PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI"

Transkripsi

1 PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI Yunarstanto 1 Irwan Iftad 1 Iwan Ngabd Raharjo 2 Abstract: Producton flow n PT. Tga Seranga Pustaa Mandr conssts of edtng, settng, layout, llustraton, pre-press, and prntng these actvtes do not descrbe detal operaton. The actvtes wll be scheduled aft r prnt orders are accepted by the company. After due date defned, actvtes wll be allocated. The weaness schedulng procedure has not accommodated nformaton process tme for eac boo ttle. Consequences pont order can not be predcted for each boo ttle, although supplers can meet the schedule. Other weaness the schedule doe not consder avalable capacty. As problem solvng, dspatchng rules wll be used. Frst dspatchng rules s Earlest Due Date (EDD). If there s same prorty aft r sequencng, job wll be scheduled by project prorty. Shortest Processng Tm T) wll be used f there s same ran after project prorty used If there s same prorty after sequencng, job wll be scheduled by Boo Prorty. The last, f there s same prorty after sequencng, job wll be scheduled by Random. Random used as stopp g rule. These dspatchng rules can reduce tardness. Schedulng procedure can also reduce tme neede for schedulng. Runnng tme s lnear and s not exponent Key words: Schedulng, Dspatchng Rules PENDAHULUAN Prosedur penjadwalan yang dlauan d PT. Tga Seranga Pustaa Mandr dmula eta order ceta dterma perusahaan. Setelah order ceta dterma dan detahu due date, maa watu yang terseda tersebut aan dbag untu proses-proses secara gars besar untu juduljudul yang ada. Penjadwalan yang ada d PT. Tga Seranga Pustaa Mandr tersebut mash sederhana. Penjadwalan yang ada merupaan penjadwalan asar. Tda ada penjadwalan secara detal mengena masngmasng operas yang ada. Penjadwalan yang ada hanya memberan nformas tentang jumlah buu yang aan dproses pada operas tertentu selama urun watu tertentu. Pada jadwal produs tersebut juga tda dapat dpredsan ecuupan apastas apabla ada sspan order ceta atau proye baru. Sehngga berabat proye regular justru terlambat arena tda ada analss elayaan dtermanya suatu proye serta tda dapat melauan perencanaan watu produs dengan ba. Menyadar bahwa permasalahan-permasalahan yang terjad tersebut dsebaban arena tda adanya penjadwalan yang efetf, menejemen PT. Tga Seranga Pustaa Mandr bermasud mengembangan sebuah sstem untu melauan penjadwalan yang efetf. Sstem untu penjadwalan produs n dharapan memenuh rtera berut : 1. Berdasaran metodolog lmah dengan langah-langah sstemats 2. User frendly yatu dapat dgunaan dengan mudah oleh pemaanya 3. Dapat memberan solus dalam watu yang sngat. 1 Staf Pengajar Pada Jurusan Ten Industr Faultas Ten Unverstas Sebelas Maret 2 Alumn Pada Jurusan Ten Industr Faultas Ten U verstas Sebelas Maret

