SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN MAKALAH SEMINAR TERBAIK

Ukuran: px
Mulai penontonan dengan halaman:

Download "SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN MAKALAH SEMINAR TERBAIK"

Transkripsi

1 SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN MAKALAH SEMINAR TERBAIK Deborah Kurawat 1), Azhar S.N. 2) 1) Program stud Sstem Iformas STMIK AKAKOM Jl. Raya Jat No 143 Karagjambe Yogyakarta 2) Jurusa Ilmu Komputer da Elektroka, FMIPA UGM Yogyakarta e-mal: 1), 2) ABSTRAK Pemlha makalah semar terbak merupaka salah satu betuk apresas yag dapat dberka oleh peyeleggara semar kepada peyusu makalah. Sela jumlah makalah, perbedaa gaya pelaa para revewer; keragama da komplekstas berbaga lmu;serta objektvtas pelaa mejad tataga bag peyeleggara semar utuk memlh makalah semar terbak dega harapa keputusa yag dhaslka dapat dterma oleh berbaga phak. Peelta megusulka sebuah aplkas sstem pedukug keputusa utuk memlh makalah semar terbak dega model keputusa yag dbetuk dar metode Kuattatf da metode Profle matchg. Beberapa krtera makalah terbak yag dguaka adalah keterkata dega tema, bdag, peermaa makalah, da presetas. Sela megakomodas berbaga krtera yag dguaka, model yag dbetuk harus dapat megakomodas perbedaa gaya pelaa para revewer, da keragama serta komplekstas berbaga bdag lmu. Dega megguaka model yag telah dracag, sstem pedukug keputusa yag dbagu dapat memberka alteratf makalah semar terbak sesua dega krtera yag dguaka da dapat megakomodas berbaga kepetga yag ada. Kata Kuc: makalah terbak, metode Kualtatf, metode Profle matchg, model, sstem pedukug keputusa. ABSTRACT The selecto of the best coferece papers s a apprecato that ca be provded by the orgazers of the semar to the authors of papers. I addto to a umber of papers, dffereces style ad judgmet of the revewer, the dversty ad complexty of the varous sceces; objectvty of the assessmet s a challege for orgazers of semars to choose the best coferece papers hopes the resultg decso s acceptable to all partes. Ths thess proposes a decso support system applcato to select the best coferece papers wth decso models created from quattatve methods ad profle matchg methods. Several crtera of best papers used are the relatoshp wth the themes, feld, acceptace papers, ad presetatos.i addto to accommodate a varety of crtera used, the model s set up to accommodate dfferet styles ad assessmet of the dversty ad complexty revewer varous sceces. By usg a model whch has bee desged, decso support systems bult ca provde the alteratve about the best of semar papers, accordace wth the crtera used ad ca accommodate a varety of terests that exst. Keywords : best papers, decso support systems, models, profle matchg methods, qualtatve methods. I. PENDAHULUAN P emlha makalah terbak meutut objektftas d bayak ss, msalya krtera yag dguaka, stadar pelaa, da pegolaha la yag dlakuka. Sela objektftas yag tgg, jumlah makalah yag cukup bayak d setap peyeleggaraaya, keterlbata beberapa revewer yag tersebar d berbaga daerah dega berbaga perbedaa gaya pelaa, berbaga bdag lmu dega segala perbedaa da komplekstasya, da waktu pelaksaaa semar yag sgkat meutut peyeleggara utuk dapat melakuka pemlha tersebut dega waktu yag terbatas da hasl yag memuaska. Dega berbaga kods da keterbatasa yag ada, pegguaa sstem pedukug keputusa dapat mejad salah satu solus bag phak peyeleggara Sstem pedukug keputusa yag aka dbagu megguaka metode Kuattatf da Profle matchg utuk pembuata model yag aka dguaka. Metode Kuattatf tepat dguaka utuk meemuka solus terbak dar sejumlah besar alteratf [1]. Model Kuattatf, yag termasuk sebaga model Matematka, memlk berbaga mafaat atas deskrps verbal suatu permasalaha. Salah satu mafaatya adalah bahwa sebuah model Matematka meggambarka suatu permasalaha secara jauh lebh sgkat sehgga cederug membuat seluruh struktur permasalaha mejad lebh mudah dpaham, da juga membatu meujukka hubuga sebab-akbat [2]. Profle matchg merupaka metode yag cara kerjaya adalah mecocokka atara profl yag ada dega keadaa yag 362

