METODE OPTIMASI 11/13/2015. Capaian Pembelajaran
|
|
- Sugiarto Hartanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 kecl. Pokok Bahasan 4 Fokus Masalah Fokus Masalah Metode-metode Tabel keputusan Pohon Keputusan Mult Attrbute Decson Makng (MADM) Turban (2005) mengkategorkan model sstem pendukung keputusan dalam tujuh model, yatu: Model optmas untuk masalah-masalah dengan alternatf-alternatf dalam jumlah relatf kecl. Model optmas dengan algortma. Model optmas dengan formula analtk. Model smulas. Model heurstk. Model predktf. Model-model yang lannya. 5 Fokus Masalah 6 Tabel Keputusan Model optmas untuk masalah-masalah dengan alternatf-alternatf dalam jumlah relatf kecl. Model n akan melakukan pencaran terhadap solus terbak dar sejumlah alternatf. Teknk-teknk untuk penyelesaan masalah n antara lan dengan menggunakan tabel keputusan, pohon keputusan, atau beberapa metode pada MADM. Tabel keputusan merupakan metode pengamblan keputusan yang cukup sederhana. Metode n menggunakan bantuan tabel yang bers hubungan antara beberapa atrbut yang mempengaruh atrbut tertentu. Umumnya, tabel keputusan n dgunakan untuk penyelesaan masalah yang tdak melbatkan banyak alternatf.
2 7 Tabel Keputusan 8 Tabel Keputusan Pada tabel keputusan, nla kebenaran suatu konds dberkan berdasarkan nla logka dar setap atrbut E k. Hanya ada dua nla kebenaran, yatu E k = benar atau E k = salah. Secara umum, tabel keputusan berbentuk: D = E {E, E 2,..., E K } dengan D adalah nla kebenaran suatu konds, dan E adalah nla kebenaran atrbut ke- ( =, 2,... K). Contoh-: Jurusan Teknk Informatka akan melakukan rekrutmen assten untuk beberapa laboratorum d lngkungannya. Persyaratan untuk menjad assten d suatu laboratorum dtentukan oleh nla beberapa matakulah. Setap laboratorum dmungknkan memlk syarat nla yang berbeda. Tabel Keputusan 9 Tabel Keputusan 0 Varabel Logka E Memlk IPK >,00 Ekspres Logka E 2 Mnmal tengah duduk d semester E E 4 E 5 E 6 E 7 E 8 Nla matakulah algortma pemrograman = A Nla matakulah kecerdasan buatan = A Nla matakulah bassdata = A Nla matakulah grafka komputer = A Nla matakulah jarngan komputer = A Nla matakulah nformatka kedokteran mnmal B No Atrbut* E E 2 E E 4 E 5 E 6 E 7 E 8 Y Y Y Laboratorum Pemrograman & Informatka Teor 2 Y Y Komputas & Sst. Cerdas Y Y Y Sstem Informas & RPL 4 Y Y Grafka & Multmeda 5 Y Y Y Sstem & Jarngan Komp. 6 Y Y Y Informatka Kedokteran 7 Y Y Y Informatka Kedokteran 8 Y Y Y Informatka Kedokteran 9 Y Y Y Informatka Kedokteran Tabel Keputusan 2 Tabel Keputusan Kombnas untuk semua E (=,2,...,8) pada aturan tersebut merupakan pengetahuan untuk menentukan pemlhan assten laboratorum. Sebaga contoh untuk laboratorum Pemrograman & Informatka Teor dapat dgunakan aturan pertama, yatu: D E E 2 E Untuk laboratorum Informatka Kedokteran dapat dgunakan aturan ke-6, ke-7, ke-8, dan ke-9, yatu: D E E E8 E E 4 E8 E E5 E8 E E6 E8 dengan adalah operator AND; dan + adalah operator OR. Contoh-2: Suatu nsttus penddkan tngg akan memberkan penlaan terhadap produktvtas staf pengajarnya dalam waktu tahun. Ada 5 krtera yang akan dberkan, yatu: tdak produktf, kurang produktf, cukup produktf, produktf, dan sangat produktf. Atrbut yang dgunakan untuk memberkan penlaan adalah sebaga berkut. C = jumlah karya lmah yang dhaslkan C2 = jumlah dktat (bahan ajar) yang dhaslkan C = jumlah buku referens yang dhaslkan 2
3 Tabel Keputusan 4 Tabel Keputusan Kategor Atrbut C C2 C Sangat Produktf > 6 > 2 Produktf 5 atau 6 2 Tdak dpertmbangkan Cukup Produktf atau 4 Tdak dpertmbangkan Kurang Produktf atau 2 Tdak dpertmbangkan Tdak dpertmbangkan Tdak Produktf Nla Tdak dpertmbangkan berart berapapun nlanya dperbolehkan. Sedangkan nla 0 berart, tdak menghaslkan. Msalkan seorang staf bernama Ed, telah menghaslkan karya lmah sebanyak karya, dktat sebanyak 2 karya, dan tdak menghaslkan buku referens, maka Ed termasuk dalam kategor Cukup Produktf. 5 Pohon Keputusan 6 Pohon Keputusan Pohon keputusan adalah salah satu metode penyelesaan masalah keputusan dengan cara merepresentaskan pengetahuan dalam bentuk pohon. Suatu pohon memlk condtonal node yang menunjukkan kebenaran suatu ekspres atau atrbut. Condtonal node tersebut memberkan beberapa kemungknan nla, dapat berupa nla boolean (Benar atau Salah), atau beberapa alternatf nla yang mungkn dmlk oleh suatu atrbut, msal untuk atrbut Tekanan Darah (Rendah, Normal, Tngg). Contoh: Untuk kasus pemlhan dosen produktf akan dbuat pohon keputusannya. Pohon Keputusan 7 8 Pohon Keputusan Kategor Atrbut C C2 C > 6 5 atau 6 C atau 2 atau 4 0 Sangat Produktf > 6 > 2 Produktf 5 atau 6 2 Tdak dpertmbangkan > 2 C2 C2 2 C2 Kurang Produktf C2 0 Cukup Produktf atau 4 Tdak dpertmbangkan C Produktf Cukup Produktf C Kurang Produktf atau 2 Tdak dpertmbangkan Tdak Produktf Tdak dpertmbangkan Sangat Produktf 0 Tdak Produktf
