PEMODELAN PEMROGRAMAN LINIER DENGAN KOEFISIEN FUNGSI OBJEKTIF BERBENTUK BILANGAN KABUR SEGITIGA DAN KENDALA KABUR BESERTA USULAN SOLUSINYA
|
|
- Susanto Gunardi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 6: 4-7 PEMODELAN PEMROGRAMAN LINIER DENGAN KOEFISIEN FUNGSI OBJEKTIF BERBENTUK BILANGAN KABUR SEGITIGA DAN KENDALA KABUR BESERTA USULAN SOLUSINYA San Susanto, Dedy Suryad, Har Adanto, dan YMK Artonang 4,,4 Kelompok Bdang Ilmu Management Scence, Jurusan Teknk Industr, Fakultas Teknolog Industr,Unverstas Katolk Parahyangan Jl. Cumbuleut 94, Bandung 44, Tlp/Fax: ( 7 E-mal: ssusanto@home.unpar.ac.d, dedy@home.unpar.ac.d, 4 knley@home.unpar.ac.d Jurusan Teknk Industr, Insttut Teknolog Nasonal Jl. Penghulu H. Hasan Mustofa, Bandung 49 Tlp/Fax: ( 775 Fax: (789 E-mal: har@tenas.ac.d ABSTRAK Model Pemrograman Lnear (MPL memlk sebuah fungs obektf dan satu atau lebh kendala. Pada fungs obektf terdapat parameter yang dsebut koefsen fungs obektf (obectve functon coeffcents. Koefsen fungs obektf menggambarkan kontrbus satu satuan varabel keputusan terhadap nla fungs obektf. Koefsen fungs obektf yang selama n dkenal dalam pembahasan MPL bersfat tegas (crsp., demkan pula dengan kendala. Tulsan n membahas suatu pendekatan terhadap perumusan dan penyelesaan MPL dalam hal koefsen fungs obektfnya berbentuk blangan kabur segtga (trangular fuy number dan kendalanyapun bersfat kabur. Kata kunc: model pemrograman lnear, parameter pemrograman lnear, blangan kabur, koefsen fungs obektf, blangan kabur segtga, kendala kabur. ABSTRACT Lnear Programmng Model conssts of one obectve functon and at least one constrant. The parameters n the obectve functon are called obectve functon coeffcents. Obectve functon coeffcents represent the contrbuton of one unt of ts correspondng decson varable to the obectve functon value. The exst obectve functon as well as ts constrants n the lnear programmng model are charactered as crsp. Such assumptons are often consdered as unrealstc. Ths research models and solves the Lnear Programmng Model n the case where obectve functon coeffcents are n the form of trangular fuy number and the constrants are fuy as well. Keywords: lnear programmng model, lnear programmng parameter, fuy number, obectve functon coeffcent, fuy trangular number, fuy constrant.. PENDAHULUAN Seak dkembangkan oleh George Dantg pada tahun 947, Model Pemrograman Lnear (MPL telah dgunakan dalam pemecahan masalah optmas d pelbaga sektor ndustr dan asa. Bahkan survey kepada perusahaan-perusahaan yang pernah dlakukan oleh Fortune 5 menunukkan 85% dar respondennya menggunakan MPL (Wnston,. 4 Jurusan Teknk Industr, Fakultas Teknolog Industr, Unverstas Krsten Petra
2 PEMODELAN PEMROGRAMAN LINIER DENGAN KOEFISIEN FUNGSI OBJEKTIF (San Susanto, et al. MPL tersusun atas dua komponen utama yatu fungs obektf dan kendala. Fungs obektf berkatan dengan tuuan yang hendak dcapa. Fungs n akan dmaksmumkan msalnya bla menyatakan keuntungan, atau dmnmumkan bla berkatan dengan ongkos produks yang harus dkeluarkan. Fungs obektf adalah fungs dar beberapa varabel yang dsebut varabel keputusan. Pada realtanya keseluruhan varabel keputusan n harus memenuh satu set pertdaksamaan yang dsebut kendala. Setap MPL memlk buah parameter, yatu koefsen fungs obektf (obectve functon coeffcent atau KFO yang terdapat pada fungs obektf, serta koefsen teknolog (technologcal coeffcent dan koefsen ruas kanan (rght-hand sde coeffcent yang keduanya terdapat pada kendala. KFO yang selama n dkenal dalam pembahasan MPL bersfat tegas (crsp, demkan pula halnya dengan kendala. MPL dengan kendala kabur (fuy telah dkembangkan Wang (997 dan Susanto (999. Sedangkan MPL dengan KFO kabur telah dkembangkan Wang (997 dan Susanto dan Adanto (5. Tulsan n akan membahas pengembangan MPL untuk kasus KFO kabur dan kendala kabur.. LANDASAN TEORI Pemodelan Pemrograman Lnear dengan KFO kabur dan kendala kabur memerlukan beberapa konsep sebaga landasan teornya. Konsep yang dmaksud melput bentuk umum MPL, asums pada MPL, blangan kabur serta kendala kabur. Berkut n adalah pembahasannya.. Bentuk Umum MPL dan Asumsnya Secara rngkas MPL beserta kedua komponen utama (fungs obektf dan kendala dan ketga parameternya (KFO, koefsen teknolog serta ruas kanan dapat dmodelkan sebaga berkut: maksmas cx = n = c x ( terhadap kendala Ax b ( x ( (Catatan: maksmas dapat dubah ad mnmas, dan pada ( dapat dubah menad atau = Pada model (-( d atas: T vektor x = (x L x L x dsebut vektor keputusan, sedangkan x dsebut n varabel keputusan ke-, vektor bars c = c L c c dsebut vektor koefsen fungs obektf, sedangkan ( L n c adalah koefsen fungs obektf (KFO dar varabel keputusan ke- A = [ a ] mxn adalah matrks koefsen teknolog, sedangkan a adalah koefsen teknolog dar varabel keputusan ke- pada kendala ke-, T vektor b = (b L b L b m dsebut vektor ruas kanan, sedangkan b adalah koefsen ruas kanan pada kendala ke- =,,,n (n = umlah kendala, dan =,,...,m (m = umlah varabel keputusan Jurusan Teknk Industr, Fakultas Teknolog Industr, Unverstas Krsten Petra 5