2 sebearya. Metode dapat mejad salah satu alteratf dalam pembuata model sstem pedukug keputusa. Beberapa peelta yag perah dlakuka terkat dega pemlha objek terbak dega berbaga model dguaka, sepert Aalytcal Herarchy Process (AHP)[3],Fuzzy-AHP [4, 5], da Delph da Mult Attrbute Utlty Techque (MAUT)[6]. Krtera yag dguaka pada masg-masg model dapat megacu dar sebuah lembaga [3]), hasl aalss [4,6], bahka hasl dar peelta sebelumya [5]. Seluruh peelta yag dlakuka meghaslka alteratf objek terbak bag pegambl keputusa. Sela AHP, Fuzzy-AHP, Delph da MAUT, metode Kuattatf dapat dguaka sebaga model pada sstem pedukug keputusa. Sela krtera da objek peelta yag berbeda, fasltas utuk megakomodas berbaga kepetga pegambl keputusa dapat dlakuka dega meyedaka fasltas utuk memlh krtera da meetuka bobot masg-masg krtera yag dguaka [7], atau haya meetuka bobot krtera yag dguaka [8], bahka dapat juga tapa fasltas utuk merubah krtera maupu bobot [9]. Metode Profle matchg merupaka salah satu metode yag dapat dguaka pada model sstem pedukug keputusa. Perbedaa yag terjad atar peelta terdapat pada pegguaa jumlah krtera da sub krtera yag sagat beragam, cara mecar gap da jumlah profl yag dguaka. Peghtuga gap dapat dlakuka dega cara megurag profl objek yag dla dega profl yag dgka[10, 11], atau megurag profl yag dgka dega profl objek yag dla [12]. Sebuah profl dapat dguaka [11, 12, 13], atau bsa juga beberapa profl [10]. II. METODE PENELITIAN A. Racaga Model Keputusa Sstem pedukug keputusa yag dbagu megguaka model yag dbagu dega metode Kuattatf da metode Profle matchg. Iput model berupa la makalah sesua dega krtera da sub krtera yag dguaka. Nla utuk krtera tersebut aka dperoleh dar revewer da peyeleggara. Gambar 1 memperlhatka racaga model keputusa yag dguaka. Gambar 1. Racaga model keputusa Dar Gambar 1 terlhat bahwa sebuah makalah dapat devaluas oleh beberapa revewer. Meggat para revewer tdak sama perss mela makalah satu dega laya, maka perbedaa atar revewer dakomodas phak peyeleggara dega memberka bobot ke masg-masg revewer. Perbedaa bdag lmu juga dakomodas phak peyeleggara dega memberka bobot tertetu ke masgmasg bdag kaja. Makalah semar terbak dlhat dar beberapa krtera yatu krtera keterkata dega tema, de, metodolog da pembahasa, pustaka da peulsa yag dragkum pada krtera peermaa makalah, kualtas rset da paper terkat dega krtera bdag peelta, da terakhr krtera presetas. Keterkata tema meggambarka apakah tema peelta yag dlakuka terkat dega tema semar yag dseleggaraka. Peermaa makalah aka mela de, metodolog da pembahasa, pustaka/referes yag dguaka da peulsa yag djabarka pada beberapa sub krtera sebaga berkut, 363

