BAB 2 LANDASAN TEORI

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 2 LANDASAN TEORI"

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1 Program Lner Program lner merupakan suatu teknk perencanaan yang menggunakan model matematka dengan tujuan menemukan beberapa kombnas alternatf dar pemecahan masalah yang kemudan dplh mana yang terbak untuk menyusun strateg dan langkah-langkah kebjakan tentang alokas sumber daya yang ada agar mencapa tujuan atau sasaran yang dngnkan secara optmal dengan melbatkan varabel-varabel lner.dalam model program lner dkenal dua macam fungs, yatu fungs objektf (objectve functon) dan fungs kendala (constrant functon) yang lner. Bentuk umum dar permasalahan program lner adalah: Tentukan nla x x, x,, x, 1, 2 3 n yang memaksmumkan atau memnmumkan: ff xx 1, xx 2,, xx = ZZ = cc 1 xx 1 + cc 2 xx cc xx Dengan kendala: aa 11 xx 1 + aa 12 xx aa 1 xx (=,, )bb 1 (2.1) aa 21 xx 1 + aa 22 xx aa 2 xx (=,, )bb 2 aa mm1 xx 1 + aa mm2 xx aa mmmm xx (=,, )bb xx 1, xx 2,, xx 0 aj dan b merupakan anggota blangan real, c j anggota blangan real postf karena merupakan koefsen fungs tujuan sehngga nlanya harus blangan real postf dan x j merupakan varabel, dengan = 1,2,,m danj= 1,2,, n.

2 Persamaan (2.1) dapat dtuls dalam bentuk yang lebh sederhana sebaga berkut (B. Susanta, 1994: 6): Tentukan nla x j, yang memaksmumkan atau memnmumkan: Dengan kendala: ff xx jj = ZZ = cc jj xx jj aa xx jj (, =, )bb xx jj 0; ( = 1, 2,, mm); ( jj = 1, 2,, ) Fungs kendala bsa berbentuk persamaan (=) atau pertdaksamaan ( ) atau ( ). Konstanta (bak sebaga koefsen aj atau c j maupun nla batas sumber daya (bb )) dalam fungs kendala maupun pada fungs tujuan dkatakan sebaga parameter model program lner. Smbol x x, x,, x n ( x ) menunjukkanvarabel keputusan.jumlah 1, 2 3 j varabel keputusan ( x j ) tergantung dar jumlah kegatan atau aktvtas yang dlakukan untuk mencapa tujuan. Smbol c, 1, c2, c3, cn merupakan kontrbus masng-masng varabel keputusan terhadap tujuan, dsebut juga koefsen fungs tujuan pada model matematknya. Smbol a a, a,, a,, a 11, n mn merupakan penggunaan per unt varabel keputusan akansumber daya yang membatas atau dsebut juga sebaga koefsen fungs kendala pada model matematknya. Smbol b, 1, b2, b3, bm menunjukkan jumlah masng-masng sumber daya yang ada.jumlah fungs kendala tergantung dar banyaknya sumber daya yang

3 dgunakan.pertdaksamaan ( x, x,, ) 0 x menunjukkan kendala noegatf. 1, 2 3 x n Program lner juga dapat drepresentaskan dalam bentuk matrks sebaga berkut (B. Susanta, 1994: 7): Tentukan nla XX, yang memaksmumkan atau memnmumkan: ff = ZZ = CC TT XX Dengan kendala: AAAA(, =, )BB XX 0 Dmana: xx 1 bb 1 cc 1 aa 11 aa 12 aa 1 xx 2 XX =, xx bb 2 BB =, bb cc 2 CC =, cc aa 21 aa 22 aa 21 AA = aa mm1 aa mm2 aa mmmm Keterangan: ZZ =nla fungs tujuan yang dcapa XX =vektor varabel, CC = vektor baya (koefsen fungs tujuan) AA = aa adalah matrks kendala berukuran mm BB =vektor nla batasan sumber. TT =transpose matrks Sfat Umum Program Lner Semua persoalan program lner mempunya empat sfat umum yatu, sebaga berkut (B. Susanta, 1994: 13): 1. Persoalanprogram lner bertujuan untuk memaksmumkan atau memnmumkan pada umumnya berupa laba atau baya sebaga hasl yang optmal.

