PRESENTASI TUGAS AKHIR CI 1483 OPTIMASI WAKTU INVENTORI MULTI ITEM DENGAN STRUKTUR BIAYA CONCAVE
|
|
- Lanny Tanudjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PRESENTASI TUGAS AKHIR CI 1483 OPTIMASI WAKTU INVENTORI MULTI ITEM DENGAN STRUKTUR BIAYA CONCAVE Penyusun Tugas Akhr : Nta Kusumanngtyas (NRP : ) Dosen Pembmbng : Rully Soelaman, S.Kom., M.Kom. xxxxxxxx Tugas Akhr CI1483 1
2 A G E N D A P R E S E N T A S I PENDAHULUAN -Latar Belakang -Tujuan -Permasalahan -Batasan permasalahan KONSEP DASAR -Struktur baya concave dan Jont setup -Asums OPTIMASI GLOBAL - Metode Optmas Global ANALISIS MODEL RANCANGAN ALGORITMA Model analsa mult tem dengan Struktur baya concave dan jont setup Model valdas Model uj solver glbsolve Fungs tujuan Varabel keputusan T optmal untuk tap tem Frekuens pemesanan optmal untuk tap tem UJI COBA Data Masukan Uj coba glbsolve Uj coba mult tem : skenaro 1, skenaro 2, skenaro 3 EVALUASI HASIL AKHIR KESIMPULAN dan SARAN - Uj valdas solver glbsolve - Uj valdas : Skenaro 1, Skenaro 2, Skenaro 3 - Kesmpulan - Saran Tugas Akhr CI1483 2
3 .:LATAR BELAKANG:. Perencanaan sstem nventor untuk model mult-tem merupakan perencanaan yang terjad pada suatu perusahaan. Dharapkan dengan adanya koordnas replenshment pada sstem nventor mult tem dengan struktur baya concave dan jont setup, akan dperoleh frekuens dan waktu yang optmal sehngga akan dperoleh baya rata-rata yang palng mnmum. Proses n menggunakan metode pada jurnal yang dsusun oleh Mattas dan Kenneth (1999) yatu metode optmas global. *agenda Tugas Akhr CI1483
4 .:TUJUAN:. PENDAHULUAN (2) Tujuan pada tugas akhr n adalah : Mengmplementaskan dan melakukan uj kelayakan solus Optmas Global yang dgunakan untuk memnmalkan total baya rata-rata yang dkeluarkan dengan mempredks waktu dan frekuens replenshment yang optmal pada tap tem. *agenda xxxxxxxx Tugas Akhr CI1483 4
5 .:PERMASALAHAN:. PENDAHULUAN (3) Permasalahan pada tugas akhr n adalah : Bagamana mplementas dan uj kelayakan dar metode Optmas Global sebaga solus dar masalah replenshment yang terdapat pada sstem nventor? *agenda xxxxxxxx Tugas Akhr CI1483 5
6 .:BATASAN PERMASALAHAN:. PENDAHULUAN (4) Batasan permasalahan pada tugas akhr n adalah : Permasalahan yang dbahas dalam tugas akhr n mentkberatkan kapan sebaknya perusahaan harus melakukan orderng kepada suppler untuk melakukan replenshment barang pada gudang nventor. Tugas akhr n dkembangkan dengan menggunakan aplkas MATLAB *agenda xxxxxxxx Tugas Akhr CI1483 6
7 .:STRUKTUR BIAYA CONCAVE:. KONSEP DASAR BIAYA *latar belakang KUANTITAS baya concave terhadap kuanttas *agenda xxxxxxxx Tugas Akhr CI1483 7
8 .:JOINT SETUP:. KONSEP DASAR (2) *latar belakang Jont Setup, alah proses setup sejumlah tem pada sstem nventor yang dlakukan secara bersama-sama (jont) sehngga menghadrkan dua buah aya setup, yatu : Baya setup major Baya setup mnor *agenda xxxxxxxx Tugas Akhr CI1483 8
9 .: ASUMSI :. KONSEP DASAR (3) Asums yang dgunakan pada tugas akhr n adalah sebaga berkut : Persedaan bersfat bersfat determnstk. Kapastas persedaan tdak dbatas. Permntaan yang tdak terpenuh dasumskan sebaga backorder Tngkat produks lebh besar dar tngkat permntaan. Pada holdng cost, data yang akan dmasukkan dalam uj coba adalah out-of-pocket holdng cost. 0 lead tme *agenda xxxxxxxx Tugas Akhr CI1483 9
