Performa (2007) Vol. 6, No.2: 41-52

Ukuran: px
Mulai penontonan dengan halaman:

Download "Performa (2007) Vol. 6, No.2: 41-52"

Transkripsi

1 Performa (2007) Vol. 6, No.2: Penjadwalan Batch Dnams Flow Shop Untuk Memnmas Rata-Rata Keterlambatan Penyelesaan Order (Mean Tardness) dan Jumlah Scrap Tuang d CV. Kembar Jaya Azzah Asyat, Yunarstanto dan Ank Septan Jurusan Teknk Industr, Unverstas Sebelas Maret Surakarta Abstract CV. Kembar Jaya s a metal castng manufacturng company whch apples Make to Order (MTO) system. It,s characterstc of schedulng s dynamc batch on flow shop producton system. Ths schedulng method has rsen the tardness of order completon and hgh level of pourng scrap. To solve ths problem, a reschedulng procedure whch able to ncrease the system s performance s needed. To ncrease the system performance, a development of batch dynamc schedulng algorthm has been done to mnmze the mean tardness and total pourng scrap. The algorthm conssts of settng moldng area ntalzaton and fve sub algorthms. Sub algorthm of sortng order and determnatng batch sze wll sort and breakdown the order nto batches. Sub algorthm of moldng area reparng wll determne moldng area allocaton for batches. To prevent the drop temperature, sub algorthm of determnaton pourng tme wll dentfy the pourng temperature for batches. Sub algorthm of batch schedulng wll schedule batch to work staton. Then sub algorthm of reschedulng wll accommodate the dynamc envronment when order was nserted. Mean tardness from the schedulng algorthm applcaton s 7.39 hours or mnmze mean tardness untl %, from the current schedulng algorthm. Applcaton of the schedulng algorthm can reduce total pourng scrap nto 0 kg or 100 %. Keyword: batch schedule, mean tardness, pourng scrap, dynamc, flow shop. 1. Pendahuluan CV. Kembar Jaya merupakan perusahaan yang bergerak d bdang pengecoran logam dengan menerapkan sstem manufaktur Make-to-order (MTO), dmana perusahaan akan memproduks produk setelah adanya pesanan atau order dar konsumen. Order yang dterma oleh CV. Kembar Jaya adalah benda coran yang dpaka pada onderdl kendaraan bermotor sepert, onderdl mobl, onderdl kereta ap, ppa ar, perkakas barang-barang elektronk dan sebaganya. Ada dua macam hasl logam coran d CV. Kembar Jaya yatu jens FC (Fero Castng) dan FCD (Fero Castng Ductle). Logam jens FC mengandung lebh banyak unsur karbon dbandng dengan FCD, sehngga memlk sfat mekank yang berbeda. Jens cetakan yang dpergunakan untuk coran FC dan FCD adalah cetakan pasr dan cetakan CO 2 yang memlk pola sekal paka. Karakterstk sstem produks yang dterapkan CV. Kembar Jaya adalah batch flow shop, dmana order d bag menjad beberapa batch dan dkerjakan dengan urutan proses kontnyu (flow shop). Proses produks benda coran dlakukan dalam tga stasun kerja secara berurutan, yatu stasun kerja Moldng, Meltng, dan Fnshng. Proses pembuatan cetakan, proses penuangan logam car ke dalam cetakan, proses pendngnan dan proses pembongkaran Correspondece: asyat@yahoo.com

2 42 Performa Vol. 6, No. 2 benda coran dlakukan pada stasun kerja Moldng. Stasun kerja Meltng terdr dar 2 mesn tanur lstrk yang doperaskan secara bergantan, berfungs untuk melakukan proses peleburan bahan baku menjad logam car. Sedangkan stasun kerja fnshng berfungs untuk membershkan saluran turun, saluran masuk, saluran penambah dan juga pasr yang menempel pada benda coran. Permasalahan yang dhadap oleh CV. Kembar Jaya dlanta produks saat n adalah mash tnggnya tngkat keterlambatan penyelesaan order. Keterlambatan penyelesaan order tersebut dsebabkan adanya suhu logam car tdak layak tuang (drop) ketka jarak antar cetakan yang akan ds berjauhan. Hal n dsebabkan karena belum adanya pengaturan cetakan pada area moldng, sehngga cetakan d stasun kerja moldng dlakukan dmana saja pada area moldng. Selan tu, pembebanan tanur tdak mempertmbangkan jumlah ukuran batch pada tap-tap job yang akan dkerjakan, hal n mengakbatkan ssa caran logam (scrap) yang cukup tngg. Tnggnya jumlah scrap mengakbatkan jumlah output produks berkurang, sehngga target produks tdak tercapa. Pada peneltan n akan dkembangkan penjadwalan batch flowshop untuk memnmas rata-rata keterlambatan penyelesaan order (mean tardness) dan jumlah scrap tuang d CV. Kembar Jaya. 2. METODE PENELITIAN Gambar 1. Flow chart metode peneltan