4 9 Mult-Attrbute Decson Makng 20 Mult-Attrbute Decson Makng (MADM) (MADM) Secara umum, model Mult-Attrbute Decson Makng (MADM) dapat ddefnskan sebaga berkut (Zmermann, 99): Msalkan A = {a =,...,n} adalah hmpunan alternatf-alternatf keputusan dan C = {c j j =,..., m} adalah hmpunan tujuan yang dharapkan, maka akan dtentukan alternatf x 0 yang memlk derajat harapan tertngg terhadap tujuan tujuan yang relevan c j. Janko (2005) memberkan batasan tentang adanya beberapa ftur umum yang akan dgunakan dalam MADM, yatu: Alternatf, adalah obyek-obyek yang berbeda dan memlk kesempatan yang sama untuk dplh oleh pengambl keputusan. Atrbut, serng juga dsebut sebaga karakterstk, komponen, atau krtera keputusan. Meskpun pada kebanyakan krtera bersfat satu level, namun tdak menutup kemungknan adanya sub krtera yang berhubungan dengan krtera yang telah dberkan. 2 Mult-Attrbute Decson Makng 22 Mult-Attrbute Decson Makng (MADM) (MADM) Konflk antar krtera, beberapa krtera basanya mempunya konflk antara satu dengan yang lannya, msalnya krtera keuntungan akan mengalam konflk dengan krtera baya. Bobot keputusan, bobot keputusan menunjukkan kepentngan relatf dar setap krtera, W = (w, w 2,..., w n ). Pada MADM akan dcar bobot kepentngan dar setap krtera. Matrks keputusan, suatu matrks keputusan X yang berukuran m x n, bers elemen-elemen x j, yang merepresentaskan ratng dar alternatf A (=,2,...,m) terhadap krtera C j (j=,2,...,n). Masalah MADM adalah mengevaluas m alternatf A (=,2,...,m) terhadap sekumpulan atrbut atau krtera C j (j=,2,...,n), dmana setap atrbut salng tdak bergantung satu dengan yang lannya. Krtera atau atrbut dapat dbag menjad dua kategor, yatu: Krtera keuntungan adalah krtera yang nlanya akan dmaksmumkan, msalnya: keuntungan, IPK (untuk kasus pemlhan mahasswa berprestas), dll. Krtera baya adalah krtera yang nlanya akan dmnmumkan, msalnya: harga produk yang akan dbel, baya produks, dll. 2 Mult-Attrbute Decson Makng (MADM) 24 Mult-Attrbute Decson Makng (MADM) Pada MADM, matrks keputusan setap alternatf terhadap setap atrbut, X, dberkan sebaga: x x X x 2 m x x x 2 22 m2 x n x 2n x mn dengan x j merupakan ratng knerja alternatf ke- terhadap atrbut ke-j. Nla bobot yang menunjukkan tngkat kepentngan relatf setap atrbut, dberkan sebaga, W: W = {w, w 2,..., w n } Ratng knerja (X), dan nla bobot (W) merupakan nla utama yang merepresentaskan preferens absolut dar pengambl keputusan. Masalah MADM dakhr dengan proses perankngan untuk mendapatkan alternatf terbak yang dperoleh berdasarkan nla keseluruhan preferens yang dberkan (Yeh, 2002). Pada MADM, umumnya akan dcar solus deal. Pada solus deal akan memaksmumkan semua krtera keuntungan dan memnmumkan semua krtera baya. 4
5 25 Mult-Attrbute Decson Makng (MADM) 26 Mult-Attrbute Decson Makng (MADM) Krtera- (C ) Krtera-2 (C 2 ) Masalah... Krtera-m (C m ) Ada beberapa metode yang dapat dgunakan untuk menyelesakan masalah MADM, antara lan: a. b. Weghted Product (WP) c. d. Alternatf- (A ) Alternatf-2 (A 2 )... Alternatf-n (A n ) Metode serng juga dkenal stlah metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencar penjumlahan terbobot dar ratng knerja pada setap alternatf pada semua atrbut (Fshburn, 967)(MacCrmmon, 968). Metode SAW membutuhkan proses normalsas matrks keputusan (X) ke suatu skala yang dapat dperbandngkan dengan semua ratng alternatf yang ada. Formula untuk melakukan normalsas tersebut adalah sebaga berkut: x j Max x j rj Mn x j x j jka jadalah atrbut keuntungan (beneft) jka jadalah atrbut baya (cost) dengan r j adalah ratng knerja ternormalsas dar alternatf A pada atrbut C j ; =,2,...,m dan j=,2,...,n Nla preferens untuk setap alternatf (V ) dberkan sebaga: V n j w r j Nla V yang lebh besar mengndkaskan bahwa alternatf A lebh terplh. j Contoh-: Suatu nsttus perguruan tngg akan memlh seorang karyawannya untuk dpromoskan sebaga kepala unt sstem nformas. Ada empat krtera yang dgunakan untuk melakukan penlaan, yatu: C = tes pengetahuan (wawasan) sstem nformas C2 = praktek nstalas jarngan C = tes keprbadan C4 = tes pengetahuan agama 5
