Multi Criteria Decision Analysis Berbasis Fuzzy Set Theory untuk Pengambilan Keputusan

Ukuran: px
Mulai penontonan dengan halaman:

Download "Multi Criteria Decision Analysis Berbasis Fuzzy Set Theory untuk Pengambilan Keputusan"

Transkripsi

1 Performa (006) Vol. 5, No. : -0 Mult Crtera Decso Aalyss Berbass Fuzzy Set Theory utu Pegambla Keputusa Taufq Rochma Jurusa Te Idustr Faultas Te Uverstas Sebelas Maret Suraarta Jl. Ir. Sutam No.36 Suraarta telp. 576 fax.530 Abstract The am of ths study s to develop a framewor for decso mag process that corporates selectg the best alteratve whch s relevat to decso maer. Mult crtera decso alyss based fuzzy set theory s used ths study to help decso maer to compare ad ra decso alteratve. Ths result ables decso maers to collate the decso alteratve ad also permts decso-maers the weght of the dmeso whle modfyg decso mag process that appled fuzzy set theory to aalyse the collected data. Key word: fuzzy set theory, Mult crtera decso aalyss. Pedahulua Metode mult rtera terdr dar seumpula plha alteratf yag terbatas dmaa decso maer megguaa utu memlh atau meragg suatu plha da seumpula rtera dbobot megut tgat epetgaya (Al-Najjar&Al-Syouf, 003). Problem multrtera dumpa dalam baya stuas dmaa jumlah alteratf da ejada membutuha plha berdasara seumpula rtera atau atrbut (Aouam, 003). Membadga beberapa alteratf adalah uc pegambla eputusa yag bersfat atrbut. Dalam pemlha alteratf yag bersfat ofltual, pegambl eputusa harus mempertmbaga data yag bersfat mprecse atau ambguous. Teor fuzzy set coco utu meyelesaa permasalaha yag bersfat ambguty yag dumpa baya dalam peyelesaa problem multrtera. Belma da Zadeh (975) merupaa orag pertama yag mempelajar problem pegambla eputusa dbawah lguga fuzzy da merea megawal peyelesaa problem pegambla eputusa dega pedeata fuzzy mult rtera. Meurut Aouam (003) pegambla eputusa dalam strutur formas yag tda past (ucertaty ) da abur (fuzzess) megguaa metode matemats yag bersfat crsp urag tepat tetap dselesaa dega model yag meggabuga teor hmpua fuzzy da usur-usur subyetvtas (dsebaba ambgutas) utu medapata pedeata eputusa yag lebh tepat da flesbel. Metode yag dusula dapat dlaua dega put yag bersfat crsp da fuzzy.. Metode Peelta.. Fuzzy umber Fuzzy umber adalah fuzzy subset dar real umbers yag merupaa perluaa dar de terval ofdes. Berdasara defs dar Laarhove da Pedrycz dalam Hseh (004), fugs eaggotaa setga (tragular fuzzy umber (TFN)) megut betu dasar berut : Corespodece : Tofqrochma@yahoo.com

2 Performa (006) Vol. 5, No. Keaggotaa fuzzy A terhadap R adalah fugs eaggotaa segtga (TFN) ja fugs µ (X) : R 0, drumusa sebaga berut : eaggotaa [ ] A ( X L ) /( M L ), L X M () µ ( x ) = ( U X ) /( U M ), M X U A 0, yag laya µ (x) 0 L L M U x Gambar. Fugs Keaggotaa Segtga (tragular fuzzy umber) Dmaa L da U merupaa batas bawah da batas atas utu fugs eaggota fuzzy A, da M adalah tt tegah (modal value). Tragular fuzzy umber dapat dotasa sebaga A = (L,M,U) dmaa atura operasoal dar dua fugs eaggotaa segtga (TFN), A = (L,M,U ) da A (L,M,U ) = berlau sebaga berut : Pejumlaha fuzzy umber A A = (L,M,U ) (L,M,U) = (L + L,M + M,U + U) Perala fuzzy umber A A = (L,M,U ) (L,M,U) = (L + L,M + M,U + U) Peguraga fuzzy umber ( ) A )A ( = (L,M,U ) (L,M,U) = (L U,M M,U L) Pembaga fuzzy umber A φa = (L,M,U ) φ(l,m,u ) utu L > 0,M > 0,U > 0 = (L / U,M / M,U / L ) Kebala (recprocal) fuzzy umber A = (L,M,U ) = (/ U,/ M,/ L ) utu L > 0,M >,U > 0 Varabel lgust merupaa varabel yag mela ata atau almat dalam betu bua aga tetap berupa artfsal laguage. Pegguaa varabel lgust pada beberapa () (3) (4) (5)

3 Rochma Mult Crtera Decso Aalyss Berbass Fuzzy Set Theory utu Pegambla Keputusa 3 rtera basaya megguaa lma sala lgust sepert equally mportat, wealy mportat, essetally mportat, very strogly mportat da absolutely mportat. Fugs eaggotaa fuzzy beserta varabel lgust dtujua dalam gambar berut. (x) Equally mportat Wealy mportat Essetally mportat Very strogly mportat Absolutely mportat Gambar. Fugs Keaggotaa Varabel Lgut. Perhtuga ddasara pada fugs eaggotaa fuzzy yag ddefsa oleh Mo dalam Hseh (004) sepert yag dsebuta dalam tabel berut : Tabel. Fugs Keaggotaa dar Sala Lgust. Fuzzy umber Lgust sales Scale of fuzzy umber Equally mportat (Eq) (,,3) 3 Wealy mportat (W) (,3,5) 5 Essetally mportat (Es) (3,5,7) 7 Very strogly Importat Vs) (5,7,9) 9 Asolutely mportat (A) (7,9,9).. Evaluas Fuzzy Set utu Alteratf Keputusaa Bucley (985) merumusa peragga alteratf megguaa fuzzy umber, dmaa problem peragga alteratf dega m alteratf dtetapa sebaga A, A,..., A m, seelompo pela (judgmet) terdr dar experts dtetapa J, J,...J. Da sejumlah rtera dtetapa C, C,..., C. Data pelaa dtampug dalam matr T da T J J J A T = A a Fo A m (6) J J J C T = C b Fo C m