10 .:METODE OPTIMASI GLOBAL:. KONSEP DASAR (4) Optmas global adalah algortma optmas yang menggunakan ukuran atau rentang untuk mencegah tndakan fokus pada satu daerah masalah saja akan tetap lebh menngkatkan kemungknan untuk mencar sebuah global optmum pada daerah yang lebh luas (Wese, Thomas., 2008). Pada tugas akhr n, optmas global dgunakan sebaga solver untuk mencar T (waktu) optmal, frekuens optmal dan total baya rata-rata mnmum pada persedaan mult tem. Algortma untuk solver global optmas n ddapatkan dar jurnal yang berjudul Global optmzaton usng the DIRECT Algorthm n Matlab yang dkembangkan oleh Mattas Bjorkman dan Kenneth Holmstrom pada tahun 1999 dengan nama glbsolve.m. *agenda xxxxxxxx Tugas Akhr CI
11 ANALISA MODEL.: FUNGSI TUJUAN dan VARIABEL KEPUTUSAN :. Fungs tujuan : Memnmumkan total baya rata-rata pada nventor mult tem dengan struktur baya concave dan jont setup. Varabel keputusan : Terdapat 2 buah varabel keputusan yang dcar, yatu : 1. Mencar nla waktu optmal pada tap tem ke-. ( T() ) 2. Mencar nla frekuens pemesanan (k) optmal pada tap tem ke-. mn A n mn Zn T 1 1 j T 0 m H (, k (, T ) T ) xxxxxxxx Tugas Akhr CI
12 .: MENCARI NILAI T() :. ANALISA MODEL (2) Dberkan formulas untuk mencar total baya mnmum pada persedaan sngle tem dengan baya produks cekung, yatu : F, T : mn j jm a j mn T 0 T bt 2 Salah satu optmas pada formulas datas mencar waktu optmal, yatu : 2 2 bt h b r T 2r j j a mn T 0 T j bt bt h b r T 2r j j Dkarenakan pada optmas tersebut batasannya adalah T>0 sehngga dapat dsmpulkan bahwa optmas tersebut menghtung waktu optmal pada tap tem ke-. *Rancangan algortma xxxxxxxx Tugas Akhr CI
13 .: MENCARI NILAI k :. ANALISA MODEL (3) Dberkan formulas menghtung k adalah sebaga berkut : k (, T0 ) argmn H (, k T0 ), H (, k T0 ) Pada formulas datas, terdapat varabel k- dan k+,yang dcar melalu formulas berkut, dan T ( ) T ( ) k k T0 T0 *Rancangan algortma Sedangkan formulas H (, T ) *Rancangan algortma dcar melalu formulas sbb: Z j mn j 1 jm a T j b T 2 2( h b bt r ) T j 2 2r j *Rancangan algortma xxxxxxxx Tugas Akhr CI
14 .: MENCARI FUNGSI TUJUAN :. ANALISA MODEL (4) Fungs tujuan : mn A n mn Zn T 1 1 j T 0 m H (, k (, T ) T ) Perhtungan akan dbag 2 yatu : n 1. Perhtungan mn H (, k, T T ) jm 1 1 H (, k (, T) T) mn H (, kt) k Formulas n merujuk pada persamaan mn H (, kt) Dmana persamaan k telah dcar pada saat mencar nla k optmal. Setelah hasl dar untuk tap tem dketahu, langkah selanjutnya adalah menjumlahkan seluruh nla dar tap tem tersebut. 2. Perhtungan mencar total baya rata-rata mnmum dengan membag A dengan T lalu menjumlahkannya dengan hasl dar perhtungan pertama. *Rancangan algortma *agenda xxxxxxxx Tugas Akhr CI
15 .: MODEL VALIDASI :. ANALISA MODEL (4) Pada lngkungan yang menerapkan fungs baya produks cekung, dberkan formulas untuk menghtung fungs baya produks cekung pada tap tem, yatu : c T : mn j T j 1 (1) j m dberkan juga formulas untuk menghtung baya mnmal pada persedaan sngle tem dengan fungs baya produks cekung yatu : 2 a c ( T) bt ( bt ) mn T 0 T 2 2 ( h b ) T 2rc ( T) (2) xxxxxxxx Tugas Akhr CI
16 .: MODEL VALIDASI :. ANALISA MODEL (5) Uj valdas yang dlakukan adalah Memasukkan nla k yang telah ddapat pada uj coba dan dmasukkan ke dalam formulas (1) dan formulas (2). Dmana nantnya, k akan dkalkan dengan setap T yang ada pada formulas (1) dan formulas (2) Hal n dkarenakan apabla nla k dar perhtungan sebelumnya telah optmal, kemudan dkalkan dengan T pada lngkungan yang menerapkan fungs baya produks cekung, dapat memberkan hasl yang sama dengan hasl pada uj coba, maka dapat dkatakan hasl yang ddapat telah optmal, karena kedua perhtungan sama-sama berada pada lngkungan yang menerapkan fungs baya produks cekung. xxxxxxxx Tugas Akhr - CF