3 Asyat, Yunarstanto dan Septan - Penjadwalan Batch Dnams Flow Shop Untuk Memnmas Rata-Rata Keterlambatan Penyelesaan Order Insalsas Penyetngan Area Moldng Tahap penyetngan area moldng adalah untuk menentukan alokas cetakan pada area moldng. Kebutuhan area moldng dhtung selanjutnya dlakukan penyetngan area untuk memperpendek jarak tuang antar cetakan Algortma Penjadwalan Produks Krtera penjadwalan yang dgunakan adalah mnms mean tardness yang drumuskan sebaga berkut: N 1 Mn T = T (1) N dmana: = 1 T : rata-rata keterlambatan T : jumlah keterlambatan order ke- Langkah-langkah algortma penjadwalan adalah sebaga berkut: Langkah 0 : Ambl data jadwal produks sebelumnya dan data order baru: jens materal tem produk j pada order (g j ), jumlah demand (D), due date order (d ), saat kedatangan order ke- (A ). Langkah 1 : Perksa output sebelumnya: Jka saat selesa order lama saat mula order baru, maka hapus order lama, jadwalkan order baru dan lanjutkan ke langkah 3. Jka saat kedatangan order terakhr dantara saat mula dan saat selesa order awal lanjutkan ke langkah 2. Langkah 2 : Jadwalkan order dengan sub algortma penjadwalan ulang dan selesa. Langkah 3 : Urutkan order dan pecah order menjad batch dengan sub algortma pengurutan order dan penentuan ukuran batch. Langkah 4 : Jadwalkan batch pada area moldng untuk proses alokas cetakan dengan sub algortma kesapan area moldng. Langkah 5 : Jadwalkan batch untuk mengdentfkas waktu tuang agar tdak drop dengan sub algortma penentuan waktu tuang. Langkah 6 : Dstrbuskan batch pada masng-masng stasun kerja dengan sub algortma penjadwalan batch dan proses selesa. Saat mula order untuk dkerjakan d setap mesn adalah 2 har setelah order dterma (sudah dkonfrmas oleh konsumen untuk dkerjakan, confrmed order). Jka saat mula order tersebut lebh besar dar saat selesa order sebelumnya, maka order akan djadwalkan setelah 1 har kedatanganya. Sedangkan untuk confrmed order yang memlk saat mula lebh kecl dar saat mula order sebelumnya, maka order tersebut dapat djadwalkan setelah 1 har dengan sub algortma penjadwalan ulang. Dmana perode pengerjaan order pada sub algortma penjadwalan ulang adalah 2 har setelah kedatangan order tersebut. a. Sub Algortma Pengurutan Order dan Penentuan Ukuran Batch Langkah-langkah sub algortma pengurutan order dan penentuan jumlah ukuran batch adalah : Langkah 1 : Ambl data order yang melput: No order (), tanggal kedatangan (A), due date (d), tem yang d pesan (j), jens produk materal (g), jumlah unt produk yang d pesan (D), dan volume produk per tem (kg) ( V ). j Langkah 2 : Merekap data order dengan mengelompokkan tem produk berdasarkan jens produknya.

4 44 Performa Vol. 6, No. 2 Langkah 3 : Apakah order lebh dar satu, jka ya maka lanjutkan ke langkah 4 dan jka tdak maka lanjutkan ke langkah 5. Langkah 4 : Urutkan order berdasarkan prortas Earlst due date (EDD). Jka ada order dengan due date yang sama, maka plh order dengan prortas Short processng tme (SPT) dan jka mash ada order dengan nla proses yang sama, maka plh order dar nomor order teratas. Langkah 5 : Set = 1, dmana adalah order terplh ( =1, 2,..., N ). Langkah 6 : Pecah order menjad unt batch dengan persamaan (2) dan (3). Jumlah batch order (n ) adalah: D n = Round up (2) Q n dmana: Q b = D b=1 b Ukuran batch (dalam kg) adalah: Mc Q b = M pj = Round down xv (3) j V j Ukuran batch gabungan (Q (gab)b ) adalah: Mc Qn Q ( gab) b = Qn + Round down xv (4) ( + 1) j V j( + 1) Jumlah unt tem produk pada batch b order adalah: J Qb qb = (5) V j= 1 j dmana: Q b = ukuran batch b pada order (kg) Q n = ukuran batch terakhr d order (kg) M pj = kapastas maksmal peleburan tem produk ke-j, order (kg) n = jumlah batch yang dperlukan untuk memenuh jumlah permntaan order M c = kapastas pengecoran (480 kg) V j = volume unt untuk tem produk j pada order ke- (kg) V j(+1) = volume unt untuk tem produk j pada order ke- +1 (kg) q b = jumlah tem produk pada batch b d order. Q (gab)b = ukuran batch gabungan untuk batch b order ke- Penentuan ukuran batch dsesuakan dengan kapastas maksmal tem produk untuk setap peleburan. Total volume batch harus sama dengan jumlah demand order. Langkah 7 : Jka ada Q (gab)b atau ukuran batch dengan order gabungan, maka lanjutkan ke langkah 9. Jka tdak lanjutkan ke langkah 8. Langkah 8 : Urutkan batch dalam pada order berdasarkan ukuran batch yang terbesar. Langkah 9 : Set batch pertama b = 1, dmana b adalah nomor batch terplh b = (1, 2,...n). Langkah 10: Smpan data ukuran batch pada order terplh. Langkah 11: Apakah b = n adalah urutan batch terakhr, jka ya lanjutkan ke langkah 12, jka tdak set b = b + 1 dan kembal ke langkah 9. Langkah 12: Jka ukuran batch terakhr d order (Q n ) < M pj, maka lanjutkan ke langkah 14, dan jka tdak maka lanjutkan ke langkah 13. Langkah 13: Jka = N, yatu order terakhr pada urutan order maka lanjutkan ke langkah 16, jka tdak set = +1 dan lanjutkan ke langkah 14.