3 1. Novelty, terkat dega gaya bahasa da tata bahasa. 2. Judul, terkat dega pemlha judul yag sgkat, tepat da jelas. 3. Latar belakag masalah. 4. Kejelasa tujua. 5. Metodolog peelta, terkat dega kejelasa prosedur da metode aalss. 6. Hasl da pembahasa, dlhat dar peyaja hasl, kepadata hasl da ketajama pembahasa. 7. Kesmpula, dlhat dar keterhubuga smpula dega tujua. 8. Pustaka, dlhat dar skrosas tjaua pustaka, teor, topk da kemutakhra pustaka yag dguaka. 9. Format da tulsa, yatu kesesuaa peulsa makalah dega format yag dguaka, serta pegguaa bahasa yag bak da bear. Krtera bdag dguaka utuk melhat kedekata sebuah makalah dega bdag kaja tertetu. Krtera aka megguaka beberapa sub krtera yag merupaka kumpula pertayaa medasar yag harus d jawab oleh masg-masg bdag kaja. Krtera presetas aka mela makalah dar dua ss, yatu pegorgasasa da s presetas, serta peermaa da keterlbata audes. Krtera presetas mejad syarat bag makalah utuk mejad makalah semar terbak. B. Model la makalah. Model makalah terbak megguaka metode Kuattatf. Sesua dega krtera yag dguaka maka model yag dguaka utuk meghtug total la makalah dapat dlhat pada persamaa (1) Nla makalah = 20% la keterkata tema + 40% la peermaa + 30% la bdag + 10% la presetas (1) C. Model tema. Nla keterkata tema sebuah makalah dega tema semar dperoleh dar revewer. Utuk medapatka la keterkata tema dguaka metode Kualtatf, yatu megguaka fugs rata-rata karea jumlah revewer yag megevaluas sebuah makalah dapat saja berbeda. Persamaa (2) merupaka persamaa yag dguaka utuk meghtug la akhr tema. Nla akhr tema = 1 NlaTema Revewer*Bobot Revewer D. Model peermaa makalah. Pelaa peermaa makalah megguaka beberapa krtera dega bobot tertetu sepert yag ada pada Tabel 1. TABEL I. MODEL SUB KRITERIA PENERIMAAN MAKALAH Sub krtera Bobot (%) Novelty 5 Judul (sgkat, tepat da jelas) 5 Latar belakag masalah 10 Rumusa masalah 10 Kejelasa tujua 10 Metodolog peelta (kejelasa prosedur da metode aalss) 15 Hasl da pembahasa (peyaja hasl, kepadata hasl da ketajama pembahasa) 15 Kesmpula (keterhubuga dega tujua) 10 Pustaka (skrosas tjaua pustaka, teor, topk da kemutakhra) 15 Format da tulsa (kesesuaa dega format SRITI, pegguaa bahasa) 5 Nla peermaa sebuah makalah dperoleh dar beberapa revewer. Nla peermaa makalah dar seorag revewer dhtug dega megguaka persamaa (3). Nla peermaa revewer = NlaSubKrtera * 1 BobotSubKrtera Utuk medapatka la akhr peermaa makalah dguaka fugs rata-rata sepert yag ada pada persamaa (4). Nla akhr peermaa = NlaPeermaaRevewer *Bobot Revewer 1 (4) E. Model bdag Peetua bdag kaja da la bdag sebuah makalah dhtug dega model yag dbetuk dar metode Profle matchg. Karea model bertujua utuk mecar kedekata sebuah makalah dega (2) (3) 364

4 bdag kaja yag ada maka, dperluka la deal dar tap sub krtera pada masg-masg bdag. Sub krtera masg-masg bdag kaja dsusu berdasarka pertayaa medasar, teor, atau abstraks/pemodela dar masg-masg bdag da la deal masg-masg sub krtera bdag dperoleh dar phak peyeleggara. Nla akhr bdag makalah dperoleh dega megguaka persamaa (5). Nla akhr bdag = Nla bdag * bobot bdag (5) F. Model la presetas Nla presetas dberka oleh peyeleggara pada saat semar berlagsug. Krtera yag dguaka utuk pelaa presetas dapat dlhat pada Tabel 2. TABEL II. MODEL KRITERIA PRESENTASI Sub krtera Bobot Pegorgasasa da s presetas 60% Peermaa da keterlbata audes 40 % Nla akhr presetas dperoleh dega megguaka persamaa (6). Nla akhr presetas = NlaKrtera * bobotkrte ra 1 (6) G. Skala Pegukura Skala pegukura merupaka kesepakata yag dguaka sebaga acua utuk meetuka pajag pedekya terval yag ada dalam alat ukur, sehgga alat ukur tersebut bla dguaka dalam pegukura aka meghaslka data kuattatf [14]. Skala pegukura yag dguaka adalah skala pegukura Lkert sepert yag tampak pada Tabel 1. TABEL III. SKALA PENGUKURAN YANG DIGUNAKAN Skala Sagat bak Bak Cukup Kurag Sagat kurag Bobot III. HASIL A. Kesesuaa bdag kaja. Kesesuaa bdag kaja sebuah makalah aka dtetuka dega megguaka metode Profle matchg. Nla deal beberapa bdag kaja dapat dlhat pada Gambar 2. Utuk peguja kesesuaa bdag kaja makalah dguaka 20 judul makalah yag telah megkut semar, da berapa kods peguja, yatu: megguaka la deal bdag yag ada pada Gambar 2, tdak megguaka beberapa sub krtera (bars yag dblok pada Gambar 2), da merubah beberapa la deal pada profl bdag. Gambar 2. Nla deal bdag Dar sstem yag dbagu dperoleh kesesuaa atara bdag kaja makalah pada prosdg da hasl sstem sepert yag tampak pada Gambar 3(a). Perbedaa bdag kaja yag terjad dsebabka karea s makalah lebh meekaka pada racag bagu, hal terlhat dar la yag dberka pada peguja sstem sepert yag tampak pada Gambar 3(b). 365

5 a) perbadga kesesuaa bdag b) la bdag makalah Racag bagu Gambar 3. Hasl peguja kesesuaa bdag da la makalah Perbedaa bdag kaja yag ada pada Gambar 3 terjad karea pada peetua bdag kaja yag dlakuka oleh peyeleggara haya berdasarka tus, semetara pada sstem yag dusulka peetua bdag kaja harus berdasarka sub krtera yag dguaka. Dar peguja yag telah dlakuka, dperoleh la bdag makalah d masg-masg profl makalah sepert yag tampak pada Gambar 4. a) Hasl la bdag peguja ke-1 b) Hasl la bdag peguja ke-2 c) Hasl la bdag peguja ke-3 Gambar 4. Hasl la bdag dar sstem Jka dbadgka dega peguja ke-1, seluruh la bdag makalah pada pada profl bdag Iformatka Orgasas d peguja ke-2 memlk la yag lebh besar dbadgka dega la pada profl yag sama d peguja ke-1. Namu yag meark, utuk makalah yag memlk la bdag tertgg buka pada bdag kaja Iformatka orgasas, la-la pada bdag kaja la megalam peurua jka dbadgka dega la bdag kaja yag sama pada peguja ke-1. Hal dsebaka la makalah utuk bdag kaja sela Iformatka orgasas aka berkurag karea la bdag makalah pada sub krtera yag mewakl bdag kaja Iformatka orgasas tdak dguaka, padahal la bdag makalah pada sub krtera tersebut sesua dega la profl bdag sehgga meghaslka bobot la yag tgg. 366

6 Jka dbadgka dega hasl la bdag pada peguja ke-1 da ke-2 terdapat perbedaa la setap makalah utuk bdag kaja Iformatka orgasas, Jarga da Sstem operas, da Arstektur pada peguja ke-3. Utuk bdag kaja Sstem cerdas tdak terdapat perubaha la bdag karea tdak terjad modfkas la profl pada bdag kaja. Semetara tu, la bdag pada bdag kaja Jarga da Sstem operas, da Arstektur terjad peurua jka dbadgka dega hasl peguja ke-1 da peguja ke-2. Hal dsebabka karea modfkas la deal bayak dlakuka pada bdag kaja Jarga da Sstem operas, da Arstektur. Dar la bdag makalah d tap profl bdag yag dperoleh dar peguja ke-3, makalah yag pada peguja sebelumya memlk la bdag tertgg pada bdag kaja Arstektur mejad memlk la bdag tertgg pada bdag kaja Jarga da Sstem operas. Hal dsebabka karea profl bdag kaja Jarga da Sstem operas yag telah dmodfkas merupaka profl bdag kaja Arstektur sebelum dmodfkas (pada peguja sebelumya). B. Ragkg Makalah Ragkg makalah dtetuka dar la total yag dperoleh dar la keterkata dega tema, la peermaa makalah, la bdag, da la presetas. Ragkg makalah yag dperoleh dar peguja sstem dapat dlhat pada Gambar 5. a) Ragkg makalah pada peguja ke-1 b) Ragkg makalah pada peguja ke-2 c) Ragkg makalah pada peguja ke-3 Gambar 5. Ragkg makalah IV. PEMBAHASAN Perbedaa makalah d ragkg ke-2 da ke-3 pada masg-masg peguja dsebabka karea adaya perubaha la bdag yatu pada makalah dega judul Eve drve. Perbedaa tersebut terjad karea pada peguja ke-3 sstem yag dusulka megaggap makalah tersebut lebh dekat ke bdag kaja Iformatka orgasas darpada bdag kaja Jarga da Sstem operas. Hal dapat dtelusur dega membadgka atara la bdag makalah yag bersagkuta dega profl bdag yag dguaka pada peguja ke-3. Nla bdag makalah dega judul Eve drve teryata memag lebh dekat pada profl bdag kaja Iformatka orgasas dbadgka dega bdag kaja yag la, sepert yag tampak pada Gambar

7 Gambar 6. Nla bdag makalah berjudul Eve drve. V. SIMPULAN DAN SARAN Dar hasl uj coba yag telah dlakuka dapat dambl beberapa kesmpula yatu, 1. Sstem pedukug keputusa yag dusulka dapat meghaslka alteratf keputusa makalah semar terbak. 2. Kesesuaa bdag kaja atara hasl yag dperoleh dar sstem yag dusulka da pelaa peyeleggara mecapa 95%, sehgga sub krtera da la profl bdag yag dusulka dapat dguaka sebaga model utuk mecar kedekata makalah dega bdag kaja tertetu. 3. Perubaha la profl, da jumlah sub krtera yag dguaka utuk mewakl sebuah bdag kaja, dapat mempegaruh kedekata makalah dega bdag kaja. 4. Pegguaa metode Profle matchg utuk kasus yag megaggap bahwa la tertgg adalah la terbak megharuska la deal yag dguaka adalah la maksmum agar tdak terjad ekspektas yag melebh la deal. Beberapa sara yag dapat dberka terkat dega peelta yag telah dlakuka da pegembaga sstem selajutya adalah sebaga berkut, 1. Bobot bdag sebakya melekat pada masg-masg makalah, meggat komplekstas masgmasg peelta dapat saja berbeda walau dalam bdag kaja yag sama. 2. Nla deal pada masg-masg sub krtera d tap bdag kaja perlu dtelt lebh lajut, meggat ada kemugka sebuah makalah dapat mejad rsa pada beberapa bdag kaja. REFERENSI [1] Turba, E., Aroso, E.J. ad Lag, T.P., 2005, Decso Support System ad Itelget System (dterjemahka oleh Prabat, D.), eds 7 jld 1, Ad, Yogyakarta. [2] Hller, S.F., da Leberma, J.G., 2008, Itroducto to Operatos Research-eght edto (dterjemahka oleh Dewa, K. P., A, J. T., Wgat, S.S. da Hardjoo, D.), Ad, Yogyakarta. [3] Magdalea, H., 2012, Sstem Pedukug Keputusa utuk Meetuka Mahasswa Lulusa terbak d Pergurua Tgg (Stud Kasus STMIK Atma Luhur Pagkalpag, Prosdg Semar Nasoal tekolog Ifromas da Komukas 2012 (SENTIKA 2012), Yogyakarta. [4] Jasrl, Haera, E., Afraty, I., 2011, Sstem Pedukug Keputusa (SPK) Pemlha Karyawa Terbak Megguaka Metode Fuzzy AHP (F-AHP), Prosdg Semar Nasoal Aplkas Tekolog Iformas 2011 (SNATI 2011), Yogyakarta. [5] Basuk, A., Peracaga Sstem Pedukug Keputusa Pemlha Pemasok dega Pedekata Fuzzy Aalytcal Herarchy Process (Fuzzy AHP), Rekayasa, Nomor 1, Volume 3. [6] Ratasabapathy, S. da Rameezdee, R., 2007, A Decso Support System for the Selecto of Best Procuremet System Costructo, Bult-Evromet-Sr Laka, Vol. 07, Issue 02. [7] Syafrato, A., 2010, Sstem Pedukug Keputusa megguaka Model kuattatf dega Hmpua Fuzzy utuk Pemlha Hotel Berdasarka Kebutuha Pegujug, Tess, Program Stud S2 Ilmu Komputer Fakultas MIPA Uverstas Gadjah Mada, Yogyakarta. [8] Hamda, 2009, Sstem Pedukug Keputusa Wsata Kuler dega Vsualsas Geograf, Tess, Program Stud S2 Ilmu Komputer Fakultas MIPA Uverstas Gadjah Mada, Yogyakarta. [9] Hamdy, 2009, Sstem Pedukug Keputusa utuk Pelaa Kerusaka Huta Magrove, Tess, Program Stud S2 Ilmu Komputer Fakultas MIPA Uverstas Gadjah Mada, Yogyakarta. [10] Muqtadr, A. da Purdato, I., 2013, Sstem Pedukug Keputusa Keaka Jabata megguaka Metode Profle Matchg, Prosdg Semar Nasoal Aplkas Tekolog Iformas (SNATI) 2013, Yogyakarta. [11] Iqbal da Hartat, S., 2011, Aplkas Sstem Pedukug KeputusaPeempata Bda PTT (Pegawa Tdak Tetap) pada Kabupate Breue, Prosdg Semar Nasoal Ilmu Komputer GAMA 2011, Yogyakarta. 368

8 [12] Wahyud, K., 2008, Sstem Pedukug Keputusa utuk Peempata Jabata pada CV Cpta Karya Berbass Web, Prosdg Semar Nasoal Teko, ISBN : , Yogyakarta. [13] Rya, Krdalaksaa, H.A. da Hakm, R.A., 2010, Sstem Pedukug Keputusa Sertfkas Bada Usaha Pelaksaa Jasa Kostruks Pada BPD GAPENSI Kaltm, Jural Iformatka Mulawarma, Vol 5 No.1 Februar [14] Sugyoo, 2013, Metode Peelta Kuattatf, Kualtatf da R&D, Alfabeta, Badug. 369

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

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

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

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

Lebih terperinci

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 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 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

BAB 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

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

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

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

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

Lebih terperinci

BAB 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

BAB 2. Tinjauan Teoritis

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

Lebih terperinci

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

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

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

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

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

Lebih terperinci

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

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

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

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

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

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

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

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

Lebih terperinci

NORM VEKTOR DAN NORM MATRIKS

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

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,

Lebih terperinci

X a, TINJAUAN PUSTAKA

X a, TINJAUAN PUSTAKA PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

PEMILIHAN MAHASISWA BERPRESTASI DIPLOMA MENGGUNAKAN METODE TOPSIS

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

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

BAB 1 ERROR PERHITUNGAN NUMERIK

BAB 1 ERROR PERHITUNGAN NUMERIK BAB ERROR PERHITUNGAN NUMERIK A. Tujua a. Memaham galat da hampra b. Mampu meghtug galat da hampra c. Mampu membuat program utuk meelesaka perhtuga galat da hampra dega Matlab B. Peragkat da Mater a. Software

Lebih terperinci

SOLUSI TUGAS I HIMPUNAN

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

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

POLIGON TERBUKA TERIKAT SEMPURNA

POLIGON TERBUKA TERIKAT SEMPURNA MODUL KULIAH ILMU UKUR TANAH POLIGON TERBUKA TERIKAT SEMPURNA Pegerta : peetua azmuth awal da akhr, peetuat kesalaha peutup sudut,koreks sudut, kesalaha lear da koreks lear kearah sumbu X da Y, Peetua

Lebih terperinci

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Koferes Nasoal Tekk Spl 3 (KoNTekS 3) Jakarta, 6 7 Me 009 WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Maksum Taubrata Program Stud Tekk Spl, Uverstas Krste Maraatha Badug Jl.

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

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

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

Lebih terperinci

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

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

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

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

Lebih terperinci

REGRESI LINIER SEDERHANA

REGRESI LINIER SEDERHANA MODUL REGRESI LINIER SEDERHANA Dsusu oleh : I MADE YULIARA Jurusa Fska Fakultas Matematka Da Ilmu Pegetahua Alam Uverstas Udayaa Tahu 016 Kata Pegatar Puj syukur saya ucapka ke hadapa Tuha Yag Maha Kuasa

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

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

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

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

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

Lebih terperinci

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah

Lebih terperinci

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2 INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas

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

Uji Modifikasi Peringkat Bertanda Wilcoxon Untuk Masalah Dua Sampel Berpasangan 1 Wili Solidayah 2 Siti Sunendiari 3 Lisnur Wachidah

Uji Modifikasi Peringkat Bertanda Wilcoxon Untuk Masalah Dua Sampel Berpasangan 1 Wili Solidayah 2 Siti Sunendiari 3 Lisnur Wachidah Prosdg Statstka ISSN 40-45 Uj Modfkas Pergkat Bertada Wlcoxo Utuk Masalah Dua Sampel Berpasaga 1 Wl Soldayah St Suedar 3 Lsur Wachdah 1, Statstka, Fakultas MIPA, Uverstas Islam Badug, Jl. Tamasar No. 1

Lebih terperinci

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut

Lebih terperinci

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

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

Lebih terperinci

BAB 1 STATISTIKA RINGKASAN MATERI

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

Lebih terperinci

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

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

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

Lebih terperinci

TINJAUAN PUSTAKA Evaluasi Pengajaran

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

Lebih terperinci

Orbit Fraktal Himpunan Julia

Orbit Fraktal Himpunan Julia Vol. 3, No., 6-7, Jauar 7 Orbt Fraktal Hmpua Jula Ad Kresa Jaya, Nswar Alasa Abstrak Makalah membahas kumpula ttk-ttk yag berada dalam daerah hmpua Jula d ruag kompleks da memperlhatka sebuah algortma

Lebih terperinci

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga

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

*Corresponding Author:

*Corresponding Author: Prosdg Semar Sas da Tekolog FMIPA Umul Vol. No. Jul 0, Samarda, Idoesa ISSN : - 0 STRUCTURAL EQUATION MODELLING DENGAN PENDEKATAN PARTIAL LEAST SQUARE (Stud Kasus: Pegaruh Locus of Cotrol, Self Effcacy,

Lebih terperinci

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data //203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura

Lebih terperinci

PEDOMAN STATISTIK UJI PROFISIENSI

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

Lebih terperinci

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

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

Lebih terperinci

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER TUGAS ATA KULIAH TEORI RING LANJUT ODUL NOETHER Da Aresta Yuwagsh (/364/PPA/03489) Sebelumya, telah dketahu bahwa sebaga rg dega eleme satua memeuh sfat rata ak utuk deal-deal d. Apabla dpadag sebaga modul,

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

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

USULAN ACCEPTANCE SAMPLING PLAN UNTUK TAPE YARN PRODUK GEOTEX 250 Studi kasus: PT. Unggul Karya Semesta - Bogor

USULAN ACCEPTANCE SAMPLING PLAN UNTUK TAPE YARN PRODUK GEOTEX 250 Studi kasus: PT. Unggul Karya Semesta - Bogor USULAN ACCEPTANCE SAMPLING PLAN UNTUK TAPE YARN PRODUK GEOTE 50 Stud kasus: PT. Uggul Karya Semesta - Bogor Prudesy F. Opt, Jaquele N. Mokogta Program Stud Tekk Idustr Fakultas Tekk Uka De La Salle Maado

Lebih terperinci

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

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

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

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

Lebih terperinci

Algoritma Umum Pencarian Informasi Dalam Sistem Temu Kembali Informasi Berbasis Metode Vektorisasi Kata dan Dokumen

Algoritma Umum Pencarian Informasi Dalam Sistem Temu Kembali Informasi Berbasis Metode Vektorisasi Kata dan Dokumen Algortma Umum Pecara Iformas Dalam Sstem Temu Kembal Iformas Berbass Metode Vektorsas Kata da Dokume Hedra Buyam Jurusa Tekk Iformatka Fakultas Tekolog Iformas Uverstas Krste Maraatha Jl. Prof. drg. Sura

Lebih terperinci

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

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

Lebih terperinci

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

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE) Jural Matematka Mur da Terapa Vol. 4 No. esember : 4 - ANALISIS REGRESI LINEAR BERGANA ENGAN SATU VARIABEL BONEKA (UMMY VARIABLE Tat Krsawardha Nur Salam da ew Aggra Program Stud Matematka Uverstas Lambug

Lebih terperinci

Metode Statistika Pertemuan XII. Analisis Korelasi dan Regresi

Metode Statistika Pertemuan XII. Analisis Korelasi dan Regresi Metode Statstka Pertemua XII Aalss Korelas da Regres Aalss Hubuga Jes/tpe hubuga Ukura Keterkata Skala pegukura varabel Pemodela Keterkata Relatoshp vs Causal Relatoshp Tdak semua hubuga (relatoshp) berupa

Lebih terperinci

METODE PENELITIAN. Kota Bogor. Kecamatan Bogor Barat. Purposive. Kelurahan Cilendek Barat RW 05 N1= 113. Cluster random sampling.

METODE PENELITIAN. Kota Bogor. Kecamatan Bogor Barat. Purposive. Kelurahan Cilendek Barat RW 05 N1= 113. Cluster random sampling. METODE PENELITIAN Desa, Tempat da Waktu Peelta Peelta megguaka desa cross sectoal study. Lokas peelta d Kota Bogor. Pemlha lokas peelta secara purposve dega pertmbaga merupaka salah satu kecamata dega

Lebih terperinci

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel BAB LANDASAN TEORI.1 Pegerta Regres Regres dalam statstka adalah salah satu metode utuk meetuka tgkat pegaruh suatu varabel terhadap varabel yag la. Varabel yag pertama dsebut dega bermacam-macam stlah:

Lebih terperinci

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

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

Lebih terperinci

2.2.3 Ukuran Dispersi

2.2.3 Ukuran Dispersi 3 Ukura Dspers Yag aka dbahas ds adalah smpaga baku da varas karea dua ukura dspers yag palg serg dguaka Hubuga atara smpaga baku dega varas adalah Varas = Kuadrat dar Smpaga baku otas yag umum dguaka

Lebih terperinci

Beberapa Metode Alternatif untuk Analisis Data Sampel Berpasangan

Beberapa Metode Alternatif untuk Analisis Data Sampel Berpasangan Prosdg Statstka ISSN 46-6456 Beberapa Metode Alteratf utuk Aalss Data Sampel Berpasaga Rma Rzka Yuar Tet Sofa Yat, 3 Abdul Kudus,,3 Statstka, Fakultas MIPA, Uverstas Islam Badug, Jl Tamasar No Badug 46

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Berdasarkan permasalahan yang akan diteliti oleh penulis, maka metode

BAB III METODOLOGI PENELITIAN. Berdasarkan permasalahan yang akan diteliti oleh penulis, maka metode 4 BAB III METODOLOGI PENELITIAN A. Metode da Desa Peelta Berdasarka permasalaha yag aka dtelt oleh peuls, maka metode peelta yag dguaka yatu metode deskrptf komparatf (descrptvecomparatve). Sebagamaa yag

Lebih terperinci

METODOLOGI PENELITIAN. pengaruh atau akibat dari suatu perlakuan atau treatment, dalam hal ini yaitu

METODOLOGI PENELITIAN. pengaruh atau akibat dari suatu perlakuan atau treatment, dalam hal ini yaitu 47 III. METODOLOGI PENELITIAN A. Metode Peelta Metode peelta yag dguaka dalam peelta adalah metode eksperme. Metode dguaka atas pertmbaga bahwa sfat peelta ekspermetal yatu mecobaka suatu program latha

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

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

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

Lebih terperinci

KARAKTERISTIK INFLASI KOTA-KOTA DI INDONESIA BAGIAN BARAT

KARAKTERISTIK INFLASI KOTA-KOTA DI INDONESIA BAGIAN BARAT Prosdg Semar Nasoal Sas da Peddka Sas I, Fakultas Sas da Matematka, UKSW Salatga, 2 Ju 204, Vol 5, No., ISSN :2087-0922 KARAKTERISTIK INFLASI KOTA-KOTA DI INDONESIA BAGIAN BARAT Ad Setawa Program Stud

Lebih terperinci

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA, Fakultas MIPA, Uverstas Neger Yogyakarta, 4 Me ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Ksmat Jurusa Peddka

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

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

Lebih terperinci

XI. ANALISIS REGRESI KORELASI

XI. ANALISIS REGRESI KORELASI I ANALISIS REGRESI KORELASI Aalss regres mempelajar betuk hubuga atara satu atau lebh peubah bebas dega satu peubah tak bebas dalam peelta peubah bebas basaya peubah yag dtetuka oelh peelt secara bebas

Lebih terperinci

PRINSIP INKLUSI- EKSKLUSI INCLUSION- EXCLUSION PRINCIPLE

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

Lebih terperinci

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

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

Lebih terperinci

3.1 Biaya Investasi Pipa

3.1 Biaya Investasi Pipa BAB III Model Baya Pada model baya [8] d tugas akhr, baya tahua total utuk megoperaska jarga ppa terdr dar dua kompoe, yatu baya operasoal da baya vestas. Baya operasoal terdr dar baya operasoal ppa da

Lebih terperinci

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

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

Lebih terperinci