3 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 6: 4-7 Salah satu asums yang harus dpenuh oleh suatu MPL adalah Asums Ketertentuan (Certanty Assumpton. (Wnston, 4. Asums n menuntut tertentunya nla semua parameter pada MPL. Tulsan n dtuukan bag perumusan MPL dalam hal; asums ketertentuan tdak dpenuh, lebh spesfk lag, dalam hal parameter KFO tdak memenuh Asums Ketertentuan, serta kendala bersfat kabur Untuk tu, terlebh dahulu dbahas konsep blangan kabur serta konsep kendala kabur.. Blangan Kabur dan Pemrograman Lnear dengan Koefsen Fungs Obektf Kabur Ketka kta berbcara tentang umlah roda pada umlah endela pada suatu mobl sedan, kta dhadapkan pada umlah yang sudah tertentu, yatu tepat 4 (empat buah. Sangat berbeda halnya ketka kta berbcara tentang: am kedatangan koran langganan, mungkn kta akan berkata sektar pukul 5. volume ar kemasan dalam botol, mungkn kta akan berkata kra-kra 5 mllter. Banyak hal dalam duna nyata yang tdak memungknkan kta untuk menggunakan frase tepat sekan, melankan harus puas dengan menggunakan frase yang menggambarkan ketdaktepatan, sepert: sektar sekan, kra-kra sekan, hampr sekan, kurang lebh sekan dan seensnya. Dalam hal konsep blangan kabur atau fuy number dapat mengkomodasnya. Hmpunan blangan yang nlanya sektar, atau kra-kra, atau hampr, atau kurang lebh adalah contoh hmpunan kabur, yang serng pula dsebut blangan kabur. Terdapat dua ens blangan kabur yang serng dpaka dalam praktek, yatu blangan kabur segtga (trangular fuy number dan blangan kabur trapesum (trapeodal fuy number (Wang, 997. Sesua udul tulsan n, hanya blangan kabur segtga yang akan dbahas. Blangan kabur segtga c, dlambangkan dengan c, adalah hmpunan kabur dengan batas bawah a dan batas atas d serta fungs keanggotaan segtga, yang ddefnskan sebaga: (x a (b - a, ka a x < c b (x;a,c,d = (d x (d c, ka c x d (4, ka x > d atau x < a Blangan kabur segtga c pada (4 serngkal pula dlambangkan dengan - - c = (c,c,c atau c = (a,c, d dalam hal n c = a, c = c dan c = d. Secara umum, Pemrograman Lnear dengan KFO berupa blangan kabur berbentuk: ~ c x terhadap kendala (-(, dalam hal n blangan kabur ~ c maksmas (mnmas cx = n = dcrkan oleh fungs keanggotaan (4 yang menggambarkan deraat keanggotaan suatu blangan terhadap hmpunan blangan yang nlanya sektar c atau kurang lebh c, atau ungkapan kabur lannya. Berkut n adalah langkah-langkah pembentukan MPLKFOK untuk kasus dengan fungs obektf (.6 berbentuk maksmas: Langkah-: Tentukan MPL yang akan dubah kedalam MPLKFOK (yatu, masalah (-( Langkah-: Tentukan ens blangan kabur bag setap KFO (yatu, blangan kabur segtga (4 6 Jurusan Teknk Industr, Fakultas Teknolog Industr, Unverstas Krsten Petra
4 PEMODELAN PEMROGRAMAN LINIER DENGAN KOEFISIEN FUNGSI OBJEKTIF (San Susanto, et al. Langkah-: Tentukan: a c = c = ( c L c L cn, yatu vektor koefsen fungs obektf yang komponen ke--nya adalah koefsen fungs obektf varabel x b c = ( c L c L cn, yatu vektor yang komponen ke--nya adalah batas bawah dar blangan kabur c, c c = ( c L c L c n, yatu vektor yang komponen ke--nya adalah batas atas dar blangan kabur c, Langkah-4: Rumuskan pemrograman lnear bertuuan maemuk berfungs obektf memaksmumkan nla blangan kabur segtga, sebaga berkut: c - x c x c x dengan kendala (-(.. Kendala Kabur dan Pemrograman Lnear dengan Kendala Kabur Secara umum, Pemrograman Lnear dengan Kendala yang Kabur (MPLKK berbentuk: (mn cx (5 terhadap kendala Ax ~ b, x dalam hal n ~ dcrkan oleh fungs keanggotaan yang menggambarkan deraat tolerans sepert d atas. Berkut n adalah pembentukan fungs keanggotaan yang merupakan potonganpotongan gars yang kontnu bagan dem bagan. Msalkan dalam bentuk yang tegas kendala ke- berbentuk ( Ax b, maka bentuk ~ kaburnya adalah ( Ax b. Msalkan pula t adalah tolerans dar kendala ke-, maka kendala kabur n dapat dcrkan dengan fungs keanggotaan sebaga berkut:, ( Ax < b {( Ax } = ( Ax b {( Ax } = {( Ax (b t }, b ( Ax b t (6 t, lannya Berkut n adalah langkah-langkah perumusan dan penyelesaan MPLKK untuk kasus MPL dengan fungs obektf (5 berbentuk maksmas: Langkah : Tentukan batas tolerans bag pelanggaran kendala ke- dar, msalkan sebesar t >, ad sekalpun untuk kendala n sebenarnya dtetapkan (Ax b, namun mash dber tolerans hngga (Ax (b t, dengan deraat tolerans akan ddefnskan pada Langkah-4 Langkah : Selesakan pemrograman lnear berkut: maksmas cx terhadap kendala (Ax b ( =,,,m dan msalkan x adalah solusnya, serta defnskan = cx Langkah : Selesakan pemrograman lnear berkut: maksmas cx terhadap kendala (Ax (b t ( =,,,m msalkan x adalah solusnya, defnskan = cx. (Catatan: elaslah! Langkah 4: Berdasarkan nla dan yang dperoleh pada Langkah- dan, defnskan fungs keanggotaan berkut yang menggambarkan deraat optmaltas dar setap nla fungs obektf cx: Jurusan Teknk Industr, Fakultas Teknolog Industr, Unverstas Krsten Petra 7