5 Asyat, Yunarstanto dan Septan - Penjadwalan Batch Dnams Flow Shop Untuk Memnmas Rata-Rata Keterlambatan Penyelesaan Order Langkah 14: Perksa apakah jens produk d ukuran batch terakhr d order ke- g n = jens produk d order +1 (g +1) ), jka tdak kembal ke langkah 9. Jka ya lanjutkan ke langkah 15. a Langkah 15: Htung demand aktual pada order +1 ( D + 1 )dan kembal ke langkah 5 D a 1 D + Q (6) + = + 1 n Langkah 16: Data hasl pengurutan order dan penentuan ukuran batch dan proses selesa. b. Sub Algortma Kesapan Area Moldng Sub algortma n bertujuan untuk menentukan kesapan area moldng yang akan dgunakan sebaga dasar penetapan alokas untuk dstrbus cetakan. Kebutuhan area moldng dsesuakan dengan urutan batch yang akan dproses pada proses peleburan. Hal n dsebabkan cetakan harus sap ketka proses peleburan selesa, sehngga langsung dapat ddstrbuskan ke masng-masng cetakan. Langkah 1 : Ambl data batch dar hasl pengurutan order dan penentuan ukuran batch d sub algortma sebelumnya, status masng-masng area, saat selesa lebur batch sebelumnya d proses lebur untuk batch sebelumnya ( End ( 1) ) dan saat selesa proses pembongkaran d batch b order ke- ( End ). Langkah 2 : Plh nomor batch teratas dar hasl algortma pengurutan order dan penentuan ukuran batch sebelumnya. Langkah 3 : Set b= 1, untuk nomor batch pertama pada hmpunan batch yang akan djadwalkan. Langkah 4 : Set q b = jumlah unt produk pada batch b, d order ke-. Langkah 5 : Set End ) Start m( b 1 = Ab rb m b, saat selesa lebur untuk batch sebelumnya (b-1) order ke- d stasun kerja meltng adalah saat mula area ke-a dgunakan untuk batch keb order ke-. Langkah 6 : Set jens area yang dbutuhkan sesua unt tem produk pada batch b order ke-. Set A = 1 FC a Set A FC a = 1 Set A FC a = 1 Dalam satu batch dmungknkan dapat membutuhkan lebh dar 1 jens area, karena dalam satu batch tdak menutup kemungknan akan terdr dar beberapa jens produk. Langkah 7 : Perksa status area ke-1 untuk setap jens area. Apakah status A = φ FC 1 Apakah status A Re m 1 = φ Apakah status A FCD 1 = φ Jka tdak set area untuk masng-masng jens area dengan a+1 dan kembal ke langkah 6. Hal n dsebabkan karena prortas penggunaan area d untuk setap jensnya dmula dar area dengan jens produk 1 kemudan 2 dan seterunya. Jka status area d masng-masng jens produk φ, maka lanjutkan ke langkah berkutnya. Langkah 8 : Tamplkan status s pada setap area berdasarkan jens areanya. Langkah 9 : Htung saat area kosong dengan persamaan berkut: R = End rb + s (7) φ a b

6 46 Performa Vol. 6, No. 2 dmana: R a b φ = saat area moldng batch b, order ke- kosong. End = saat selesa proses bongkar untuk batch b pada order rb s = set up area moldng. Langkah 10: Smpan status masng-masng area. Langkah 11: Apakah b= n, jka ya maka lanjutkan ke langkah berkutnya dan jka tdak set b= b+1 dan kembal ke langkah 3. Langkah 12: Kelompokkan batch-batch tersebut berdasarkan jens area moldng kemudan smpan batch b yang telah terjadwalkan pada area moldng a sebaga jadwal nsal area a dan selesa. c. Sub Algortma Penentuan Waktu tuang Tahap penentuan waktu penuangan n dgunakan untuk mengdentfkas total waktu penuangan d setap batch. Besarnya waktu penuangan tergantung pada jumlah unt dalam batch yang akan dproses. Berdasarkan hasl pemecahan batch sebelumnya, dapat dketahu adanya kemungknan perbedaan ukuran batch satu dengan yang lannya, sehngga total waktu penuangan juga akan berbeda. Hal n dsebabkan oleh penurunan suhu pada logam paduan sebandng dengan pertambahan waktu. Besarnya waktu penuangan tergantung pada proses penuangannya. Jka waktu total penuangan tap batch melebh suhu dropnya, maka proses penuangan akan dlakukan lebh dar satu kal penuangan. Langkah-langkah untuk sub algortma penentuan total waktu penuangan adalah : Langkah 0 : Tahapan penentuan total waktu tuang dmula dar pengumpulan data, antara lan: data hasl pengurutan order dan penentuan ukuran batch sebelumnya, status area moldng yang dgunakan pada batch b, waktu proses tuang ke ladel, waktu angkut ladel, waktu tuang ke cetakan, waktu drop tap jens produk dan End mb (saat selesa proses peleburan untuk batch b order ). Langkah 1 : Set = 1, dmana adalah nomor order dar data urutan order yang telah durutkan sebelumnya = (1, 2,..., N). Langkah 2 : Set b = 1, dmana B adalah nomor batch dar data batch yang telah durutkan sebelumnya b = (1, 2,..., n). Langkah 3 : Set w = 1, untuk proses penuangan 1 kal, dmana w = (1, 2,W). Langkah 4 : Htung total waktu proses tuang untuk batch b order ke- ( P tb ) W tb = w=1 P P + P + P tl al dmana: P tl = waktu tuang ke ladel. tc P al = waktu angkut ladel ke area cetakan P tc = waktu proses tuang ke dalam cetakan. Langkah 5 : Perksa apakah waktu tuang batch ke-b order, lebh kecl dbandngkan waktu drop (waktu dmana suhu logam tdak layak tuang) P tb < P drop, jka tdak lanjutkan ke langkah 7 dan jka ya lanjutkan ke langkah 6. Langkah 6 : Set w = w + 1, untuk proses penuangan dlakukan lebh dar 1 kal. Langkah 7 : Htung jumlah volume tap proses penuangan ke-w, dan kembal ke langkah 4. Q V tw = b (9) w dmana: w = jumlah proses penuangan. V = volume penuangan ke- w (kg). tw (8)