4 4 Performa (006) Vol. 5, No. Nla utu rtera C. Nla a merupaa fuzzy umber yag meujua plha alteratf A oleh pela J b j merupaa fuzzy umber yag meujua tgat epetga rtera C yag dbera oleh pela (expert) J. Da Fo merupaa blaga fuzzy yag dguaa oleh pela. Pembobota blaga fuzzy (fuzzy weghts) dtetapa sebaga w = ( w, w,..., w ) dmaa w F da m. Peetua ragg dlaua dega m pejumlaha fuzzy (fuzzy addto) da perala fuzzy (fuzzy multplcato) : m = [ a a... a ] (7) [ b b b ] =... (8) Pembobota fuzzy (fuzzy weght) drumusa : w = [( m )... ( m )] (9) L Fuzzy raggs w utu plha alteratf A utu tap evaluator J drumusa : [( )... ( a b a b )] w = (0) w adalah fuzzy average utu semua rtera. Fuzzy ragg w =... L [ w w ] () w utu semua pela (expert) : Hseh et.al.(004) megguaa te rata-rata geometrs (geometrc mea techque) utu meetua fuzzy geometrc mea da pembobota fuzzy dar tap rtera dega persamaa sebaga berut : ( / r = a a a ), () ( = r r r ) w (3) Peetapa la E, meujua la performas yag bersfat fuzzy dar evaluator terhadap alteratf pada rtera j, da semua rtera evaluas dtujua melalu rumusa sebaga berut: E (LE,ME =,UE). (4) Peetua la E melalu la rata-rata dega megtegrasa la yag bersfat fuzzy dar m evaluator dega persamaa sebaga berut : E (E (/ m) E E m = ) (5) Nla E meujua rata-rata jumlah pelaa fuzzy dar pegambl eputusa, yag dtampla melalu fugs eaggotaa segtga dmaa E = ( LE, ME, UE ) dega la LE, ME da UE dapat dselesaa dega persamaa sebaga berut : m m m / = = = LE = ( LE ) / m ; ME = ( ME ) / m ; UE = ( UE ) m (6)

5 Rochma Mult Crtera Decso Aalyss Berbass Fuzzy Set Theory utu Pegambla Keputusa 5 Hasl ahr merupaa matr eputusa pembetua fuzzy (fuzzy sytehetc decso) dega persamaa sebaga berut : R = E w (7) Nla fuzzy umber R = ( LR, MR, UR ) dega LR, MR, da UR sebaga la batas bawah, tegah da batas atas merupaa la smetrs dar alteratf dega persamaa sebaga berut : LR = j = j LE xlw, MR = ME xmw UR = UE xuw (8) j = Metode peragga ofuzzy dlaua dega defuzzfas megguaa model Best Nofuzzy Performace Value (BNP) dega rumusa sebaga berut : BNP =[(UR LR) + (MR LR)]/3 + LR (9) Berdasara la dar BNP utu tap alteratf, ragg dar tap alteratf dapat dtetua. 3. Hasl da Pembahasa 3.. Cotoh Kasus j Dalam model mult crtera decso aalyss salah satu strume yag dguaa adalah meracag problem eputusa yag terdr baya rtera edalam suatu strutur hrar utu memudaha megaalsa da memecaha persoala tersebut. Idetfas terhadap beberapa rtera da sub rtera yag dsusu dalam model strutur hra membatu dalam meetua plha alteratf terba. j = Tabel. Krtera-rtera dalam Pegambla Keputusa Dmes Krtera Sub Krtera SK Sub Krtera- K Krtera- SK Sub Krtera- SK3 Sub Krtera-3 SK4 Sub Krtera-4 SK5 Sub Krtera-5 Dmes K Krtera- SK6 Sub Krtera-6 SK7 Sub Krtera-7 K3 Krtera-3 SK8 Sub Krtera-8 SK9 Sub Krtera-9 SK0 Sub Krtera- 0 K4 Krtera-4 SK Sub Krtera- SK Sub Krtera- Dmes SK3 Sub Krtera- 3 SK4 Sub Krtera- 4 SK5 Sub Krtera- 5 SK6 Sub Krtera- 6 K5 Krtera-5 SK7 Sub Krtera- 7 SK8 Sub Krtera- 8 j

6 6 Performa (006) Vol. 5, No. SK9 SK0 SK SK Dmes 3 K6 Krtera-6 SK3 SK4 Keteraga Alteratf A Alteratf- A Alteratf- A3 Alteratf-3 Sub Krtera- 9 Sub Krtera- 0 Sub Krtera- Sub Krtera- Sub Krtera- 3 Sub Krtera- 4 Tabel 3. Data Preferes Perbadga Krtera Sala Fuzzy Number I K K K3 K4 K5 K6 K 3 3 K 3 3 K3 3 3 K4 3 3 K5 K6 II K K K3 K4 K5 K6 K K 3 3 K3 3 K4 3 K5 K6 Perhtuga megguaa model fuzzy geometrc mea utu meetua matr sythetc parwse comparso dega persamaa berut : a 3 / = ( a xa xa x xa ) a = ((,,3) x (/5,/3,)) / = (( x /5) /, ( x /3) /, (3 x ) / ) = (0,447; 0,577;,73) Tabel 4. Nla Matr Sythetc Parwse Comparso utu Perbadga Krtera. K K K3 a b c a b c a b c K ,447 0,577,73,73 3,873 K 0,577,73, ,73 3,873 K3 0,58 0,577 0, K4 0,447,36 0,333 0,577,73,36 K5 0,577,73,36 0,577,73,36 0,577,73,36 K6 0,577,73, ,577,73,36