6 2 Pengambl keputusan memberkan bobot untuk setap krtera sebaga berkut: C = 5%; C2 = 25%; C = 25%; dan C4 = 5%. Ada enam orang karyawan yang menjad kanddat (alternatf) untuk dpromoskan sebaga kepala unt, yatu: A = Indra, A2 = Ron, A = Putr, A4 = Dan, A5 = Ratna, dan A6 = Mra. Tabel nla alternatf d setap krtera: Krtera Alternatf C C2 C C4 Indra Ron Putr Dan Ratna Mra Normalsas: r 0,82 max70;50;85;82;75; r 2 0,59 max70;50;85;82;75; r 2 0,67 max50;60;55;70;75; r 22 0,80 max50;60;55;70;75;50 75 dst Hasl normalsas: 0,82 0,67 0,59 0,80 0,7 R 0,96 0,9 0,88 0,7 0,67 0,94 0,96 0,94 0,76 0,88 0,7 0,82 0,88 0,87 0, Proses perankngan dengan menggunakan bobot yang telah dberkan oleh pengambl keputusan: w = [0,5 0,25 0,25 0,5] Hasl yang dperoleh adalah sebaga berkut: V (0,5)(0,82) (0,25)(0,67) (0,25)(0,94) (0,5)(0,7) 0,796 V 2 (0,5)(0,59) (0,25)(0,80) (0,25)(0,96) (0,5)(0,82) 0,770 V (0,5)(,00) (0,25)(0,7) (0,25)(0,94) (0,5)(0,88) 0,900 V 4 (0,5)(0,96) (0,25)(0,9) (0,25)(0,76) (0,5)(,00) 0,909 V 5 (0,5)(0,88) (0,25)(,00) (0,25)(,00) (0,5)(0,87) 0,99 V 6 (0,5)(0,7) (0,25)(0,67) (0,25)(0,88) (0,5)(0,94) 0,784 Nla terbesar ada pada V 5 sehngga alternatf A 5 adalah alternatf yang terplh sebaga alternatf terbak. Dengan kata lan, Ratna akan terplh sebaga kepala unt sstem nformas. 6
7 7 8 Contoh-2: Sebuah perusahaan makanan rngan XYZ akan mengnvestaskan ssa usahanya dalam satu tahun. Beberapa alternatf nvestas telah akan ddentfkas. Pemlhan alternatf terbak dtujukan selan untuk keperluan nvestas, juga dalam rangka menngkatkan knerja perusahaan ke depan. Beberapa krtera dgunakan sebaga bahan pertmbangan untuk mengambl keputusan, yatu: C = Harga, yatu seberapa besar harga barang tersebut. C2 = Nla nvestas 0 tahun ke depan, yatu seberapa besar nla nvestas barang dalam jangka waktu 0 tahun ke depan C = Daya dukung terhadap produktvtas perusahaan, yatu seberapa besar peranan barang dalam mendukung naknya tngkat produktvtas perusahaan. Daya dukung dber nla: = kurang mendukung, 2 = cukup mendukung; dan = sangat mendukung. C4 = Prortas kebutuhan, merupakan tngkat kepentngan (ke-mendesak-an) barang untuk dmlk perusahaan. Prortas dber nla: = sangat berprortas, 2 = berprortas; dan = cukup berprortas. C5 = Ketersedaan atau kemudahan, merupakan ketersedaan barang d pasaran. Ketersedaan dber nla: = sult dperoleh, 2 = cukup mudah dperoleh; dan = sangat mudah dperoleh. Dar pertama dan keempat krtera tersebut, krtera pertama dan keempat merupakan krtera baya, sedangkan krtera kedua, ketga, dan kelma merupakan krtera keuntungan. Pengambl keputusan memberkan bobot untuk setap krtera sebaga berkut: C = 25%; C2 = 5%; C = 0%; C4 = 25; dan C5 = 5% Ada empat alternatf yang dberkan, yatu: A = Membel mobl box untuk dstrbus barang ke gudang; A2 = Membel tanah untuk membangun gudang baru; A = Mantenance sarana teknolog nformas; A4 = Pengembangan produk baru. Nla setap alternatf pada setap krtera: Alternatf C (juta Rp) Krtera C2 (%) C C4 C5 A A A A
8 4 44 Normalsas: r r 2 r 5 mn 50;500;200; max5;200;0; ,667 max2;2;; 0,075 Hasl normalsas: 0,08 0,0 R 0,75 0,05 0,4 0,50 0,67 0,67 0,50 0,67 0,67 r 45 mn{2;;;} 0,5 2 2 dst Weghted Product (WP) Proses perankngan dengan menggunakan bobot yang telah dberkan oleh pengambl keputusan: w = [0,25 0,5 0,0 0,25 0,05] Hasl yang dperoleh adalah sebaga berkut: V (0,25)() (0,5)(0,08) (0,)(0,67) (0,25)(0,5) (0,05)() 0,68 V 2 (0,25)(0,) (0,5)() (0,)(0,67) (0,25)() (0,05)(0,67) 0,542 V (0,25)(0,75) (0,5)(0,05) (0,)() (0,25)() (0,05)() 0,795 (0,25)(0,4) (0,5)(0,5) (0,)() (0,25)() (0,05)(0,67) 0,766 V 4 Nla terbesar ada pada V sehngga alternatf A adalah alternatf yang terplh sebaga alternatf terbak. Dengan kata lan, mantenance sarana teknolog nformas akan terplh sebaga solus untuk nvestas ssa usaha Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses n sama halnya dengan proses normalsas. 47 Weghted Product (WP) 48 Weghted Product (WP) Preferens untuk alternatf A dberkan sebaga berkut: S n j x w j dengan =,2,...,m; dmana w j =. j w j adalah pangkat bernla postf untuk atrbut keuntungan, dan bernla negatf untuk atrbut baya. Contoh: Suatu perusahaan d Sulawes Selatan ngn membangun sebuah gudang yang akan dgunakan sebaga tempat untuk menympan sementara hasl produksnya. Ada lokas yang akan menjad alternatf, yatu: A = Maros, A2 = Gowa, A = Takalar. 8