4 2. Adanya kendala atau batasan (constrans) yang membatas tngkat sampa d mana sasaran dapat dcapa. Oleh karena tu, untuk memaksmumkan atau memnmumkan suatu kuanttas fungs tujuan bergantung kepada sumber daya yang jumlahnya terbatas. 3. Harus ada beberapa alternatf solus layak yang dapat dplh. 4. Tujuan dan batasan dalam permasalahan program lner harus dnyatakan dalam hubungan dengan pertdaksamaan atau persamaan lner Asums Dasar Program Lner Berkut asums-asums dasar program lner agar tdak terbentur pada hal-hal yang menympang (Asr dan Hdayat, 1984: 21): a) Proportonalty Asums n menyatakan bahwa nla Z dan penggunaan sumber yang terseda atau fasltas yang terseda akan berubah secara sebandng dengan perubahan tngkat aktvtas. b) Nla tujuan tap aktvtas tdak salng mempengaruh Artnya, d dalam program lner danggap bahwa kenakan dar nla tujuan (Z) yang dakbatkan oleh kenakan suatu aktvtas dapat dtambahkan tanpa mempengaruh bagan nla Z yang dperoleh dar aktvtas lan c) Dvsblty Asums n menyatakan bahwa output yang dhaslkan oleh setap kegatan dapat berupa blangan pecahan. Demkan pula dengan nla Z yang dhaslkan. d) Determnstc Asums n menyatakan bahwa semua parameter yang terdapat dalam model program lner dapat dperkrakan dengan past meskpun jarang tepat. e) Accountablty For Resources Sumber-sumber yang terseda harus dapat dhtung, sehngga dapat dpastkan berapa bagan yang terpaka dan ssa. f) Lnearty Of Objectve Fungs tujuan dan faktor-faktor pembatasnya harus dnyatakan sebaga fungs lner.

5 2.2 Metode Smpleks Salah satu metode untuk menyelesakan masalah program lner adalah dengan menggunakan metode smpleks yang dtemukan oleh George Dantzg pada tahun 1947 dan telah dkembangkan oleh beberapa ahl lan.penentuan solus optmal menggunakan metode smpleks ddasarkan pada teknk elemnas Gauss Jordan.Metode smpleks merupakan prosedur aljabar yang bersfat teratf yang bergerak selangkah dem selangkah dmula dar ttk ekstrem pada daerah layak menuju ke ttk ekstrem yang optmum untuk mencar nla optmal dar fungs tujuan dalam masalah optmas yang terkendala (Hller dan Leberman, 1995: 57). Syarat-syarat yang harus dpenuh dalam menggunakan metode smpleks untuk menyelesakan masalah program lner adalah (Muhddn Srat, 2007: 3): a) Semua kendala pertdaksamaan harus dubah menjad bentuk persamaan. b) Ss kanan dar tanda pertdaksamaan kendala tdak boleh ada yang negatf. c) Semua varabel dbatas pada nla non-negatf. Untuk memecahkan masalah program lner dengan menggunakan metode smpleks, masalah program lner harus dubah terlebh dahulu dalam bentuk kanonk. Bentuk kanonk dar masalah program lner adalah sebaga berkut: Tentukan nla x j, yang memaksmumkan atau memnmumkan ff xx jj = ZZ = cc jj xx jj Dengankendala: (2.2) aa xx jj = bb xx jj 0; ( = 1, 2,, mm); (jj = 1, 2,, )

6 Bentuk kanonk dar masalah program lner sepert persamaan (2.2) dapat dperoleh dengan menambahkan varabel pengetat, yatu varabel slack dan varabel surplus. a) Varabel Slack Varabel slack adalah varabel yang dgunakan untuk mengubah pertdaksamaan dengan tanda menjad persamaan =. Msalnya kendala masalah program lner berbentuk: aa xx jj bb maka pada ruas kr dsspkan yy sehngga kendala menjad: aa xx jj + yy = bb (2.3) Varabel ydsebut varabel slack,dengan sama dengan nol. y 0. Besarnya koefsen kontrbus c b) Varabel Surplus Varabel surplus adalah varabel yang dgunakan untuk mengubah pertdaksamaan dengan tanda menjad persamaan =. Msalnya kendala masalah program lner berbentuk: aa xx jj bb maka pada ruas kr dsspkan s sehngga kendala menjad: aa xx jj ss = bb (2.4) Varabel cc sama dengan nol. s dsebut varabel surplus,dengan s 0.Besarnya koefsen kontrbus