7 Rochma Mult Crtera Decso Aalyss Berbass Fuzzy Set Theory utu Pegambla Keputusa 7 Lajuta Tabel.4 K4 K5 K6 a b c a b c a b c K 0,447,36 0,447 0,577,73 3 K 3 0,447 0,577,73 0, 0,333 K3 0,447 0,577,73 0,447 0,577,73 0,447 0,577,73 K4,73 3, K5 0,58 0,577 3 K6 0, 0,333 0,333 Peetua bobot rtera utu tap elompo respode dapat dtetua dega megguaa persamaa berut : / r = ( a a a ) r = (( x 0,447 x x 0,447 x 0,447 x ) /6 ; ( x 0,577 x,73 x x x ) /6 ; ( x,73 x 3,873 x,36 x,73 x 3 ) /6 ) = (0.67; 0.9;,07) Bobot tap rtera dapat dtetua dega persamaa berut : ( w = r r r ) w = (0,67; 0.9;,07) x (/(, ,80+,7); /(0, ,0); /( )) = (0.06; 0.45; 0.590) Proses deffuzfas dlaua utu medapata la crps dar blaga fuzzy dega megguaa metode Best Nofuzzy Performace Value (BNP). Nla BNP bobot rtera w dapat dtetua dega persamaa berut : BNPw = [(Uw Lw) + (Mw Lw)]/3 + Lw BNPw = [( ) + ( )]/ = 0.65 Hasl pembobota terhadap rtera da sub rtera dtulsa dalam tabel berut. Tabel 5. Nla Bobot Krtera da Sub Krtera Krtera/sub rtera Bobot loal Bobot Keseluruha Defuzzy a b c a b c (BNP) Krtera Sub Krtera Sub Krtera Sub Krtera Krtera Sub Krtera Sub Krtera Sub Krtera Sub Krtera Krtera Sub Krtera Sub Krtera Sub Krtera

8 8 Performa (006) Vol. 5, No. Berdasara tabel la pembobota dapat dtetua uruta ragg rtera da sub rtera. Sema besar la bobot yag dperoleh rtra da sub rtera meujua adaya pembera prortas terhadap rtera tersebut berata dega peecaha problem eputusa. Berdasar tabel datas, rtera yag medapat bobot tertgg adalah rtera-, sedag yag medapat bobot teredah adalah rtera Pemlha Alteratf Keputusa Sala varabel lgust dtujua melalu fugs eaggota segtga (tragular fuzzy umber). Tap-tap respode meml sala fuzzy umber yag berbeda-beda dega retag la dar 0 sampa 00. Pelaa bobot preferes respode terhadap level sala lgust performas alteratf salah satuya dtujua dalam gambar fugs eaggotaa segtga sebaga berut :. (x) Sagat urag Kurag Cuup Ba Sagat ba Gambar 3. Fugs Keaggotaa Varabel Lgust utu Peguura Nla Performas Alteratf. Hasl pelaa eam respode dalam sala varabel lgust ddasara pada sub rtera terhadap plha alteratf. Dalam tebel dbawah haya dtuls salah satu plha alteratf yatu alteratf- (A). Tabel 6. Pelaa Performas Alteratf dalam Sala Lgust. Alteratf (A) SK E E E3 E4 E5 E6 SK B C B C C C SK B K C B K B SK3 B SB K SB SB SB SK4 B K SK B B C SK5 C SB SB B SB SB SK4 C C SB SB B SB Peetua la rata-rata fuzzy performace seluruh respode dlaua dega megguaa persamaa berut : (/ ) ( m E = m E E E ) E = (( )/6, ( )/6, ( )/6) = (47,0; 59,; 7,3)

9 Rochma Mult Crtera Decso Aalyss Berbass Fuzzy Set Theory utu Pegambla Keputusa 9 Dar hasl perhtuga dega la performas alteratf dperoleh la rata-rata fuzzy performace alteratf sebaga berut. Tabel 7. Nla Rata-rata Fuzzy Performace Alteratf. A- A- A-3 SK a b c a b c a b c SK SK SK SK SK Peetua la fuzzy sythetc decso dlaua dega perala atara la fuzzy performace E dega la bobot eseluruha (overall weght) w dega persamaa berut : R = LE J xlw j, ME j xmw j, UE j xuw j = j = j = R = ((47.0 x x x ), (59. x x x 0.00), (7.3 x x x 0.)) = (.074;,.949; 503,776 ) Peetua blaga crsp dlaua dega defuzfas dar blaga fuzzy dega metode Best Nofuzzy Performace Value (BNP) sebagamaa yag dusula oleh Hseh (003) dega persamaa sebaga berut : BNP = [(UR LR) + (MR LR)]/3 + LR BNP = [(503, ) + (, )]/ = 75,93 Berut la fuzzy sythetc decso, la defuzzy da ragg plha alteratf sebagamaa dtujua dalam tabel berut : Tabel 8. Nla Fuzzy Sythetc Decso Alteratf Alteratf Fuzzy sythetc decso Defuzzy Ragg A - (.074;.949; 503,776 ) 75,93 A - ( 0,999;.3; 490,870) 7,33 3 A - 3 (.007;.876; 499,59 ) 74,4 Berdasara perhtuga dega fuzzy sythetc decso dperoleh plha alteratf dega uruta ragg sebaga berut : la ragg tertgg adalah alteratf- dega bobot 75,93, edua alteratf-3 dega bobot 74,4 sedag alteratf- mempuya bobot teredah yatu 7,33. Dar peroleha uruta ragg tersebut decso maer meetapa utu memlh alteratf- sebaga plha terba area mempuya bobot ragg tertgg. 4. Kesmpula Model eputusa mult crtera decso aalss dapat dguaa utu memecaha persoala eputusa yag terdr beberapa plha alteratf. Sedaga fuzzy set theory dguaa utu memecaha persoala eputusa yag subyetf, strutur formas yag tda past (ucertaty) da adaya ambgutas dar spegambl eputusa. Measme peroleha plha terba dega meragg uruta alteratf berdasara besarya bobot yag dperoleh.perhtuga la performas dalam peetua plha alteratf dega fuzzy sythetc decso dperoleh alteratf- meempat ragg tertgg dbadg alteratf laya.