9 49 Weghted Product (WP) 50 Weghted Product (WP) Ada 5 krtera yang djadkan acuan dalam pengamblan keputusan, yatu: C = jarak dengan pasar terdekat (km), C2 = kepadatan penduduk d sektar lokas (orang/km2); C = jarak dar pabrk (km); C4 = jarak dengan gudang yang sudah ada (km); C5 = harga tanah untuk lokas (x000 Rp/m2). Tngkat kepentngan setap krtera, juga dnla dengan sampa 5, yatu: = Sangat rendah, 2 = Rendah, = Cukup, 4 = Tngg, 5 = Sangat Tngg. Pengambl keputusan memberkan bobot preferens sebaga: W = (5,, 4, 4, 2) 5 Weghted Product (WP) 52 Weghted Product (WP) Nla setap alternatf d setap krtera: Krtera Alternatf C C 2 C C 4 C 5 A 0, A 2 0, A 0, Kategor setap krtera: Krtera C2 (kepadatan penduduk d sektar lokas) dan C4 (jarak dengan gudang yang sudah ada) adalah krtera keuntungan; Krtera C (jarak dengan pasar terdekat), C (jarak dar pabrk), dan C5 (harga tanah untuk lokas) adalah krtera baya. Sebelumnya dlakukan perbakan bobot terlebh dahulu sepert sehngga w =, dperoleh w = 0,28; w 2 = 0,7; w = 0,22; w 4 = 0,22; dan w 5 = 0,. 5 Weghted Product (WP) 54 Weghted Product (WP) Kemudan vektor S dapat dhtung sebaga berkut: S 0,28 0,7 0,22 0,22 0, 0, , 487 0,28 0,7 0,22 0,22 0, 0, , ,28 0,7 0,22 0,22 0, 0, , 7462 S 2 S Nla vektor V yang akan dgunakan untuk perankngan dapat dhtung sebaga berkut: 2,487 V 0,669 2,487 2,4270,7462 2,4270 V 2 0,682 2,487 2,4270,7462,7462 V 0,2649 2,487 2,4270,7462 Nla terbesar ada pada V2 sehngga alternatf A2 adalah alternatf yang terplh sebaga alternatf terbak. Dengan kata lan, Kalasan akan terplh sebaga lokas untuk mendrkan gudang baru. 9
10 55 56 Technque for Order Preference by Smlarty to Ideal Soluton () ddasarkan pada konsep dmana alternatf terplh yang terbak tdak hanya memlk jarak terpendek dar solus deal postf, namun juga memlk jarak terpanjang dar solus deal negatf. banyak dgunakan dengan alasan: konsepnya sederhana dan mudah dpaham; komputasnya efsen; dan memlk kemampuan untuk mengukur knerja relatf dar alternatf-alternatf keputusan dalam bentuk matemats yang sederhana. Langkah-langkah penyelesaan masalah MADM dengan : Membuat matrks keputusan yang ternormalsas; Membuat matrks keputusan yang ternormalsas terbobot; Menentukan matrks solus deal postf & matrks solus deal negatf; Menentukan jarak antara nla setap alternatf dengan matrks solus deal postf & matrks solus deal negatf; Menentukan nla preferens untuk setap alternatf membutuhkan ratng knerja setap alternatf A pada setap krtera C j yang ternormalsas, yatu: Solus deal postf A + dan solus deal negatf A - dapat dtentukan berdasarkan ratng bobot ternormalsas (y j ) sebaga: r j x m j x 2 j yj wrj A y, y2,, yn ; A y, y,, y ; 2 n dengan max yj; y j mn yj; mn yj; y j max yj; jka j adalah atrbut keuntungan jka j adalah atrbut baya jka j adalah atrbut keuntungan jka j adalah atrbut baya Jarak antara alternatf A dengan solus deal postf drumuskan sebaga: D n 2 y yj ; j Jarak antara alternatf A dengan solus deal negatf drumuskan sebaga: D n 2 y j y ; j 0
11 6 62 Nla preferens untuk setap alternatf (V ) dberkan sebaga: D V D D ; Contoh: Suatu perusahaan d Sulawes Selatan ngn membangun sebuah gudang yang akan dgunakan sebaga tempat untuk menympan sementara hasl produksnya. Ada lokas yang akan menjad alternatf, yatu: A = Maros, Nla V yang lebh besar menunjukkan bahwa alternatf A lebh dplh A2 = Gowa, A = Takalar Ada 5 krtera yang djadkan acuan dalam pengamblan keputusan, yatu: C = jarak dengan pasar terdekat (km), C2 = kepadatan penduduk d sektar lokas (orang/km2); C = jarak dar pabrk (km); C4 = jarak dengan gudang yang sudah ada (km); C5 = harga tanah untuk lokas (x000 Rp/m2). Tngkat kepentngan setap krtera, juga dnla dengan sampa 5, yatu: = Sangat rendah, 2 = Rendah, = Cukup, 4 = Tngg, 5 = Sangat Tngg. Pengambl keputusan memberkan bobot preferens sebaga: W = (5,, 4, 4, 2) Nla setap alternatf d setap krtera: Krtera Alternatf C C 2 C C 4 C 5 A 0, Matrks ternormalsas, R: 0,5888 0,686 R 0,925 0,4640 0,7066 0,64 0,4077 0,6852 0,4784 0,450 0,5482 0,405 0,7928 0,4796 0,7654 Matrks ternormalsas terbobot, Y: A 2 0, A 0, ,9440 Y,9627,528,8558,99,9022,609,82,72 2,7408 2,926,985 0,9567 0,86,508