2 GEMA TEKNIK - NOMOR 1/TAHUN X JANUARI 2007 Berdasaran rtera-rtera tersebut d atas penuls bermasud mengadaan peneltan mengena penjadwalan peerjaan pada job shop menggunaan dspatchng rules d PT. Tga Seranga Pustaa Mandr dengan rtera mnmas tardness. Pemlhan rtera tardness adalah agar dapat memperoleh nla baya pnalt yang ecl dengan memnmas besarnya tardness. Dengan peneltan n dharapan dapat memberan solus bag PT. Tga Seranga Pustaa Mandr dalam permasalahan penjadwalan produs. MODEL MATEMATIS Model matemats merupaan representes formula matemats untu sstem tersebut. Model matemats n terdr dar smbolsmbol. Smbol-smbol n merupaan aturanaturan matemats dar sstem tersebut. Model matemats dgunaan untu membantu dalam penyelesaan masalah yang ada. Berut adalah model matemats yang ada : 1. Persamaan untu penghtungan watu proses adalah : Untu proses yang derjaan tenaga erja ( Sj * Q ) tj (1) P Untu proses yang derjaan mesn Q tj (2) K Dmana : t j Watu proses untu peerjaan e-, operas e- j, tenaga erja e-untu tap level esultan S j Score peerjaan e-, operas e-jumlah unt satuan masng-masng Q j untu peerjaan e-, operas e-output standart tenaga erja yang P tergantung wor center masngmasng K apastas Mesn peerjaan e- j operas e-tenaga erja atau mesn e- 2. Persamaan perhtungan completon tme adalah : Cj Max( C( j 1), C ( 1) ) + tj (3) C C Ja C j 1) [( )max] (4) j ( > C 1) (, maa tenaga erja atau mesn sedang dle (5) Ja C( j 1) < C( 1), maa tenaga erja atau mesn sedang sbu (6) Dmana : Cj C C completon tme untu peerjaan e-, operas e- j, tenaga erja e- ( j 1) completon tme untu peerjaan e-, operas e-j-1 ( 1) completon tme untu peerjaan e--1, tenaga erja atau mesn e- 3. Persamaan perhtungan tardness E max (0, - ) ( - ) + d C d C (7) T max (0, - ) ( - ) + C d C d (8) F(s) n 1 [ a ( - ) + + ( - ) + d C b C d ] (9) Dmana : E earlness peerjaan e- T tardness peerjaan e- F(s) total baya penalt abat earlness dan tardness a onstanta baya penalt earlness peerjaan e- b onstanta baya penalt tardness peerjaan e- d due date peerjaan e-peerjaan e- C completon tme Persamaan (1) dan (2) merupaan persamaan untu menghtung watu proses yang dbutuhan untu mengerjaan peerjaan yang ada. Persamaan (1) merupaan persamaan untu menghtung watu proses server yang berupa manusa atau tenaga erja. Dalam persamaan n untu menghtung watu proses merupaan hasl dar peralan score tngat esultan masng-masng peerjaan dengan jumlah propert yang dml dbag dengan 62

3 Yunarstanto, d., Penjadwalan Peerjaan Dengan Menggunaan Dspatchng Rules D PT. Tga output standart yang ada. Dalam hal n jumlah propert merupaan jumlah halaman yang dml masng-masng peerjaan. Sedangan persamaan (2) dgunaan untu menghtung watu proses server yang berupa mesn. Watu proses merupaan hasl bag antara jumlah propert dengan apastas mesn yang dml. Propert dsn dapat berupa jumlah buu, jumlah ateren s, jumlah cover per sheet maupun jumlah plate. Pada persamaan (3) completon tme merupaan hasl penambahan dar nla terbesar antara completon tme operas yang e-( j-1) derjaan untu peerjaan e- atau operas sebelum yang searang derjaan untu peerjaan tersebut dengan completon tme untu peerjaan ( -1) pada mesn e-atau peerjaan yang sebelumnya derjaan d mesn tersebut dtambahan dengan watu proses untu operas tersebut. Sedangan berdasaran persamaan (4) terlhat bahwa completon tme suatu peerjaan merupaan completon tme untu operas terahr peerjaan tersebut. Pada model matemats yang eempat terdapat persamaan untu menghtung tardness dan earlness. Dar persamaan (7) dapat djelasan bahwa earlness merupaan nla masmal antara nol dengan selsh due date durang completon tme untu masng-masng peerjaan. Dar persamaan (8) djelasan bahawa tardness merupaan nla masmal antara nol dengan selsh completon tme durang due date untu masng-masng peerjaan. Sedangan dar persamaan (9) djelasan bahwa baya penalt merupaan penjumlahan hasl al onstanta baya earlness dengan nla earlness dtambah hasl al onstanta baya tardness dengan nla tardness untu eseluruhan peerjaan yang ada. PENJADWALAN PEKERJAAN PADA JOB-SHOP. Tujuan penjadwalan n adalah penyesuaan atvtas dan sumber daya untu menyelesaan seumpulan peerjaan ( job) agar tepat watu dan mempunya ualtas sepert yang dngnan. Tahapan yang ada Gambar 1. Prosedur Penjadwalan Peerjaan 63

4 GEMA TEKNIK - NOMOR 1/TAHUN X JANUARI 2007 dalam penjadwalan peerjaan ada pada Gambar 1. Pada tahap awal dtentuan masuan-masuan yang aan dpaa dalam penjadwalan peerjaan job shop menggunaan dspatchng rules. Adapun masuan yang ada adalah ategor produ, strutur produ, propert part, strutur produ, nama wor center, output standart wor center, tenaga erja atau sumber daya manusa, tngat eahlan tenaga erja, nama mesn, apastas mesn, routng operas, dan alender erja. Setelah semua data yang aan dgunaan dalam penjadwalan peerjaan pada job-shop dmasuan pada tahap nsalsas, maa langah selanjutnya sap untu dlauan. Dalam hal n adalah pendaftaran order ceta buu yang dterma. Order ceta ddaftaran pada masng-masng proye yang ada. Yang perlu d daftaran pada tahap n adalah nama proye, prortas proye, watu mula dan due date, judul buu, ategor buu, strutur produ buu, prortas buu, dan jumlah order ceta masng-masng judul. Setelah Pendaftaran order ceta, maa perlu ddaftaran spesfas yang dml buu tersebut. Spesfas merupaan arater fs yang dml buu yang aan berpengaruh pada proses pengerjaan. Spesfas dapat berupa jumlah halaman s, jumlah halaman cover, jumlah warna s, jumlah warna cover, jumlah halaman per sheet, dan jumlah sheet per ateren yang. Sedangan propert lan yang dml buu tersebut sepert strutur produ maupun ategor produ telah d daftaran pada tahap pendaftaran order ceta. Setelah spesfas buu d daftaran maa aan dplh tenaga erja atau mesn ( server) yang sesua untu mengerjaan buu tersebut. Yang pertama al dplh adalah wor center untu mengerjaan operas tersebut. Wor Center yang dplh sesua pada saat nsalsas routng operas atau operaton networ. Kemudan dlauan pemlhan tenaga erja atau mesn yang sesua. Pemlhan tenaga erja ddasaran pada eahlan serta grade yang dml tenaga erja yang telah ddaftaran pada saat mendaftaran tenaga erja. Keahlan yang dml tenaga erja sesua ategor produ yang dml. Sedangan untu mesn, dapat mengerjaan semua buu yang ada. Pada saat pendaftaran tenaga erja maupun pada saat pendaftaran operaton networ juga telah ddaftaran grade untu memlh tenaga erja yang sesua. Setelah dperoleh tenaga erja atau mesn yang sesua maa tahap selanjutnya adalah menentuan watu prosesnya. Untu menghtung watu proses dapat menggunaan persamaan (1) dan (2). Setelah terplh server yang sesua maa peerjaan tersebut aan masu e antran. Antran berfungs sebaga dummy sebelum peerjaan tersebut benarbenar masu e tahapan pengerjaan tugas. Setelah peerjaan tersebut masu antran maa peerjaan tersebut aan durutan berdasaran dspatchng rules. Dspatchng rules merupaan suatu prosedur pengurutan/ sequencng yang ddasaran pada prortas-prortas tertentu. Pada peneltan n dspatchng rules yang dgunaan sesua dengan pemlhan urutan antran yang ada dlapangan dengan mempertmbangan tngat prortas. Dspatchng rules aan dombnasan dalam aplasnya guna memperoleh solus yang mendeat optmal dalam watu yang cuup cepat. Metode sequencng yang pertama dalam Dspatch rules yang dgunaan adalah earlest due date (EDD). Pengurutan berdasaran earlest due date (EDD) adalah mengurutan peerjaan-peerjaan dalam antran yang berdasaran due date yang dml peerjaanpeerjaan tersebut. Seman awal due date yang dml, maa aan menempat urutan antran yang lebh awal pula. Dengan menggunaan earlest due date (EDD) dharapan aan memperoleh tujuan yang dharapan, yatu mmas tardness. Beberapa peneltan sebelumnya sepert peneltan Woolsey dan Swanson (1975), Rachamandu dan Morton (1982), dan Hodgson (1991). Apabla terdapat perngat yang sama setelah durutan berdasaran earlest due date (EDD) maa dlauan sequencng dengan rule yang lan. Pengurutan dlauan terhadap peerjaanpeerjaan yang meml urutan sama berdasaran prortas proye. Prortas proye merupaan tngat epentngan suatu order ceta. Pertmbangan yang dgunaan untu 64