17 Maka formulas untuk fungs baya produks cekung, akan menjad : Dan formulas untuk mencar total baya mnmum pada persedaan sngle tem akan menjad : j j m j T k T c * mn : 1 ) * ( 2 * ) ( 2 ) * ( 2 * * ) * ( mn 2 0 k T rc k T b h k b T k T b k T k T c a T xxxxxxxx Tugas Akhr - CF : MODEL VALIDASI :. ANALISA MODEL (6) valdas
18 .: MODEL UJI glbsolve :. ANALISA MODEL (7) *agenda No Model Optmas Formulas model optmas Hasl Model Sx-Hump Camel (rancangan algortma) dengan batasan 3 x1 3 dan 2 x2 2 Model 2 5x1 5x1 2 1 mn f ( x) ( x2 6) 10(1 )cos( x1 ) 2 Brann RCOS x 4 8 (rancangan algortma) dengan batasan 5 x dan x2 15 Model Goldsten and Prce (rancangan algortma) mn f ( x) (4 2.1x1 x1 ) x1 x1x2 ( 4 4x x 3 x 2 mn f ( x) 1 ( x1 x2 1) (1914x1 3x1 14x2 6x1x2 3x (2x1x2 ) (18 32 x1 12 x1 48 x2 36 x1x2 27 x ) 10 ) x ) f global = f global = f global = 3 dengan batasan 2 2, j 1,2, x j 4. Model Sphere (rancangan algortma) mn x f ( x) 1 dengan batasan n ( x 1) 2 5 x 5, 1,2,..., n f reach = 10-6 xxxxxxxx Tugas Akhr - CF
19 .: MENCARI NILAI T OPTIMAL :. RANCANGAN ALGORITMA Mencar nla START T() 1 n A lmda () myu () m () alpha(j) beta(j) a() h() r f = (a()+beta(j)/t)+((b()*sgma*t)/2) -... (lamda*sgma*(b()*t)^2)/(2*lamda*(h()+b()+r()*alpha(j)*t) +... (2*r()*beta(j)) f = TO <=n FALSE lamda=lmda() mu=myu() TRUE b()=h()+20*r*alpha(,1) sgma = lamda*(1-(lamda/mu)) STOP ++ 1 *Analss Model xxxxxxxx Tugas Akhr - CF
20 .: MENCARI NILAI k- dan k+ :. RANCANGAN ALGORITMA (2) START n A Lmda () myu () m () alpha (j) beta (j) a () h() r TO = 1 <= n true b()=h()+20*r*alpha(,1) false k = zeros (3,4) H = zeros (3,4) = 1 <= n true j = 1 4 true lamda = lmda () mu = myu () j <= m () sgma = lamda*(1-lamda/mu) false 1 j++ t<to false true kmn=floor(to(,j)/t) kplus=cel(to(,j)/t) *Model Analss kmn=1 kplus=1 2 xxxxxxxx Tugas Akhr - CF
21 RANCANGAN ALGORITMA (3).: MENCARI NILAI H (, T ) :. 2 H mn = lamda*alpha(,j)+((a()+beta(,j)) / kmn*t))+((b()*sgma*(kmn*t))/ (lamda*sgma*(b()*(kmn*t))^2) / ((2*lamda*(h()+b()+r*alpha(,j))*(kmn*t)+(2*r*beta(,j))) H plus = lamda*alpha(,j)+((a()+beta(,j)) / kplus*t))+((b()*sgma*(kplus*t))/ (lamda*sgma*(b()*(kplus*t))^2) / ((2*lamda*(h()+b()+r*alpha(,j))*(kplus*t)+(2*r*beta(,j))) 3 Analss Model xxxxxxxx Tugas Akhr - CF
22 RANCANGAN ALGORITMA (4).: MENCARI NILAI k :. 3 Hmn<Hplus k(,j) = kmn H(,j) = Hmn k(,j) = kplus H(,j) = Hplus j++ 4 Analss Model xxxxxxxx Tugas Akhr - CF
23 RANCANGAN ALGORITMA (5).: FUNGSI TUJUAN :. 1 5 k(bers k yang optmal) H(bers H yang mnmum) =1 F = A/t + sum(hmn) >=n true Hmn()=H(,1) 6 j=1 j<=m() Hmn()=H(,j) end 6 5 j++ Model Analss xxxxxxxx Tugas Akhr - CF
24 RANCANGAN ALGORITMA (6).: MODEL VALIDASI :. START n A lmda() myu() m() alpha(j) beta(j) a() h() r() b k() =1 <= n true b()=h()+20*r*alpha(,1) false c = zeros (3,4) = 1 <= n true j = 1 false 1 j <= m () true lamda = lmda () mu = myu () Sgma = lamda*(1-(lamda/mu)) false j++ c(,j)=alpha(,j)*lamda*k()*t+beta(,j) Model Analss xxxxxxxx Tugas Akhr - CF
25 RANCANGAN ALGORITMA (7).: MODEL VALIDASI :. 1 false = 1 <= n = 1 <= n Lamda=lamda() Mu=myu() Sgma=lamda*(1-(lamda/mu)) true cmn=c(,1) j = 1 j <= m () true cmn()=c(,j) false j++ f()=((a() + cmn()))/(k()*t)) + ((b()*sgma*(k()*t))/2) -... (lamda*sgma*(b()*(k()*t))^2)/2((2*lamda*(h()+b()*(k()*t)) + (2*r*cmn()) Z=A/t+sum(f) end Model Analss
26 .: MODEL SIX-HUMP CAMEL:. RANCANGAN ALGORITMA (8) START X1 = -5 s.d 10 X2 = 0 s.d 15 f = (x(2)-5*x(1)^2/(4*p^2)+5*x(1)/p-6)^2+10*(1-1 /... (8*p))*cos(x(1))+10 f = funct1 funct1 = x STOP Analss Model
27 .: MODEL BRANIN RCOS:. RANCANGAN ALGORITMA (9) START X1 = -3 s.d 3 X2 = -2 s.d 2 f = (4-2.1*x(1)^2 + 1/3*x(1)^4)*x(1)^2+x(1)*x(2) +... (-4+4*x(2)^2)*x(2)^2 f = funct2 funct2 = x STOP Analss Model