7 Asyat, Yunarstanto dan Septan - Penjadwalan Batch Dnams Flow Shop Untuk Memnmas Rata-Rata Keterlambatan Penyelesaan Order Langkah 8 : Htung saat selesa proses tuang untuk batch b order ke- ( End ) End tb = End mb + P tb Saat selesa tuang untuk batch b, d order adalah saat selesa proses peleburan batch b, order dtambah waktu tuang batch. Langkah 9 : Smpan data waktu tuang tap batch dan saat selesa tuang batch. Langkah 10: Apakah b = n, untuk urutan batch terakhr, jka tdak maka set b= b+1 dan kembal ke langkah 2 dan jka ya lanjutkan ke langkah 11. Langkah 11: Jka = order terakhr, maka lanjutkan ke langkah 12. Jka tdak set = +1, yatu perode selanjutnya dan kembal ke langkah 1. Langkah 12: Kelompokan data waktu tuang dan saat selesa tuang d masng-masng batch dan proses selesa. d. Sub Algortma Penjadwalan Batch Penjadwalan batch dlakukan mula dar proses peleburan d stasun kerja meltng, proses pendngnan dan pembongkaran d stasun kerja moldng dan proses pengerjaan akhr d stasun kerja fnshng. Proses peleburan, pendngnan dan pembongkaran merupakan proses kontnyu, dmana logam yang dlebur dalam satu batch peleburan kemudan dtuang ke cetakan dan mengalam proses pendngnan dan pembongkaran. Penentuan urutan batch d peroleh dar data hasl algortma pengurutan order dan pemecahan batch. Pengurutan batch pada proses pengerjaan akhr menggunakan aturan mnmas slack tme. Mnmas slack tme dgunakan untuk memlh batch yang memlk devas terkecl antara waktu proses dengan due date. Langkah-langkah penjadwalan batch adalah sebaga berkut: Langkah 0 : Ambl data hasl pengurutan order dan pemecahan batch sebelumnya, waktu proses peleburan P ), waktu proses pendngnan P ), pembongkaran P ), waktu ( m proses fnshng ( P f ), waktu tuang ( P t ) (jam kerja produktf ( W produktf d shft 1 ( W ) dan jam kerja non produktf d shft 2 W ). off S 1 ( c tb ( off S 2 ( r on ) dan non Langkah 1 : Plh batch teratas d order pertama dar data hasl pengurutan order dan penentuan ukuran batch sebelumnya. Langkah 2 : Set t = 0, sebaga perode penjadwalan, dmana t = 0, 1, 2, T. Langkah 3 : Set b = 1, sebaga batch pertama, dmana b adalah nomor batch terplh b = (1, 2,...n). Langkah 4 : Set End m(b-1) = Start mb, dmana saat selesa batch sebelumnya atau batch ke-(b-1) pada proses meltng merupakan saat mula batch b, order ke- pada proses meltng berkutnya. Langkah 5 : Jka saat mula operas peleburan lebh besar dar jam kerja non produktf d shft 1 dan shft 2 (W off ), Start mb W,atau Start mb W maka saat mula operas off S1 menjad : a Start = Start mb + 1 jam (10) mb off S 2 dmana: W = waktu non produktf shft 1: = 1 jam off S1 W off S 2 = waktu non produktf shft 2: = 1 jam Start mb = saat mula aktual, yatu saat mula operas peleburan hasl perhtungan awal yang dkurang total jam kerja non produktf (W off ). Waktu non produktf dpertmbangkan karena stasun peleburan dkerja secara manual.

8 48 Performa Vol. 6, No. 2 Langkah 6 : Htung saat selesa batch b pada proses peleburan End mb = Start mb +P m (11) Saat selesa batch b, order ke- pada proses peleburan adalah saat mula aktual batch b, order ke- pada proses peleburan dtambah waktu proses peleburan. Langkah 7: Htung waktu transfer (waktu tuang ke cetakan) dengan menggunakan sub algortma penentuan waktu tuang, Start cb = End tb. Saat mula batch b d order pada proses pendngnan (Start cb ) adalah saat selesa batch b d order pada proses penuangan (End tb ). Langkah 8 : Htung saat selesa batch pada proses pembongkaran d stasun kerja moldng. End rb = Start cb + P c + P r (12) Saat selesa batch b order pada proses pembongkaran (End rb ) adalah saat mula batch b order pada proses pendngnan dtambah waktu proses pendngnan dan waktu proses pembongkaran. Langkah 9 : Jka selesa batch b order pada proses pembongkaran (End rb ) lebh besar dar jam kerja non produktf d shft 1 dan shft 2 (W off ), End rb W,atau End rb W off S 2 maka saat mula operas menjad : a End = End rb + 1 jam (13) rb dmana: W off S 1 W off S 2 off S1 = waktu non produktf shft 1: = 1 jam = waktu non produktf shft 2: = 1 jam Langkah 10: Smpan saat mula dan saat selesa batch d masng-masng proses. Langkah 11: Jka b = n, lanjutkan ke langkah 13, jka tdak set b = b + 1 dan kembal ke langkah 4. Langkah 12: Data hasl penjadwalan batch d stasun kerja meltng dan moldng. Langkah 13: Set R sebaga saat sap server d proses fnshng. sf Langkah 14: Plh saat selesa batch dproses bongkar tercepat ( End dproses bongkar tercepat ( End rb rb ), jka saat selesa batch ) lebh dar satu maka plh batch berdasarkan nla slack tme terkecl ST = d R p (14) b sf f Langkah 15: Set b f =1 Langkah 16: Jka saat mula proses fnshng lebh besar dar jam kerja non produktfnya Start fb W maka saat mula operas menjad : off S1 Start a fb = Start fb + 1 jam (15) W adalah waktu non produktf proses fnshng: =1 jam. off f Langkah 17: Htung saat selesa pada proses fnshng a Start = R sf bf Start fb = Start a fb + P f (16) Langkah 18: Smpan data saat mula dan saat selesa batch d proses fnshng. Langkah 19: Jka b f = n, maka lanjutkan ke langkah berkutnya, jka tdak set b f = b f +1 dan kembal ke langkah 16. Langkah 20: Hasl penjadwalan fnshng dan proses selesa. e. Sub Algortma Penjadwalan Ulang