7 c) Varabel Semu (Artfsal) Varabel semu adalah varabel yang dtambahkan jka dalam persamaan tdak ada varabel yang dapat menjad bass.pada persamaan (2.4) tersebut tdak ada varabel dengan koefsen +1 artnya tdak ada varabel yang dapat menjad bass dalam tabel awal smpleks sehngga perlu dtambahkan q 0 pada ruas kr sehngga persamaan kendala menjad: aa xx jj ss + qq = bb (2.5) Varabel q dsebut varabel semu,dengan s, 0.Besarnya koefsen q kontrbusccsama dengan Muntuk pola memaksmumkan dan Muntuk pola memnmumkan, dengan Madalah blangan postf sangat besar Tabel Smpleks Tabel smpleks menggambarkan persoalan program lner dalam bentuk koefseya saja, bak koefsen tujuan maupun koefsen fungs kendala. Bentuk umum dar tabel smpleks adalah sebaga berkut (Zulan Yamt, 1991: 43): Tabel 2.1 Bentuk Umum Tabel Smpleks Awal cc jj cc 1 cc 2 cc c j x xx jj xx 1 xx 2 xx bb RR cc 1 xx 1 aa 11 aa 12 aa 1 bb 1 RR 1 cc 2 xx 2 aa 21 aa 22 aa 2 bb 2 RR 2 cc mm xx mm aa mm1 aa mm2 aa mmmm bb mm RR mm ZZ jj ZZ 1 ZZ 2 ZZ ZZ ZZ jj cc jj ZZ 1 cc 1 ZZ 2 cc 2 ZZ cc ZZ

8 Keterangan: xx jj aa bb : varabel lengkap : koefsen tekns : nla ruas kanan (sumber daya) cc jj :koefsen kontrbusrelatf dar fungs tujuan, untuk varabel slack1dan x surplusbernla nol sedangkan untuk varabel semu bernla MM untuk pola memaksmumkan dan MM untuk pola memnmumkan. : varabel yang menjad varabel bass. c j :koefsen kontrbus relatf untuk varabel dalambass x ZZ jj RR ZZ padaawalnya1koefsen n bernla nol. : hasl kal c j dengan kolom aa ( cc aa ) :dperolehdenganrumusrr = bb aa, yang dgunakan untukmenentukan bars kunc, yatu dplh dengan nla RR terkecl dengan aa > 0. : hasl kal kolom c j dan kolom bb ( cc aa ).Pada tabel smpleks yang telah optmal nla n merupakan nla program atau nla tujuan. ZZ jj cc jj : nla n akan memberkan nformas apakah fungs tujuan telah optmal atau belum, Jka kta menghadap persoalan memaksmumkan, maka tabel telah optmal jka nla pada barszz jj cc jj Langkah-Langkah Metode Smpleks Langkah-langkah metode smpleks secara umum adalah sebaga berkut (Mustafa dan Parkhan, 2000: 57): 1) Merubah fungs tujuan dan fungs kendala kebentuk kanonk. 2) Mentabulaskan persamaan-persamaan yang dperoleh langkah satu. 3) Menentukan enterng varabel: Untuk tujuan memaksmumkan jka: a) (ZZ jj cc jj ) < 0; maka hasl belum optmal, lanjutkan teras. b) (ZZ jj cc jj ) 0; maka hasl sudah optmal, teras dhentkan. c) Enterng varabel adalah (ZZ jj cc jj ) dengan nla negatf terbesar. Untuk tujuan memnmumkan jka sebalknya.

9 4) Menentukan leavng varabel. Bars yang memlk nla raso postf terkecl, dengan rumus sebaga berkut: rrrrrrrrrr = RR = bb kkkkkkkkkkkkkkkkkk kkkkkkkkkk eeeeeeeeeeeeeeeeeeeeee (aa ) (2.6) 5) Menentukan persamaan pvot baru Tentukan dahulu elemen pvot yatu angka pada perpotongan enterng varabel dan leavng varabel. 1 PPPPPPPPPPPPPPPPPP pppppppppp bbbbbbbb = pppppppppppppppppp pppppppppp llllllll eeeeeeeeeeee pppppppppp (2.7) 6) Menentukan persamaan-persamaan baru selan persamaan pvot PPPPPPPPPPPPPPPPPP bbbbbbbb = pppppppppppppppppp llllllll (kkkkkkkkkkkkkkkkkk kkkkkkkkkk eeeeeeeeeeeeeeeeeeeeee pppppppppppppppppp pppppppppp bbbbbbbb) (2.8) 7) Lanjutkan perbakan-perbakan, perksa nla(zz jj cc jj ): untuk tujuan memaksmumkan jka: a) (ZZ jj cc jj ) < 0; maka hasl belum optmal, lanjutkan teras. b) (ZZ jj cc jj ) 0; maka hasl sudah optmal, teras dhentkan. untuk tujuan memnmumkan, maka sebalknya. 2.3 Analss Senstvtas Perubahan Kapastas Sumber Daya (bb ) Setelah dtemukan penyelesaan optmal dar suatu masalah program lner, perlu untuk menganalsa lebh jauh kemungknan-kemungknan yang terjad sebaga akbat perubahan-perubahan koefsen-koefsen ddalam model pada saat tabel optmal telah dperoleh sebaga landasan perbakan untuk produks berkutnya.analss senstvtas dlakukan untuk mengetahu akbat atau pengaruh