28 RANCANGAN ALGORITMA (10).: MODEL GOLDSTEIN and PRICE:. START Xj = -2 s.d 2 j = 1,2,... f = (1+((x(1)+x(2)+1)^2)*(19-14*x(1)+((3*x(1))^2) *x(2)+(6*x(1)*x(2))+((3*x(2))^2))*(30+((2*x(1) *x(2))^2)*(18-32*x(1)+((12*x(1))^2)+48*x(2) *x(1)*x(2)+((27*x(2))^2)) x = funct3 funct3 = f STOP Analss Model
29 .: MODEL SPHERE:. RANCANGAN ALGORITMA (11) START n = 2 = 1: n TRUE f = ((x(,1)-1)^2) FALSE x = funct4 funct4 = f STOP Analss Model
30 .: DATA MASUKAN :. UJI COBA *agenda No. Varabel Nama Varabel dengan dengan 5. a dengan 0.1 a 5 6. h 0.1 h 2 dengan 7. m dengan 2 m 5 1 n dengan j 8. j dan 1 j m 1 n 9. n n3,4,5 A A5,8,12 j dan j 10 1 n dan dengan 2 m 5 1 n 1 n 1 n 1 n b b h 20r dengan 1 n
31 .:Uj kebenaran solver glbsolve:. UJI COBA No Model Permasalahan Hasl mplementas program 1. Sx-Hump Camel Brans RCOS Goldsten and Prce Sphere valdas xxxxxxxx Tugas Akhr - CF
32 .: UJI COBA SKENARIO 1 :. UJI COBA *agenda Rancangan skenaro uj coba model persedaan mult tem : Tngkat produks nlanya lebh besar dar tngkat permntaan. Pada pengujan persedaan mult tem n, jumlah tem yang akan dujkan alah tem sebanyak 3 tem, 4 tem dan 5 tem. SKENARIO 1 merupakan skenaro untuk tem yang berjumlah 3 dengan rncan sebaga berkut : 1. Item 1 mempunya 2 segmen 2. Item 2 mempunya 3 segmen 3. Item 3 mempunya 4 segmen xxxxxxxx Tugas Akhr - CF
33 .: MODEL UJI COBA SKENARIO 1 :. UJI COBA Sehngga, nantnya akan dbuat model sebanyak 9 buah. Rncan dar 9 buah model yang akan dbuat adalah sebaga berkut : 1. Model 311, alah model 3 tem untuk tem ke-1 dengan segmen baya ke Model 312, alah model 3 tem untuk tem ke-1 dengan segmen baya ke Model 321, alah model 3 tem untuk tem ke-2 dengan segmen baya ke Model 322, alah model 3 tem untuk tem ke-2 dengan segmen baya ke Model 323, alah model 3 tem untuk tem ke-2 dengan segmen baya ke Model 331, alah model 3 tem untuk tem ke-3dengan segmen baya ke Model 332, alah model 3 tem untuk tem ke-3dengan segmen baya ke Model 333, alah model 3 tem untuk tem ke-3 dengan segmen baya ke Model 334, alah model 3 tem untuk tem ke-3 dengan segmen baya ke-4. xxxxxxxx Tugas Akhr - CF
34 .: HASIL UJI COBA SKENARIO 1 :. UJI COBA Hasl T optmal TO = Hasl k optmal k = Hasl H optmal H = f_opt = Topt = *valdas xxxxxxxx Tugas Akhr - CF
35 .: PLOT UJI COBA SKENARIO 1 :. UJI COBA Plot gambar menunjukkan t_opt atau daerah ttk-ttk optmal yang terletak pada daerah d sektar 3 hngga 5, hal n sesua dengan hasl dar t_opt yatu *valdas xxxxxxxx Tugas Akhr - CF
36 .: UJI COBA SKENARIO 2 :. UJI COBA *agenda SKENARIO 2 : Merupakan skenaro untuk tem yang berjumlah 4 dengan rncan sebaga berkut : 1. Item 1 mempunya 3 segmen 2. Item 2 mempunya 2 segmen 3. Item 3 mempunya 4 segmen 4. Item 4 mempunya 3 segmen xxxxxxxx Tugas Akhr - CF
37 .: MODEL UJI COBA SKENARIO 2 :. UJI COBA Sehngga, nantnya akan dbuat model sebanyak 12 buah. Rncan dar 12 buah model yang akan dbuat adalah sebaga berkut : 1. Model 411, alah model 4 tem untuk tem ke-1 dengan segmen baya ke Model 412, alah model 4 tem untuk tem ke-1 dengan segmen baya ke Model 413, alah model 4 tem untuk tem ke-1 dengan segmen baya ke Model 421, alah model 4 tem untuk tem ke-2 dengan segmen baya ke-1 5. Model 422, alah model 4 tem untuk tem ke-2 dengan segmen baya ke-2 6. Model 431, alah model 4 tem untuk tem ke-3 dengan segmen baya ke-1 7. Model 432, alah model 4 tem untuk tem ke-3 dengan segmen baya ke-2 8. Model 433, alah model 4 tem untuk tem ke-3 dengan segmen baya ke-3 9. Model 434, alah model 4 tem untuk tem ke-3 dengan segmen baya ke Model 441, alah model 4 tem untuk tem ke-4 dengan segmen baya ke Model 442, alah model 4 tem untuk tem ke-4 dengan segmen baya ke Model 443, alah model 4 tem untuk tem ke-4 dengan segmen baya ke-3 xxxxxxxx Tugas Akhr - CF