5 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 6: 4-7, cx cx ( x =, cx (7, cx Defnskan pula fungs keanggotaan berkut yang menggambarkan deraat tolerans bag pelanggaran kendala ke-:, ( Ax b (b t ( Ax ( x =, b ( Ax (b t (8 t, ( Ax (b t Langkah 5: Defnskan masalah PL berkut n:... m terhadap kendala: x. PERUMUSAN MODEL PEMROGRAMAN LINEAR DENGAN KFO KABUR DAN KENDALA KABUR DAN LANGKAH-LANGKAH PENCARIAN SOLUSINYA MPL dengan fungs obektf ( dan kendala (-( akan menad MPLKFOK bla nlanla parameter KFO merupakan blangan kabur dan kendalanyapun merupakan kendala kabur. Secara umum, PL dengan KFO kabur dan kendala kabur berbentuk: maksmas (maksmas cx = n = ~ c x terhadap kendala Ax ~ b ( x ( Perumusan MPLKFOK lebh lanut beserta penyelesaannya dbahas pada Bab. dan. berkut n.. Perumusan Model Pemrograman Lnear dengan KFO Kabur dan Kendala Kabur MPLKFOK adalah gabungan dar MPLKFOK dan MPLKK yang, berturut-turut, telah dbahas pada Bab. dan Bab.. Akbatnya perumusan model MPLKFOK pada hakekatnya adalah uga gabungan dar perumusan model MPLKFOK dan MPLKK. Oleh karenanya, masalah MPLKFOK pada (9-( menad berbentuk masalah optmas bertuuan maemuk berkut n: c - x c x c x (... m dengan kendala: x. Langkah-langkah Pencaran Solus Pemrograman Lnear dengan KFO Kabur dan Kendala Kabur Fungs-fungs obektf pada ( ekvalen dengan fungs obektf berkut: - mn = ( c - c x = c x = ( c - c x (a sehngga bentuk-bentuk ( dan (a dapat salng menggantkan satu sama lan. (9 8 Jurusan Teknk Industr, Fakultas Teknolog Industr, Unverstas Krsten Petra
6 PEMODELAN PEMROGRAMAN LINIER DENGAN KOEFISIEN FUNGSI OBJEKTIF (San Susanto, et al. Usulan langkah-langkah pencaran solus selengkapnya bag MPLKFOK ( adalah sebaga berkut: Langkah-: Menyatakan MPLKFOK (yang bersfat multobektf kedalam bentuk masalah optmas dengan satu fungs obektf saa, melalu langkah-langkah: Msalkan X = {x Ax b, x } Langkah. Tentukan nla-nla berkut n: mn - o = mn( c - c x ( o o o o o - = ( c - c x (4 mn = mnc x (5 = c x (6 mn = ( c - c x (7 = mn( c - c x (8 Langkah. Defnskan ketga fungs keanggotaan berkut: mn, ka ( c c x ( c c x mn ( x =, ka ( c c x mn, ka ( c c x (9, ka c x mn c x mn ( x =, ka c x mn mn, ka c x (, ka ( c c x mn ( c c x mn ( x =, ka ( c c x mn mn, ka ( c c x ( Langkah. Defnskan fungs: α = mn { (x, (x, (x} ( yang ekvalen dengan ketga relas berkut: ( x α atau ( c - c x α( mn (a mn mn ( α atau c x -α( - x (b mn mn ( x α atau ( c - c x α( (c Langkah.4 Defnskan masalah optmas: α ( dengan kendala (a,(b, (c dan x Jurusan Teknk Industr, Fakultas Teknolog Industr, Unverstas Krsten Petra 9
7 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 6: 4-7 Langkah-: Menyatakan MPLKK (yang bersfat multobektf kedalam bentuk masalah optmas dengan satu fungs obektf saa, melalu langkah-langkah: Langkah. Pecahkan masalah Pemrograman Lnear berkut:: maksmas cx terhadap kendala (Ax b ( =,,,m sebutlah nla optmal dar fungs obektfnya adalah Langkah. Pecahkan masalah Pemrograman Lnear berkut: maksmas cx terhadap kendala (Ax b t ( =,,,m sebutlah nla optmal dar fungs obektfnya adalah Langkah. Defnskan fungs: ( sepert pada (7, dan (x sepert pada (8 x Langkah.4 Defnskan fungs: θ = mn[ (x, (x, (x,..., m (x] (4 x yang ekvalen dengan relas berkut: ( x θ atau cx θ( (4a ( x θ atau ( Ax θt (b t (4b ( =,,...,m Langkah.5 Defnskan masalah optmas: θ dengan kendala: x (4c Langkah-: Menggabungkan MPLKFOK dan MPLKK, yang masng-masng memlk sebuah fungs obektf, kedalam bentuk masalah optmas dengan satu fungs obektf saa, hal n dtempuh melalu langkah-langkah: Langkah. Defnskan fungs: γ = mn { α, θ} (5 kendala (a-(c,(4a-(4c Langkah. Defnskan dan pecahkan masalah optmas: γ (6 mn dengan kendala: ( x α atau ( c - c x α( (7 mn mn ( x α atau c x α( (8 ( x α atau ( c - c x α( mn mn (9 ( x θ atau cx θ( ( ( x θ atau ( Ax θt (b t ( θ [,] ; α [,] ; α γ ; θ γ ; x ( =,,...,m 4. ILUSTRASI NUMERIK DAN INTERPRETASINYA Sebaga lustras numerk bag MPLKFOK, dambl kasus berkut (Wnston, : PT Dakota Furnture memproduks (tga macam produk, yatu bangku, mea, dan kurs. Pembuatan ketga ens produk tersebut membutuhkan bahan dasar berupa kayu, am kera untuk proses fnshng serta am kera untuk proses carpentry. Kebutuhan ketga ens sumber daya per unt produk dsakan pada tabel berkut: Jurusan Teknk Industr, Fakultas Teknolog Industr, Unverstas Krsten Petra