10 dar perubahan yang terjad terhadap penyelesaan optmal yang telah dperoleh (Fagzduhu Bu lolo, 2005: 78). Analss senstvtas akan menjelaskan nterval atau batas perubahan dar parameter agar tdak merubah penyelesaan optmal (Sswanto, 2000: 162). Tujuan utama dar analss senstvtas selan dgunakan untuk pengecekan adalah untuk mengurang perhtungan-perhtungan dan menghndar penghtungan ulang bla terjad perubahan koefsen-koefsen pada model program lner setelah dcapa tahap optmal dan juga untuk mengetahu tngkat kesenstfan dar masngmasng parameter sebaga landasan untuk melakukan perubahan-perubahan terhadap parameter-parameter yang ada pada produks berkutnya. Analss senstvtas dapat dkelompokkan menjad lmaberdasarkan perubahan-perubahan parameter yang terjad, yatu: 1. Perubahan koefsen fungs tujuan (cc jj ) 2. Perubahan koefsen teknolog (aa ) atau koefsen tekns, 3. Perubahan kapastas sumber daya ( bb ) 4. Adanya tambahan fungs kendala baru, 5. Adanya tambahan varabel pengamblan keputusan (xx jj )atau adanya penambahan kegatan baru. Perubahan yang dmaksud dalam peneltan n adalah perubahankapastas sumber daya(bb ). Salah satu aspek pertmbangan dalam penentuan jumlah produks adalah ketersedaan sumber daya (bb ).Apabla terjad perubahan (bb ) mengakbatkan semua varabel bass bernla noegatf, maka penyelesaan optmal sebelumnya mash tetap.namun, apabla ada salah satu varabel bass tersebut bernla negatf, maka penyelesaan optmal sebelumnya dnyatakan tdak layak (Parln Storus, 1997: 101).

11 Pengaruh perubahan konstanta ruas kanan terhadap tabel optmal dapat dtentukan dengan menyeldk perubahan konstanta ruas kanan yang baru pada tabel optmal. Drumuskan sebaga berkut (Mustafa dan Parkhan, 2000: 91): ˆ B 1 b b = (2.9) Dengan: BBˉ¹ = matrks dbawah varabel bass awal pada tabel optmal bˆ = menunjukkan nla baru atau nla pada tabel optmal Tabel optmal tetap optmal dan layak jka bˆ Software POM-QM Program POM-QM adalah paket program komputer untuk menyelesakan persoalan-persoalan metode kuanttatf, manajemen sans atau rset operas. Program POM-QM juga adalah salah satu software yang dapat dgunakan untuk membantu perhtungan masalah program lner. Gambar 2.1 TamplanCover dar SoftwarePOM-QM 2.5 Teor Hmpunan Crsp dan Hmpunan Fuzzy Hmpunan crspdkenal juga dengan hmpunan tegas. Pada hmpunan crsp nla keanggotaan suatu nla x dalam suatu hmpunan Ayang serng dtuls dengan A [ x] µ, hanya memlk dua kemungknan: 1) [ x] µ = 1, yang berart bahwa x merupakan anggota dar hmpunan A A 2) [ x] µ = 0, yang berart bahwa x bukan merupakan anggota dar hmpunan A A

12 Secara grafs nla keanggotaan dar hmpunan crsp dgambarkan sebaga berkut: Gambar 2.2 Derajat Keanggotaan dar HmpunanCrsp Pada gambar (2.2) dapat dketahu bahwa: 1. Apabla seseorang berusa 34 tahun, maka a dkatakan MUDA. MUDA [ 34] µ = Apabla seseorang berusa 35 tahun, maka a dkatakan tdak MUDA. MUDA [ 35] µ = Apabla seseorang berusa 35 tahun kurang 1 har, maka adkatakan tdak PAROBAYA, [ 35tahun har] µ =0. PAROBAYA 1 Hmpunan fuzzy ddasarkan pada gagasan untuk memperluas jangkauan fungs karakterstk sedemkan hngga fungs tersebut akan mencakup blangan real pada nterval [0,1]. Nla keanggotaaya menunjukkan bahwa suatu tem dalam semesta pembcaraan tdak hanya berada pada nol atau satu, namun juga nla yang terletak dantaranya.secara grafs nla keanggotaan dar hmpunan crsp dgambarkan sebaga berkut: Gambar 2.3 Derajat Keanggotaan dar Hmpunan Fuzzy

