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

Ukuran: px
Mulai penontonan dengan halaman:

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

Transkripsi

1 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 Rocy Tanaamah 2), Alz Danny Wowor 3) 1), Sstem Informas Unverstas Krsten Satya Wacana Salatga 2),3) Magster Sstem Informas Unverstas Krsten Satya Wacana Salatga Jl Dponegoro 52-60, Salatga Emal : @student.usw.edu 1), atanaamah@staff.usw.edu 2),alzdanny.wr@gmal.com 3) Abstra Beasswa merupaan salah satu bentu bantuan epada mahasswa ataupun pelajar ba berupa baya penddan maupun baya hdup. Beasswa Rutn merupaan program beasswa d UKSW Salatga.Proses penentuan eputusan mempertmbangan banya rtera dar sean atrbut yang harus dplh. Penltan n menggunaan Fuzzy Mult-Attrbute Decson Mang (Fuzzy MADM) sebaga penentu eputusan dan drancang dalam sebuah sstem dalam bentu aplas sehngga dapat dgunaan sebaga alat penentu eputusan. Hasl yang dperoleh Aplas dapat berjalan dengan ba dan dapat dreomendasan sebaga aplas dalam mementuan eputusan penerma beasswa rutn Kata unc:beasswa Rutn UKSW, Fuzzy Mult- Attrbute Decson Mang. 1. Pendahuluan 1.1 Latar Belaang Masalah Unverstas Krsten Satya Wacana (UKSW) merupaan salah satu perguruan tngg swasta yang menjaln erjasama dengan berbaga nstans pemerntah, unverstas dalam neger maupun luar neger dan phapha yang memberan berbaga macam jens beasswa setap tahun. Beasswa merupaan suatu bentu penghargaan epada yang berprestas dan merupaan bentu bantuan epedulan epada orang yang urang mampu dalam hal fnasal dberan epada semua alangan yang sedang menempuh masa studnya dsemua tngat penddan. Salah satu jens beasswa yang dberan d UKSW adalah Beasswa Rutn. Proses penentuan eputusan yang dlauan oleh tm seles beasswa Rutn UKSW mash dalam tahap manual dan cuup rumt arena banyanya rtera penlaan serta pengolahan data yang cuup banya serta membutuhan watu yang relatf lama. Model yang aan dgunaan dalam membuat Aplas Penentuan Penerma Beasswa Rutn d UKSW adalah Fuzzy Multple Attrbute Decson Mang (FMADM) dengan metode pengembangan. Fuzzy MADM yang dembangan oleh Joo, 2004 adalah suatu metode yang menetapan alternatf eputusan terba dar sejumlah alternatf berdasaran beberapa rtera tertentu yang aan menjad bahan pertmbangan [1]. Metode MADM coco dgunaan sebaga model peneltan pada asus beasswa rutn arena terdapat beberapa rtera yang bsa dgunaan untu menentuan anddat terba, serta dharapan penlaan aan lebh tepat arena ddasaran pada nla rtera dan bobot yang sudah dtentuan sehngga aan mendapatan hasl yang lebh aurat, optmal dan dapat menjad alternatf eputusan oleh para decson maers terhadap mahasswa mana yang laya mendapatan beasswa rutn tersebut. 1.2 Tujuan 1. Membangun aplas SPK yang berguna untumemudahan seles penentuan calon penerma beasswa Rutn d UKSW 2. Membantu dalam pengamblan eputusan, menggunaan metode fuzzy mult-attrbute decson mang (FMADM). 1.3 Metodolog Peneltan Gambar 1 dbawah n merupaan proses yang dlauaan dalam penenltan n. PROSES 1 PROSES 2 PROSES 3 PROSES 4 PROSES 5 STUDI PUSTAKA PENGUMPULAN DATA ANALISIS MASALAH PerancanganAp las MenentuanPener mabeasswa NILAI STATISTIK A Gambar 1. Proses Peneltan Seles Fuzzy MADM ImplementasAp las