9 Asyat, Yunarstanto dan Septan - Penjadwalan Batch Dnams Flow Shop Untuk Memnmas Rata-Rata Keterlambatan Penyelesaan Order Sub algortma penjadwalan ulang merupakan algortma untuk menjadwalkan order baru yang datang pada saat suatu order sedang dkerjakan. Kedatangan order baru menyebabkan adanya perubahan pada jumlah operas yang akan dkerjakan. Kedatangan order baru akan dpertmbangkan untuk djadwalkan pada awal perode untuk tap shft pertama. Langkahlangkah yang dlakukan dengan adanya order baru yang datang pada saat t =A pada sub algortma penjadwalan ulang adalah sebaga berkut: Langkah 0 : Perksa output penjadwalan sebelumnya?, apakah mash ada batch yang belum selesa dproses? Jka ya lanjutkan ke langkah berkutnya, dan jka tdak maka selesa. Langkah 1 : Perksa mula dar bars palng atas nomor batch b, ukuran batch yang belum selesa dproses tersebut. dan nyatakan b =1, untuk b = 1, 2,.., n. Langkah 2 : Perksa apakah saat selesa proses peleburan untuk batch b d order (End mb ) A (saat kedatangan order terakhr). Jka tdak lanjutkan ke langkah 3, jka ya lanjutkan ke langkah 4. Langkah 3 : Set b = b+1, jka b n ulang langkah 1, jka tdak lanjutkan ke langkah 5. Langkah 4 : Perksa apakah saat mula proses peleburan untuk batch b order d proses meltng Start mb A (saat kedatangan order terakhr), jka tdak set Tarr = End mb dan kembal kelangkah 3, dan jka ya lanjutkan ke langkah 5. Langkah 5 : Update status nomer batch menjad Tarr. Langkah 6 : Htung jumlah batch yang selesa dproses hngga Tarr, nyatakan sebaga F. Langkah 7 : Update nla D yatu jumlah permntaan order yang djadwalkan menjad. a D = D - F (17) a D adalah jumlah permntaan aktual order yang belum djadwalkan. Langkah 8 : Jadwalkan ssa unt d D dan order baru dengan sub algortma pengurutan order dan penentuan ukuran batch. Langkah 9 : Jka semua due date dapat dpenuh, maka order baru dapat dterma, dan lanjutkan ke langkah 10, dan jka tdak maka tamplkan perngatan dundur due datenya dan kembal ke jadwal sebelum terjadnya kedatangan order. Langkah 10: Data revs jadwal produks yang baru. 3. Hasl Peneltan Hasl dar aplkas algortma penjadwalan batch dnams flowshop pada data kasus d CV. Kembar Jaya adalah sebaga berkut: 1. Perhtungan rata-rata keterlambatan penyelesaan pesanan (mean tardness) pada 2 hasl penjadwalan yatu: a. Hasl penjadwalan produks dnams dengan menerapkan keputusan penolakan order dengan menggunakan sub algortma penjadwalan ulang.

10 50 Performa Vol. 6, No. 2 Order ( ) Tabel 1. Rata-rata keterlambatan penyelesaan pesanan (Mean Tardness) dengan penolakan order r Keterlambatan order ( ) Peneltan Perusahaan jam tgl jam tgl jam tgl jam Jam 1 13:00 2-Sep 13:06 8-Sep 14:00 8-Sep 0, :00 2-Sep 15:35 2-Sep 14:00 6-Sep 0,0 0,0 3 7:00 4-Sep 16:16 4-Sep 14:00 7-Sep 0,0 0,0 4 3:00 8-Sep 12:08 30-Sep 14:00 30-Sep 0, :00 21-Sep 9:09 22-Sep 14:00 25-Sep 0,0 0,0 6 7:40 21-Sep 8:36 22-Sep 14:00 25-Sep 0, Dundur due datenya ,5 8 Dundur due datenya ,0 9 Dundur due datenya ,0 10 Dundur due datenya ,0 11 Dundur due datenya ,66 Mean tardness C d T 0,0 21,56 b. Hasl penjadwalan produks dnams dengan menerapkan keputusan penermaan seluruh order meskpun akan menmbulkan tardness (keterlambatan pada order sebelumnya). Hal n dlakukan untuk mengetahu kehandalan dar algortma yang dbuat. Tabel 2. Rata-rata Keterlambatan Penyelesaan Pesanan (Mean Tardness) dengan menerma semua order r C Order ( ) ( ) Peneltan Perusahaan jam tgl jam tgl jam tgl jam Jam 1 13:00 2-Sep 13:06 8-Sep 14:00 8-Sep 0, :00 2-Sep 15:35 2-Sep 14:00 6-Sep 0,0 0,0 3 7:00 4-Sep 16:16 4-Sep 14:00 7-Sep 0,0 0,0 4 3:00 8-Sep 15:14 4-Okt 14:00 30-Sep 64, :00 21-Sep 8:34 23-Sep 14:00 25-Sep 0,0 0,0 6 7:40 21-Sep 7:59 22-Sep 14:00 25-Sep 0, :40 22-Sep 10:12 25-Sep 14:00 25-Sep 0,0 26,5 8 5:20 24-Sep 12:49 25-Sep 14:00 26-Sep 0,0 0,0 9 7:00 25-Sep 12:49 25-Sep 14:00 26-Sep 0,0 0,0 10 0:20 24-Sep 11:29 25-Sep 14:00 26-Sep 0,0 0,0 11 3:20 3 Okt 9:14 5-Sep 14:00 2-Okt 17,3 49,66 Mean tardness d Keterlambatan order T 7,39 21,56 2. Perhtungan jumlah scrap tuang Berdasarkan aplkas algortma penjadwalan dperoleh total jumlah ukuran batch yang dlebur untuk memenuh order bulan September 2006 adalah kg. Output produks dengan berdasarkan aplkas algortma penjadwalan batch adalah kg, sehngga dketahu tdak ada scrap tuang.

11 Asyat, Yunarstanto dan Septan - Penjadwalan Batch Dnams Flow Shop Untuk Memnmas Rata-Rata Keterlambatan Penyelesaan Order Hasl penjadwalan Tabel 3. Hasl perhtungan jumlah scrap tuang Jumlah Jumlah yang Output demand dlebur produks Jumlah scrap tuang (kg) (kg) (kg) (kg) Perusahaan Peneltan Hasl peleburan yang dlakukan oleh perusahaan untuk memenuh order bulan September 2006 dketahu sebesar kg dengan jumlah scrap tuang sebesar 5126 kg. Dengan menggunakan algortma penjadwalan hasl peneltan jumlah scrap tuang dapat dkurang menjad 0 kg atau dalam satuan prosentase dapat mengurang jumlah scrap tuang sebesar 100% Analss Rata-rata Keterlambatan Penyelesaan Order Berdasarkan data perusahaan rata-rata keterlambatan penyelesaan order pada bulan pengerjaan September dengan menjadwalkan 11 order dperoleh rata-rata keterlambatan penyelesaan order adalah 21,56 jam. Sedangkan dengan mengaplkaskan algortma penjadwalan yang telah dkembangkan rata-rata keterlambatan bsa berkurang menjad 7,39 jam. Rata-rata keterlambatan penyelesaan order (mean tardness) bsa dperbak hngga mencapa 65,72%. lebh efektf jka dbandngkan dengan sstem penjadwalan dar perusahaan Analss Jumlah Scrap Tuang Berdasarkan hasl peleburan yang dlakukan oleh perusahan untuk memenuh order tersebut sebesar kg dengan jumlah scrap tuang sebesar kg. Sedangkan berdasarkan aplkas algortma penjadwalan yang dkembangkan dperoleh total hasl peleburan untuk memenuh permntaan order bulan September adalah kg tanpa ada scrap tuang. 4. Kesmpulan Berdasarkan peneltan tentang penjadwalan produks batch dnams flow shop dengan mempertmbangkan rata-rata keterlambatan penyelesaan (mean tardness) dan memnmas jumlah scrap tuang d CV. Kembar Jaya dapat dambl kesmpulan sebaga berkut: 1. Berdasarkan aplkas algortma penjadwalan dengan set data order bulan September 2006 dperoleh hasl rata-rata keterlambatan penyelesaan order (mean tardness) sebesar 7,39 jam, sedangkan berdasarkan metode penjadwalan perusahaan dperoleh mean tardness sebesar 21,56 jam. Sehngga dengan mengaplkaskan algortma penjadwalan yang telah dkembangkan dapat memnmas mean tardness sebesar 14,17 jam atau sebesar 65,72%. 2. Total peleburan untuk memenuh permntaan order bulan September adalah kg. Berdasarkan aplkas algortma penjadwalan yang telah dkembangkan dperoleh total peleburan untuk memenuh order bulan September adalah kg, sehngga tdak ada scrap tuang. Sedangkan berdasarkan sstem penjadwalan perusahaan total peleburan untuk memenuh order bulan September adalah kg dengan jumlah scrap tuang sebesar 5126kg.. Oleh karena tu dengan menerapkan algortma penjadwalan yang telah dkembangkan dapat memnmas jumlah scrap tuang yatu menjad 0 kg atau 100%.