38 .: HASILUJI COBA SKENARIO 2 :. UJI COBA Hasl T optmal TO = Hasl k optmal k = Hasl H optmal H = f_opt = Topt = *valdas xxxxxxxx Tugas Akhr - CF
39 UJI COBA.: PLOT UJI COBA SKENARIO 2 :. Plot gambar menunjukkan daerah t_opt atau daerah ttk-ttk optmal yang terletak pada daerah d sektar 3 hngga 4, hal n sesua dengan hasl dar t_opt yatu *valdas xxxxxxxx Tugas Akhr - CF
40 UJI COBA.: UJI COBA SKENARIO 3 :. SKENARIO 3 : Merupakan skenaro untuk tem yang berjumlah 5 dengan rncan sebaga berkut : 1. Item 1 mempunya 2 segmen 2. Item 2 mempunya 2 segmen 3. Item 3 mempunya 3 segmen 4. Item 4 mempunya 3 segmen 5. Item 5 mempunya 4 segmen xxxxxxxx Tugas Akhr - CF
41 UJI COBA.: MODEL UJI COBA SKENARIO 3 :. Sehngga, nantnya akan dbuat model sebanyak 14 buah. Rncan dar 14 buah model yang akan dbuat adalah sebaga berkut : 1. Model 511, alah model 5 tem untuk tem ke-1 dengan segmen baya ke-1 2. Model 512, alah model 5 tem untuk tem ke-1 dengan segmen baya ke-2 3. Model 521, alah model 5 tem untuk tem ke-2 dengan segmen baya ke-1 4. Model 522, alah model 5 tem untuk tem ke-2 dengan segmen baya ke-2 5. Model 531, alah model 5 tem untuk tem ke-3 dengan segmen baya ke-1 6. Model 532, alah model 5 tem untuk tem ke-3 dengan segmen baya ke-2 7. Model 533, alah model 5 tem untuk tem ke-3 dengan segmen baya ke-3 8. Model 541, alah model 5 tem untuk tem ke-4 dengan segmen baya ke-1 9. Model 542, alah model 5 tem untuk tem ke-4 dengan segmen baya ke Model 543, alah model 5 tem untuk tem ke-4 dengan segmen baya ke Model 551, alah model 5 tem untuk tem ke-5 dengan segmen baya ke Model 552, alah model 5 tem untuk tem ke-5 dengan segmen baya ke Model 553, alah model 5 tem untuk tem ke-5 dengan segmen baya ke Model 554, alah model 5 tem untuk tem ke-5 dengan segmen baya ke-4 xxxxxxxx Tugas Akhr - CF
42 .: HASIL UJI COBA SKENARIO 3 :. UJI COBA Hasl T optmal TO = Hasl k optmal k = Hasl H optmal H = xxxxxxxx Tugas Akhr - CF
43 .: HASIL UJI COBA SKENARIO 3 :. UJI COBA f_opt = Topt = *valdas xxxxxxxx Tugas Akhr - CF
44 UJI COBA.: PLOT UJI COBA SKENARIO 3 :. *agenda Plot gambar menunjukkan daerah t_opt atau daerah ttk-ttk optmal yang terletak pada daerah yang d sektar 5 hngga 7, hal n sesua dengan hasl dar t_opt yatu *valdas xxxxxxxx Tugas Akhr - CF
45 UJI VALIDASI.:VALIDASI glbsolve :. *analsa model No. Model Permasalahan Hasl mplementas program Hasl pada jurnal Mattas dan Kenneth Keterangan 1. Sx-Hump Camel vald 2. Brans RCOS vald 3. Goldsten and Prce vald 4. Sphere vald xxxxxxxx Tugas Akhr - CF
46 .: HASIL VALIDASI SKENARIO 1 :. UJI VALIDASI Hasl T optmal TO = Hasl k optmal k = Hasl H optmal H = Nla k optmal untuk tap tem pada skenaro 1 adalah : Untuk tem ke-1 adalah 1 Untuk tem ke-2 adalah 3 Unutk tem ke-3 adalah 1 xxxxxxxx Tugas Akhr - CF
47 .: HASIL VALIDASI SKENARIO 1 :. UJI VALIDASI Dengan batas atas (t_u) yatu 4.5 dan (t_l) batas bawah yatu 3.5. Penentuan batas atas dan batas bawah n melhat pada hasl t optmal pada uj coba. Hasl uj coba skenaro 1 Hasl program valdas f_opt t_opt f_opt t_opt Terlhat bahwa kedua program mempunya hasl yang sama. Sehngga nla k pada skenaro 1 n telah vald xxxxxxxx Tugas Akhr - CF
48 UJI VALIDASI.: PLOT VALIDASI SKENARIO 1 :. *agenda Plot program valdas skenaro 1 menunjukkan daerah t_opt atau daerah ttkttk optmal yang terletak pada daerah yang sama yatu berada d sektar 3 hngga 5, hal n sesua dengan hasl dar t_opt yatu dan sesua dengan plot model uj coba skenaro 1 xxxxxxxx Tugas Akhr - CF