8 PEMODELAN PEMROGRAMAN LINIER DENGAN KOEFISIEN FUNGSI OBJEKTIF (San Susanto, et al. Tabel. Kebutuhan Sumber Daya untuk kasus PT Dakota Furnture Sumber Daya Bangku Mea Kurs Kayu 8 lembar 6 lembar lembar Jam Fnshng 4 am am.5 am Jam Carpentry am.5 am.5 am Saat n PT Dakota Furnture memlk persedaan kayu 48 lembar kayu, am kera fnshng, dan 8 am kera carpentry. Bangku, mea dan kurs berturut-turut dapat dual seharga $6, $, dan $. PT Dakota Furnture memperoleh nformas bahwa semua bangku dan kurs yang dproduks past terual, sementara palng banyak hanya akan terual 5 buah mea. PT Dakota Furnture bermaksud memaksmas pendapatannya. Masalah PT Dakota Furnture dapat dmodelkan sebaga berkut: defnskan varabel-varabel keputusan berkut: x = banyaknya bangku yang dproduks x = banyaknya mea yang dproduks x = banyaknya kurs yang dproduks merumuskan fungs tuuan sebaga berkut: = 6x x x merumuskan kendala-kendala sebaga berkut: ketersedaan kayu : 8x 6x x < 48 ketersedaan am fnshng : 4x x.5x < ketersedaan am carpentry : x.5x.5x < 8 penualan mea : x < 5 x, x, x > (kendala non-negatvtas varabel Msalkan selanutnya ddapat nformas tambahan dar PT Dakota Furnture bahwa sebenarnya: - harga ual bangku tdaklah tepat sebesar c = $ 6, melankan berada pada rentang antara c = $ 55 sebaga batas bawahnya, dan c = $ 6 sebaga batas atasnya, - harga ual mea tdaklah tepat sebesar c = $, melankan berada pada rentang antara c = $ 8 sebaga batas bawahnya, dan c = $ 5 sebaga batas atasnya, - harga ual mea tdaklah tepat sebesar c = $, melankan berada pada rentang antara c = $ 7 sebaga batas bawahnya, dan c = $ sebaga batas atasnya, bla perlu umlah kayu dapat dupayakan tambahannya hngga t = unt, bla perlu umlah am fnshng dapat dupayakan tambahannya hngga t = 5 unt, bla perlu umlah am carpentry dapat dupayakan tambahannya hngga t =, Informas tambahan n, bla ngn dakomodas, menuntut perumusan model yang baru, yatu MPLKFOK, dengan catatan bahwa dalam kasus PT Dakota Furnture hanya kendala ketersedaan kayu yang akan dubah menad kendala kabur. Berkut n adalah penerapan Langkah - dar bag perumusan MPLKFOK yang dbahas pada Bab- sebaga berkut: Jurusan Teknk Industr, Fakultas Teknolog Industr, Unverstas Krsten Petra
9 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 6: 4-7 Langkah-: Langkah.: menentukan nla-nla berkut n: - = ( c - c x = 5x x x 4 kendala(a-(d = mn = mnc x = mn 6x x x x X kendala ( a -( d = = c x = 6x x x kendala(a-(d = mn = mn( c - c x = mn x 5x x kendala(a-(d = = ( c - c x = x 5x x kendala(a-(d = 8. 4 Langkah. Defnskan ketga fungs keanggotaan berkut:, ka 5x x x 4 - (5x x x ( x =, ka 5x x x 4 ( 4 -, ka 5x x x 4, ka 6x x x 8 (6x x x - =, ka 6x x x 8 ( 8 - ka 6x x x, ka x 5x x.4 (x 5x x - ( x =, ka x 5x x.4 (4.4 -, ka x 5x x Langkah. Defnskan fungs: α = mn { (x, (x, (x} (5 yang ekvalen dengan ketga relas berkut: ( x α atau 5x x x 4α 4 (6 ( x α atau 6x x x - 8α (7 ( x α atau x 5x x -.4α (8 Langkah.4 Defnskan masalah optmas: α (9 dengan kendala (6-(8 dan,x,x x Langkah-: Menyatakan MPLKK (yang bersfat multobektf kedalam bentuk masalah optmas dengan satu fungs obektf saa, melalu langkah-langkah: Langkah. Pecahkan masalah Pemrograman Lnear berkut: = 6x x x terhadap kendala (a-(d, ternyata ddapatkan nla optmal dar fungs obektfnya adalah = 8 Jurusan Teknk Industr, Fakultas Teknolog Industr, Unverstas Krsten Petra
10 PEMODELAN PEMROGRAMAN LINIER DENGAN KOEFISIEN FUNGSI OBJEKTIF (San Susanto, et al. Langkah. Pecahkan masalah Pemrograman Lnear berkut: = 6x x x terhadap kendala (a-(d, ternyata ddapat nla optmal dar fungs obektfnya adalah = 8 Langkah. Pecahkan masalah Pemrograman Lnear berkut: = 6x x x terhadap kendala 8x 6x x < 48 = 58 4x x.5x < 5 = 5 x.5x.5x < 8 = x < 5 x,x,x ternyata ddapat nla optmal dar fungs obektfnya adalah =6 Langkah.4 Defnskan fungs:, 6x x x 6 6x x x - 8 =, 8 6x x x 6 (4 6-8, 6x x x 8, 8x 6x x (8x 6x x ( =, 48 8x 6x x 58, 8x 6x x 58 (4, 4x x.5x 5 - (4x x.5x ( x =, 4x x.5x 5 5, 4x x.5x 5 (4, x.5x.5x 8 - (x.5x.5x ( x =, 8 x.5x.5x, x.5x.5x (4 Langkah.5 Defnskan fungs: θ = mn[ (x, (x, (x, (x ] x (44 yang ekvalen dengan relas berkut: ( x θ atau 6x x x -8θ 8 (45 ( x θ atau 8x 6x x θ 58 (46 ( x θ atau 4x x.5x 5θ 5 (47 ( x θ atau x.5x.5x θ (48 Langkah.6 Defnskan masalah optmas: θ (49 dengan kendala (45-(48, (d dan,x,x x Jurusan Teknk Industr, Fakultas Teknolog Industr, Unverstas Krsten Petra