12 52 Performa Vol. 6, No. 2 Daftar Pustaka Aj, Anselmus. Penjadwalan Produks Mnbus Jens Varan dengan Algortma Drum-Buffer- Rope untuk Memnmas mean Tardness dan Work n Process. Skrps Teknk Industr, UNS, Surakarta, Baker, K.R dan College D. Introducton to Sequencng and Schedulng. John Wley & Sons, Bedworth, D.D, Baley. Integrated Producton Control System Management. Sngapore : John Wley & Sons, Bakrun. dkk. Pembuatan Jadwal Materal Release: Suatu Pendekatan dengan Theory Of Constrants (TOC): Preceedngs Semnar Sstem Produks VI, Fogarty, D.W, Blackstone, John H. dan Hoffman, Thomas R. Producton and Inventory Management. Cncnnat, Oho: South-Western Publsng, Paryant, Yun. Penjadwalan Produks Pada Proses Persapan Pertenunan dengan mempertmbagkan Due (Stud Kasus PT. Kusuma Had Santosa). Tugas Akhr Sarjana Program Stud Teknk Industr, Jurusan Teknk Industr, Sebelas Maret Surakarta, Tejaash et al. Pengembangan Model Penjadwalan Batch pada Sstem Produks Flow Shop Heterogenous Machne Dnams dengan Ukuran Batch Integer untuk Memnmas Total Actual Flow Tme. Pendekatan Mundur pada Sstem produks Flow Shop yang Dnams (Stud Kasus PT. Supramas Int Kemlau). Preceedngs Semnar Sstem Produks V, Uzsoy. et al. Alternatve Loadng and Dspatchng Polces for Furnace Operaton n Semconductor Manufacturng: In Proceedng of the Wnter Smulaton Conference, Wgnjosoebroto, Srtomo. Ergonom, Stud Gerak dan Waktu: Teknk Analss untuk Penngkatan Produktvtas Kerja. Surabaya: Guna Wdya, 2000.

BAB II TINJAUAN PUSTAKA

BAB 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 terperinci

PENJADWALAN PRODUKSI di PT MEUBEL JEPARA PROBOLINGGO

PENJADWALAN 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 terperinci

Perencanaan Kebutuhan Tenaga Kerja dengan Teknik Shojinka di Sistem Make To Order Kendala Penyisipan Job dalam On-going Schedule

Perencanaan Kebutuhan Tenaga Kerja dengan Teknik Shojinka di Sistem Make To Order Kendala Penyisipan Job dalam On-going Schedule Prosdng Semnar asonal Teknon 01 ISB o. 978-979-96964-3-9 Perencanaan Kebutuhan Tenaga Kerja dengan Teknk Shojnka d Sstem Make To Order Kendala Penyspan Job dalam On-gong Schedule Arf Rahman 1) Purnomo

Lebih terperinci

BAB V ANALISA PEMECAHAN MASALAH

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

Lebih terperinci

BAB I PENDAHULUAN I-1

BAB 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 terperinci

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

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

Lebih terperinci

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN

Didownload 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 terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

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

Lebih terperinci

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

BAB III METODOLOGI PENELITIAN

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

BAB VB PERSEPTRON & CONTOH

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

Lebih terperinci

Kata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.

Kata 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 terperinci

PENGEMBANGAN 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 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 terperinci

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

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

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam

III. 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 terperinci

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

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

Lebih terperinci

PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT

PENGEMBANGAN 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 terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

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

Lebih terperinci

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

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

Lebih terperinci

ANALISIS DATA KATEGORIK (STK351)

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

Lebih terperinci

Tinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal

Tinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal 157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB 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 terperinci

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

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

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA Revew Peneltan Sebelumnya 2.1. Pengembangan model matematk horson waktu dskret optmal untuk penjadwalan job banyak operas tunggal pada mesn alternatf [Sukendar, 2007] Notas a. Hmpunan

Lebih terperinci

UKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a

UKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya

Lebih terperinci

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi

Kecocokan 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 terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

Bab 2 Tinjauan Pustaka

Bab 2 Tinjauan Pustaka Bab 2 Tnjauan Pustaka 2.1. Konsep dasar penjadwalan Permasalahan yang menyebabkan dbutuhkannya penjadwalan adalah bla terdapat berbaga macam tugas (job) atau proses yang harus dlakukan, sedangkan sumber