49 .: HASIL VALIDASI SKENARIO 2 :. UJI VALIDASI Hasl T optmal TO = Hasl k optmal k = Hasl H optmal H = xxxxxxxx Tugas Akhr - CF
50 .: HASIL VALIDASI SKENARIO 2 :. UJI VALIDASI Nla k optmal untuk tap tem pada skenaro 2 adalah : Untuk tem ke-1 adalah 1 Untuk tem ke-2 adalah 1 Untuk tem ke-3 adalah 1 Untuk tem ke-4 adalah 1 xxxxxxxx Tugas Akhr - CF
51 .: HASIL VALIDASI SKENARIO 2 :. UJI VALIDASI Dengan batas atas (t_u) yatu 3.5 dan (t_l) batas bawah yatu 3 Hasl program mult tem Hasl program valdas f_opt t_opt f_opt t_opt Terlhat bahwa kedua program mempunya hasl yang sama. Sehngga nla k pada skenaro 2 n telah vald. xxxxxxxx Tugas Akhr - CF
52 UJI VALIDASI.: PLOT VALIDASI SKENARIO 2 :. *agenda Plot program menunjukkan daerah x_opt atau daerah ttk-ttk optmal yang terletak pada daerah yang sama d sektar 3 hngga 4 hal n juga sesua dengan hasl dar x_opt yatu dan sesua dengan plot model uj coba skenaro 2. xxxxxxxx Tugas Akhr - CF
53 KESIMPULAN dan SARAN.: SIMPULAN :. 1. Solver Optmas global (glbsolve.m) terbukt layak dgunakan untuk memnmumkan total baya rata-rata pada permasalahan sstem nventor mult tem dengan struktur baya concave. 2. Melalu hasl dar pencaran waktu optmal (t_opt) dapat membantu dalam memutuskan dan mempersempt daerah pencaran. 3. Frekuens pemesanan dan waktu yang optmal adalah faktor yang krusal dalam memnmalkan total baya rata-rata pada sstem nventor mult tem dengan struktur baya concave. *AGENDA xxxxxxxx Tugas Akhr - CF
54 .: SARAN :. KESIMPULAN dan SARAN Saran untuk pengembangan tugas akhr n adalah : 1. Menngkatkan jumlah percobaan dalam modfkas pada nla varabel data agar mendapatkan nla yang lebh optmal. 2. Menggunakan lebh banyak skenaro dalam uj coba dengan penambahan jumlah tem dan modfkas segmentas pada fungs baya produks pada tap temnya. 3. Memperluas analss perhtungan dengan menerapkan asums tdak ada shortages pada tugas akhr n. *AGENDA xxxxxxxx Tugas Akhr - CF
BAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciPENGEMBANGAN MODEL PERSEDIAAN BAHAN BAKU DENGAN MEMPERTIMBANGKAN WAKTU KADALUWARSA DAN FAKTOR UNIT DISKON
PENGEMBANGAN MODEL PERSEDIAAN BAHAN BAKU DENGAN MEMPERTIMBANGKAN WAKTU KADALUWARSA DAN FAKTOR UNIT DISKON Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos 1, Pabelan,
Lebih terperinciPENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT
PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos Pabelan
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 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 terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih 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 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 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 terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih 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 terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciBAB 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 terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih 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 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 IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih 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 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 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih 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 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.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciBAB III METODE PENELITIAN. pretest postes control group design dengan satu macam perlakuan. Di dalam
