekk

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

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

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

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

Lebih terperinci

Pembobotan dan Optimasi Untuk Pemilihan Distributor PT Maan Ghodaqo Shiddiq Lestari

Pembobotan dan Optimasi Untuk Pemilihan Distributor PT Maan Ghodaqo Shiddiq Lestari JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 202) ISSN: 20-928X A-7 Pembobota da Optmas Utuk Pemlha Dstrbutor PT Maa Ghodaqo Shddq Lestar Teas N. Qurawat, Subcha, Suhud Wahyud Jurusa Matematka, Fakultas

Lebih terperinci

Pemilihan Pemasok Terbaik dengan Metode. (Studi Kasus : CV. Becik Joyo)

Pemilihan Pemasok Terbaik dengan Metode. (Studi Kasus : CV. Becik Joyo) 1 Pemlha Terbak dega Metode TOPSIS Fuzzy MCDM (Stud Kasus : CV. Bek Joyo) Sedy Pradaa Putra, Soy Suaryo Jurusa Statstka, Fakultas MIPA, Isttut Tekolog Sepuluh Nopember (ITS) Jl. Aref Rahma Hakm, Surabaya

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

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

Lebih terperinci

PEMILIHAN MAHASISWA BERPRESTASI DIPLOMA MENGGUNAKAN METODE TOPSIS

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

Lebih terperinci

Pembobotan dan Optimasi Untuk Pemilihan Distributor PT Maan Ghodaqo Shiddiq Lestari

Pembobotan dan Optimasi Untuk Pemilihan Distributor PT Maan Ghodaqo Shiddiq Lestari JURNAL TEKNIK POMITS Vol., No., (202) -5 Pembobota da Optmas Utuk Pemlha Dstrbutor PT Maa Ghodaqo Shddq Lestar Teas N. Qurawat, Suhud Wahyud, Subcha Jurusa Matematka, Fakultas Matematka da Ilmu Pegetahua

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

Sistem Pendukung Keputusan dalam Pemilihan Internet Service Provider Dengan Metode TOPSIS

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

Lebih terperinci

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

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

Lebih terperinci

Penerapan Metode TOPSIS untuk Penentuan Variabel Setting Pada Optimisasi Multirespon Taguchi

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

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

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

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN MAKALAH SEMINAR TERBAIK

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

Lebih terperinci

Sistem Pendukung Keputusan Penentuan Prioritas Desa Penerima Program Desa Siaga pada Dinas Kesehatan Kota Banjar

Sistem Pendukung Keputusan Penentuan Prioritas Desa Penerima Program Desa Siaga pada Dinas Kesehatan Kota Banjar Jural Tekolo Iformas Poltekk Telkom Vol., No. 4, November 202 Sstem Pedukug Keputusa Peetua Prortas Desa Peerma Program Desa Saga pada Das Kesehata Kota Baar Ira Yuar, Mahmud Imroa 2, Reto Nov Dayawat

Lebih terperinci

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

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

Lebih terperinci

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

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

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

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

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,

Lebih terperinci

Regresi & Korelasi Linier Sederhana

Regresi & Korelasi Linier Sederhana Regres & Korelas Ler Sederhaa. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar la peubah

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

Pembayaran pertama yang dilakukan pada setiap akhir tahun selama n tahun

Pembayaran pertama yang dilakukan pada setiap akhir tahun selama n tahun Husa Arfah, M.Sc : Autas Dasar Emal : husaarfah@uy.ac. ANUITAS DASAR 3. Peahulua Autas aalah seragkaa pembayara yag lakuka paa terval waktu yag sama (per tahu atau sebalkya). Pembayara utuk jagka waktu

Lebih terperinci

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

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

Lebih terperinci

BAB 4 IMPLEMENTASI DAN EVALUASI

BAB 4 IMPLEMENTASI DAN EVALUASI 65 BAB IMPLEMENTASI DAN EVALUASI. Penyaan Data Hasl Peneltan Data-ata hasl peneltan yang gunakan alam pengolahan ata aalah sebaga berkut: a. ata waktu kera karyawan b. ata umlah permntaan konsumen c. ata

Lebih terperinci

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

Lebih terperinci

REGRESI & KORELASI LINIER SEDERHANA

REGRESI & KORELASI LINIER SEDERHANA . Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