11 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 6: 4-7 Langkah-: Menggabungkan MPLKFOK dan MPLKK, yang masng-masng memlk sebuah fungs obektf, kedalam bentuk masalah optmas dengan satu fungs obektf saa, hal n dtempuh melalu langkah-langkah: Langkah. Defnskan fungs: γ = mn { α, θ} (5 kendala(6-(8,(45-(48,(d Langkah. Defnskan dan pecahkan masalah optmas: γ (5 dengan kendala: 5x x x 4α 4 (5 6x x x - 8α (5 x 5x x -.4α (54 6x x x -8θ 8 (55 8x 6x x θ 58 (56 4x x.5x 5θ 5 (57 x.5x.5x θ (58 x 5 (59 α -γ, θ - γ, θ [,], α [,], x,x,x Penyelesaan pemrograman lnear n menghaslkan solus berkut: x = 4.79, x =, x =.87, α =.6, θ =.6, γ =.6. Jad keputusan terbak bag PT Dakota Furnture adalah membuat sebanyak x = 4.79 unt bangku, x = unt mea, dan x =.87 unt kurs. Bla keputusan terbak n dambl maka: a. dar ( ddapatkan nla (4.79,,.87 =.6, nla n mencermnkan tngkat - kepuasan terhadap nla yang dcapa oleh fungs = ( c - c x = 5x x x = , yang menggambarkan perbedaan nla antara fungs obektf semula ( c x dengan fungs obektf berkoefsen batas bawah blangan kabur ( c - x. Nla tertngg dar adalah (satu yang tercapa ketka nla bernla atau kurang, dan nla terendahnya adalah (nol yang tercapa ketka nla sekurang-kurangnya 4. b. dar ( ddapatkan nla (4.79,,.87 =., nla n mencermnkan tngkat kepuasan terhadap nla yang dcapa oleh fungs = c x = 6x x x = 6.86, yatu fungs obektf semula. Nla tertngg dar adalah (satu yang tercapa ketka nla bernla sekurang-kurangnya 8, dan nla terendahnya adalah (nol yang tercapa ketka nla adalah atau kurang. c. dar (4 ddapatkan nla (4.79,,.87 =.8, nla n mencermnkan tngkat kepuasan terhadap nla yang dcapa oleh fungs = ( c - c x = x 5x x =.65, yang menggambarkan perbedaan nla antara fungs obektf berkoefsen batas atas 4 Jurusan Teknk Industr, Fakultas Teknolog Industr, Unverstas Krsten Petra
12 PEMODELAN PEMROGRAMAN LINIER DENGAN KOEFISIEN FUNGSI OBJEKTIF (San Susanto, et al. blangan kabur ( c x dengan fungs obektf semula ( c x. Nla tertngg dar adalah (satu yang tercapa ketka nla sekurang-kurangnya.4, dan nla terendahnya adalah (nol yang tercapa ketka nla adalah atau kurang. d. dar (5 ddapatkan nla α = mn{.6,.,.8}=.6. e. dar (4 ddapatkan nla (4.79,,.87 =.6, nla n mencermnkan tngkat kepuasan terhadap nla yang dcapa oleh fungs obektf semula, yatu = c x = 6x x x = Nla tertngg dar adalah (satu yang tercapa ketka nla sekurang-kurangnya 6, dan nla terendahnya adalah (nol yang tercapa ketka nla adalah 8 atau kurang. f. dar (4 ddapatkan nla (4.79,,.87 =., nla n mencermnkan tngkat kepuasan terhadap pemenuhan kendala 8x 6x x 48. Karena nla 8x 6x x = <48, hal n berart bahwa kendala tersebut benar-benar terpenuh, sehngga tngkat kepuasan bernla. Nla tertngg dar adalah (satu yang tercapa ketka nla 8x 6x x setngg-tnggnya 49, dan nla terendahnya adalah (nol yang tercapa ketka nla 8x 6x x sekurang-kurangnya 48. Dengan demkan elaslah mengapa (4.79,,.87 =.. g. dar (4 ddapatkan nla (4.79,,.87 =.886, nla n mencermnkan tngkat kepuasan terhadap pemenuhan kendala 4x x.5x. Karena nla 4x x.5x =.5869 >, hal n berart bahwa kendala tersebut telah terlanggar, sehngga nla tngkat kepuasan menad d bawah. Nla tertngg dar adalah (satu yang tercapa ketka nla 4x x.5x setngg-tnggnya, dan nla terendahnya adalah (nol yang tercapa ketka nla 4x x.5x sekurang-kurangnya 5. h. dar (4 ddapatkan nla (4.79,,.87 =., nla n mencermnkan tngkat kepuasan terhadap pemenuhan kendala x.5x.5x 8. Karena nla x.5x.5x =.7 >8, hal n berart bahwa kendala tersebut telah terlanggar, sehngga nla tngkat kepuasan menad d bawah. Nla tertngg dar adalah (satu yang tercapa ketka nla x.5x.5x setngg-tnggnya 8, dan nla terendahnya adalah (nol yang tercapa ketka nla x.5x.5x sekurang-kurangnya.. dar defns (44 ddapatkan θ = mn{.6,.,.886,.}=.6 5. KESIMPULAN DAN SARAN Dar pembahasan sebelumnya dapat dberkan beberapa kesmpulan dan saran sebaga berkut. Kesmpulan Masalah Pemrograman Lnear dengan Koefsen Fungs Obektf Kabur (MPLKFOK (sepert bentuk (9-( dapat ddekat menad Masalah Pemrograman Lnear (MPL basa yang dengan fungs obektf tunggal (sepert bentuk (5-(b. Jurusan Teknk Industr, Fakultas Teknolog Industr, Unverstas Krsten Petra 5
13 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 6: 4-7 Solus MPLKFOK memberkan: ukuran tngkat kepuasan (level of satsfacton terhadap solus, sepert dtunukkan oleh besaran α, serta ukuran tngkat pemenuhan (level of fulfllment kendala, sepert dtunukkan oleh besaran θ. Dar nterpretas hasl yang dulas pada butr-b pada Bab-4 ddapatkan bahwa keuntungan optmal yang akan dperoleh PT Dakota Furnture, bla dgunakan model MPLKFOK (5-(59, adalah sebesar Sedangkan keuntungan optmal bla masalahnya dmodelkan sebaga MPL hanya 8 (dcapa untuk x =, x =, x = 8. Namun sebenarnya fenomena n tak dapat dclam sebaga keunggulan MPLKFOK atas MPL basa. Hasl n adalah waar, sehubungan dengan tolerans yang dberkan bag ketersedaan sumber daya kayu, am kera