13 Pada gambar (2.3) dapat dketahu bahwa: 1. Seseorang yang berumur 40 tahun, termasuk dalam hmpunan MUDA dengan MUDA [ 40] µ = 0,25; namun da juga termasuk dalam hmpunan PAROBAYA dengan [ 40] µ = 0,5. PAROBAYA 2. Seseorang yang berumur 50 tahun, termasuk dalam hmpunan TUA dengan TUA [ 40] µ = 0,25; namun da juga termasuk dalam hmpunan PAROBAYA dengan [ 40] µ = 0,5. PAROBAYA Doman Hmpunan Fuzzy Doman hmpunan fuzzy adalah keseluruhan nla yang djnkan dalam semesta pembcaraan, dengan kata lan doman basanya memlk batas atas dan batas bawah. Doman merupakan hmpunan blangan real yang senantasa nak (bertambah) secara monoton dar kr kekanan.nla doman dapat berupa blangan postf maupun negatf.secara grafs doman hmpunan fuzzy dgambarkan sebaga berkut: Gambar 2.4 Doman Hmpunan Fuzzy Dar gambar (2.4) dapat dketahu domanhmpunan fuzzytua [45, 60] Nla Ambang Batas (Alfa-Cut) Nla ambang (alfa-cut) merupakan nla ambang batas doman yang ddasarkan pada nla keanggotaan untuk tap-tap doman. Hmpunan n bers semua nla doman yang merupakan bagan dar hmpunan fuzzy dengan nla keanggotaan lebh besar atau sama dengan alfa(α) dtuls sebaga berkut:

14 μμ(xx) αα (2.10) Gambar 2.5 Nla Ambang Batas (Alfa-Cut) Representas Hmpunan Fuzzy Fungs keanggotaan (membershp functon) adalah suatu kurva yang menunjukkan pemetaan ttk-ttk nput data ke dalam nla keanggotaaya (serng juga dsebut dengan derajat keanggotaan) yang memlk nterval antara nol sampa satu. fungs keanggotaan hmpunan fuzzy trapezodal dengan parameter a, b, c dan ddrepresentaskan sebaga berkut: Gambar 2.6Representas HmpunanFuzzyTrapezodal Fungs keanggotaan: 0; xx aa aaaaaaaa xx dd xx aa bb aa ; aa < xx < bb μμ(xx) = 1; bb xx cc dd xx dd cc ; cc < xx < dd

15 Fungs keanggotaan hmpunan fuzzy trangular dengan parameter a, b, dan cdrepresentaskan sebaga berkut: Gambar 2.7 Representas Hmpunan Fuzzy Trangular Fungs keanggotaan: 0; jjjjjjjj xx aa aaaaaaaa xx cc xx aa μμ(xx) = bb aa ; jjjjjjjj aa < xx < bb cc xx cc bb ; jjjjjjjj bb < xx < cc 2.6 Fuzzy Lnear Programmng Pada fuzzy lnear programmng bentuk mperatf pada fungs objektf tdak lag benar-benar maksmum atau mnmum dan tanda untuk kasus maksmas dan tanda untuk kasus mnmas tdak lag bermakna crsp secara matemats,namun mengalam sedkt pelanggaran makna karena adanya beberapa hal yang perlu dpertmbangkan dalam sstem yang mengakbatkan batasan tdak dapat ddekat secara tegas (Kusumadew, 2002: 220). Dalam fuzzy lnear programmng akan dcar suatu nla ZZ yang merupakan fungs objektf yang akan doptmaskan sedemkan hngga tunduk pada batasan-batasan yang dmodelkan dengan menggunakan hmpunan fuzzy.