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

Lebih terperinci

BAB III METODE PENELITIAN

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

Lebih terperinci

PRINSIP INKLUSI- EKSKLUSI INCLUSION- EXCLUSION PRINCIPLE

PRINSIP INKLUSI- EKSKLUSI INCLUSION- EXCLUSION PRINCIPLE RISI IKLUSI- EKSKLUSI ICLUSIO- EXCLUSIO RICILE rsp Iklus-Eksklus Ada berapa aggota dalam gabuga dua hmpua hgga? A A = A A - A A Cotoh Ada berapa blaga bulat postf lebh kecl atau sama dega 00 yag habs dbag

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

BAB 1 STATISTIKA RINGKASAN MATERI

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

Lebih terperinci

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

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

Lebih terperinci

Voltage Controlled Oscillator

Voltage Controlled Oscillator Vltage Ctrlle Oscllatr VCO aalah suatu slatr elektrk maa frekues keluaraya atur leh suatu tegaga put DC yag berka. Gambar berkut meujukka ragkaa asar ar VCO V DD L VCO ut D C Basc VCO Frekues slas tetuka

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA

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

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

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

Lebih terperinci

TINJAUAN PUSTAKA Evaluasi Pengajaran

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

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

UKURAN GEJALA PUSAT (UGP)

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

Lebih terperinci

Preferensi untuk alternatif A i diberikan

Preferensi untuk alternatif A i diberikan Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

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

Lebih terperinci

UJIAN TUGAS AKHIR LOGO. Kamis, 28 Januari Oleh : Heny Nurhidayanti. Dosen Pembimbing : INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

UJIAN TUGAS AKHIR LOGO. Kamis, 28 Januari Oleh : Heny Nurhidayanti. Dosen Pembimbing : INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA LOGO UJIAN TUGAS AKHIR Kams, 28 Jauar 200 Oleh : Hey Nurhdayat 206 00 059 Dose Pembmbg : Drs. Sulstyo, MT JURUSAN MATEMATIKA FMIPA INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA Pedahulua Order dar customer

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

SOLUSI TUGAS I HIMPUNAN

SOLUSI TUGAS I HIMPUNAN Program Stud S1 Tekk Iformatka Fakultas Iformatka, Telkom Uversty SOLUSI TUGAS I HIMPUNAN Matematka Dskrt (MUG2A3) Halama 1 dar 6 Soal 1 Tetukalah eleme-eleme dar hmpua berkut! 2 x x adalah blaga real

Lebih terperinci

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

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

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

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

Lebih terperinci

PEDOMAN STATISTIK UJI PROFISIENSI

PEDOMAN STATISTIK UJI PROFISIENSI DPLP 3 Rev. 0 PEDOMAN STATISTIK UJI PROFISIENSI Komte Akredtas Nasoal Natoal Accredtato Body of Idoesa Gedug Maggala Waabakt, Blok IV, Lt. 4 Jl. Jed. Gatot Subroto, Seaya, Jakarta 070 Idoesa Tel. : 6 5747043,

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

PRAKTIKUM 20 Interpolasi Polinomial dan Lagrange

PRAKTIKUM 20 Interpolasi Polinomial dan Lagrange Praktkum 0 Iterpolas Polomal da Lagrage PRAKTIKUM 0 Iterpolas Polomal da Lagrage Tuua : Mempelaar berbaga metode Iterpolas ag ada utuk meetuka ttkttk atara dar buah ttk dega megguaka suatu fugs pedekata

Lebih terperinci

Penyelesaian Persamaan Differensial dengan Menggunakan Polinomial Lagrange Seri I (1 Dimensi) Syawaluddin H 1)

Penyelesaian Persamaan Differensial dengan Menggunakan Polinomial Lagrange Seri I (1 Dimensi) Syawaluddin H 1) Hutahaea Vol. No. Aprl 006 ural TEKNIK SIPIL Peyelesaa Persamaa Dfferesal ega Megguaka Polomal Lagrage Ser I ( Dmes Syawalu H Abstrak Paa paper sajka pegguaa polomal Lagrage utuk meyelesaka suatu persamaa

Lebih terperinci

BAB III ISI. x 2. 2πσ

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

Lebih terperinci

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si.