fnshng dan am kera carpentry, dsampng tolerans dalam bentuk nterval yang dberkan pada koefsen keuntungan dar per unt bangku, mea dan kurs. Letak keunggulan dar MPLKFOK atas MPL adalah pada: kemampuannya menggambarkan stuas nyata bahwa keuntungan suatu produk tdaklah selalu dapat dnyatakan dalam bentuk sebuah blangan saa, melankan serngkal memerlukan pernyataan bahwa keuntungan suatu produk berada pada suatu selang (nterval, kemampuannya menggambarkan stuas bahwa dalam realtanya tdak semua kendala-kendala tu determnstk (past harus dpenuh, melankan bersfat determnstk, artnya terdapat probabltas bag kemungknan pemenuhannya. Saran Solus MPLKFOK pada peneltan n berupa blangan rl, untuk pengembangan selanutnya dapat darahkan pada pencaran solus MPLKFOK blangan bulat. Pembahasan MPLKFOK dapat dlanutkan dengan analss senstvtas terhadap solus yang dhaslkannya. Pada pendekatan MPLKFOK menad MPL basa dengan fungs obektf tunggal dgunakan krtera pesms, yatu krtera mn (lhat (-(, (4-(4c dan (5-(6. Untuk peneltan selanutnya dapat dcoba penggunaan krtera pengamblan keputusan yang lan, msalnya krtera Hurwc, krtera Laplace dan lan-lan. 6. DAFTAR SINGKATAN: KFO : Koefsen Fungs Obektf MPL : Model Pemrograman Lner MPLKFOK : Model Pemrograman Lner dengan Koefsen Fungs Obektf Kabur MPLKK : Model Pemrograman Lner dengan Kendala Kabur MPLKFOK : Model Pemrograman Lner dengan Koefsen Fungs Obektf Kabur dan Kendala Kabur PL : Pemrograman Lner 6 Jurusan Teknk Industr, Fakultas Teknolog Industr, Unverstas Krsten Petra
14 PEMODELAN PEMROGRAMAN LINIER DENGAN KOEFISIEN FUNGSI OBJEKTIF (San Susanto, et al. DAFTAR PUSTAKA Susanto, S., 999. Masalah Pemrograman Lnear dengan Ruas Kanan Kabur. Proceedng Semnar Nasonal, BKSTI, Surabaya- Susanto, S, dan Adanto, H., 5. Pemodelan dan Penyelesaan Pemrograman Lnear dengan Koefsen Fungs Obektf Berbentuk Blangan Kabur Segtga. Jurnal Ekonom dan Komputer (terakredtas DIKTI, Unverstas Gunadarma Wang, L.-X., 997. A Course n Fuy Systems and Control, Prentce-Hall Int., London. Wnston, W.L.,. Operatons Research: Applcatons and Algorthms, eds-4, Internatonal Thomson Publshng, Belmont, Calforna. Jurusan Teknk Industr, Fakultas Teknolog Industr, Unverstas Krsten Petra 7
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 terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan
Lebih terperinciBAB 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 terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciMENCERMATI BERBAGAI JENIS PERMASALAHAN DALAM PROGRAM LINIER KABUR. Mohammad Asikin Jurusan Matematika FMIPA UNNES. Abstrak
JURAL MATEMATIKA DA KOMUTER Vol. 6. o., 86-96, Agustus 3, ISS : 4-858 MECERMATI BERBAGAI JEIS ERMASALAHA DALAM ROGRAM LIIER KABUR Mohammad Askn Jurusan Matematka FMIA UES Abstrak Konsep baru tentang hmpunan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.4 Teor Graf Sebelum sampa pada pendefensan masalah lntasan terpendek, terlebh dahulu pada bagan n akan durakan mengena konsep-konsep dasar dar model graf dan representasnya dalam
Lebih terperinciBAB 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 terperinciBAB 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 terperinciPENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER
Penerapan Program Lner Kabur dalam Analss.. Elfranto PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER Elfranto Dosen Unverstas Muhammadyah Sumatera Utara Abstrak: Salah satu kaan
Lebih terperinciOPTIMASI MASALAH PENUGASAN. Siti Maslihah
JPM IIN ntasar Vol. 01 No. 2 Januar Jun 2014, h. 95-106 OPTIMSI MSLH PNUGSN St Maslhah bstrak Pemrograman lner merupakan salah satu lmu matematka terapan yang bertuuan untuk mencar nla optmum dar suatu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciBAB 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 terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciMEREDUKSI 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 terperinciOptimasi Perencanaan Hasil Produksi dengan Aplikasi Fuzzy Linear Programming (FLP)
Semnar Nasonal Waluyo Jatmko II FTI UPN Veteran Jawa Tmur Optmas Perencanaan Hasl Produks dengan Aplkas Fuzzy Lnear Programmng (FLP) Akhmad Fauz Jurusan Teknk Informatka UPNV Veteran Jawa Tmur Emal: masuz@upnatm.ac.d
Lebih terperinciBAB 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 terperinciBab 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 terperinciBab 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 terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciALJABAR LINIER LANJUT
ALABAR LINIER LANUT Ruang Bars dan Ruang Kolom suatu Matrks Msalkan A adalah matrks mnatas lapangan F. Bars pada matrks A merentang subruang F n dsebut ruang bars A, dnotaskan dengan rs(a) dan kolom pada