16 Masalah maksmas: Tentukan x sedemkan hngga: cc TT xx zz (2.11) AAAA bb xx 0 Masalah mnmas: Tentukan x sedemkan hngga: cc TT xx zz (2.12) AAAA bb xx 0 Tanda merupakan bentuk fuzzy dar yang mengnterpretaskan pada dasarnya lebh dar atau sama dengan, tanda merupakan bentuk fuzzy dar yang mengnterpretaskan pada dasarnya kurang dar atau samadengan.bentuk (2.11) dan (2.12) dapat dsederhanakan kebentuk berkut: Tentukan x sedemkan hngga: Kasus maksmas: Kasus mnmas: BBBB dd (2.13) xx 0 BB = cc AA dd = ZZ bb BB = cc AA dd = ZZ bb Dmana: xx 1 bb 1 cc 1 aa 11 aa 12 aa 1 xx 2 xx =, xx bb 2 bb =, bb cc 2 cc =, cc aa 21 aa 22 aa 21 AA = aa mm1 aa mm2 aa mmmm

17 ZZ = nla fungs tujuan yang dcapa xx = vektor varabel, cc =vektor baya (koefsen fungs tujuan) AA = aa adalah matrks kendala berukuran mm bb = vektor nla batasan kendala (sumber daya). Tap-tap bars atau batasan (0,1,2,, m) akan drepresentaskan dengan hmpunan fuzzy, dengan fungs keanggotaan pada hmpunan ke- adalah [ x]. Drepresentaskan dengan kurva Trapesum sebaga berkut: µ B Gambar 2.8 Representas Fungs Keanggotaan [ B x] dengan Kurva Trapesum Dar gambar (2.8) dketahu [ B x] sebalknya µ [ x] = 1 jka batasan ke- benar-benar dpatuh. Nla [ x] B nak secara monoton pada selang [0, 1], yatu: µ =0 jka batasan ke- benar-benar dlanggar, µ akan B 1; jjjjjjjj BB xx dd μμ [BB xx] = [0,1]; jjjjjjjj dd < BB xx < dd + pp (2.14) 0; jjjjjjjjbb xx dd + pp = 1, 2,, mm Fungs keanggotaan: 1; jjjjjjjj BB xx dd μμ [BB xx] = 1 BB xx dd ; jjjjjjjj dd pp < BB xx < dd + pp (2.15) 0; jjjjjjjj BB xx dd + pp

18 denganpp adalah tolerans nterval yang dperbolehkan untuk melakukan pelanggaran bak pada fungs objektf maupun batasan. Fungs keanggotaan untuk model keputusan hmpunan fuzzy dapat dnyatakan sebaga berkut: [ Bx] { [ B x] } µ = mn (2.16) D µ Tentu saja dharapkan akan mendapatkan solus terbak, yatu suatu solus dengan nla keanggotaan yang palng besar, dengan demkan solus yang sebenarnya adalah: max μμ DD[BBBB] = max xx 0 xx 0 mn {μμ [BB xx]} (2.17) Substtus persamaan (2.15) ke (2.17), dperoleh: max μμ DD[BBBB] = max xx 0 xx 0 mn 1 BB xx dd (2.18) pp Semakn besar nla doman, maka akan memlk nla keanggotaan yang cenderung semakn kecl. Sehngga untuk mencar nla λ-cut dapat dhtungsebaga: λλ = 1 tt (2.19) Dengan d + tp adalah nla ruas kanan batasan ke-.dengan demkan akan dperoleh bentuk program lner baru sebaga berkut: Maksmumkan: λλ Dengan batasan: λλpp + BB xx dd + pp (2.20) xx 0; = 1,2,, mm

BAB II LANDASAN TEORI

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

Lebih terperinci

BAB 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

Optimasi Perencanaan Hasil Produksi dengan Aplikasi Fuzzy Linear Programming (FLP)

Optimasi Perencanaan Hasil Produksi dengan Aplikasi Fuzzy Linear Programming (FLP) Semnar Nasonal Waluyo Jatmko II FTI UPN Veteran Jawa Tmur Optmas Perencanaan Hasl Produks dengan Aplkas Fuzzy Lnear Programmng (FLP) Akhmad Fauz Jurusan Teknk Informatka UPNV Veteran Jawa Tmur Emal: masuz@upnatm.ac.d

Lebih terperinci

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c 6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan

Lebih terperinci

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

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

Lebih terperinci

BAB 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

2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).