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si. Ukura Pemusata Data Arum Had P., M.Sc Ayudyah K., M.S. Notas utuk Populas da Sampel Notas: Mea (rata-rata) Sample x Populas μ Varas s 2 σ 2 Smpaga baku s σ Ukura Pemusata Data 1. Mea (rata-rata) 2. Meda

Lebih terperinci

Jurnal Sketsa Bisnis Vol. 2 No. 1 Agustus 2015 Page 18

Jurnal Sketsa Bisnis Vol. 2 No. 1 Agustus 2015 Page 18 ANALISA WAKTU BAKU PRODUKSI DOMPET DENGAN PENDEKATAN PETA TANGAN KIRI DAN TANGAN KANAN PADA CV. XYZ DI PASURUAN Hasa Bashor 1), Rosyatul Umam ) 1) Dose Tekk dustr Fakultas Tekk Uverstas Yudharta Pasurua

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

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

Lebih terperinci

TAKSIRAN YANG LEBIH EFISIEN UNTUK PARAMETER PADA DISTRUSI WEIBULL. Erma Kusuma Wati 1), Sigit Sugiarto 2), Bustami 2)

TAKSIRAN YANG LEBIH EFISIEN UNTUK PARAMETER PADA DISTRUSI WEIBULL. Erma Kusuma Wati 1), Sigit Sugiarto 2), Bustami 2) TAKSIRAN YANG LEBIH EFISIEN UNTUK PARAMETER PADA DISTRUSI WEIBULL Erma Kusuma Wat, Sgt Sugarto, Bustam emakusumawat7@yahooco Mahasswa Program S Matematka Dose Matematka, Jurusa Matematka Fakultas Matematka

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalsa Regres Aalsa regres aalah tekk statstk yag ergua utuk memerksa a memoelka huuga atara varael-varael. Aalsa regres ergua alam meelaah huuga ua varael atau leh a terutama utuk meelusur

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

REGRESI & KORELASI LINIER SEDERHANA

REGRESI & KORELASI LINIER SEDERHANA 1. Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable)

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

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

Lebih terperinci

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

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

Lebih terperinci

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup:

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup: PENDAULUAN D dalam modul Ada aka mempelajar teor gaggua bebas waktu yag mecakup: teor gaggua tak degeeras bebas waktu, teor gaggua degeeras bebas waktu, da efek Stark. Oleh karea tu, sebelum mempelajar

Lebih terperinci

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

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

Lebih terperinci

NORM VEKTOR DAN NORM MATRIKS

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

Lebih terperinci

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

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

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

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

Lebih terperinci

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

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

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI.. PERMASALAHAN TRANSPORTASI & TEORI ANTRIAN... Permasalaha Trasportas Meurut Sr Mulyoo (99, hal.03), permasalaha trasportas merupaka baga dar etwork model (model jarga) yatu suatu

Lebih terperinci

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

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

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN MEREK DAN TIPE SEPEDA MOTOR BERBASIS WEB DENGAN METODE TOPSIS

SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN MEREK DAN TIPE SEPEDA MOTOR BERBASIS WEB DENGAN METODE TOPSIS SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN MEREK DAN TIPE SEPEDA MOTOR BERBASIS WEB DENGAN METODE TOPSIS Lnda Purnama Sar (0911103) Mahasswa Program Stud Teknk Informatka, STMIK Buddarma Medan Jl. Ssmangaraja

Lebih terperinci

APLIKASI FUZZY ANALYTICAL HIERARCHY PROCESS DALAM SELEKSI KARYAWAN

APLIKASI FUZZY ANALYTICAL HIERARCHY PROCESS DALAM SELEKSI KARYAWAN APLIKASI FUZZY ANALYTICAL HIERARCHY PROCESS DALAM SELEKSI KARYAWAN Ja Rahardo, I Nyoma Sutapa Dose Fakultas Tekolog Idustr, Jurusa Tekk Idustr, Uverstas Krste Petra ABSTRAK Makalah membahas megea masalah

Lebih terperinci

PEMECAHAN MASALAH OPTIMASI BERSIFAT PROBABILISTIK MENGGUNAKAN CHANGE- CONSTRAINED PROGRAMMING

PEMECAHAN MASALAH OPTIMASI BERSIFAT PROBABILISTIK MENGGUNAKAN CHANGE- CONSTRAINED PROGRAMMING Jural Tekk da Ilmu Komputer PEMECAHAN MASALAH OPTIMASI BERSIFAT PROBABILISTIK MENGGUNAKAN CHANGE- CONSTRAINED PROGRAMMING (Soluto of Probablstcally Optmzato Problems Usg Chage-Costraed Programmg) Bud Marpaug

Lebih terperinci