12 67 68 Solus Ideal Postf (A + ): Solus Ideal Negatf (A - ): A y y 2 y y 4 y 5 mn 2,9440;,9627;,528, 9627 max,8558;,99;,9022, 9022 mn,609;,82;,72, 609 max2,7408; 2,926;,985 2, 7408 mn 0,9567; 0,86;,508 0, 86,9627;,9022;,609; 2,7408; 0,86 A y y 2 y y 4 y 5 max2,9440;,9627;,528 2, 9440 mn,8558;,99;,9022, 99 max,609;,82;,72, 72 mn 2,7408; 2,926;,985, 985 max0,9567; 0,86;,508, 508 2,9440;,99;,72;,985;, Jarak antara nla terbobot setap alternatf terhadap solus deal postf, S : D 0,987 D 2 0, 7706 D 2, 448 Jarak antara nla terbobot setap alternatf terhadap solus deal negatf, : S Kedekatan setap alternatf terhadap solus deal dhtung sebaga berkut:,9849 V 0,6679 0,987,9849 2,99 V 2 0,7405 0,7706 2,99 V 0,504 0,729 2,448 0,504 D,9849 D 2 2, 99 D 0, 504 Dar nla V n dapat dlhat bahwa V2 memlk nla terbesar, sehngga dapat dsmpulkan bahwa alternatf kedua yang akan lebh dplh. Dengan kata lan, Kalasan akan terplh sebaga lokas untuk mendrkan gudang baru MASALAH KRITERIA- KRITERIA-2 KRITERIA-n Permasalahan pada AHP ddekomposskan ke dalam hrark krtera dan alternatf KRITERIA-, KRITERIA-n, ALTERNATIF ALTERNATIF 2 ALTERNATIF m 2
13 7 74 Saya ngn membel HP yang harganya relatf murah, memornya besar, warnanya banyak, ukuran pksel pada kamera besar, beratnya rngan, dan bentuknya unk Alternatf Harga Memor Warna Kamera Berat (juta Rp) (MB) (MP) (gr) 2, kb 2 26, kb,2 6 Ada 4 alternatf yang saya bayangkan, yatu:,,, kb,2 4 dan 4, MB Ada tahap dentfkas: Tentukan tujuan: Membel HP dengan krtera tertentu Tentukan krtera: Harga, kapastas memor, ukuran warna, ukuran pksel kamera, berat, dan keunkan, Tentukan alternatf:,,, dan, Harga KRITERIA Memor Bentuk hrark dar nformas yang dperoleh Membel HP TUJUAN Warna Kamera Berat Keunkan ALTERNATIF Informas tersebut dapat dgunakan untuk menentukan rankng relatf dar setap atrbut Harga Krtera kuanttatf & kualtatf dapat dgunakan untuk mempertmbangkan bobot Memor Warna Kamera Berat
14 79 80 Saya lebh mengutamakan kemurahan harga, kemudan keunkan bentuk & berat HP, sedangkan krtera lan merupakan prortas terakhr Dengan menggunakan perbandngan berpasangan, dapat dketahu derajat kepentngan relatf antar krtera 8 82 Matrks perbandngan berpasangan adalah matrks berukuran n x n dengan elemen a j merupakan nla relatf tujuan ke- terhadap tujuan ke-j 9 : mutlak lebh pentng (extreme) 7 : sangat lebh pentng (very) 5 : lebh pentng (strong) : cukup pentng (moderate) : sama pentng (equal) 8 84 Saya lebh mengutamakan kemurahan harga, kemudan keunkan bentuk & berat HP, sedangkan krtera lan merupakan prortas terakhr H M W K B H M / 5 / W / 5 / K / 5 / B / U / U / / / Konsep EIGENVECTOR dgunakan untuk melakukan proses perankngan prortas setap krtera berdasarkan matrks perbandngan berpasangan (Saaty) 4
15 85 86 Apabla A adalah matrks perbandngan berpasangan yang, maka vektor bobot yang berbentuk: T T (A)(w ) (n)(w ) dapat ddekat dengan cara: menormalkan setap kolom j dalam matrks A, sedemkan hngga: a j sebut sebaga A. untuk setap bars dalam A, htunglah nla rata-ratanya: ' w a j n j dengan w adalah bobot tujuan ke- dar vektor bobot. Uj konsstens: Msalkan A adalah matrks perbandngan berpasangan, dan w adalah vektor bobot, maka konsstens dar vektor bobot w dapat duj sebag berkut: htung: (A)(w T ) t n htung: ndeks konsstens: n t n CI n T elemen ke - pada (A)(w ) T elemen ke - pada w jka CI=0 maka A konssten; jka jka CI 0, maka A cukup konssten; dan RIn CI 0, maka A sangat tdak konssten. RIn Indeks random RI n adalah nla rata-rata CI yang dplh secara acak pada A dan dberkan sebaga: n RI n 0 0,58 0,90,2,24,2... H M W K B H M / W / K / B / U / 5 / 5 / 5 / U / / / 0,2 0,2 0, ,2 0,2 0,2 2, / 2,26 5 /4 5 /4 5/4 0,2 / 2,26 0,2 / 2,26 /4 /4 /4 /4 /4 /4 0,2 / 2,26 /4 /4 /4 / 2,26 /4 /4 /4 / 2,26 /4 /4 /4 / 6 / 6 / 6 / 6 / 6 / 6 / 6 / 6 / 6 / 6 / 6 / ,442 0,57 0,57 0,57 0,5000 0,5000 0,0882 0,074 0,074 0,074 0,0556 0,0556 0,0882 0,074 0,074 0,074 0,0556 0,0556 0,0882 0,074 0,074 0,074 0,0556 0,0556 0,47 0,24 0,24 0,24 0,667 0,667 0,47 0,24 0,24 0,24 0,667 0,667 0,442 0,57 0,57 0,57 0,5000 0,5000 0,0882 0,074 0,074 0,074 0,0556 0,0556 0,0882 0,074 0,074 0,074 0,0556 0,0556 0,0882 0,074 0,074 0,074 0,0556 0,0556 0,47 0,24 0,24 0,24 0,667 0,667 0,47 0,24 0,24 0,24 0,667 0,667 Rata2 0,488 0,0689 0,0689 0,0689 0,872 0,872 W = (0,488; 0,0689; 0,0689; 0,0689; 0,872; 0,872) 5