10 0 Performa (006) Vol. 5, No. Daftar Pustaa [] Bucey J.J., (985), Rag Alteratfs Usg Fuzzy Numbers, Fuzzy Sets ad Systems, 5:-3, North-Hollad. [] Hseh, Lu, ad Tzeg, (004), Fuzzy MCDM Approach for Plag ad Desg Teders Selecto Publc Offce Buldgs, Iteratoal Joural of Project Maagemet, Elsever. [3] Moo J.H., ad Kag C.S., (004), Applcato of Fuzzy Decso Mag Method to The Evaluato of Spet Fuel Storage Optos, Departmet of Nuclear Egeerg, Seoul Natoal Uversty, Korea, //004. [4] Tabucao, M.T., (998), Multple Krtera Decso Mag Idustry, Elsever Scece Publser B.V., Netherlads.

PEMILIHAN TEKNOLOGI PENGECORAN LOGAM DENGAN PENDEKATAN FUZZY AHP DAN FUZZY MCDM

PEMILIHAN TEKNOLOGI PENGECORAN LOGAM DENGAN PENDEKATAN FUZZY AHP DAN FUZZY MCDM Volue 8 Noor Septeber 009 99 PEMILIHAN TEKNOLOGI PENGECORAN LOGAM DENGAN PENDEKATAN FUZZY AHP DAN FUZZY MCDM Taufq Rocha Staf Pegaar - Jurusa Te Idustr - Faultas Te UNS Keywords : Selectg Techology Fuzzy

Lebih terperinci

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (uregstered verso) http://www.smpopdf.com Statst Bss : BAB V. UKURA PEYEBARA DATA.1 Peyebara Uura peyebara data adalah uura statst yag meggambara bagamaa berpecarya data

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga searag adalah aalss terhadap data megea sebuah araterst atau atrbut (ja data tu ualtatg) da megea sebuah araterst (ja data tu uattatf).

Lebih terperinci

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal Vol 5, No, 9-98, Jauar 9 But Teorema Ssa Cha dega egguaa deal asmal Abstra Sstem perogruea yag dapat dcar peyelesaaya secara teor blaga dasar teryata dapat dbuta melalu teor-teor strutur aljabar hususya

Lebih terperinci

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan II. LANDASAN TEORI.1. Data Kategor Wallpole (1995, medefsa data ategor sebaga data yag dlasfasa meurut rtera tertetu. Data ategor dsebut uga data ometr atau data yag bua merupaa hasl peguura. Data ategor

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga saat adalah aalss terhadap data megea sebuah araterst atau atrbut da megea sebuah varabel dsrt atau otu. Tetap, sebagamaa dsadar, baya

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDAAN TEORI Dalam bab aa djelasa teor-teor yag berhubuga dega peelta yag dapat djada sebaga ladasa teor atau teor peduug dalam peelta Ladasa teor aa mempermudah pembahasa hasl peelta pada bab 3 Adapu

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab bers defs-defs da sfat-sfat yag petg yag berhubuga dega modul. Hal-hal tersebut dperlua dalam pembahasa megea modul jetf pada Bab III. 2.1. Modul Mata ulah Aljabar Ler membahas

Lebih terperinci

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar. ANALISIS REGRESI Berdasara betu eleara data, model regres dapat dlasfasa mead dua macam yatu lear da o-lear. Ja pola data lear maa dguaa pemodela lear. Begtu uga sebalya apabla pola data tda lear maa dguaa

Lebih terperinci

titik tengah kelas ke i k = banyaknya kelas

titik tengah kelas ke i k = banyaknya kelas STATISTIKA Bab 0 UKURAN PEMUSATAN DAN PENYEBARAN. Mea X. a. Data Tuggal... 3 b. Data Kelompo ( dstrbus frewes) f. f. f.... f. 3 3 f f f... f = f. f 3 Ket : tt tegah elas e = bayaya elas f frewes elas e

Lebih terperinci

BAB I PANDAHULUAN. 1.1 Latar Belakang

BAB I PANDAHULUAN. 1.1 Latar Belakang BB I PNDHULUN Latar Belaag Data merupaa seumlah formas yag dapat membera gambara/eteraga tetag suatu eadaa Iformas yag dperoleh membera eteraga, gambara, atau fata megea suatu persoala dalam betu ategor,

Lebih terperinci

Pelabelan Total Super Sisi Ajaib Pada Graf Caterpillar Teratur

Pelabelan Total Super Sisi Ajaib Pada Graf Caterpillar Teratur Jural Matemata Itegrat ISSN 4-4 Vol. 9 No. Otober 0 pp. -9 Pelabela Total Super Ss Ajab Pada Gra Caterpllar Teratur Trya St Rahmah Nursham Muta Nur Estr Program Stud Matemata Jurusa MIPA Faultas Sas da