Lebih terperinciSifat-sifat Operasi Perkalian Modular pada Graf Fuzzy
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 07 Sfat-sfat Operas Perkalan Modular pada raf Fuzzy T - 3 Tryan, ahyo Baskoro, Nken Larasat 3, Ar Wardayan 4,, 3, 4 Unerstas Jenderal Soedrman transr@yahoo.com.au
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus
Lebih terperinciSISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS
SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS A8 M. Andy Rudhto 1 1 Program Stud Penddkan Matematka FKIP Unverstas Sanata Dharma Kampus III USD Pangan Maguwoharjo Yogyakarta 1 e-mal: arudhto@yahoo.co.d
Lebih terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciTeori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang
Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan
Lebih terperinciBAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi
BAB III FUNGSI MAYOR DAN MINOR Pada bab n akan dbahas konsep-konsep dasar dar fungs mayor dan fungs mnor dar suatu fungs yang terdefns pada suatu nterval tertutup. Pendefnsan fungs mayor dan mnor tersebut
Lebih terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciBAB 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 terperinciBAB 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 terperinciBAB 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 terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB III SKEMA NUMERIK
BAB III SKEMA NUMERIK Pada bab n, akan dbahas penusunan skema numerk dengan menggunakan metoda beda hngga Forward-Tme dan Centre-Space. Pertama kta elaskan operator beda hngga dan memberkan beberapa sfatna,
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciPENENTUAN 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 terperinciEFISIENSI 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 terperinciBAB 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
I ENDHULUN. Latar elakang Mengambl keputusan secara aktf memberkan suatu tngkat pengendalan atas kehdupan spengambl keputusan. lhan-plhan yang dambl sebenarnya membantu dalam penentuan masa depan. Namun
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciDekomposisi Nilai Singular dan Aplikasinya
A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak
Lebih terperinciBAB 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 terperinciANALISIS 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 terperinciBab IV Pemodelan dan Perhitungan Sumberdaya Batubara
Bab IV Pemodelan dan Perhtungan Sumberdaa Batubara IV1 Pemodelan Endapan Batubara Pemodelan endapan batubara merupakan tahapan kegatan dalam evaluas sumberdaa batubara ang bertuuan menggambarkan atau menatakan
Lebih terperinciBAB 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 terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciBAB 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 terperinciBab 1 Ruang Vektor. R. Leni Murzaini/0906577381
Bab 1 Ruang Vektor Defns Msalkan F adalah feld, yang elemen-elemennya dnyatakansebaga skalar. Ruang vektor atas F adalah hmpunan tak kosong V, yang elemen-elemennya merupakan vektor, bersama dengan dua
Lebih terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
Lebih terperinci2 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 terperinciBAB 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 terperinciBAB 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 terperinciBAB 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 terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciANALISIS 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 terperinciPROPOSAL 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 terperinciBAB 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciCatatan Kuliah 13 Memahami dan Menganalisa Optimasi dengan Kendala Ketidaksamaan
Catatan Kulah 3 Memaham dan Menganalsa Optmas dengan Kendala Ketdaksamaan. Interpretas Konds Kuhn Tucker Asumskan masalah yang dhadap adalah masalah produks. Secara umum, persoalan maksmsas keuntungan
Lebih terperinciBAB 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 terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciREKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA
REKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA Jl. Boulevard Bntaro Sektor 7, Bntaro Jaya Tangerang Selatan 15224 PENDAHULUAN Bangktan perjalanan (Trp generaton model ) adalah suatu tahapan
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciPENDAHULUAN LANDASAN TEORI
PENDAHULUAN Latar elakang Masalah pengrman barang hasl produks bag suatu perusahaan kepada para pelanggannya merupakan masalah yang sangat pentng, karena hal tu berkatan dengan kepuasan pelanggan akan