Lebih terperinci

P 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

P 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 terperinci

REDUKSI PEMBOROSAN UNTUK PERBAIKAN VALUE STREAM PRODUKSI MI LETHEK MENGGUNAKAN PENDEKATAN LEAN MANUFACTURING

REDUKSI PEMBOROSAN UNTUK PERBAIKAN VALUE STREAM PRODUKSI MI LETHEK MENGGUNAKAN PENDEKATAN LEAN MANUFACTURING AGRITECH, Vol. 35, No. 2, Me 2015 REDUKSI PEMBOROSAN UNTUK PERBAIKAN VALUE STREAM PRODUKSI MI LETHEK MENGGUNAKAN PENDEKATAN LEAN MANUFACTURING Waste Reducton to Improve Value Stream of M Lethek Producton

Lebih terperinci

BAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK

BAB 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 terperinci

PERENCANAAN KEBUTUHAN TENAGA KERJA FLEKSIBEL PADA SISTEM JOB SHOP MEMPERGUNAKAN TEKNIK SHOJINKA

PERENCANAAN KEBUTUHAN TENAGA KERJA FLEKSIBEL PADA SISTEM JOB SHOP MEMPERGUNAKAN TEKNIK SHOJINKA Magster eknk ndustr Program Pascasarana, Unverstas Katolk Parahyangan, Bandung PERECAAA KEBUUHA EAGA KERA FLEKSBEL PADA SSEM OB SHOP MEMPERGUAKA EKK SHOKA Arf Rahman Program Stud eknk ndustr Fakultas eknk

Lebih terperinci

BAB III METODOLOGI PENELITIAN

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

Lebih terperinci

BAB III METODE PENELITIAN. Jenis penelitian yang akan digunakan dalam penelitian ini adalah

BAB 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 terperinci

BAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.

BAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011. 44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon

Lebih terperinci

BAB IV PEMBAHASAN MODEL

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

Lebih terperinci

Oleh : Fifi Fisiana

Oleh : 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 terperinci

BAB IV PEMBAHASAN HASIL PENELITIAN

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

Lebih terperinci

BAB II TEORI ALIRAN DAYA

BAB II TEORI ALIRAN DAYA BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Uj Normaltas Llefors D dalam pengendalan persedaan, perumusan lmu statstk dgunakan untuk menentukan pola dstrbus, dmana pola dstrbus tersebut dapat dhtung dengan menguj kenormalan

Lebih terperinci

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

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

Lebih terperinci

UKURAN LOKASI, VARIASI & BENTUK KURVA

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

Lebih terperinci

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

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

Lebih terperinci

BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL

BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL Analss sumbangan sektor-sektor ekonom d Bal terhadap pembangunan ekonom nasonal bertujuan untuk mengetahu bagamana pertumbuhan dan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

BAB III METODOLOGI PENELITIAN

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

Lebih terperinci

Bab III Analisis Rantai Markov

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

Lebih terperinci

SIMULASI OPTIMASI ALIRAN DAYA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAYA OPERASI

SIMULASI 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 terperinci

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

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

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN 44 III. METODOLOGI PENELITIAN A. Metode Peneltan Menurut Arkunto (00:3) peneltan ekspermen adalah suatu peneltan yang selalu dlakukan dengan maksud untuk melhat akbat dar suatu perlakuan. Metode yang penuls

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB 4 METODOLOGI PENELITIAN DAN ANALISIS

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

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB 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 terperinci

BAB 1 PENDAHULUAN. meningkatnya arus reaktif. Harmonisa telah terbukti memiliki dampak kerusakan

BAB 1 PENDAHULUAN. meningkatnya arus reaktif. Harmonisa telah terbukti memiliki dampak kerusakan BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Kualtas daya lstrk sangat dpengaruh oleh penggunaan jens-jens beban tertentu sepert beban non lner dan beban nduktf. Akbat yang dtmbulkannya adalah turunnya

Lebih terperinci

Vol. 4, No. 1, Mei 2016 ISSN: JURNAL REKAVASI. Jurnal Rekayasa & Inovasi Teknik Industri

Vol. 4, No. 1, Mei 2016 ISSN: JURNAL REKAVASI. Jurnal Rekayasa & Inovasi Teknik Industri Vol. 4, No. 1, Me 2016 ISSN: 2338-7750 JURNAL REKAVASI Jurnal Rekayasa & Inovas Teknk Industr Jurnal REKAVASI Insttut Sans & Teknolog AKPRIND Yogyakarta Hlm. Vol. 4 No. 1 Yogyakarta 1-59 Me 2016 ISSN:

Lebih terperinci

METODE PENELITIAN. Penentuan lokasi dilakukan secara tertuju (purposive) karena sungai ini termasuk

METODE PENELITIAN. Penentuan lokasi dilakukan secara tertuju (purposive) karena sungai ini termasuk IV. METODE PENELITIAN 4.1. Tempat dan Waktu Peneltan Peneltan n dlakukan d Sunga Sak, Kota Pekanbaru, Provns Rau. Penentuan lokas dlakukan secara tertuju (purposve) karena sunga n termasuk dalam 13 sunga

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.. KERANGKA ANALISIS Kerangka analss merupakan urutan dar tahapan pekerjaan sebaga acuan untuk mendapatkan hasl yang dharapkan sesua tujuan akhr dar kajan n, berkut kerangka

Lebih terperinci

IV. HASIL DAN PEMBAHASAN

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

Lebih terperinci

MENGANALISA GANGGUAN PADA 331 WEIGHT FEEDER 2 UNTUK MENINGKATKAN PRODUKSI DI PT. SEMEN GRESIK (PERSERO).Tbk PABRIK TUBAN ABSTRAK

MENGANALISA GANGGUAN PADA 331 WEIGHT FEEDER 2 UNTUK MENINGKATKAN PRODUKSI DI PT. SEMEN GRESIK (PERSERO).Tbk PABRIK TUBAN ABSTRAK Nelson ulstono Teknk Mesn Unverstas Islam Malang 015 MENGANALIA GANGGUAN PADA 331 WEIGHT FEEDER UNTUK MENINGKATKAN PRODUKI DI PT. EMEN GREIK (PERERO).Tbk PABRIK TUBAN Nelson ulstono, Teknk Mesn, Fakultas

Lebih terperinci

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

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

Lebih terperinci

PENGURUTAN DATA. A. Tujuan

PENGURUTAN DATA. A. Tujuan PENGURUTAN DATA A. Tuuan Pembahasan dalam bab n adalah mengena pengurutan data pada sekumpulan data. Terdapat beberapa metode untuk melakukan pengurutan data yang secara detl akan dbahas ddalam bab n.