BAB III METODE PEELITIA A. Bentuk Peneltan Peneltan n merupakan peneltan ekspermen dengan model pretest postes control group desgn dengan satu macam perlakuan. D dalam model n sebelum dmula perlakuan kedua
Lebih terperinciBAB 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 terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciDalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang
LARGE SCALE SYSEM Course by Dr. Ars rwyatno, S, M Dept. of Electrcal Engneerng Dponegoro Unversty BAB V OPIMASI SISEM Dalam sstem pengendalan berhrark level, maka optmas dapat dlakukan pada level pertama
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih 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 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 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 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 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 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 terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciMODEL PERSEDIAAN TERINTEGRASI PRODUSEN - DISTRIBUTOR - PENGECER DENGAN MULTI - PRODUK DAN KENDALA TINGKAT LAYANAN
MODEL PERSEDIAAN TERINTEGRASI PRODUSEN - DISTRIBUTOR - PENGECER DENGAN MULTI - PRODUK DAN KENDALA TINGKAT LAYANAN Mkyana Ramadan, Nughthoh Arfaw Kurdh, dan Sutrma Program Stud Matematka FMIPA UNS Abstrak.
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciBAB III METODE PENELITIAN. menggunakan strategi pembelajaran mind mapping dalam pendekatan
35 BAB III METODE PENELITIAN A. Jens dan Desan Peneltan Jens peneltan n adalah kuas ekspermen. Pada peneltan n terdapat dua kelompok subjek peneltan yatu kelompok ekspermen yang dberkan suatu perlakuan
Lebih terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
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 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 terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih 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 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 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 III METODE PENELITIAN. Jenis penelitian yang akan digunakan dalam penelitian ini adalah
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan yang akan dgunakan dalam peneltan n adalah peneltan pengembangan (Research and Development). Peneltan Research and Development (R&D) n merupakan
Lebih terperinciMETODE PENELITIAN. digunakan untuk mengetahui bagaimana pengaruh variabel X (celebrity
37 III. METODE PENELITIAN 3.1 Jens dan Sumber Data Jens peneltan yang dgunakan adalah peneltan deskrptf, yang mana dgunakan untuk mengetahu bagamana pengaruh varabel X (celebrty endorser) terhadap varabel
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
Lebih 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 terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih 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 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 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 terperinciAbstraksi. Abstraksi. Abstraksi. Property SP (single short shortest path) 4/29/2010. Berapa pa th yang mungkin dari garaph G tadi?
Termnolog Sngle source shortest path djkstra wjanarto Djkstra s algorthm d paka untuk menemukan shortest path dar satu source ke seluruh vertek dalam graph. Algo n menggunakan 2 hmp node yatu S dan C.