2 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 terperinci

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

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan

Lebih terperinci

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

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

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

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

Lebih terperinci

ANALISIS BENTUK HUBUNGAN

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

Lebih terperinci

BAB VB PERSEPTRON & CONTOH

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

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 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 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

MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM

MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam

Lebih terperinci

MENCERMATI BERBAGAI JENIS PERMASALAHAN DALAM PROGRAM LINIER KABUR. Mohammad Asikin Jurusan Matematika FMIPA UNNES. Abstrak

MENCERMATI BERBAGAI JENIS PERMASALAHAN DALAM PROGRAM LINIER KABUR. Mohammad Asikin Jurusan Matematika FMIPA UNNES. Abstrak JURAL MATEMATIKA DA KOMUTER Vol. 6. o., 86-96, Agustus 3, ISS : 4-858 MECERMATI BERBAGAI JEIS ERMASALAHA DALAM ROGRAM LIIER KABUR Mohammad Askn Jurusan Matematka FMIA UES Abstrak Konsep baru tentang hmpunan

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan

Lebih terperinci

PROPOSAL SKRIPSI JUDUL:

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

Lebih terperinci

REGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear

REGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana

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

ANALISIS REGRESI. Catatan Freddy

ANALISIS 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 terperinci

I PENDAHULUAN II LANDASAN TEORI

I PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan

Lebih terperinci

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

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

RANGKAIAN SERI. 1. Pendahuluan

RANGKAIAN 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 terperinci

APLIKASI FUZZY LINEAR PROGRAMMING (FLP) UNTUK OPTIMASI HASIL PERENCANAAN PRODUKSI

APLIKASI FUZZY LINEAR PROGRAMMING (FLP) UNTUK OPTIMASI HASIL PERENCANAAN PRODUKSI Soft Computng, Intellgent Systems an Informaton Technology 2005 UK Petra Surabaya, 28 Jul 2005 APLIKASI FUZZY LINEAR PROGRAMMING (FLP) UNTUK OPTIMASI HASIL PERENCANAAN PRODUKSI Basuk Rahmat, Panca Raharanto,

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

P n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman

P n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran

Lebih terperinci

BAB 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

Pendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan

Pendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk

Lebih terperinci

Catatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan

Catatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K

Lebih terperinci

BAB X RUANG HASIL KALI DALAM

BAB 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 terperinci

(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a

(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg

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 1 Ruang Vektor. R. Leni Murzaini/0906577381

Bab 1 Ruang Vektor. R. Leni Murzaini/0906577381 Bab 1 Ruang Vektor Defns Msalkan F adalah feld, yang elemen-elemennya dnyatakansebaga skalar. Ruang vektor atas F adalah hmpunan tak kosong V, yang elemen-elemennya merupakan vektor, bersama dengan dua

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN : JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka

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

OPTIMASI MASALAH PENUGASAN. Siti Maslihah

OPTIMASI MASALAH PENUGASAN. Siti Maslihah JPM IIN ntasar Vol. 01 No. 2 Januar Jun 2014, h. 95-106 OPTIMSI MSLH PNUGSN St Maslhah bstrak Pemrograman lner merupakan salah satu lmu matematka terapan yang bertuuan untuk mencar nla optmum dar suatu

Lebih terperinci

BAB 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

SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS

SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS A8 M. Andy Rudhto 1 1 Program Stud Penddkan Matematka FKIP Unverstas Sanata Dharma Kampus III USD Pangan Maguwoharjo Yogyakarta 1 e-mal: arudhto@yahoo.co.d

Lebih terperinci

KORELASI DAN REGRESI LINIER. Debrina Puspita Andriani /

KORELASI DAN REGRESI LINIER. Debrina Puspita Andriani    / KORELASI DAN REGRESI LINIER 9 Debrna Puspta Andran www. E-mal : debrna.ub@gmal.com / debrna@ub.ac.d 2 Outlne 3 Perbedaan mendasar antara korelas dan regres? KORELASI Korelas hanya menunjukkan sekedar hubungan.

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

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi. BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut

Lebih terperinci

BAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,

BAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi, BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu

Lebih terperinci

IV. PERANCANGAN DAN IMPLEMENTASI SISTEM

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

Lebih terperinci

Dalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang

Dalam sistem pengendalian berhirarki 2 level, maka optimasi dapat. dilakukan pada level pertama yaitu pengambil keputusan level pertama yang LARGE SCALE SYSEM Course by Dr. Ars rwyatno, S, M Dept. of Electrcal Engneerng Dponegoro Unversty BAB V OPIMASI SISEM Dalam sstem pengendalan berhrark level, maka optmas dapat dlakukan pada level pertama

Lebih terperinci

BAB III METODOLOGI PENELITIAN

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

SEARAH (DC) Rangkaian Arus Searah (DC) 7

SEARAH (DC) Rangkaian Arus Searah (DC) 7 ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan

Lebih terperinci

BAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i

BAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan

Lebih terperinci

BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model

BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk

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

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

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

Lebih terperinci

Bab 1 PENDAHULUAN Latar Belakang

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

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat

BAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan

Lebih terperinci

BAB VI MODEL-MODEL DETERMINISTIK

BAB VI MODEL-MODEL DETERMINISTIK BAB VI MODEL-MODEL DETERMINISTIK 6. Masalah Penyaluran Daya Lstrk Andakan seorang perencana sstem kelstrkan merencakan penyaluran daya lstrk dar beberapa pembangkt yang ternterkoneks dan terhubung dengan

Lebih terperinci

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

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

Lebih terperinci

PENDAHULUAN Latar Belakang

PENDAHULUAN 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 terperinci

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

Kata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal. Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu

Lebih terperinci

BAB 2 TINJAUAN KEPUSTAKAAN

BAB 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 terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.

Lebih terperinci

BAB III METODE PENELITIAN. Sebelum melakukan penelitian, langkah yang dilakukan oleh penulis

BAB III METODE PENELITIAN. Sebelum melakukan penelitian, langkah yang dilakukan oleh penulis BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum melakukan peneltan, langkah yang dlakukan oleh penuls adalah mengetahu dan menentukan metode yang akan dgunakan dalam peneltan. Sugyono (2006: 1) menyatakan:

Lebih terperinci

BAB IV PEMBAHASAN MODEL

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

Lebih terperinci

BAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat

BAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton

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

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

Lebih terperinci

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

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

Lebih terperinci

LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES

LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES Hubungan n akan dawal dar gaya yang beraks pada massa fluda. Gaya-gaya n dapat dbag ke dalam gaya bod, gaya permukaan, dan gaya nersa. a. Gaya Bod Gaya bod

Lebih terperinci

BAB II TEORI ALIRAN DAYA

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

Lebih terperinci

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

BAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan 7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat

Lebih terperinci

BAB V ANALISA PEMECAHAN MASALAH

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

Lebih terperinci

BAB 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

METODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang

METODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar

Lebih terperinci

Bab V Aliran Daya Optimal

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

Lebih terperinci

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

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

Lebih terperinci

Catatan Kuliah 13 Memahami dan Menganalisa Optimasi dengan Kendala Ketidaksamaan

Catatan Kuliah 13 Memahami dan Menganalisa Optimasi dengan Kendala Ketidaksamaan Catatan Kulah 3 Memaham dan Menganalsa Optmas dengan Kendala Ketdaksamaan. Interpretas Konds Kuhn Tucker Asumskan masalah yang dhadap adalah masalah produks. Secara umum, persoalan maksmsas keuntungan

Lebih terperinci

ANALISIS DATA KATEGORIK (STK351)

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

Lebih terperinci

DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA

DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,

Lebih terperinci

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

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

Lebih terperinci

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK

Lebih terperinci

PENENTUAN DENSITAS PERMUKAAN

PENENTUAN DENSITAS PERMUKAAN PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan

Lebih terperinci

BAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan

BAB 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 terperinci

II. TEORI DASAR. Definisi 1. Transformasi Laplace didefinisikan sebagai

II. TEORI DASAR. Definisi 1. Transformasi Laplace didefinisikan sebagai II. TEORI DASAR.1 Transormas Laplace Ogata (1984) mengemukakan bahwa transormas Laplace adalah suatu metode operasonal ang dapat dgunakan untuk menelesakan persamaan derensal lnear. Dengan menggunakan

Lebih terperinci

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

PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos Pabelan

Lebih terperinci

Dekomposisi Nilai Singular dan Aplikasinya

Dekomposisi Nilai Singular dan Aplikasinya A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak

Lebih terperinci

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

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

Lebih terperinci

SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK

SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums

Lebih terperinci

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu

Lebih terperinci

UKURAN LOKASI, VARIASI & BENTUK KURVA

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

Lebih terperinci

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

PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER

PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER Penerapan Program Lner Kabur dalam Analss.. Elfranto PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER Elfranto Dosen Unverstas Muhammadyah Sumatera Utara Abstrak: Salah satu kaan

Lebih terperinci

Bab III Analisis Rantai Markov

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

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

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

Lebih terperinci

HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT

HUBUNGAN 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 terperinci

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

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang

Lebih terperinci

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup

Lebih terperinci

PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM

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

Lebih terperinci

I. PENGANTAR STATISTIKA

I. 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 terperinci