BAB 2 LANDASAN TEORI
|
|
- Yuliani Pranoto
- 7 tahun lalu
- Tontonan:
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 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 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 terperinciOptimasi 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 terperinciBAB 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 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 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 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 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 terperinciAPLIKASI 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 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 terperinciANALISIS 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 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 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 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 terperinciMEREDUKSI 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 terperinciMENCERMATI 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 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 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 terperinciREGRESI 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 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 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 terperinciI 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 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 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 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 terperinciAPLIKASI 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 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 terperinciP 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 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 terperinciPendahuluan. 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 terperinciCatatan 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 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 terperinci(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 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 terperinciBab 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 terperinciJURNAL 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 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 terperinciOPTIMASI 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 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 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 terperinciKORELASI 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 terperinciBAB 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 terperinciBAB 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 terperinciBAB 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 terperinciBAB 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 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 terperinciDalam 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 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 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 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 terperinciSEARAH (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 terperinciBAB 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 terperinciBAB 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 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 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 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 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 terperinciBAB 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 terperinciBAB 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 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 terperinciKata 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 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 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 terperinciBAB 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 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 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 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 terperincitoto_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 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 terperinciLAMPIRAN 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 terperinciBAB 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 terperinciBAB 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 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 terperinciBAB 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 terperinciMETODE 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 terperinciBab 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 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 terperinciCatatan 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 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 terperinciDISTRIBUSI 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 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 terperinciKecocokan 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 terperinciPENENTUAN 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 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 terperinciII. 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 terperinciPENGEMBANGAN 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 terperinciDekomposisi 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 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 terperinciSELANG 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 terperinciε 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 terperinciUKURAN 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 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 terperinciPENERAPAN 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 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 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 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 terperinciIII. 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 terperinciBAB 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 terperinciPERTEMUAN 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 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 terperinci