16 9 92 0,2 0,2 0, ,488 0,0689 0,0689 = 0,0689 0,872 0,872 2,576 0,454 0,454 0,454,45,45 Untuk n=6, dperoleh RI 6 =,24, sehngga: CI 0,06 0,009 0, RI6,24 2,576 0,454 0,454 0,454,45,45 t 6, ,488 0,0689 0,0689 0,0689 0,872 0,872 KONSISTEN!!! 6, CI 0, KRITERIA Bentuk hrark dar nformas yang dperoleh Membel HP TUJUAN Matrks perbandngan berpasangan untuk harga dperoleh dar data harga setap HP Harga (0,488) Memor (0,0689) ALTERNATIF Warna (0,0689) Kamera (0,0689) Berat (0,872) Keunkan (0,872),/ 2,,7 / 2, 4,7 / 2, 2,/,,7 /, 4,7 /, 2,/,7,/,7 4,7 /,7 2,/ 4,7,/ 4,7,7 / 4, ,505 0,505 0,505 0,505 0,260 0,260 0,260 0,260 0,279 0,279 0,279 0,279 0,75 0,75 0,75 0,75 Atau 0,505 0,505 0,505 0,505 0,260 0,260 0,260 0,260 0,279 0,279 0,279 0,279 0,75 0,75 0,75 0,75 Rata2 0,505 0,260 0,279 0,75 MnHarga = mn(2,;,;,7; 4,7) = 2, = 2,/2, = = 2,/, = 0,74 = 2,/,7 = 0,62 W = (0,505; 0,260; 0,279; 0,75) = 2,/4,7 = 0,49 6
17 97 98 Normalkan Matrks perbandngan berpasangan untuk memor dperoleh dar data memor setap HP Total = + 0,74 + 0,62 + 0,49 = 2,85 = /2,85 = 0,50 = 0,74/2,85 = 0,260 = 0,62/2,85 = 0,28 = 0,49/2,85 = 0,72 42 / 5 40 / 5 90 / 5 5 / / / 42 5 / / / 40 5 / / / 90 W = (0,50; 0,260; 0,28; 0,72) W = (0,69; 0,2029; 0,92; 0,448) Atau Matrks perbandngan berpasangan untuk warna dperoleh dar data warna setap HP (6*024) / 256 (6*024) / 256 (6*024) / /(6*026) 256 /(6*024) 256 /(6*024) (6*024) / 256 TotWarna = (6x024) = 752 = 256/752 = 0,05 = 256/752 = 0,05 = 256/752 = 0,05 = (6x024)/752 = 0,955 W = (0,049; 0,049; 0,049; 0,9552) W = (0,05; 0,05; 0,05; 0,955) 0 02 Matrks perbandngan berpasangan untuk kamera dperoleh dar data kamera setap HP Atau 2 /,2 2 /,2,2 / 2,2 / 2,2 / 2,2 / 2 2 /,2 2 /,2 TotKamera = 2 +,2 +,2 + 2 = 0,4 = 2/0,4 = 0,92 =,2/0,4 = 0,08 =,2/0,4 = 0,08 = 2/0,4 = 0,92 W = (0,92; 0,077; 0,077; 0,92) W = (0,92; 0,08; 0,08; 0,92) 7
18 0 04 Matrks perbandngan berpasangan untuk berat dperoleh dar data berat setap HP Atau,6 /,26,4 /,26,9/,26,26 /,6,4 /,6,9/,6,26 /,4,6 /,4,9/,4,26 /,9,6 /,9,4 /,9 MnBerat = mn(,26;,6;,4;,9) =,6 =,26/,6 = 0,92 =,6/,26 = =,6/,4 = 0,87 W = (0,27; 0,2947; 0,255; 0,790) =,6/,9 = 0, Normalkan TotBerat = + 0,92 + 0,87 + 0,6 =,4 Matrks perbandngan berpasangan untuk keunkan dperoleh secara subyektf dar perseps user = /,4 = 0,294 = 0,92/,4 = 0,27 = 0,87/,4 = 0,256 lebh unk dbandng lebh unk dbandng lebh unk dbandng = 0,6/,4 = 0,79 W = (0,27; 0,294; 0,256; 0,79) Matrks perbandngan berpasangan untuk keunkan dperoleh secara subyektf dar perseps user 2 5 / 2 2 / / 2 / 5 / / W = (0,0860; 0,544; 0,245; 0,58) Harga (0,488) (0,505) (0,260) (0,279) (0,75) Memor (0,0689) (0,69) (0,2029) (0,92) (0,448) Bentuk hrark dar nformas yang dperoleh Membel HP Warna (0,0689) (0,049) (0,049) (0,049) (0,9552) Kamera (0,0689) (0,92) (0,077) (0,077) (0,92) Berat (0,872) (0,27) (0,2947) (0,255) (0,790) Keunkan (0,872) (0,0860) (0,544) (0,245) (0,58) 8
19 09 0 Perankngan: Msalkan ada n tujuan dan m alternatf pada AHP, maka proses perankngan alternatf dapat dlakukan melalu langkah-langkah berkut: Untuk setap tujuan, tetapkan matrks perbandngan berpasangan A, untuk m alternatf. Tentukan vektor bobot untuk setap A yang merepresentaskan bobot relatf dar setap alternatf ke-j pada tujuan ke- (s j ). Htung total skor: s j (sj)(w ) Plh alternatf dengan skor tertngg. 0,505 0,69 0,049 0,92 0,27 0,0860 0,260 0,2029 0,049 0,077 0,2947 0,544 0,279 0,92 0,049 0,077 0,255 0,245 0,75 0,448 0,9552 0,92 0,790 0,58 = 0,296 = 0,2292 = 0,298 = 0,4 0,488 0,0689 = 0,0689 0,0689 0,872 0,872 0,296 0,2292 0,298 0,4 9
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 terperinciPreferensi 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 terperinciPERBANDINGAN 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 terperinciPENENTUAN 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 terperinciBAB 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 terperinciBab 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 terperinciBAB 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 terperinciSISTEM 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 terperinciUJI 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 terperinciBAB 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 terperinciSistem 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 terperinciSISTEM 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 terperinciSISTEM 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 terperinciBAB 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 terperinciMANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN
MANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN By: Rn Halla Nasuton, ST, MT MERANCANG JARINGAN SC Perancangan jarngan SC merupakan satu kegatan pentng yang harus
Lebih terperinciArdi 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 terperinciFMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani
FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk
Lebih terperinciBAB 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 terperinciImplementasi 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 terperinciRANCANGAN 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 terperinciSISTEM 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 terperinciBAB 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 terperinciBAB 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 terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciIII. 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 terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciAnalytic Hierarchy Process (AHP)
Permasalahan pada AHP didekomposisikan ke dalam hirarki kriteria dan alternatif MASALAH KRITERIA- KRITERIA-2 KRITERIA-n KRITERIA-, KRITERIA-n, ALTERNATIF ALTERNATIF 2 ALTERNATIF m Saya ingin membeli HP
Lebih terperinciOptimasi 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 terperinciBAB 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 terperinciSistem Pendukung Keputusan Menggunakan Metode Technique for Order by Similarity to Ideal Solution (TOPSIS)
Sstem Pendukung Keputusan Menggunakan Metode Technque for Order by Smlarty to Ideal Soluton (TOPSIS) Murnawan 1, Akhmad Fadjar Sddq 2 1 Unverstas Wdyatama Bandung, Emal: murnawan@wdyatama.ac.d 2 STMIK
Lebih terperinciBAB 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 terperinciBAB 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 terperinciTinjauan 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 terperinciBAB 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 terperinciBAB 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 terperinciSistem 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 terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBab 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciBAB 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 terperinciBAB 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 terperinciBAB 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 terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciBAB 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 terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciPROPOSAL 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 terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian merupakan cara atau langkah-langkah yang harus
BAB III METODE PENELITIAN Metode peneltan merupakan cara atau langkah-langkah yang harus dtempuh dalam kegatan peneltan, sehngga peneltan yang dlakukan dapat mencapa sasaran yang dngnkan. Metodolog peneltan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
Lebih terperinciKritikan Terhadap Varians Sebagai Alat Ukur
Krtkan Terhadap Varans Sebaga Alat Ukur Varans mengukur penympangan pengembalan aktva d sektar nla yang dharapkan, maka varans mempertmbangkan juga pengembalan d atas atau d bawah nla pengembalan yang
Lebih terperinciOVERVIEW 1/40
http://www..deden08m.wordpress.com OVERVIEW 1/40 Konsep-konsep dasar dalam pembentukan portofolo optmal. Perbedaan tentang aset bersko dan aset bebas rsko. Perbedaan preferens nvestor dalam memlh portofolo
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciBAB 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 terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciBAB 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 terperinciTEORI INVESTASI DAN PORTFOLIO MATERI 4.
TEORI INVESTASI DAN PORTFOLIO MATERI 4 KONSEP DASAR 2/40 Ada tga konsep dasar yang perlu dketahu untuk memaham pembentukan portofolo optmal, yatu: portofolo efsen dan portofolo optmal fungs utltas dan
Lebih terperinciPENERAPAN 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 terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciIII. 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 terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinci2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).
2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan
Lebih terperinciSistem 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 terperinciIII. 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 terperinciBAB 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 terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciBAB 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 terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciTINJAUAN PUSTAKA Kualitas Dosen
4 TINJAUAN PUSTAKA Kualtas Dosen Menurut Kamus Besar Bahasa Indonesa (KBBI) tahun 2002, kualtas dartkan sebaga : (1) tngkat bak buruknya sesuatu atau kadar; (2) derajat atau taraf (kepandaan, kecakapan,
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinci3.1 Desain Penelitian
3.1 Desan Peneltan BAB III METODOLOGI PENELITIAN Gambar 3.1 Desan Peneltan Gambar datas menunjukan desan peneltan ang gunakan dalam membangun Sstem Pendukung Keputusan Penentuan Tema Skrps n. 28 29 3.2
Lebih terperinciBAB 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 terperinciPenerapan Metode AHP-TOPSIS Untuk Penyeleksian Permohonan Kredit Pada Koperasi Pegawai Republik Indonesia
Jurnal Sstem Informas Bsns 01(2015) Onlne : http://ejournal.undp.ac.d/ndex.php/jsnbs 33 Penerapan Metode AHPTOPSIS Untuk Penyeleksan Permohonan Kredt Pada Koperas Pegawa Republk Indonesa Hlmansyah Gan
Lebih terperinciIV. 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 terperinciBAB 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 terperinciBAB III METODE PENELITIAN. Karangkajen, Madrasah Tsanawiyah Mu'allimaat Muhammadiyah Yogyakarta,
BAB III METODE PENELITIAN A. Tempat dan Waktu Peneltan Peneltan n dlakukan pada 6 (enam) MTs d Kota Yogyakarta, yang melput: Madrasah Tsanawyah Neger Yogyakarta II, Madrasah Tsanawyah Muhammadyah Gedongtengen,
Lebih terperinciIII. 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 terperinciBAB 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 terperinciMETODE PENELITIAN. digunakan untuk mengetahui bagaimana pengaruh variabel X (celebrity
37 III. METODE PENELITIAN 3.1 Jens dan Sumber Data Jens peneltan yang dgunakan adalah peneltan deskrptf, yang mana dgunakan untuk mengetahu bagamana pengaruh varabel X (celebrty endorser) terhadap varabel
Lebih terperinciBAB 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 terperinciHUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT
HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT ABSTRAK STEVANY HANALYNA DETHAN Fakultas Ekonom Unv. Mahasaraswat Mataram e-mal : stevany.hanalyna.dethan@gmal.com
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
Lebih terperinciPENERAPAN FUZZY AHP DAN TOPSIS UNTUK SELEKSI KANDIDAT PENERIMA BANTUAN RUMAH TIDAK LAYAK HUNI (RTLH) (STUDI KASUS : DESA BANTARWUNI)
PENERAPAN FUZZY AHP DAN TOPSIS UNTUK SELEKSI KANDIDAT PENERIA BANTUAN RUAH TIDAK LAYAK HUNI (RTLH) (STUDI KASUS : DESA BANTARWUNI) Agus Tr Hdayat, Agus Pryanto, Andka Elok Amala 1 Program Stud S1 Informatka
Lebih terperinciBAB 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 terperinciI. PENGANTAR STATISTIKA
1 I. PENGANTAR STATISTIKA 1.1 Jens-jens Statstk Secara umum, lmu statstka dapat terbag menjad dua jens, yatu: 1. Statstka Deskrptf. Statstka Inferensal Dalam sub bab n akan djelaskan mengena pengertan
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang akan digunakan dalam penelitian ini adalah
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan yang akan dgunakan dalam peneltan n adalah peneltan pengembangan (Research and Development). Peneltan Research and Development (R&D) n merupakan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciIII PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan
Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMAAM CALON SISWA BARU PADA SMA MUHAMADIYAH 1 PRINGSEWU DENGAN METODE SAW
SISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMAAM CALON SISWA BARU PADA SMA MUHAMADIYAH 1 PRINGSEWU DENGAN METODE SAW Tr Suslowat, Rnawat STMIK Prngsewu Lampung Jl. Wsma Rn No. 09 prngsewu Lampung webste:
Lebih terperinciBAB 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 terperinciPEMILIHAN 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