Lebih terperinci

H dinotasikan dengan B H

H dinotasikan dengan B H Delta-P: Jural Matemata da Pedda Matemata ISSN 089-855X Vol., No., Aprl 03 OPERATOR KOMPAK Mustafa A. H. Ruhama Program Stud Pedda Matemata, Uverstas Kharu ABSTRAK Detahu H da H dua ruag Hlbert, B H )

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam BAB II LANDASAN TEORI Pada bab II, aa djelasa tetag teor yag dpaa dalam semvarogram asotrop. Sela tu juga aa dbahas megea teor peduug dalam melaua peasra aduga cadaga baust d daerah Mempawah Kalmata, dataraya

Lebih terperinci

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

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

Lebih terperinci

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT Aryato, Kaja Sfat Keompaa pada Ruag Baah KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH Aryato* ABSTRACT The propertes of ompatess Baah spaes ths paper s a geeralzato of a ompat uderstadg the system o the real

Lebih terperinci

BAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai

BAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai BB III FUZZY C-MENS 3. Fuzzy Klasterg Fuzzy lasterg erupaa salah satu etode aalss laster dega epertbaga tgat eaggotaa yag eaup hpua fuzzy sebaga dasar pebobota bag pegelopoa (Bezde,98). Metode erupaa pegebaga

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

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

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

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

Lebih terperinci

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t) BAB II KONSEP DASAR Kosep dasar yag dtuls dalam bab, merupaa beberapa dasar acua yag aa dguaa utu megaalsa model rso las da meetua fugs sebara peluag bertaha dalam model rso las Datara dasar acua tersebut

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu terjad dega sedrya amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC JEMTN PD GRF FUZZY INTUITIONISTIC St lfatur Rohmaah, au Surarso, da ambag Irawato 3 Uverstas Islam Darul Ulum Lamoga, a0304@gmalcom Uverstas Dpoegoro Semarag 3 Uverstas Dpoegoro Semarag bstract tutostc

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha

Lebih terperinci

IV METODE PENELITIAN 4.1 Lokasi dan Waktu 4.2 Jenis dan Sumber Data 4.3 Metode Pengumpulan Data

IV METODE PENELITIAN 4.1 Lokasi dan Waktu 4.2 Jenis dan Sumber Data 4.3 Metode Pengumpulan Data IV METODE PENELITIAN 4. Loas da Watu Peelta dlasaaa d Strawberry Café yag berloas d Jala Gadara No.75 Jaarta Selata. Loas peelta dplh da dtetua dega segaja sesua dega pertmbaga dar peelt. Alasa utama memlh

Lebih terperinci

UKURAN DASAR DATA STATISTIK

UKURAN DASAR DATA STATISTIK UKURAN DASAR DATA STATISTIK UKURAN PUSAT Apa yag dapat ta smpula secara gamblag da cepat dar data yag dsodora berut : Tabel 1 Sampel Data Karyawa peserta Jamsoste Nama Sex Status Kerja Gaj/Bl Umur NATUL

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data, blaga ataupu

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI Utu mempermudah dalam meyeleaa pembahaa pada bab, maa aa dbera beberapa def da beberapa teor daar yag meduug... Teor Teor Peduug... Rua Gar Def. Rua Gar Ja ada d R atau 3 R, maa ebuah

Lebih terperinci

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,

Lebih terperinci

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1 HIMPUNAN RENTANGAN DAN BEBA LINIER HIMPUNAN RENTANGAN Defs (Kombas Ler) Msala V suatu ruag etor atas feld F. w etor d V, da, 1, juga etoretor d V. Vetor w dataa sebaga ombas ler dar etor-etor, 1, ja w

Lebih terperinci

STUDI PEMODELAN PERAMBATAN GELOMBANG SURJA PETIR PADA SALURAN TRANSMISI 150 KV MENGGUNAKAN METODE MULTI- CONDUCTOR TRANSMISSION LINE

STUDI PEMODELAN PERAMBATAN GELOMBANG SURJA PETIR PADA SALURAN TRANSMISI 150 KV MENGGUNAKAN METODE MULTI- CONDUCTOR TRANSMISSION LINE STUDI PEMODELAN PERAMBATAN GELOMBANG SURJA PETIR PADA SALURAN TRANSMISI 50 K MENGGUNAKAN METODE MULTI- CONDUCTOR TRANSMISSION LINE Kade Ad Dw Purwaa 2205 00 038 dose pembmbg :. Ir. Syarffudd M M.Eg. 2.

Lebih terperinci

BAB 3 Interpolasi. 1. Beda Hingga

BAB 3 Interpolasi. 1. Beda Hingga BAB Iterpolas. Hgga. Iterpolas Lear da Kuadrat. Iterpolas -Maju da -Mudur Newto 4. Polo Iterpolas Terbag Newto 5. Polo Iterpolas Lagrage . Hgga Msala dbera suatu tabel la-la uers j j dar suatu ugs pada

Lebih terperinci

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,

Lebih terperinci

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data Raguma. Statt meyataa umpula data yag dapat berupa aga yag damaa data uattat maupu o aga yag damaa data ualtat yag duu dalam betu tabel da atau dagram/gra, yag meggambara da mempermudah pemahama aa aga

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

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

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN III. METODOLOGI PENELITIAN 3.. Watu da Temat Peelta Peelta srs dlaua d Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas Lamug ada tahu aadem 2009/200. 3.2. Metode Peelta Secara umum, elasaaa