Lebih terperinci

Bab III Analisis dan Rancangan Sistem Kompresi Kalimat

Bab III Analisis dan Rancangan Sistem Kompresi Kalimat Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton

Lebih terperinci

BAB 4 IMPLEMENTASI DAN EVALUASI

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

Lebih terperinci

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

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

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Penjadwalan Penjadwalan menurut Baker (1993, p) adalah alat bantu yang pentng dalam proses produks d suatu ndustr bak tu berupa barang maupun jasa. Dmana penjadwalan memlk pengaruh

Lebih terperinci

BAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan

BAB 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 terperinci

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

III. METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode 8 III. METODE PENELITIAN A. Metode Peneltan Metode peneltan adalah suatu cara yang dpergunakan untuk pemecahan masalah dengan teknk dan alat tertentu sehngga dperoleh hasl yang sesua dengan tujuan peneltan.

Lebih terperinci

Model Potensial Gravitasi Hansen untuk Menentukan Pertumbuhan Populasi Daerah

Model Potensial Gravitasi Hansen untuk Menentukan Pertumbuhan Populasi Daerah Performa (2004) Vol. 3, No.1: 28-32 Model Potensal Gravtas Hansen untuk Menentukan Pertumbuhan Populas Daerah Bambang Suhard Jurusan Teknk Industr, Unverstas Sebelas Maret, Surakarta Abstract Gravtaton

Lebih terperinci

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

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

Lebih terperinci

BAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika

BAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

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

Lebih terperinci

BAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan

BAB 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 terperinci

OPTIMASI MASALAH PENUGASAN. Siti Maslihah

OPTIMASI 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 terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

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

Lebih terperinci

SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN

SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN AALISIS DISKRIMIA DISKRIT UTUK MEGELOMPOKKA KOMPOE Bernk Maskun Jurusan Statstka FMIPA UPAD jay_komang@yahoo.com Abstrak Untuk mengelompokkan hasl pengukuran yang dukur dengan p buah varabel dmana penlaan

Lebih terperinci

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

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

Lebih terperinci

Bab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu

Bab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan

Lebih terperinci

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

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

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang

BAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan

Lebih terperinci

BAB 4 HASIL DAN PEMBAHASAN. smoothing, dan siklis untuk barang jadi Mie Atom Metode Regresi Linier. Nama barang jadi: Mie Atom.

BAB 4 HASIL DAN PEMBAHASAN. smoothing, dan siklis untuk barang jadi Mie Atom Metode Regresi Linier. Nama barang jadi: Mie Atom. BAB 4 HASIL DAN PEMBAHASAN 4.1 Penghtungan 4.1.1 Penghtungan Peramalan 4.1.1.1 Peramalan Me Atom Contoh perhtungan peramalan permntaan dengan metode regres lner, regres kuadrats, double movng average,

Lebih terperinci

IV. PERANCANGAN DAN IMPLEMENTASI SISTEM

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

Lebih terperinci

BAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan

BAB 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 terperinci

Analisis Persediaan Multy Item dengan Mempertimbangkan Faktor Kadaluarsa

Analisis Persediaan Multy Item dengan Mempertimbangkan Faktor Kadaluarsa Analss Persedaan Multy Item dengan Mempertmbangkan Faktor Kadaluarsa 1 onny Cputra 1, Theresa Sunarn Jurusan Teknk Industr Sekolah Tngg Teknk Mus, Palembang E-mal : donnycputra@gmal.com Jurusan Teknk Industr

Lebih terperinci

Bab V Aliran Daya Optimal

Bab V Aliran Daya Optimal Bab V Alran Daya Optmal Permasalahan alran daya optmal (Optmal Power Flow/OPF) telah menjad bahan pembcaraan sejak dperkenalkan pertama kal oleh Carpenter pada tahun 196. Karena mater pembahasan tentang

Lebih terperinci

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

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

Lebih terperinci

PERANCANGAN PROGRAM APLIKASI PENJADWALAN PROSES PRODUKSI BUKU TULIS PADA JALUR MESIN 321 DI PT

PERANCANGAN PROGRAM APLIKASI PENJADWALAN PROSES PRODUKSI BUKU TULIS PADA JALUR MESIN 321 DI PT PERANCANGAN PROGRAM APLIKASI PENJADWALAN PROSES PRODUKSI BUKU TULIS PADA JALUR MESIN 321 DI PT. SOLO MURNI DENGAN MENGGUNAKAN PENDEKATAN DRUM-BUFFER-ROPE (DBR) Skrps AJENG RACHMI PUWARA SITHORESMI I 1305019

Lebih terperinci

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER

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

Lebih terperinci

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

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

Lebih terperinci

BAB II DASAR TEORI DAN METODE

BAB II DASAR TEORI DAN METODE BAB II DASAR TEORI DAN METODE 2.1 Teknk Pengukuran Teknolog yang dapat dgunakan untuk mengukur konsentras sedmen tersuspens yatu mekank (trap sampler, bottle sampler), optk (optcal beam transmssometer,

Lebih terperinci

PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM

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

Lebih terperinci

MODEL HEURISTIK PENENTUAN RUTE KENDARAAN DENGAN BATASAN WAKTU PENGIRIMAN

MODEL HEURISTIK PENENTUAN RUTE KENDARAAN DENGAN BATASAN WAKTU PENGIRIMAN MODEL HEURISTIK PENENTUAN RUTE KENDARAAN DENGAN BATASAN WAKTU PENGIRIMAN Tjutju T. Dmyat Jurusan Teknk Industr Unverstas Pasundan E-mal : admyat@bdg.centrn.net.d ABSTRAK Penentuan rute kendaraan (Vehcle

Lebih terperinci

Contoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi.

Contoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi. BAB V TEOEMA-TEOEMA AGKAIA 5. Teorema Superposs Teorema superposs bagus dgunakan untuk menyelesakan permasalahan-permasalahan rangkaan yang mempunya lebh dar satu sumber tegangan atau sumber arus. Konsepnya

Lebih terperinci