Lebih terperinciBAB 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 terperinciBAB 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 terperinciBAB 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 terperinciANALISIS 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 terperinciBAB 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 terperinciAPLIKASI 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 terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Matematka dbag menjad beberapa kelompok bdang lmu, antara lan analss, aljabar, dan statstka. Ruang barsan merupakan salah satu bagan yang ada d bdang
Lebih terperinciPendeteksian 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 terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 II TINJUN PUSTK 2.1 Manaemen Proyek 2.1.1 Pengertan Manaemen Proyek Sebelum mengemukakan apa art dar Manaemen Proyek, terlebh dahulu akan mengetahu art dar Manaemen dan Proyek tu. Menurut Hamng dan Nurnaamuddn
Lebih terperinciPELABELAN TOTAL SISI TAK BERATURAN PADA GRAF GABUNGAN BIPARTIT LENGKAP
JMP : Volume 1 Nomor 2, Oktober 2009 PELABELAN TOTAL SISI TAK BERATURAN PADA GRAF GABUNGAN BIPARTIT LENGKAP Tryan dan Nken Larasat Fakultas Sans dan Teknk, Unverstas Jenderal Soedrman Purwokerto, Indonesa
Lebih terperinciPEMBUATAN 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 terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciBAB 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 terperinciIII. 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 terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciε 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 terperinciBAB 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 terperinciPENELUSURAN KERAGAMAN DALAM BLOK PADA RANCANGAN ACAK KELOMPOK DENGAN INTERGRADIEN. Rita Rahmawati Program Studi Statistika FMIPA UNDIP
PENELUSURAN KERAGAMAN DALAM BLOK PADA RANCANGAN ACAK KELOMPOK DENGAN INTERGRADIEN Rta Rahmawat Program Stud Statstka FMIPA UNDIP Abstrak Dalam Rancangan Acak Kelompok Lengkap (RAKL), asums terpentng adalah
Lebih terperinciBAB 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 terperinciPERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA
Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN :2087-0922 PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL
Lebih terperinciBAB 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 terperinciIII. 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 terperinciIV. 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 terperinciAPLIKASI PERKONGRUENAN DALAM MENYELESAIKAN SISTEM PERSAMAAN LINEAR DUA PEUBAH. Yuni Yulida dan Muhammad Ahsar K
Jurnal Matematka Murn dan Terapan Vol. 3 No. Desember 009: 4-6 APLIKASI PERKONGRUENAN DALAM MENYELESAIKAN SISTEM PERSAMAAN LINEAR DUA PEUBAH Yun Yulda dan Muhammad Ahsar K Program Stud Matematka Unverstas
Lebih terperinciOleh : Fifi Fisiana
Optmas Baya Produks menggunakan Metode Revsed Mult Choce Goal programmng dengan Tahap Persedaan Terkontrol Supply Chan Model stud kasus : PT.Gunungarta Manunggal, Gempol Oleh : Ff Fsana 1207100018 Dosen
Lebih terperinciPELABELAN TOTAL SISI AJAIB SUPER PADA GRAF CORONA-LIKE UNICYCLIC
PELABELAN TOTAL SISI AJAIB SUPER PADA GRAF CORONA-LIKE UNICYCLIC Kurnawan *, Rolan Pane, Asl Srat Mahasswa Program Stud S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciJurnal Ilmiah Widya Teknik Volume 16 Nomor ISSN
Jurnal Ilmah Wdya Teknk Volume 16 Nomor 1 2017 ISSN 1412-7350 PEMODELAN MATEMATIKA UNTUK PERANCANGAN PRODUK LEMARI KABINET Rcky Yulanton Prhandaa, Dan Retno Sar Dew * Jurusan Teknk Industr, Fakultas Teknk,
Lebih terperinciAnalysis of Covariance (ANACOVA)
Analss of Covarance ANACOVA Bett Kash Paramtha Ihda Ihsana Gempur Safar Oleh: La Ftran Muhammad Alawdo Erma Aprlana Eka Setanngsh Prof Dr Sr Haratm Kartko Program Stud Statstka FMIPA Unverstas Gadah Mada
Lebih terperinciANALISIS PARETO OPTIMAL DENGAN PEMBOBOTAN DALAM MENENTUKAN SOLUSI GOAL PROGRAMMING SKRIPSI. SRI KEUMALAWATI (Operasi Riset)
ANALISIS PARETO OPTIMAL DENGAN PEMBOBOTAN DALAM MENENTUKAN SOLUSI GOAL PROGRAMMING SKRIPSI SRI KEUMALAWATI 050803046 (Operas Rset) DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciPENERAPAN 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 terperinciAPLIKASI METODE SINGULAR VALUE DECOMPOSITION(SVD) PADA SISTEM PERSAMAAN LINIER KOMPLEKS
Vol No Jurnal Sans Teknolog Industr APLIKASI METODE SINGULAR VALUE DECOMPOSITION(SVD) PADA SISTEM PERSAMAAN LINIER KOMPLEKS Ftr Aryan Dew Yulant Jurusan Matematka Fakultas Sans Teknolog UIN SUSKA Rau Emal:
Lebih terperinci