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

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

Lebih terperinci

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

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

Lebih terperinci

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah 3 III. METODE ENELITIAN 3.1 Watu da Tempat eelta da peracaga tugas ahr dlaua d Laboratorum Terpadu Te Eletro Uverstas Lampug da dusu Margosar, desa esawara Idah abupate esawara pada bula Agustus 1 sampa

Lebih terperinci

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

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

Lebih terperinci

Teknik Mengatasi Data Hilang pada Kasus Rancangan Blok Lengkapacak

Teknik Mengatasi Data Hilang pada Kasus Rancangan Blok Lengkapacak Jural Sas Matemata da Statsta, Vol. 3, No., Jul 07 ISSN 693-390 prt/issn 407-0939 ole Te Megatas Data Hlag pada Kasus Racaga Blo Legapaca Rado Yedra, Muslm, Jurusa Matemata, Faultas Sas da Teolog, UIN

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

SIFAT-SIFAT LANJUT FUNGSI TERBATAS Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas

Lebih terperinci

PENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA

PENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA PEAKI ATAI AIO-CUM-DUAL UTUK ATA-ATA POPULAI PADA AMPLIG GADA Holla Maalu Bustam Haposa rat Mahasswa Program Matemata Dose Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas au Kampus Bawda

Lebih terperinci

Perbandingan Analisa Aliran Daya dengan Menggunakan Metode Algoritma Genetika dan Metode Newton-Raphson

Perbandingan Analisa Aliran Daya dengan Menggunakan Metode Algoritma Genetika dan Metode Newton-Raphson Perbadga Aalsa Alra Daya dega Megguaa Metode Algortma Geeta da Metode Newto-Raphso Perbadga Aalsa Alra Daya dega Megguaa Metode Algortma Geeta da Metode Newto-Raphso Emmy Hosea, Yusa Taoto Faultas Teolog

Lebih terperinci

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON Jural Bareeg Vol. 5 No. Hal. 3 7 () PEMODELAN JUMLAH KEMAIAN BAYI DI PROVINSI MALUKU AHUN DENGAN MENGGUNAKAN REGRESI POISSON SALMON N. AULELE Staf Jurusa Matemata, FMIPA, Upatt Jl. Ir. M. Putuhea, Kampus

Lebih terperinci

Lam piran 1 K uesioner

Lam piran 1 K uesioner LAMPIAN Lam pra K uesoer KUESIONE PENDAHULUAN Saya adalah mahasswa Uverstas Krste Maraatha Badug sedag megadaa peelta dalam pembuata Tugas Ahr. Maa saya megharapa erasamaya utu megs uesoer, saya megharapa

Lebih terperinci

METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k

METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k Prma: Jural Program Stud Pedda da Peelta Matemata Vol. 6, No., Jauar 07, hal. 7-59 P-ISSN: 0-989 METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l UNTUK BEBERAPA NILAI

Lebih terperinci

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat Mater Bahasa Pemrograma Blaga Bulat (Iteger Programmg) Kulah - Pegatar pemrograma blaga bulat Beberapa cotoh model pemrograma blaga bulat Metode pemecaha blaga bulat Metode cuttg-plae Metode brach-ad-boud

Lebih terperinci

SEPUTAR IDEAL DARI GELANGGANG POLINOM MIRING AROUND IDEAL OF THE SKEW POLYNOMIAL RING

SEPUTAR IDEAL DARI GELANGGANG POLINOM MIRING AROUND IDEAL OF THE SKEW POLYNOMIAL RING SEPUTAR IDEAL DARI GELANGGANG POLINOM MIRING Afra, Ar Kaal Ar da Nur Erawaty Jurusa Mateata Faultas Mateata da Ilu Pegetahua Ala Uverstas Hasaudd (UNHAS) Jl. Perts Keerdeaa KM.0 Maassar 90245, Idoesa thalabu@gal.co

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu tejad dega sedrya, amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

METODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap

METODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap III. METODE PENELITIAN A. Populas da Sampel Populas dar peelta adalah seluruh peserta dd elas VII semester geap SMP Neger 3 Terbaggbesar tahu pelaara 0/0 yag terdstrbus e dalam tuuh elas, yatu elas VII

Lebih terperinci

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d Jural Grade Vol4 No Jul 008 : 37-38 Kaja Hubuga Koefse Korelas Pearso (r), Spearma-rho (ρ), Kedall-Tau (τ), Gamma (G), da Somers ( d yx ) Sgt Nugroho, Syahrul Abar, da Res Vusvtasar Jurusa Matemata, Faultas

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

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

Lebih terperinci

PENILAIAN TERINTEGRASI PADA PEMILIHAN TEKNOLOGI PROSES PENGECORAN LOGAM DENGAN PENDEKATAN METODE FUZZY MULTI CRITERIA DECISION MAKING

PENILAIAN TERINTEGRASI PADA PEMILIHAN TEKNOLOGI PROSES PENGECORAN LOGAM DENGAN PENDEKATAN METODE FUZZY MULTI CRITERIA DECISION MAKING PENILAIAN TERINTEGRASI PADA PEMILIHAN TEKNOLOGI PROSES PENGECORAN LOGAM DENGAN PENDEKATAN METODE FUZZY MULTI CRITERIA DECISION MAKING (Studi Kasus di Pabrik Pengecoran Logam PT. Adi Logam Karya Taufiq

Lebih terperinci

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

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

Lebih terperinci

Analisa Probabilistik Algoritma Routing pada Jaringan Hypercube

Analisa Probabilistik Algoritma Routing pada Jaringan Hypercube Aalsa Probablst Algortma Routg pada Jarga ypercube Zuherma Rustam Jurusa Matemata Uverstas Idoesa Depo 644. E-mal : rustam@maara.cso.u.ac.d Abstra Algortma routg pada suatu arga teroes suatu measme utu