5 Yunarstanto, d., Penjadwalan Peerjaan Dengan Menggunaan Dspatchng Rules D PT. Tga menentuan prortas proye n adalah nla proye terhadap elangsungan hdup perusahaan atau dengan ata lan proft yang dapat dberan proye terhadap perusahaan. Dalam hal n prortas dmula dar 1 sampa 5. Nla tertngg prortas adalah 1 dan nla terendah adalah 5. Pertmbangan pemlhan prortas proye sebaga rule untu pengurutan/ sequencng adalah prortas proye n aan mempengaruh nla besarnya b. Seman tngg nla prortas proye maa seman tngg pula nla b, dan seman rendah nla prortas proye maa seman rendah pula nla b. Apabla mash terdapat perngat yang sama setelah durutan berdasaran earlest due date (EDD) dan prortas proye, maa pengurutan untu perngat yang sama tersebut adalah menggunaan shortest processng tme (SPT). Pengurutan berdasaran shortest processng tme (SPT) adalah mengurutan peerjaanpeerjaan yang meml urutan sama tersebut berdasaran watu proses yang dml. Seman ecl watu proses yang dml seman awal urutan yang dmlnya. Sepertnya halnya dalam penggunaan earlest due date (EDD), maa pengurutan berdasaran shortest processng tme (SPT) juga dgunaan oleh Woolsey dan Swanson (1975), Rachamandu dan Morton (1982), dan Hodgson (1991) dalam peneltannya untu memnmas tardness. Apabla mash terdapat urutan yang mash sama maa aan durutan berdasaran prortas buu untu urutan yang sama tersebut. Seman tngg prortas buu maa peerjaan tersebut aan meml urutan yang lebh awal. Sepert halnya pengurutan berdasaran prortas proye, pengurutan berdasaran prortas buu aan mempengaruh nla besarnya b. Seman tngg nla prortas proye maa seman tngg pula nla b, dan seman rendah nla prortas proye maa seman rendah pula nla b. Namun pengaruh prortas buu terhadap besarnya b tda sebesar pengaruh prortas proye terhadap b. Apabla mash terdapat peerjaan-peerjaan yang meml urutan yang sama maa peerjaan-peerjaan tersebut durutan secara random untu mengetahu peerjaan mana yang meml urutan lebh dahulu untu derjaan. Hal n sebaga prosedur penghentan penguurutan bla mash ada urutan yang sama. Setelah antran yang ada durutan maa langah selanjutnya adalah menentuan apaan tenaga erja dan mesn dle atau busy. Penentuan n dapat menggunaan persamaan (5) dan (6). Ja C( 1 ) > ( 1), maa tenaga j C erja atau mesn sedang dle, artnya ja watu penyelesaan sebelumnya untu peerjaan yang sama lebh besar dar pada watu selesa pada mesn atau tenaga erja yang sama untu peerjaan sebelumnya, maa mesn atau tenaga erja tersebut dle. Dan ja C( 1) < ( 1), maa tenaga erja atau mesn j C sedang busy, artnya ja watu penyelesaan sebelumnya untu peerjaan yang sama lebh ecl dar pada watu selesa pada mesn atau tenaga erja yang sama untu peerjaan sebelumnya, maa mesn atau tenaga erja tersebut dataan busy. Setelah detahu mesn atau tenaga erja tersebut sedang sbu atau busy, maa langah selanjutnya menentuan apaah jumlah antran tersebut lebh besar 1 atau tda. Ja hanya 1, maa peerjaan tersebut dapat langsung derjaan. Namun apabla peerjaan tersebut lebh besar dar 1, maa yang derjaan adalah urutan pertama dar antran tersebut. Perhtungan completon tme sesua persamaan (3) dan (4). Pada persamaan (3) completon tme merupaan hasl penambahan dar nla terbesar antara completon tme operas yang e-( j-1) derjaan untu peerjaan e- atau operas sebelum yang searang derjaan untu peerjaan tersebut dengan completon tme untu peerjaan ( -1) pada mesn e- atau peerjaan yang sebelumnya derjaan d mesn tersebut dtambahan dengan watu proses untu operas tersebut. Proses pengerjaan dlauan sampa semua peerjaan selesa. Sesua persamaan (7) dapat djelasan bahwa earlness merupaan nla masmal antara nol dengan selsh due date durang completon tme untu masng-masng peerjaan. Dar persamaan (8) djelasan bahawa tardness 65

6 GEMA TEKNIK - NOMOR 1/TAHUN X JANUARI 2007 merupaan nla masmal antara nol dengan selsh completon tme durang due date untu masng-masng peerjaan. Sedangan dar persamaan (9) djelasan bahwa baya penalt merupaan penjumlahan hasl al onstanta baya earlness dengan nla earlness dtambah hasl al onstanta baya tardness dengan nla tardness untu eseluruhan peerjaan yang ada. Dalam peneltan n nla baya pnalt tardness dabaan dan hanya mempertmbangan baya penalt abat tardness. SKENARIO PENJADWALAN Setelah tahap nsalsas, tahap pendaftaran order ceta, dan pendaftaran spesfas dlauan maa tahap selanjutnya adalah melauan penjadwalan peerjaan. Dalam peneltan n aan dberan contoh seenaro penjadwalan untu order ceta yang telah ddaftaran datas. Adapun senaro yang aan dterapan adalah sebaga berut. Djadwalan order ceta 2 buah proye yang meml watu mula dan due date berbeda. Aan dlauan analss apaah terjad tardness atau tda. Bla terjad tardness maa aan dlauan penambahan jam erja atau lembur untu mengerjaan order ceta tersebut. Penambahan dlauan sampa tda terjad tardness. Dengan menggunaan Dspatchng rules tersebut dapat dperoleh hasl penjadwalan yang memnmas tardness. Adapun pengurangan jumlah tardnes adalah sebanya 86 har. KESIMPULAN Input yang dgunaan untu sstem penjadwalan peerjaan pada job shop dengan dspatchng rules terdr dar ategor produ, strutur produ, stasun erja, tenaga erja dan mesn, operaton networ, pendaftaran order ceta dan spesfas buu. Tahapan selanjutnya setelah nput adalah melput pemlhan tenaga erja atau mesn yang sesua, penghtungan watu proses, dentfas status tenaga erja atau mesn, serta sequencng dengan dspatchng rules. Dspatchng rules yang dgunaan adalah Earlest Due Date Earlest Due Date (EDD), prortas proye, Shortest Procesng Tme (SPT), prortas buu, dan random. Dengan menggunaan Dspatchng rules tersebut dapat dperoleh hasl penjadwalan yang memnmas tardness. Adapun pengurangan jumlah tardnes untu judul datas adalah sebanya 86 har.. Berdasaran senaro yang telah dbuat dapat dlauan penjadwalan peerjaan yang dapat menyesuaan anatara watu yang dperluan dengan apastas yang terseda. DAFTAR PUSTAKA Baer, K. R., (1974), Introducton to Sequencng and Schedulng, John Wley and Sons, New Yor. Baer dan Scudder, (1990), Sequencng wth earlness and tardness penaltes: a revew, Operatons Research, v.38 n.1, p French, S., (1982), Sequencng and Schedulng: An Introduston to the Mathematcs of Job-Shop, Ells Horwood Lmted,Chchester. Jones dan Rabelo, (1998), Survey of Job Shop Schedulng Technques," NISTIR, Natonal Insttute of Standards and Technology, Gathersburg Morton, T.E dan Pentco, D.W., (1993), 66

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

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla

Lebih terperinci

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran

Lebih terperinci

BAB II TEORI DASAR. Analisis Kelompok

BAB II TEORI DASAR. Analisis Kelompok BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan

Lebih terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan

Lebih terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model

Lebih terperinci

IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN

IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas,

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah

Lebih terperinci

Karakterisasi Matrik Leslie Ordo Tiga

Karakterisasi Matrik Leslie Ordo Tiga Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena

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

EKSPEKTASI SATU PEUBAH ACAK

EKSPEKTASI SATU PEUBAH ACAK EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt

Lebih terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk) Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam

Lebih terperinci

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.

Lebih terperinci

PENENTUAN JUMLAH PRODUKSI OPTIMAL CPO DENGAN MENGGUNAKAN METODE GOAL PROGRAMMING PADA PABRIK KELAPA SAWIT PT. XYZ

PENENTUAN JUMLAH PRODUKSI OPTIMAL CPO DENGAN MENGGUNAKAN METODE GOAL PROGRAMMING PADA PABRIK KELAPA SAWIT PT. XYZ e-jurnal Ten Industr FT USU Vol 3, No., Otober 03 pp. 45-5 PENENTUAN JUMLAH PRODUKSI OPTIMAL CPO DENGAN MENGGUNAKAN METODE GOAL PROGRAMMING PADA PABRIK KELAPA SAWIT PT. YZ Delmar Bnhot Lumbantoruan, Poerwanto,

Lebih terperinci

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

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

Lebih terperinci

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola

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

III FUZZY GOAL LINEAR PROGRAMMING

III FUZZY GOAL LINEAR PROGRAMMING 7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang

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

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 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2) BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang

Lebih terperinci

Bab III. Plant Nonlinear Dengan Fase Nonminimum

Bab III. Plant Nonlinear Dengan Fase Nonminimum Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear

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 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

Optimasi Baru Program Linear Multi Objektif Dengan Simplex LP Untuk Perencanaan Produksi

Optimasi Baru Program Linear Multi Objektif Dengan Simplex LP Untuk Perencanaan Produksi JURNA INFORMATIKA, Vol.4 No.2 September 27, pp. 222~229 ISSN: 2355-6579 E-ISSN: 2528-2247 222 Optmas Baru Program near Mult Objetf Dengan Smplex P Untu Perencanaan Produs Maxs Ary Am BSI Bandung e-mal:

Lebih terperinci

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA) BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga

Lebih terperinci

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.

Lebih terperinci

ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS

ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data

Lebih terperinci

PENENTUAN LOKASI GUDANG DISTRIBUSI PADA SISTEM DISTRIBUSI PRODUK KONSUMSI PT X DI JAWA TIMUR

PENENTUAN LOKASI GUDANG DISTRIBUSI PADA SISTEM DISTRIBUSI PRODUK KONSUMSI PT X DI JAWA TIMUR Prosdng Semnar Nasonal Manajemen Tenolog IX Program Stud MMT-ITS, Surabaya 14 Pebruar 2009 PENENTUAN LOKASI GUDANG DISTRIBUSI PADA SISTEM DISTRIBUSI PRODUK KONSUMSI PT X DI JAWA TIMUR Teguh Otarso Program

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 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

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 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

Analisis Persebaran Seismisitas Wilayah Sumatera Selatan Menggunakan Metode Double Difference

Analisis Persebaran Seismisitas Wilayah Sumatera Selatan Menggunakan Metode Double Difference B-54 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Prnt) Analss Persebaran Sesmstas Wlayah Sumatera Selatan Menggunaan Metode Double Dfference Dew Fajryyatul Mauldah, Bagus Jaya Santosa

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Penjadwalan.1.1 Art Penjadwalan Penjadwalan (Schedulng) menurut Kenneth R. Baker (Baker. p) yatu proses pengalokasan sumber untuk memlh sekumpulan tugas dalam jangka waktu tertentu.

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga

Lebih terperinci

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr

Lebih terperinci

Eman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK

Eman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK PENGGUNAAN MODEL REGRESI LINEAR BERGANDA PADA PROGRAM PENGGEMUKAN SAPI PO ( PERANAKAN ONGOLE) SERTA ANALISIS BCR ( BENEFIT COST RATIO ) PENGGUNAAN PAKAN BAHAN KERING Eman Lesmana, Raman Jurusan Matemata

Lebih terperinci

Implementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0

Implementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0 Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,

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 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 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

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

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1) Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar

Lebih terperinci

Nama : Crishadi Juliantoro NPM :

Nama : Crishadi Juliantoro NPM : ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang

Lebih terperinci

PROPOSAL SKRIPSI JUDUL:

PROPOSAL SKRIPSI JUDUL: PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan

Lebih terperinci

ANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING

ANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata

Lebih terperinci

Bab 1 PENDAHULUAN Latar Belakang

Bab 1 PENDAHULUAN Latar Belakang 11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa

Lebih 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

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

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

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

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER PENYELESIN SISTEM PESMN TK LINIE Mater Kulah: Pengantar; Iteras Satu Tt; Iteras Newton # PENGNT # erut n adalah contoh seumpulan buah persamaan ta lner smulta dengan buah varabel ang ta detahu:... ( 57...

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

Oleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si

Oleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam 1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr

Lebih 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 III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak). BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).

Lebih terperinci

Restorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization

Restorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization Restoras Ctra Dengan Menggunaan Metode Iteratf Lanczos Hybrd Regularzaton Yudh Purwananto, Rully Soelaman, Alfa Masjta Rahmat Jurusan Ten Informata, Faultas Tenolog Informas Insttut Tenolog Sepuluh Nopember

Lebih terperinci

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan

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

PENGURUTAN JADUAL PRODUKSI PADA LINI RAKIT UNTUK PRODUKSI OPTIMAL

PENGURUTAN JADUAL PRODUKSI PADA LINI RAKIT UNTUK PRODUKSI OPTIMAL PENGURUTAN JADUAL PRODUKSI PADA LINI RAKIT UNTUK PRODUKSI OPTIMAL Muhammad Yusuf Emal : yusuf@aprnd.ac.d Insttut Sans & Tenolog AKPRIND Yogyaarta ABSTRAK Kelancaran produs dapat dlauan untu memnmuman varas

Lebih terperinci

Pengolahan lanjut data gravitasi

Pengolahan lanjut data gravitasi Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal

Lebih terperinci

BAB III METODOLOGI PENELITIAN. dalam situs BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal dari dua

BAB III METODOLOGI PENELITIAN. dalam situs BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal dari dua BAB III METODOLOGI PENELITIAN 3.1. Ruang Lngkup Peneltan Reksadana yang dgunakan dalam peneltan n adalah reksadana yang terdaftar dalam stus BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal

Lebih terperinci

PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK.

PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. Fanny Ayu Octavana dan Dra. Luca Ardnant, MT. Jurusan Statsta, Faultas Matemata dan Ilmu

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

METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND

METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa

Lebih terperinci

BAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.

BAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen. BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen

Lebih terperinci

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar

Lebih terperinci

ANALISIS NILAI TAMBAH DAN PENDAPATAN USAHA INDUSTRI KEMPLANG RUMAH TANGGA BERBAHAN BAKU UTAMA SAGU DAN IKAN

ANALISIS NILAI TAMBAH DAN PENDAPATAN USAHA INDUSTRI KEMPLANG RUMAH TANGGA BERBAHAN BAKU UTAMA SAGU DAN IKAN ANALISIS NILAI TAMBAH DAN PENDAPATAN USAHA INDUSTRI KEMPLANG RUMAH TANGGA BERBAHAN BAKU UTAMA SAGU DAN IKAN (THE ANALYSIS OF ADDED VALUE AND INCOME OF HOME INDUSTRY KEMPLANG BY USING FISH AND TAPIOCA AS

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

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

BAB IV PERHITUNGAN DAN ANALISIS

BAB IV PERHITUNGAN DAN ANALISIS BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter

Lebih terperinci

APLIKASI PENENTUAN PENERIMA BEASISWA MENGGUNAKAN METODE ALGORITMA FUZZY MADM PADA BEASISWA RUTIN UKSW

APLIKASI PENENTUAN PENERIMA BEASISWA MENGGUNAKAN METODE ALGORITMA FUZZY MADM PADA BEASISWA RUTIN UKSW Semnar NasonalTenologInformasdan Multmeda 2015 STMIK AMIKOM Yogyaarta, 6-8Februar 2015 APLIKASI PENENTUAN PENERIMA BEASISWA MENGGUNAKAN METODE ALGORITMA FUZZY MADM PADA BEASISWA RUTIN UKSW Aslnda 1), Andea

Lebih terperinci

BAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian

BAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve

Lebih 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

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan

Lebih 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

toto_suksno@uny.ac.d Economc load dspatch problem s allocatng loads to plants for mnmum cost whle meetng the constrants, (lhat d http://en.wkpeda.org/) Economc Dspatch adalah pembagan pembebanan pada pembangktpembangkt

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

Perbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield

Perbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya

Lebih terperinci

BAB IV METODE PENELITIAN. Penelitian mengenai Analisis Pengaruh Kupedes Terhadap Performance

BAB IV METODE PENELITIAN. Penelitian mengenai Analisis Pengaruh Kupedes Terhadap Performance BAB IV METODE PENELITIAN 4.1 Lokas dan Waktu Peneltan Peneltan mengena Analss Pengaruh Kupedes Terhadap Performance Busness Debtur dalam Sektor Perdagangan, Industr dan Pertanan dlaksanakan d Bank Rakyat

Lebih terperinci

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,

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 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

Preferensi untuk alternatif A i diberikan

Preferensi untuk alternatif A i diberikan Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses

Lebih terperinci

III. METODE PENELITIAN

III. METODE PENELITIAN III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi 3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V

Lebih terperinci

Diagram Kontrol Fuzzy Multinomial Untuk Data Linguistik

Diagram Kontrol Fuzzy Multinomial Untuk Data Linguistik Prosdng Statsta ISSN: 2460-6456 Dagram Kontrol Fuzzy Multnomal Untu Data ngust 1 Amy Amallya Azzah, 2 Suwanda Idrs, 3 snur Wachdah 1,2,3 Prod Statsta, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas

Lebih terperinci

U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK

U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK Jurusan Ten Spl dan Lngungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SENIN, 4 JANUARI 23 OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara tda boleh menggunaan omputer untu mengerjaan soal- soal ujan

Lebih terperinci

BAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis

BAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan

Lebih terperinci

ANALISIS BENTUK HUBUNGAN

ANALISIS BENTUK HUBUNGAN ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel

Lebih 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

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