2 Semnar NasonalTenologInformasdan Multmeda 2015 STMIK AMIKOM Yogyaarta, 6-8Februar Tnjauan Pustaa Beasswa rutn merupaan beasswa yang dananya berasal dar sebagan uang ulah yang dbayaran oleh mahasswa UKSW setap semester dan janga watu pemberan beasswa rutn yatu dalam watu urun 1 tahun emudan mahasswa bsa mengambl beasswa d awal semester. Peneltan Sahaan, Tahun 2009 Perancangan dan Implementas Sstem Penduung Keputusan Penentuan Calon Penerma Beasswa dengan menggunaan metode AHP, Penyelesan masalah dengan metode AHP pada peneltan n menentuan penlaan dar setap rtera menggunaan matrs perbandngan berpasangan antara satu rtera dengan rtera yang lan. Krtera yang dgunaan dalam peneltan n adalah latar belaang, eonom, IPK, reomendas wal stud, dan wawancara. Hasl dar sstem mengemuaan bahwa prortas utama dalam penentuan Beasswa Rutn adalah latar belaang eonom dan IPK, wawancara dan reomendas wal stud ada d urutan berutnya [2]. Peneltan Maharan Tahun 2011 yang berjudul Penerapan Metode TOPSIS pada Sstem Penduung Keputusan Seles Mahasswa Penerma Beasswa, Metode Topss aan melauan perhtungan dan perangngan setap mahasswa berdasaran jara nlanya antara nla terba dan nla terburu setap rtera melalu perbandngan berpasangan antar mahasswa pada rtera yang sama. Hasl dar peneltan n berupa urutan saran atau plhan anddat penerma beasswa dar yang terba [3]. Metode Mult Attrbute Decson Mang MADM Metode yang dgunaan untu menyelesaan masalah FMADM dembangan oleh Joo pada tahun 2004 dalam tga langah pentng penyelesaan, yatu[1]: 1). Representas Masalah a. Mengdentfas tujuan dan umpulan alternatf eputusan, drepresentasan menggunaan bahasa alam atau nla numers sesua araterst dar masalah tersebut b. Indentfas umpulan alternatf eputusan dar suatu masalah, ja ada alternatf n, maa alternatf-alternatf tersebut dapat dtuls sebaga A = {A =1,2,n}. c. Selanjutnya dlauan, dentfas umpulan rtera. Ja ada rtera, maa dapat dtulsan C ={C t t = 1,2,..., }. d. Membangun strutur hrar dar masalah berdasaran pertmbangan tertentu. 2). Evaluas Hmpunan Fuzzy (1). Memlh hmpunan ratng untu bobot-bobot rtera dan derajat ecocoan setap alternatf dengan rteranya. Secara umum, hmpunan-hmpunan ratng terdr atas tga elemen, yatu: 1). Varabel lngust (x) yang merepresentasan bobot rtera dan derajat ecocoan setap alternatf dengan rteranya; 2). T(x) yang merepresentasan ratng dar varabel lngust dan fungs eanggotaan yang berhubungan dengan setap elemen dar T(x). Msal, ratng untu bobot pada varabel Pentng untu suatu rtera ddefnsan sebaga: T(pentng) = {SANGAT RENDAH,RENDAH, CUKUP, TINGGI, SANGAT TINGGI}. 3). Fungs eanggotaan untu setap ratng, yang basanya menggunaan fungs segtga. Msal, W t adalah bobot untu crtera C t dan S t adalah ratng fuzzy utu derajat ecocoan fuzzy dar alternatf A yang merepresentasan derajat ecocoan alternatf eputusan yang dperoleh dar hasl agregas S t dan W t; (2). Mengevaluas bobot-bobot rtera dan derajat ecocoan setap alternatf dengan rteranya. (3). Mengagresasan bobot-bobot rtera, dan derajat ecocoan setap alternatf dan rteranya dengan metode mean. Penggunaaan operator mean, F drumusan pada persamaan (1) sebaga berut : F 1 S W S W S W 1 F Y. Q, Z Y Z 1 1 t 1 t 1 1 o q t t a c 1 Dengan cara mensubsttusan S t dan W t dengan blangan fuzzy segtga, yatu ; S t =(O t,p t,q t) dan; W t = (a t, b t, c t) maa F t dapat ddeat sebaga : Q 1 Dengan = 1, 2,.., n. 3). Seles Alternatf yang Optmal a. Memprortasan alternatf eputusan berdasaran agregas. Prortas dar hasl agregas dbutuhan dalam ranga proses perangngan alternatve eputusan. Msalan F adalah fuzzy segtga, F = (a,b,c), maa nla total ntegral dapat drumusan sebaga berut : I a 1 t F c b 1 a (6) 2 b. Nla a adalah ndes eoptmsan yang merepresentasan dejarat eoptmsan bag pengambl eputusan 0 x 1. Apabla nla a seman besar. c. Memlh alternatf eputusan dengan prortas tertngg sebaga alternatf yang optmal. 2. Pembahasan p t b t FMADM Beasswa Rutn Peneltan n membahas sstem menggunaan FMADM untu menentuan eputusan untu mahasswa yang mendapatan beasswa rutn. Sebelum membahas sstem maa perlu juga untu dtunjuan proses bagamana menyelesaan masalah pada seles penentuan calon 2 (1) (2) (3) (4) (5)

3 Semnar NasonalTenologInformasdan Multmeda 2015 STMIK AMIKOM Yogyaarta, 6-8Februar 2015 penerma beasswa menggunaan loga fuzzy MADM. Pembahasan penyelesaan masalah eseluruhan dambl dar sumber referens prosdng[4]. 1). Representas Masalah a. Tujuan eputusan n adalah mencar calon penerma beasswa, Terdapat 65 Mahasswa yang dnyataan sebaga alternatf eputusansebagaa={a 1, A 2, A 3,, A n}. b. Ada 7 Krtera utama eputusan yang dberan,yatu:c={c 1,C 2,C 3,C 4,C 5,C 6,C 7},dengan C 1= Penghaslan orang tua per bulan, C 2= Indes Prestas Kumulatf, C 3 =Reomendas wal stud, C 4 =Baya ulah tap semester, C 5 = Pengeluaran Mahasswa setap bulan, C 6 = Tanggungan orang tua setap bulan,c 7 = Wawancara. c. Strutur Hrar dar pengamblan eputusan beasswa rutn dtunjuan pada Gambar 2: Gambar 3. Blangan fuzzy untu rtera Penghaslan Orang Tua b. Hmpunan Fuzzy Krtera Indes Prestas Komulatf(IPK) Representas Krtera IPK adalah sebaga berut : SR={1,65, 1.65, 3}, R={1.65, 3, 3.31, }, C={3, 3.31, 3.53}, T={3.31, 3.53, 3.93}, ST={3.53, 3.93, 3.93}. Blangan fuzzy segtga dtunjuan pada Gambar Gambar 4. Blangan fuzzy untu rtera Indesprestas Komulatf Tujuan Krtera Penghaslan Orang Tua / bulan (C1) IPK (C2) Tanggungan Orang Tua /bulan (C3) MenentuanCalonPe nermabeasswarut n UKSW BayaKul ah (C4) Pengeluaran Mahasswa / Bulan(C5) ReomendasWal Stud (C6) Wawanca ra (C7) c. Hmpunan Fuzzy Krtera Tanggungan Orang Tua Representas Krtera tanggungan orang tua dalam satuan (rbu) adalah sebaga berut : SR= {150, 150, 590}, R={150,590, 825}, C={590, 825, 1.100}, T= {825, 1.100, 2.400}, ST={1.100, 2.400, 2.400}. Blangan fuzzy segtga dtunjuan pada Gambar 5. Alternatf Mhs 1 Mhs 2 Mhsn Gambar 2. Strutur Hrar Permasalahan 2). Evaluas Hmpunan Fuzzy Untu menentuan hmpunan fuzzy pada etujuh rtera selan rtera Reomendas wal stud dan wawancara dgunaan. Nla statsta yang dgunaan adalah data terecl (X mn), data terbesar (X max) dan nla uartl (Q 1, Q 2, Q 3). Sedangan untu nla rtera reomendas wal stud dan wawancara dgunaan nla sala Lert. a. Hmpunan Fuzzy Krtera Penghaslan Orang Tua Krtera yang dgunaan adalah SR: Sangat Rendah, R: Rendah, S: Sedang, T: Tngg, ST: Sangat Tngg, yang masng-masng drepresentasan sebaga berut. SR={300, 300, 900}, R={300, 900, 1.400}, C={900, 1.400, 2.342}, T={1.400, 2.342, 6.000}, ST={2.342, 6.000, 6.000}. Blangan fuzzy segtga dtunjuan pada Gambar Gambar 5 Blangan fuzzy untu rtera tanggungan Orang Tua d. Hmpunan Fuzzy Krtera Baya Kulah Mahasswa Representas Krtera Baya ulah Mahasswa dalam satuan (rbu) adalah sebaga berut : SR={1.050, 1.050, 2.575}, R={1.050, 2.575, 3.000}, C={2.575, 3.000, 3.450}, T={3.000, 3.450, 4.200}, ST={3.450, 4.200, 4.200}. Blangan fuzzy segtga dtunjuan pada gambar Gambar 6 Blangan fuzzy untu rtera Baya Kulah Mahasswa e. Hmpunan Fuzyy Krtera Pengeluaran Mahasswa Representas crtera pengeluaran mahasswa dalam satuan (rbu) adalah sebaga berut : SR={150, 150, 450}, R={150,450,600}, C={450, 600, 750}, T={600,750, 2.830}, ST={750, 2.830, 2.830}. Blangan fuzzy segtga dtunjuan pada gambar Gambar 7 Blangan fuzzy untu rtera Pengeluaran Mahasswa

4 Semnar NasonalTenologInformasdan Multmeda 2015 STMIK AMIKOM Yogyaarta, 6-8Februar 2015 f. Hmpunan Fuzzy Krtera Reomendas Wal Stud Representas rtera Reomendas Wal Stud adalah sebaga berut : SR={0, 0, 0.25}, R={0,0.25,0.5}, C={0.25, 0.5, 0.75}, T={0.5,0.75, 1}, ST={0.75, 1, 1}. Blangan fuzzy segtga dtunjuan pada Gambar Gambar8 Blangan fuzzy untu rtera Reomendas Wal Stud g. Hmpunan Fuzzy Krtera Wawancara Representas rtera wawancara adalah sebaga berut : SR={0, 0, 0.25}, R={0,0.25,0.5}, C={0.25, 0.5, 0.75}, T={0.5,0.75, 1}, ST={0.75, 1, 1}. Blangan fuzzy segtga dtunjuan pada Gambar Gambar 9 Blangan fuzzy untu rtera Wawancara Evaluas Hmpunan Fuzzy dar alternatf-alternatf eputusan a) Varabel-varabel lngust yang merepresentasan bobot epentngan untu setap rtera, adalah: T (epentngan) W = {SR, R, C, T, ST} dengan SR: Sangat Rendah, R: Rendah, C: Cuup, T: Tngg, ST: Sangat Tngg, yang masng-masng drepresentasan dengan fuzzy segtga: SR = (0, 0, 0.25) R = (0,.25, 0.5) C = (0.25, 0.5, 0.75) T = (0.5, 0.75, 1) ST = (0.75, 1, 1). b) Derajat ecocoan alternatf-alternatf dengan rtera-rtera eputusan adalah: T(ecocoan) Q = {SR, R, S, T, ST} dengan SR: sengat rendah, R: rendah, C: cuup, T: tngg, ST: sangat tngg, yang masngmasng drepresentasan dengan fuzzy segtga: SR = (0, 0, 0.25) R = (0, 0.25, 0.5) C = (0.25, 0.5, 0.75) T = (0.5, 0.75, 1) ST = (0.75, 1, 1) c) Ratng untu setap rtera eputusan dtunjuan pada Tabel 1 ratng epentngan n dsesuaan dengan eputusan pha pember beasswa (Bro Kemahasswaan UKSW) yatu nla epentngan dtentuan dengan blangan fuzzy pada Gambar 2, Gambar 3, Gambar 4, Gambar 5, Gambar 6, Gambar 7, Gambar 8 maa dperoleh hasl pada Tabel 1. 0 I I 1 1 I 1 Tabel 1. Ratng epentngan untu setap rtera Ratng Kecocoan Krtera C1 C2 C3 C4 C5 C6 C7 Ratng Kepentngan ST ST C C C T ST Proses selanjutnya adalah menentuan Indes Kecocoan Fuzzy. Mensubttusan blangan fuzzy segtga e setap varabel lngust, berdasaran ratng epentngan dan ratng ecocoan maa aan dperoleh Indes Kecocoan fuzzy. 3). Menyeles Alternatf yang Optmal Dengan mensubttus ndes ecocoan fuzzy dar Tabel, e nla total ntegral, Langah terahr adalah menyeles alternatf optmal menggunaan persamaan (6) dengan derajat eoptmsan (α) = 0 (tda optms), (α) = 0,5 (cuup optms), (α) = 1 (sangat optms), maa aan dperoleh nla total ntegral untu setap alternatf Nla ntegral merupaan nla yang berperan pentng dalam menentuan sapa yang berha menerma beasswa rutn. Hal n dlhat dengan memperhatan nla ntegral terecl untu setap derajat eoptmsan. 2.2 Implementas Sstem Form untu memasuan data Mahasswa e dalam aplasdapat dlhat pada Gambar 10 berut n. Gambar 10 Input Data Mahasswa

5 Semnar NasonalTenologInformasdan Multmeda 2015 STMIK AMIKOM Yogyaarta, 6-8Februar 2015 Form Settng untu memasuan data bobot rtera sesua dengan eputusan pha pember beasswa (Bem UKSW) e dalam aplas dapat dlhat pada Gambar 11 berut n. Gambar 11 Settng Bobot Keputusan Form laporan hasl seles beasswa yang dambl dar sample 11 data mahasswa, emudan pada tombol seles d nputan 5 edalam aplas untu mengetahu sapa yang lulus dan tda lulus dar 11 data mahasswa tersebut sesua dengan derajat eoptmsan 1,dapat dlhat pada Gambar 12 berut n. Gambar 13 Form Output Prnt Laporan Hasl Seles Beasswa 3. Kesmpulan Berdasaran hasl dar peneneltan n, dsmpulan bahwa penggunaan metode Fuzzy MADM dalam perancangan sstem pada aplas n dapat dgunaan sebaga sebuah aplas untu menentuan penerma beasswa rutn d UKSW Salatga. Daftar Pustaa [1] Kusumadew, S., Hartat, S., Harjoo, A., & Wardoyo, R., 2006, Fuzzy Mult-Attrbute Decson Mang (FUZZY MADM), Yogyaarta: Penerbt Graha Ilmu. [2] Sahaan, Els Mndo., Perancangan dan Implementas Sstem Penduung Keputusan Penentuan Calon Penerma Beasswa dengan menggunaan metode AHP (Stud Kasus: Beasswa Rutn UKSW), Salatga [3] Maharan, Dan, Penerapan Metode Topss pada Sstem Penduung Keputusan Seles Mahasswa Penerma Beasswa, Salatga [4]. Wowor, Alz Danny. September Pemodelan emsnan daerah menggunaan Metode fuzzy mult crtera decson mang (mcdm) (stud asus : propns jawa tengah). Semnar Nasonal Sans dan Aplas Komputas (Sensaom) Gambar 12 Laporan Hasl Seles Beasswa Form untu menceta hasl Laporan Seles Beasswa Rutn dapat dlhat pada Gambar 13 berut n. Bodata Penuls Aslnda, Mahasswa tngat ahr tahun 2009, jurusan Sstem Infomas d Faultas Tenolog Informas UKSW. Saat n mash menjad mahasswa FTI UKSW Salatga. Andea Rocy Tanaamah memperoleh gelar Sarjana Eonom (S.E), pada tahun 2002 d Faultas Eonoma dan Bsns (2002), Jurusan Ilmu Eonom dan Stud Pembangunan Unverstas Krsten Satya Wacana, Salatga. Memperoleh gelar Magster Computer Scence (M.Cs) Program Pasca Sarjana Manajemen Informas pada tahun 2008 d Unverstas Gajah Mada Jogjaarta. Saat n menjad Dosen d FTI UKSW Salatga

6 Semnar NasonalTenologInformasdan Multmeda 2015 STMIK AMIKOM Yogyaarta, 6-8Februar 2015 Alz Danny Wowor memperoleh gelar Sarjana Sans (S.S), pada tahun 2005 d Faultas Sans dan Matemata Jurusan Matemata UKSW Salatga. Memperoleh gelar Magster Computer Scence (M.Cs) Program Pasca Sarjana Magster Sstem Informas FTI UKSW dan lulus tahun 2011.Saat n menjad Dosen d FTI UKSW Salatga

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PILIHAN MINAT PERGURUAN TINGGI DI KOTA JAMBI DENGAN MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PILIHAN MINAT PERGURUAN TINGGI DI KOTA JAMBI DENGAN MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Semnar Nasonal plas Tenolog Informas 20 (SNTI 20) ISSN: 907-5022 Yogyaarta, 7-8 Jun 20 SISTEM PENDUKUNG KEPUTUSN UNTUK MENENTUKN PILIHN MINT PERGURUN TINGGI DI KOT JMBI DENGN MENGGUNKN FUZZY MULTI CRITERI

Lebih terperinci

PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING

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

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB

SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda

Lebih terperinci

BAB II TINJAUAN PUSTAKA DAN DASAR TEORI

BAB II TINJAUAN PUSTAKA DAN DASAR TEORI BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan

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

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

Ardi Kurniawan 1), Kusrini 2) Sistem Informasi STMIK AMIKOM Yogyakarta 2)

Ardi Kurniawan 1), Kusrini 2) Sistem Informasi STMIK AMIKOM Yogyakarta 2) Semnar Nasonal Teknolog Informas dan Multmeda 2016 STMIK AMIKOM Yogyakarta, 6-7 Februar 2016 ANALISIS DAN PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA GURU (PKG) MENGGUNAKAN METODE SIMPLE ADDITIVE

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

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

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 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

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

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

Bab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu

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

Lebih terperinci

BAB 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

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

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 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

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

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

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

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

Aplikasi Metode Fuzzy Multi-Attribute Decision Making Berbasis Web dalam Pemilihan Calon Kepala Daerah di Indonesia

Aplikasi Metode Fuzzy Multi-Attribute Decision Making Berbasis Web dalam Pemilihan Calon Kepala Daerah di Indonesia IJCCS, Vol.7, No., January 203, pp. 0~0 ISSN: 978-20 0 Aplkas Metode Fuzzy Mult-Attrbute Decson Makng Berbass Web dalam Pemlhan Calon Kepala Daerah d Indonesa Muhamad Munawar Yusro*, Retantyo Wardoyo 2

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

BAB 1 PENDAHULUAN. 1.1 Latar belakang

BAB 1 PENDAHULUAN. 1.1 Latar belakang BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP

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 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

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

PERBANDINGAN METODE SAW DAN TOPSIS PADA KASUS UMKM

PERBANDINGAN METODE SAW DAN TOPSIS PADA KASUS UMKM PERBANINGAN METOE SAW AN TOPSIS PAA KASUS UMKM Muh. Alyazd Mude al.mude@yahoo.com Teknk Informatka Unverstas Muslm Indonesa Abstrak alam pengamblan keputusan terhadap masalah berdasarkan sebuah analsa

Lebih terperinci

Implementasi Teori Keputusan Penentuan Penerimaan Beasiswa Bagi Mahasiswa FMIPA Universitas Sulawesi Barat

Implementasi Teori Keputusan Penentuan Penerimaan Beasiswa Bagi Mahasiswa FMIPA Universitas Sulawesi Barat JURNAL SAINTIFIK OL.3 NO., JANUARI 07 Implementas Teor Keputusan Penentuan Penermaan Beasswa Bag Mahasswa FMIPA Unverstas Sulawes Barat Hrman Rachman *, Nzar, Unverstas Sulawes Barat emal: manksman0@gmal.com,

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN BIBIT UBI KAYU MENGGUNAKAN METODE TOPSIS (Studi Kasus : PT. Hutahaean)

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN BIBIT UBI KAYU MENGGUNAKAN METODE TOPSIS (Studi Kasus : PT. Hutahaean) Majalah Ilmah Informas dan Teknolog Ilmah (INTI ISSN : 3390X SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN BIBIT UBI KAYU MENGGUNAKAN METODE TOPSIS (Stud Kasus : PT. Hutahaean Relska Elfrda Capah (086 Mahasswa

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

Model SPK. Model optimasi (2) Model optimasi (1) Metode-metode Optimasi dengan Alternatif Terbatas 4/30/2017. Tujuan.

Model SPK. Model optimasi (2) Model optimasi (1) Metode-metode Optimasi dengan Alternatif Terbatas 4/30/2017. Tujuan. 4/0/207 Tujuan Metode-metode Optmas dengan Alternatf Terbatas N O V R I N A Mahasswa dapat memaham dan mampu mengaplkaskan beberapa metode untuk menyelesakan masalah dengan alternatf-alternatf dalam jumlah

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

Sistem Pendukung Keputusan dalam Merekomendasikan Smartphone untuk Kalangan Pemula dengan Metode TOPSIS

Sistem Pendukung Keputusan dalam Merekomendasikan Smartphone untuk Kalangan Pemula dengan Metode TOPSIS Sstem Pendukung Keputusan dalam Merekomendaskan Smartphone untuk Kalangan Pemula dengan Metode TOPSIS Karmla 1, Muhammad dwan 2, In Parlna 3, Heru Satra 3 1,2,3 Jurusan Sstem Informas, STIKOM Tunas Bangsa,

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

SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN MEREK DAN TIPE SEPEDA MOTOR BERBASIS WEB DENGAN METODE TOPSIS

SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN MEREK DAN TIPE SEPEDA MOTOR BERBASIS WEB DENGAN METODE TOPSIS SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN MEREK DAN TIPE SEPEDA MOTOR BERBASIS WEB DENGAN METODE TOPSIS Lnda Purnama Sar (0911103) Mahasswa Program Stud Teknk Informatka, STMIK Buddarma Medan Jl. Ssmangaraja

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

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan

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

BAB 2 TINJAUAN PUSTAKA. Manurung (2010) menerapkan sistem pendukung keputusan seleksi

BAB 2 TINJAUAN PUSTAKA. Manurung (2010) menerapkan sistem pendukung keputusan seleksi BAB 2 TINJAUAN PUSTAKA 2.1. Tnjauan Pustaka Manurung (2010) menerapkan sstem pendukung keputusan seleks penerma beasswa dengan metode Analtcal Herarcy Process (AHP) dan Technque Order Preference by Smlarty

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PEMBELIAN PERANGKAT KOMPUTER DENGAN METODE TOPSIS (Studi Kasus: CV. Triad)

SISTEM PENDUKUNG KEPUTUSAN PEMBELIAN PERANGKAT KOMPUTER DENGAN METODE TOPSIS (Studi Kasus: CV. Triad) Jurnal Informatka Mulawarman Vol. 10 No. 2 September 2015 1 SISTEM PENDUKUNG KEPUTUSAN PEMBELIAN PERANGKAT KOMPUTER DENGAN METODE TOPSIS (Stud Kasus: CV. Trad) Bunga Annete Bennng 1), Indah Ftr Astut 2),

Lebih terperinci

METODE OPTIMASI 11/13/2015. Capaian Pembelajaran

METODE OPTIMASI 11/13/2015. Capaian Pembelajaran 2 Capaan Pembelajaran METODE OPTIMASI N. Tr Suswanto Saptad Mahasswa dapat memaham dan mampu mengaplkaskan beberapa metode untuk menyelesakan masalah dengan alternatfalternatf dalam jumlah yang relatf

Lebih terperinci

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat

Lebih terperinci

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

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

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

PERANCANGAN APLIKASI PEMILIHAN SANGKAR BURUNG MENGGUNAKAN METODE SMART SKRIPSI

PERANCANGAN APLIKASI PEMILIHAN SANGKAR BURUNG MENGGUNAKAN METODE SMART SKRIPSI Artkel Skrps PERANCANGAN APLIKASI PEMILIHAN SANGKAR BURUNG MENGGUNAKAN METODE SMART SKRIPSI Dajukan Untuk Memenuh Sabagan Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Jurusan Teknk Informatka

Lebih terperinci

BAB II DIMENSI PARTISI

BAB II DIMENSI PARTISI BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan

Lebih terperinci

RANCANGAN SISTEM PENGAMBILAN KEPUTUSAN DALAM MENENTUKAN PILIHAN PRODUK LAPTOP MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHT (SAW)

RANCANGAN SISTEM PENGAMBILAN KEPUTUSAN DALAM MENENTUKAN PILIHAN PRODUK LAPTOP MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHT (SAW) RANCANGAN SISTEM PENGAMBILAN KEPUTUSAN DALAM MENENTUKAN PILIHAN PRODUK LAPTOP MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHT (SAW) Larasat Ayudha Jurusan Sstem Informas, Sekolah Tngg Manajemen Informatka dan

Lebih terperinci

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman Lucas Theorem Untu Mengatur Penympanan Memor yang Lebh Aman Hendra Hadhl Chor (135 8 41) Program Stud Ten Informata ITB Jalan Ganesha 1, Bandung e-mal: hendra_h2c_mathematcan@yahoo.com; f1841@students.f.tb.ac.d

Lebih terperinci

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

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

Lebih terperinci

PEMILIHAN LAHAN TERBAIK UNTUK TANAMAN KELAPA SAWIT MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING

PEMILIHAN LAHAN TERBAIK UNTUK TANAMAN KELAPA SAWIT MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING Semnar Nasonal Inovas Dan Aplkas Teknolog D Industr 2017 ISSN 2085-4218 ITN Malang, 4 Pebruar 2017 PEMILIHAN LAHAN TERBAIK UNTUK TANAMAN KELAPA SAWIT MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING Helza

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 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 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

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

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 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan

Lebih 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

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

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang

Lebih terperinci

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

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

Lebih terperinci

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

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

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 III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada

BAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada 3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada

Lebih terperinci

BAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas

BAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan

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

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 I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang I ENDHULUN. Latar elakang Mengambl keputusan secara aktf memberkan suatu tngkat pengendalan atas kehdupan spengambl keputusan. lhan-plhan yang dambl sebenarnya membantu dalam penentuan masa depan. Namun

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

Optimasi Pemilihan Paket Internet Dengan Menggunakan Metode AHP

Optimasi Pemilihan Paket Internet Dengan Menggunakan Metode AHP Optmas Pemlhan Paket Internet Dengan Menggunakan Metode HP Wwek Katrna 1, Solkhun 2, M.Saf, Sumarno 1,2,, Jurusan Sstem Informas, STIKOM Tunas Bangsa, Pematangsantar Sumatera Utara 1 Mahasswa STIKOM Tunas

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

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d

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

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang JURNAL MATEMATIKA DAN KOMPUTER ol. 4. No., - 22, Aprl 2, ISSN : 4-858 SUBRUANG MARKED Suryoto Jurusan Matemata, FMIPA-UNDIP Semarang Abstra Msalan suatu ruang vetor berdmens ngga atas lapangan omples C,

Lebih terperinci

BAB IV HASIL ANALISIS

BAB IV HASIL ANALISIS BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan

Lebih terperinci

Peramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting

Peramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155

Lebih terperinci

Sistem Pendukung Keputusan Pemilihan Pemasok Bahan Baku Menggunakan Metode Technique for Order Preference by Similarity to Ideal Solution

Sistem Pendukung Keputusan Pemilihan Pemasok Bahan Baku Menggunakan Metode Technique for Order Preference by Similarity to Ideal Solution Jurnal Integras Vol. 8, No. 1, Aprl 2016, 56-60 p-issn: 2085-3858 Artcle Hstory Receved February, 2016 Accepted March, 2016 Sstem Pendukung Keputusan Pemlhan Pemasok Bahan Baku Menggunakan Metode Technque

Lebih terperinci

OPTIMASI RANKING WEBOMETRICS MENGGUNAKAN METODE LOGARITMIC FUZZY PREFERENCE PROGRAMMING PADA PERSPEKTIF COST

OPTIMASI RANKING WEBOMETRICS MENGGUNAKAN METODE LOGARITMIC FUZZY PREFERENCE PROGRAMMING PADA PERSPEKTIF COST OPTIMASI RANKING WEBOMETRICS MENGGUNAKAN METODE LOGARITMIC FUZZY PREFERENCE PROGRAMMING PADA PERSPEKTIF COST Program Stud Ten Informata ST3 Telom Purwoerto Jl. DI Panatan 128 Purwoerto tena@st3telom.ac.d,

Lebih terperinci

RESAMPLING UNTUK MEMPERBESAR KOEFISIEN DETERMINASI DALAM MODEL REGRESI LINEAR.

RESAMPLING UNTUK MEMPERBESAR KOEFISIEN DETERMINASI DALAM MODEL REGRESI LINEAR. Resamplng untuk Memperbesar Koefsen Determnas RESAMPLING UNUK MEMPERBESAR KOEFISIEN DEERMINASI DALAM MODEL REGRESI LINEAR. Ad Setawan Program Stud Matematka Fakultas Sans dan Matematka, Unverstas Krsten

Lebih terperinci

UJI SENSITIVITAS METODE WP, SAW DAN TOPSIS DALAM MENENTUKAN TITIK LOKASI REPEATER INTERNET WIRELESS

UJI SENSITIVITAS METODE WP, SAW DAN TOPSIS DALAM MENENTUKAN TITIK LOKASI REPEATER INTERNET WIRELESS UJI SENSITIVITAS METODE WP, SAW DAN TOPSIS DALAM MENENTUKAN TITIK LOKASI REPEATER INTERNET WIRELESS Davd Ahmad Effendy 1), Rony Her Irawan 2) 1) Sekolah Tngg Agama Islam Kedr (STAIN Kedr) 2) Unverstas

Lebih terperinci

Sistem Pendukung Keputusan Untuk Menentukan Prestasi Akademik Siswa dengan Metode TOPSIS

Sistem Pendukung Keputusan Untuk Menentukan Prestasi Akademik Siswa dengan Metode TOPSIS Ctec Journal, Vol. 2, No. 2, Februar 2015 Aprl 2015 ISSN: 2354-5771 153 Sstem Pendukung Keputusan Untuk Menentukan Prestas Akademk Sswa dengan Metode TOPSIS Amela Nur Ftrana* 1, Harlana 2, Handaru 3 1

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

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

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER

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

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.

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

BAB II TINJAUAN PUSTAKA. A. Konsep Dasar Sistem Pendukung Keputusan. menggantikan penilaian mereka. Dss ditujukan untuk keputusan keputusan yang

BAB II TINJAUAN PUSTAKA. A. Konsep Dasar Sistem Pendukung Keputusan. menggantikan penilaian mereka. Dss ditujukan untuk keputusan keputusan yang 4 BAB II TINJAUAN PUSTAKA A. Konsep Dasar Sstem Pendukung Keputusan Lttle (1970) mendefnskan DSS sebaga sekumpulan prosedur berbass model untuk data pemrosesan dan penlaan guna membantu para manajer mengambl

Lebih terperinci

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

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

Lebih terperinci

INDEKS KERENTANAN SOSIAL EKONOMI UNTUK BENCANA ALAM DI WILAYAH INDONESIA 5. Anik Djuraidah

INDEKS KERENTANAN SOSIAL EKONOMI UNTUK BENCANA ALAM DI WILAYAH INDONESIA 5. Anik Djuraidah S-20 INDEKS KERENTANAN SOSIAL EKONOMI UNTUK BENCANA ALAM DI WILAYAH INDONESIA 5 An Djuradah Departemen Statsta FMIPA- IPB e-mal : andjuradah@gmal.com ABSTRAK Analss erentanan berembang dan dgunaan dalam

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

KWARTIL, DESIL DAN PERSENTIL

KWARTIL, DESIL DAN PERSENTIL KWARTIL, DESIL DAN PERSENTIL 1. KWARTIL Kwartl merupakan nla yang membag frekuens dstrbus data menjad empat kelompok yang sama besar. Dengan kata lan kwartl merupakan nla yang membag tap-tap 25% frekuens

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

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3. Maret 2018, hlm. 1219-1226 http://j-ptk.ub.ac.d Sstem Pendukung Keputusan Pemlhan Mtra Jasa Pengrman Barang menggunakan

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

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

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

Lebih terperinci

KOMPARASI HASIL BELAJAR SISWA DENGAN MEDIA MACROMEDIA FLASH DAN MICROSOFT POWERPOINT YANG DISAMPAIKAN MELALUI PENDEKATAN CHEMO-EDUTAINTMENT

KOMPARASI HASIL BELAJAR SISWA DENGAN MEDIA MACROMEDIA FLASH DAN MICROSOFT POWERPOINT YANG DISAMPAIKAN MELALUI PENDEKATAN CHEMO-EDUTAINTMENT Sgt Pratmoko, dkk. Komparas Hasl Belajar Sswa... 99 KOMPARASI HASIL BELAJAR SISWA DENGAN MEDIA MACROMEDIA FLASH DAN MICROSOFT POWERPOINT YANG DISAMPAIKAN MELALUI PENDEKATAN CHEMO-EDUTAINTMENT Sgt Pratmoko,

Lebih terperinci

(M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY

(M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY Unverstas Padjadjaran, 3 November 00 (M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY Anndya Aprlyant Pravtasar

Lebih terperinci