Lebih terperinci

OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK

OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK Jural Ilmah Mrote Vol., No. 4 OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK Joha Vara Alfa ), Rully Soelama ), Chaste Fatchah ) ), ), ) Te Iformata, Faultas

Lebih terperinci

UKURAN GEJALA PUSAT (UGP)

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

Lebih terperinci

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

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

Lebih terperinci

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel Uura Statt. Pedahulua Uura Statt:. Uura Pemuata Bagamaa, d maa data berpuat? Rata-Rata Htug Arthmetc Mea Meda Modu Kuartl, Del, Peretl. Uura Peyebara Bagamaa peyebara data? Ragam, Vara Smpaga Bau Uura

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 30 BAB III METODE PENELITIAN A. Tujua Peelta Tujua ag g dcapa dalam peelta adalah utu megetahu apaah hasl belajar perserta dd elas IX MP Nusa Bagsa Mragge Dema pada mater poo volume bagu ruag ss legug

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

adalah nilai-nilai yang mungkin diambil oleh parameter jika H Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu

Lebih terperinci

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M JP : Volue 4 Noor Ju 0 hal. 4-5 LEA HENSTOCK PADA NTEGRAL uslch Jurusa ateata FPA UNS uslch_us@yahoo.co ABSTRACT. Based o the cshae e partto ad cshae tegral t ca be arraged the e partto ad tegral cocepts.

Lebih terperinci

Model Lokasi-Perutean-Persediaan untuk Multi Produk

Model Lokasi-Perutean-Persediaan untuk Multi Produk Petuu Stas: Saragh, N. I., Bahaga, S. N., Suprayog, & Syabr, I. (2017). Model Loas-Perutea-Persedaa utu Mult Produ. Prosdg SNTI da SATELIT 2017 (pp. H143-148). Malag: Jurusa Te Idustr Uverstas Brawaya.

Lebih terperinci

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion Jural Iformata Mulawarma Vol 4 No. 3 September 009 37 Pemlha Model Regres erba Megguaa Metode Aae s Iformato Crtero da Schwarz Iformato Crtero M. Fathurahma Program Stud Ilmu Komputer, FMIPA Uverstas Mulawarma

Lebih terperinci

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

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

Lebih terperinci

Pembobotan dan Optimasi Untuk Pemilihan Distributor PT Maan Ghodaqo Shiddiq Lestari

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

Lebih terperinci

PENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP

PENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP PENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP Rosa Sey Yudasar Jurusa Matemata, Faultas Matemata da Ilmu Pegetahua Alam,Uverstas Neger Surabaya rosaseywah@yahoo.com Drs. Hery Tr Sutato, M.S

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok) ANALSS DSRNAN (asus : Lebh dar elompo) Hazmra Yozza Jur. atemata FPA Uad LOGO POP POP POP 4 : POP Uura sampel : Sampel telah detahu dar elompo maa berasal Terhadap masg-masg obe damat/duur p peubah POP

Lebih terperinci

INTEGRATED FUZZY AHP AND WEIGHTED-FUZZY GOAL PROGRAMMING APPROACH TO SOLVE SUPPLIER SELECTION PROBLEM WITH SUBJECTIVE FACTORS

INTEGRATED FUZZY AHP AND WEIGHTED-FUZZY GOAL PROGRAMMING APPROACH TO SOLVE SUPPLIER SELECTION PROBLEM WITH SUBJECTIVE FACTORS 22 INTEGRATED FUZZY AHP AND WEIGHTED-FUZZY GOAL PROGRAMMING APPROACH TO SOLVE SUPPLIER SELECTION PROBLEM WITH SUBJECTIVE FACTORS Aas Sggh Setyoko *, Udsubakt Cptomulyoo, da I Ketut Guarta ABSTRAK Proses

Lebih terperinci

PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING

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

Lebih terperinci

PENGARUH BOBOT PADA METODE WEIGHTED FUZZY GOAL PROGRAMMING (WFGP) TERHADAP STRATEGI PENGAMBILAN KEPUTUSAN PENENTUAN ALOKASI KUOTA SUPPLIER

PENGARUH BOBOT PADA METODE WEIGHTED FUZZY GOAL PROGRAMMING (WFGP) TERHADAP STRATEGI PENGAMBILAN KEPUTUSAN PENENTUAN ALOKASI KUOTA SUPPLIER Prosdg Semar Nasoal Maajeme Tekolog X Program Stud MMT-ITS, Surabaya 1 Agustus 2009 PENGARUH BOBOT PADA METODE WEIGHTED FUY GOAL PROGRAMMING (WFGP TERHADAP STRATEGI PENGAMBILAN KEPUTUSAN PENENTUAN ALOKASI

Lebih terperinci

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

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

Lebih terperinci

8.4 GENERATING FUNCTIONS

8.4 GENERATING FUNCTIONS 8.4 GEERATIG FUCTIOS Fugs pembagt Fugs pembagt dguaa utu merepresetasa barsa secara efse dega megodea usur barsa sebaga oefse deret pagat dalam varabel. Fugs pembagt dapat dguaa utu: memecaha berbaga masalah

Lebih terperinci

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

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

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

MEAN SQUARE ERROR TERKECIL DARI KOMBINASI PENAKSIR RASIO-PRODUK UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA

MEAN SQUARE ERROR TERKECIL DARI KOMBINASI PENAKSIR RASIO-PRODUK UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA MEA QUARE ERROR TERKEIL DARI KOMBIAI PEAKIR RAIO-PRODUK UTUK RATA-RATA POPULAI PADA AMPLIG AAK BERTRATA R Kurat *, gt ugarto, Ruam Efed Maasswa Program Matemata Dose Jurusa Matemata Faultas Matemata da