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciBAB II DASAR TEORI. 2.1 Proses Pengadaan Persediaan
BAB II DASAR TEORI Pada bab II ini akan dibahas mengenai teori yang akan digunakan dalam pengerjaan tugas akhir. Diawali dengan penjelasan mengenai proses pengadaan persediaan, fungsi biaya produksi cekung,
Lebih terperinciPENENTUAN DENSITAS PERMUKAAN
PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan
Lebih terperinciPERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113
PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113 Pertemuan 5 Outlne: Independent Demand Inventory Models: Determnstk (EOQ dan EPQ), Probablstk (FOQ dan FOI) Referens: Tersne, Rchard J., Prncples of Inventory
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber
Lebih terperinciPRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel
PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan
Lebih terperinciBAB III METODE PENELITIAN. hasil penelitian. Walaupun penelitian ini merupakan penelitian kuasi eksperimen,
BAB III METODE PENELITIAN A. Metode dan Desan Peneltan Metode peneltan n adalah quas ekspermen karena terdapat unsur manpulas, yatu mengubah keadaan basa secara sstemats ke keadaan tertentu serta tetap
Lebih terperinciPENGEMBANGAN MODEL MIXED INTEGER PROGRAMMING UNTUK PENJADWALAN BATCH PROSES PRODUKSI SORBITOL MULTI GRADE (STUDI KASUS PT XXX)
PENGEMBANGAN MODEL MIXED INTEGER PROGRAMMING UNTUK PENJADWALAN BATCH PROSES PRODUKSI SORBITOL MULTI GRADE (STUDI KASUS PT XXX) Maro Chran, Ahmad Rusdansyah, Nurhad Sswanto Mager Manajemen Teknolog, Jurusan
Lebih terperinciPENJADWALAN PRODUKSI di PT MEUBEL JEPARA PROBOLINGGO
Prosdng Semnar Nasonal Manajemen Teknolog III Program Stud MMTITS, Surabaya 4 Pebruar 2006 PENJADWALAN PRODUKSI d PT MEUBEL JEPARA PROBOLINGGO Mohammad Khusnu Mlad, Bobby Oedy P. Soepangkat, Nurhad Sswanto
Lebih terperinciMULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari
MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuh Tugas Matakulah Multvarat yang dbmbng oleh Ibu Tranngsh En Lestar oleh Sherly Dw Kharsma 34839 Slva Indrayan 34844 Vvn Octana 34633 UNIVERSITAS
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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciMANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN
MANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN By: Rn Halla Nasuton, ST, MT MERANCANG JARINGAN SC Perancangan jarngan SC merupakan satu kegatan pentng yang harus
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 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 dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
Lebih 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. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciBAB V TEOREMA RANGKAIAN
9 angkaan strk TEOEM NGKIN Pada bab n akan dbahas penyelesaan persoalan yang muncul pada angkaan strk dengan menggunakan suatu teorema tertentu. Dengan pengertan bahwa suatu persoalan angkaan strk bukan
Lebih terperinciPerhitungan Bunga Kredit dengan Angsuran
Perhtungan Kredt dengan / Mengapa Perhtungan Kredt Perlu Dketahu? Perhtungan bunga kredt yang dgunakan bank akan menentukan besar keclnya angsuran pokok dan bunga yang harus dbayar Debtur atas kredt yang
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciHUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT
HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT ABSTRAK STEVANY HANALYNA DETHAN Fakultas Ekonom Unv. Mahasaraswat Mataram e-mal : stevany.hanalyna.dethan@gmal.com
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 terperinciBab 2 AKAR-AKAR PERSAMAAN
Analsa Numerk Bahan Matrkulas Bab AKAR-AKAR PERSAMAAN Pada kulah n akan dpelajar beberapa metode untuk mencar akar-akar dar suatu persamaan yang kontnu. Untuk persamaan polnomal derajat, persamaannya dapat
Lebih 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.3.1 Tempat Peneltan Peneltan n dlaksanakan d SMP Neger Gorontalo khususnya pada sswa kelas VIII. 3.3. Waktu Peneltan Peneltan n dlaksanakan selama
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 III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciMODEL PERSEDIAAN PROBABILISTIK YANG MEMUAT VARIABEL LEAD TIME DENGAN PENDEKATAN DISTRIBUSI NORMAL
MODEL PERSEDIAAN PROBABILISTIK YANG MEMUAT VARIABEL LEAD TIME DENGAN PENDEKATAN DISTRIBUSI NORMAL Noprad, T.P.Nababan, Endang Lly Mahasswa Program Stud S Matematka Dosen Jurusan Matematka Fakultas Matematka
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 IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
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 terperinciSIMULASI OPTIMASI ALIRAN DAYA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAYA OPERASI
ISSN: 1693-6930 167 SIMULASI OPTIMASI ALIRAN DAA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAA OPERASI Subyanto Teknk Elektro Fakultas Teknk Unverstas Neger Semarang Gedung E6 Lt. Kampus Sekaran
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jens dan Pendekatan Peneltan Jens peneltan n termasuk peneltan korelasonal (correlatonal studes. Peneltan korelasonal merupakan peneltan yang dmaksudkan untuk mengetahu ada
Lebih terperinci