Lebih terperinci

MENINGKATKAN KEMAMPUAN PENGENALAN POLA SINYAL DENGAN OPTIMALKAN RULES PADA FUZZY NEURAL NETWORK

MENINGKATKAN KEMAMPUAN PENGENALAN POLA SINYAL DENGAN OPTIMALKAN RULES PADA FUZZY NEURAL NETWORK Semar Nasoal Iformata 2013 (semasif 2013) ISSN: 1979-2328 UPN Vetera Yogyaarta, 18 Me 2013 MENINGKATKAN KEMAMPUAN PENGENALAN POLA SINYAL DENGAN OPTIMALKAN RULES PADA FUZZY NEURAL NETWORK Muhtar Haaf Program

Lebih terperinci

Pembobotan dan Optimasi Untuk Pemilihan Distributor PT Maan Ghodaqo Shiddiq Lestari

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

Lebih terperinci

Prosiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA

Prosiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA Prosdg SPMIP. pp. 4-46, 6 ISBN : 979.74.47. PERKEMBNGN ESTIMTOR DENSITS NON PRMETRIK DN PLIKSINY Hasb Yas, Supart Staf PS Statsta, urusa Matemata, FMIP, UNDIP l. Prof. Sudarto, Kampus UNDIP Tembalag, Semarag

Lebih terperinci

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

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

Lebih terperinci

(R.17) ESTIMASI SMOOTHING SPLINE PADA FUNGSI VARIANSI BERDISTRIBUSI GAMMA DALAM PENDEKATAN REGRESI NONPARAMETRIK

(R.17) ESTIMASI SMOOTHING SPLINE PADA FUNGSI VARIANSI BERDISTRIBUSI GAMMA DALAM PENDEKATAN REGRESI NONPARAMETRIK PROSIDING ISSN : 87-59. Semar Nasoal Statsta November Vol, November (R.7) ESIMASI SMOOHING SPLINE PADA FUNGSI VARIANSI BERDISRIBUSI GAMMA DALAM PENDEKAAN REGRESI NONPARAMERIK Sfrya Dose Program Stud Statsta

Lebih terperinci

Implementasi Algoritma Particle Swarm untuk Menyelesaikan Sistem Persamaan Nonlinear

Implementasi Algoritma Particle Swarm untuk Menyelesaikan Sistem Persamaan Nonlinear JURNL TKNIK ITS Vol. Sept ISSN: -97 - Implemetas lgortma Partcle Swarm utu Meyelesaa Sstem Persamaa Nolear rdaa Rosta Yudh Purwaato da Rully Soelama Jurusa Te Iformata Faultas Teolog Iformas Isttut Teolog

Lebih terperinci

Pemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline

Pemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 337-35 (-98X Prt) D-5 Pemodela Fator-Fator yag Mempegaruh Aga Morbdtas d Jawa Tmur Megguaa Regres Noparametr Sple Krsa Wuladar, I Nyoma Budatara, da Madu

Lebih terperinci

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

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

Lebih terperinci

GARIS DAN BIDANG DALAM RUANG EUCLID BERDIMENSI N

GARIS DAN BIDANG DALAM RUANG EUCLID BERDIMENSI N GARIS DAN BIDANG DALAM RUANG EUCLID BERDIMENSI N SKRIPSI Dajua dalam raga meelesaa Stud Strata Satu utu mecapa gelar Sarjaa Sas Oleh Nama : M SOLIKIN ADRIANSAH NIM : 4504009 Program Stud Jurusa : Matemata

Lebih terperinci

APLIKASI FUZZY ANALYTICAL HIERARCHY PROCESS DALAM SELEKSI KARYAWAN

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

Lebih terperinci

Penelitian Operasional II Program Bilangan Bulat PROGRAM BILANGAN BULAT (INTEGER PROGRAMMING)

Penelitian Operasional II Program Bilangan Bulat PROGRAM BILANGAN BULAT (INTEGER PROGRAMMING) Peelta Operasoal II Program Blaga Bulat 37 3 PROGRAM BILANGAN BULAT (INTEGER PROGRAMMING) 3 PENDAHULUAN : Formulas Program Blaga Bulat da Aplasya Program Lear (LP) Program Lear basa dormulasa secara matemats

Lebih terperinci

STATISTIKA ELEMENTER

STATISTIKA ELEMENTER STATISTIKA ELEMENTER Statsta Apa tu statsta? Apa beda statsta dega statst? Populas? Sampel? Parameter? Sala Peguura: Nomal Ordal 3 Iterval 4 Raso Bagamaa r-r eempat sala d atas? Bera masg-masg otoh sala

Lebih terperinci

Ir. Tito Adi Dewanto

Ir. Tito Adi Dewanto Ir. Tto A Dewato Dega megetahu la rata-rata saja,ormas yag apat aag-aag bsa salah terpretas. Msalya, ar ua elompo ata etahu rata-rataya sama, alau haya ar ormas ta suah meyataa bahwa ua elompo sama, mug

Lebih terperinci

Aksioma ini menyatakan bahwa jika setiap kejadian pasti untuk terjadi, maka peluang dari kejadian tersebut adalah 1.

Aksioma ini menyatakan bahwa jika setiap kejadian pasti untuk terjadi, maka peluang dari kejadian tersebut adalah 1. Msala sebuah perstwa dapat terjad sebaya x al datara perstwa yag salg bebas da masg-masg terjad dega esempata yag sama. Maa peluag perstwa terjad adalah ( ) x Dmaa : () eluag terjadya perstwa x perstwa

Lebih terperinci

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci