DIKTAT KULIAH PENGENDALIAN & PENJAMINAN KUALITAS (IE-501)

Ukuran: px
Mulai penontonan dengan halaman:

Download "DIKTAT KULIAH PENGENDALIAN & PENJAMINAN KUALITAS (IE-501)"

Transkripsi

1 DIKTAT KULIAH PENGENDALIAN & PENJAMINAN KUALITAS (IE-50) TOPIK 7: TAGUCHI PARAMETER DESIGN Diktat ii diguaka bagi mahasiswa Jurusa Tekik Idustri Fakultas Tekik Uiversitas Kriste Maraatha Disusu oleh: Ir. Rudy Wawolumaja M.Sc Rudijato Muis, ST, MT JURUSAN TEKNIK INDUSTRI - FAKULTAS TEKNIK UNIVERSITAS KRISTEN MARANATHA BANDUNG 03

2 TAGUCHI PENDAHULUAN Tekik Taguchi serig diguaka dalam peracaga DESIGN PRODUCT. The quality of a product is the ( miimum ) loss imparted by the product to the society from the time the product is shipped ( Geichi Taguchi ) Ada filosofi yag diguaka dalam Taguchi :. Parameter Desig. Eksperimetal Desig TAGUCHI PHILOSOPHY & METHODOLOGY IN PARAMETER DESIGN. Kosep LOSS FUNCTION LOSS : kerugia karea deviasi karakteristik produk dari ilai target. Gambara megeai The Quadratic Loss Fuctio : Loss LSL USL L = k ( y T ) Target Dimaa : L : Loss i dollars k : Cost Coefficiet y : Value of Quality Characteristic T : Target Value y. Tujua dalam Parameter Desig Taguchi adalah utuk memiimasi LOSS 3. Faktor yag mempegaruhi karakteristik produk ada jeis :. CONTROLLABLE FACTORS CONTROLLABLE FACTORS : faktor yag mudah utuk dikotrol. NOISE ( UNCONTROLLABLE FACTORS ) NOISE : variabel yag sulit atau tidak mugki utuk dikotrol

3 Secara Umum : Noise Factor palig bertaggug jawab utuk deviasi karakteristik produk dari target value. Setelah Noise Factor diidetifikasi, pedekataya BUKAN / TIDAK megotrol Noise Factor, karea sagat mahal atau tidak mugki. Tetapi dega memilih ilai dari Cotrollable Factors sedemikia sehigga produk atau proses tidak sesitif terhadap perubaha yag disebabka oleh Noise Factor Buka meghilagka peyebab dari NOISE, tetapi meguragi dampak To achieve robustess agaist Noise Ada 3 jeis Noise Factors : a. Outer Noise b. Ier Noise c. Betwee Product Noise Gambara megeai Kosep Noise Factor dalam Parameter Desig Product : Loss to the Society Deviatios of Fuctioal Characteristics from Target Value NOISE FACTORS Cause Deviatios Outer Noise Ier Noise Betwee Product Noise Variatio i Operatig Eviromets Huma Errors Deterioratio ( rusak/busuk ) Maufacturig Imperfectios

4 TAGUCHI PHILOSOPHY & METHODOLOGY IN EXPERIMENTAL DESIGN Lagkah-lagkah dalam Plaig The Experimetal Desig :. Statemet of the problem. Objective / Tujua dari eksperime 3. Peetapa karakteristik mutu da sistem pegukura. Pemiliha faktor-faktor yag mugki mempegaruhi karakteristik mutu 5. Idetifikasi faktor-faktor tersebut Megidetifikasi, maa faktor yag termasuk dalam : Cotrol Factor & Noise Factor 6. Pilih level utuk tiap faktor 7. Idetifikasi Cotrol Factor yag mugki beriteraksi 8. Pilih Orthogoal Array Orthogoal Array : faktor dapat dievalusi secara idepede, dimaa efek faktor tidak meggaggu estimasi faktor yag lai. Dalam peetua Orthogoal Array tergatug pada : a. Jumlah faktor da iteraksi b. Jumlah level utuk faktor Jeis-jeis dari Orthogoal Array seperti : L, L8, dll. 9. Masukka faktor da iteraksi ke dalam kolom 0. Lakuka test / eksperime. Aalisis hasil Dega melakuka perhituga terhadap S/N ( Sigal to Noise Ratio ) : a. Terbesar yag terbaik ( Higher the better ) : S N b. Lower the better : S N y -0 log -0 log c. Nomial is the best : Variace oly : Mea & variace :. Kofirmasi hasil y S N S -0 log N 0 log Ve Vm - Ve Ve Vm = Sm = Sum of the squares of the mea 3. Kesimpula eksperime

5 Cotoh Soal : A. Larger the better :. Statemet of the problem : Adhesive stregth of a plastic item. Tujua eksperime : the larger the better 3. Sistem Pegukura : Stregth kg / cm. Pemiliha faktor da level : ( lagkah, 5, da 6 ) Cotrol Factors Levels 0 A : Etchig time 8 mi 0 mi mi B : Etchig temperature 60 o C 70 o C 80 o C C : Mixig ratio C 0 C C D : Pre-treatmet method oe solvet hot water Noise Factors : N 0 = Normal Coditios of use N = Bad Coditios of use 7. Tidak ada Cotrol Factor yag beriteraksi 8. Jeis Orthogoal Array & hsl eksperime yg dilakuka ( lagkah 8, 9, 0, & ) : Adhesive stregth (kg / cm ) No. Cotrol Factors Noise Factor Exp. A B C D N 0 N S / N , , , , , , , , ,9 The larger the better : S N -0 log y Cotoh : No. Exp. S N -0 log y S N -0 log =,7 db 6 5

6 Factors & Iteractio A B C D TOTAL Sum at 0 5,3 57,3 6,5 58,0 factor 55, 6,7 60, 65,3 88,0 & level 78,3 66,0 65, 6,7 ( -, ) + ( -7, ) + (, ) + ( -7,3 ) + Square of ( - ) + ( -8,7 ) + ( -,6 ) + ( -6,7 ) + S T = differeces ( -,9 ) = ( -,3 ) = ( -,7 ) = ( 0,6 ) = 365,56 ( S ) 0,6 3, 33,6 98,5 % 80,67 % 9,68 %, % 7, % 00 % Diagram Pareto : 80,67 % 9,68 % 7, %, % A B D C A 0 = 5,3 / 3 = 8,0 D 0 = 58,0 / 3 = 9,33 A = 55, / 3 = 8,7 D = 65,3 / 3 =,77 A = 78,3 / 3 = 6,0 D = 6,7 / 3 =,57 B 0 = 57,3 / 3 = 9,0 C 0 = 6,5 / 3 = 0,83 B = 6,7 / 3 =,57 C = 60, / 3 = 0,3 B = 66,0 / 3 =,00 C = 65, / 3 =,70 S/N Ratio A B D C A 0 A A B 0 B B D 0 D D C 0 C C. Kesimpula : Kombiasi faktor level yag sigifika : A - B - D - C

7 B. Nomial is the best : Diketahui data dalam baris : T = yi = = 500 Sm = T. = yi - y y y... y Ve = i 0 Ve = = S m = 0.5 C. Nomial is the best :. Statemet of the problem : legth of a yardstick. Tujua eksperime : reduce yardstick variability & icrease cosistet legth closer to 36 iches 3. Target : 36,00 iches. Pemiliha faktor da level : ( lagkah, 5, da 6 ) Cotrol Factor Level Level Blade Metal ( A ) Carbo Steel Tugste Steel Saw rpm ( B ) Low High Wood Kil Time ( C ) moth 3 moth Motor Horse Power ( D ) hp 3 hp Saw fece agle ( E ) 0 degree degree Operator ( F ) Bill Joh Noise Factor Level Level Wood Source Norther Souther Blade Age New uits 7. Cotrol Factor yag beriteraksi : Blade Metal x Saw rpm 8. Jeis Orthogoal Array & hsl eksperime yg dilakuka ( lagkah 8, 9, 0, & ) : Jeis Orthogoal Array yag diguaka : Ier Array : L 8 Outer Array ( Noise ) : L

8 Tabel Orthogoal Array : A B A x B C D E F M M N N N N 35,675 36,0 3,805 35,690 35,70 35,695 35,800 36,760 35,830 36,75 36,30 35,5 35,665 35,05 36,0 35,570 35,805 36,70 35,0 3,675 36,680 36,5 36,780 36,995 36,870 36,55 36,985 36,350 35,50 35,55 35,0 36,5 Perhituga S/N : #. Vm = Sm = 35,675 36, 3,805 35,690 35,675 Ve = 36, 3,805-35, ,977 = 508,977 = 0,36 Vm - Ve 508,977-0,36 = S/N = 0 log = 0 log Ve 0,36 = 3,6 #. Vm = Sm = 35,70 35,695 35,800 36,760 35,70 Ve = 35,695 35,800-36,760-58,00 = 58,00 = 0,63 Vm - Ve 58,00-0,63 = S/N = 0 log = 0 log Ve 0,63 = 36,95 Ru # A B A x B C D E F S/N 3,6 36, ,07 37,0 5 33, , , ,680

9 #. A = A = 3,6 36,95 37,07 37,0 33,68 39,789 0,005 38,680 = 36,70 = 37,935 Effect A = = A A = 36,70 37,935 =,65 #. B = B = 3,6 36,95 33,68 39,789 37,07 37,0 0,005 38,680 = 36,56 = 38,9 Effect B = = B B = 36,56 38,9 =,09 Tabel Sigal to Noise Ratio : Respose Table A B A x B C D E F Level 36,70 36,56 37,563 36,7 37,56 35,957 37,99 Level 37,935 38,9 36,8 38,59 36,860 38,8 36,86 Delta ( ),65,09 0,7,9 0,686,90,33 S/N Respose Graph : S/N 39,0 38,0 37,0 36,0 35,0 A A B B A x B A x B S/N 39,0 38,0 37,0 36,0 35,0 C C D D E E F F

10 Aalisis Respose Table da Graph : Faktor maa yag mempuyai delta ( ) yag palig besar. dalam cotoh ii : E, B, C, A, da F Aalisis A x B : A B = A B = A B = A B = 3,6 36,95 37,07 37,0 33,68 39,789 0,005 38,680 = 35,78 = 37,56 = 36,59 = 39,33 B B A 35,78 37,56 A 36,59 39,33 S/N 39,0 38,0 37,0 36,0 35,0 B B A A

Bab III Metoda Taguchi

Bab III Metoda Taguchi Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.

Lebih terperinci

JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-31

JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-31 JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 202) ISSN: 230-928X D-3 Optimasi Multirespo Metode Taguchi dega Pedekata Quality Loss Fuctio (Study Kasus Proses Pembakara CO da Temperatur Gas Buag Pada Boiler

Lebih terperinci

MATHunesa Jurnal Ilmiah Matematika Volume 1 No.6 Tahun 2017 ISSN

MATHunesa Jurnal Ilmiah Matematika Volume 1 No.6 Tahun 2017 ISSN MATHuesa Jural Ilmiah Matematika Volume No.6 Tahu 207 ISSN 230-95 DESAIN EKSPERIMEN TAGUCHI DALAM OPTIMASI KUAT TEKAN BATU BATA edik Adika PROGRAM STUDI S- MATEMATIKA, AKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN 31 Flowchart Metodologi Peelitia BAB III METODOLOGI PENELITIAN Gambar 31 Flowchart Metodologi Peelitia 18 311 Tahap Idetifikasi da Peelitia Awal Tahap ii merupaka tahap awal utuk melakuka peelitia yag

Lebih terperinci

PENENTUAN VARIABEL PERANCANGAN ECONOMIZER YANG ROBUST DAN MAMPU MEMENUHI MULTI TUJUAN (RESPON)

PENENTUAN VARIABEL PERANCANGAN ECONOMIZER YANG ROBUST DAN MAMPU MEMENUHI MULTI TUJUAN (RESPON) Prosidig Semiar Nasioal Maajeme Tekologi VI Program Studi MMT-ITS, Surabaya 4 Agustus 007 PENENTUAN VARIABEL PERANCANGAN ECONOMIZER YANG ROBUST DAN MAMPU MEMENUHI MULTI TUJUAN (RESPON (Studi Kasus Pada

Lebih terperinci

Pertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd

Pertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag

Lebih terperinci

Studi Kasus Optimasi Proses Sizing Benang di P.T. XYZ

Studi Kasus Optimasi Proses Sizing Benang di P.T. XYZ Studi Kasus Optimasi Proses Sizig Beag di P.T. XYZ Didik Wahjudi Dose Jurusa Tekik Mesi-Fakultas Tekologi Idustri, Uiversitas Kriste Petra Ceter for Quality Improvemet Jl. Siwalakerto -, Surabaya 609 dwahjudi@peter.petra.ac.id

Lebih terperinci

PERBANDINGAN METODE 2 K-P FRACTIONAL FACTORIAL DENGAN METODE TAGUCHI PADA PROSES PEMBUATAN FIBER GLASS

PERBANDINGAN METODE 2 K-P FRACTIONAL FACTORIAL DENGAN METODE TAGUCHI PADA PROSES PEMBUATAN FIBER GLASS PERBANDINGAN METODE 2 K-P FRACTIONAL FACTORIAL DENGAN METODE TAGUCHI (Jai Rahardjo et al.) PERBANDINGAN METODE 2 K-P FRACTIONAL FACTORIAL DENGAN METODE TAGUCHI PADA PROSES PEMBUATAN FIBER GLASS Jai Rahardjo

Lebih terperinci

REKAYASA KUALITAS DALAM PENENTUAN SETTING MESIN DENGAN METODE TAGUCHI (PRODUK KAIN POLYESTER) Rudy Wawolumaja, Lindawati

REKAYASA KUALITAS DALAM PENENTUAN SETTING MESIN DENGAN METODE TAGUCHI (PRODUK KAIN POLYESTER) Rudy Wawolumaja, Lindawati REKAYASA KUALITAS DALAM PENENTUAN SETTING MESIN DENGAN METODE TAGUCHI (PRODUK KAIN POLYESTER) Rudy Wawolumaja, Lindawati Abstrak Penelitian ini dilakukan di pabrik tekstil, P. X Bandung. Masalah yang dihadapi

Lebih terperinci

Perancangan Setting Level Optimal dan Penentuan Quality Loss Function pada Pembuatan Tegel dengan Metode Taguchi

Perancangan Setting Level Optimal dan Penentuan Quality Loss Function pada Pembuatan Tegel dengan Metode Taguchi Performa (3) Vol., No.: 3-39 Peracaga Settig Level Optimal da Peetua Quality Loss Fuctio pada Pembuata Tegel dega Metode Taguchi Dewi Marlia, Eko Pujiyato da Cucuk Nur Rosidi Jurusa Tekik Idustri, Uiversitas

Lebih terperinci

Penyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered.

Penyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered. 2. Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a) Hitug Sum of Square for Regressio (X) b) Hitug Sum of Square for Residual c) Hitug Meas Sum of Square for Regressio (X) d) Hitug

Lebih terperinci

BAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan

BAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu

Lebih terperinci

Ukuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus

Ukuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus -Mar- Ukura Pemusata Pertemua STATISTIKA DESKRIPTIF Statistik deskripti adalah pegolaha data utuk tujua medeskripsika atau memberika gambara terhadap obyek yag diteliti dega megguaka sampel atau populasi.

Lebih terperinci

Rekayasa Mutu Besi Beton dengan Metode Taguchi

Rekayasa Mutu Besi Beton dengan Metode Taguchi JURNAL TEKNIK MESIN Vol., No., Oktober 000: 0 08 Rekayasa Mutu Besi Beto dega Metode Taguchi Didik Wahjudi Dose Fakultas Tekologi Idustri Jurusa Tekik Mesi Uiversitas Kriste Petra Roche Alimi Dose Fakultas

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur 0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia

Lebih terperinci

Nama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL

Nama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 86-88 Latiha 2 Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b.

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN 3 BAB III METODOLOGI PENELITIAN A. Metode Peelitia Metode yag diguaka dalam peelitia ii adalah metode kuatitatif dega eksperime semu (quasi eksperimet desig). Peelitia ii melibatka dua kelas, yaitu satu

Lebih terperinci

IV. METODE PENELITIAN

IV. METODE PENELITIAN IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,

Lebih terperinci

APLIKASI METODE TAGUCHI DALAM PENGENDALIAN KUALITAS PRODUKSI

APLIKASI METODE TAGUCHI DALAM PENGENDALIAN KUALITAS PRODUKSI APLIKASI METODE TAGUCHI DALAM PENGENDALIAN KUALITAS PRODUKSI Ermawati ), Hartati ) )Dose Jurusa Matematika, )Mahasiswa Jurusa Matematika Fakultas Sais da Tekologi UIN Alauddi Makassar Abstract: The grocery

Lebih terperinci

Program Attributes. Algorithm Analysis. Time Consumption. Algoritma

Program Attributes. Algorithm Analysis. Time Consumption. Algoritma Algorithm Aalysis Kita perlu memproses jumlah data yag sagat besar. Harus diyakika bahwa program berheti dalam batas waktu yag wajar (reasoable) Tidak terikat pada programmig laguage atau bahka metolodologi

Lebih terperinci

JURNAL TEKNOLOGI TECHNOSCIENTIA ISSN: Vol. 1 No. 2 Februari 2009

JURNAL TEKNOLOGI TECHNOSCIENTIA ISSN: Vol. 1 No. 2 Februari 2009 JURNAL TEKNOLOGI TECHNOSCIENTIA ISSN: 7-45 Vol. No. Februari 00 ANALISIS PENGENDALIAN KUALITAS MELALUI EVALUASI DAN PERBAIKAN PROSES PRODUKSI DENGAN PENDEKATAN METODE CONTROL CHART DAN METODE TAGUCHI Joko

Lebih terperinci

PENGARUH GEOMETRI PAHAT BUBUT HSS TERHADAP NILAI KEKASARAN PERMUKAAN DAN KEAUSAN PAHAT PROSES BUBUT DENGAN METODE TAGUCHI

PENGARUH GEOMETRI PAHAT BUBUT HSS TERHADAP NILAI KEKASARAN PERMUKAAN DAN KEAUSAN PAHAT PROSES BUBUT DENGAN METODE TAGUCHI No. 3/ATW/Maret/205 ISSN 6936329 PENGARUH GEOMETRI PAHAT BUBUT HSS TERHADAP NILAI KEKASARAN PERMUKAAN DAN KEAUSAN PAHAT PROSES BUBUT DENGAN METODE TAGUCHI Oleh : Sriyato ),Faisal RM 2),Ali Parkha 3) )

Lebih terperinci

Mengelola Eksperimen. 17 Oktober 2013

Mengelola Eksperimen. 17 Oktober 2013 Mengelola Eksperimen 17 Oktober 013 8 langkah mengelola eksperimen Perencanaan eksperimen Langkah 1 : mendefinisikan masalah Langkah : menentukan tujuan Langkah 3 : mendefinisikan karakteristik kualitas

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam

Lebih terperinci

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA. Langkah Langkah Dalam Pengolahan Data

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA. Langkah Langkah Dalam Pengolahan Data BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 Metode Pegolaha Data Lagkah Lagkah Dalam Pegolaha Data Dalam melakuka pegolaha data yag diperoleh, maka diguaka alat batu statistik yag terdapat pada Statistical

Lebih terperinci

ANAVA 2 Jalan. Jumlah sampel dalam sel tak sama

ANAVA 2 Jalan. Jumlah sampel dalam sel tak sama ANAVA Jala Jumlah sampel dalam sel tak sama Tpes of Regressio Models Racaga Percobaa Radom Legkap RRL Blok Radom RBRL Faktorial Oe-Wa Aova (ANAVA 1 Jala Two-Wa Aova (ANAVA Jala Review Iteractio Occurs

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN 38 BAB III METODOLOGI PENELITIAN A. Metode Peelitia Metode peelitia adalah suatu cara ilmiah utuk medapatka data dega tujua tertetu. Peelitia yag megagkat judul Efektivitas Tekik Permaia Pioy Heyo dalam

Lebih terperinci

Jurnal Matematika Murni dan Terapan Epsilon Juni 2014 Vol. 8 No. 1 METODE TAGUCHI UNTUK PENINGKATAN KUALITAS MUTU PRODUK

Jurnal Matematika Murni dan Terapan Epsilon Juni 2014 Vol. 8 No. 1 METODE TAGUCHI UNTUK PENINGKATAN KUALITAS MUTU PRODUK Jural Matematika Muri da Terapa Epsilo Jui 4 Vol. 8 No. METODE TGUCHI UNTUK PENINGKTN KULITS MUTU PRODUK khriyadi Wijaarta, Nur Salam, Dewi ggraii Program Studi Matematika Fakultas MIP Ulam Jl. Jed.. Yai

Lebih terperinci

MANAJEMEN RISIKO INVESTASI

MANAJEMEN RISIKO INVESTASI MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya

Lebih terperinci

IV. METODE PENELITIAN. Penelitian ini dilakukan di Kawasan Pantai Anyer, Kabupaten Serang

IV. METODE PENELITIAN. Penelitian ini dilakukan di Kawasan Pantai Anyer, Kabupaten Serang IV. METODE PENELITIAN 4.1 Lokasi da Waktu Peelitia Peelitia ii dilakuka di Kawasa Patai Ayer, Kabupate Serag Provisi Bate. Lokasi ii dipilih secara segaja atau purposive karea Patai Ayer merupaka salah

Lebih terperinci

Nama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL

Nama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 85-88 Latiha 1 Pelajari data dibawah ii, tetuka depede da idepedet variabel serta a. Hitug Sum of for Regressio (X) b. Hitug

Lebih terperinci

III. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I

III. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I 7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3

Lebih terperinci

BAB IV PEMBAHASAN DAN ANALISIS

BAB IV PEMBAHASAN DAN ANALISIS BAB IV PEMBAHASAN DAN ANALISIS 4.1. Pembahasa Atropometri merupaka salah satu metode yag dapat diguaka utuk meetuka ukura dimesi tubuh pada setiap mausia. Data atropometri yag didapat aka diguaka utuk

Lebih terperinci

TINJAUAN PUSTAKA Pengertian

TINJAUAN PUSTAKA Pengertian TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok

Lebih terperinci

ANAVA 2 Jalan. Jumlah sampel dalam sel tak sama

ANAVA 2 Jalan. Jumlah sampel dalam sel tak sama ANAVA Jala Jumlah sampel dalam sel tak sama Iteraksi? Teradi ika pegaruh satu faktor tergatug pada tigkat pegaruh faktor lai Jika pegaruh iteraksi sigifika maka iteroretasi pegaruh utama (A & B) meadi

Lebih terperinci

kosume, karea kesalaha dalam kualitas dapat meimbulka komplai da ketidakpuasa dari kosume. Masalah kualitas dapat timbul karea berbagai peyebab yag ko

kosume, karea kesalaha dalam kualitas dapat meimbulka komplai da ketidakpuasa dari kosume. Masalah kualitas dapat timbul karea berbagai peyebab yag ko USULAN PERBAIKAN KUALITAS PADA MESIN GETAR DI PT. GANDUM MAS KENCANA UNTUK MENGETAHUI TINGKAT KEHALUSAN GULA MENGGUNAKAN METODE TAGUCHI Vitha Amelia Jurusa Tekik Idustri, Fakultas Tekologi Idustri, Uiversitas

Lebih terperinci

BAB III METOE PENELITIAN. penelitian ini, hanya menggunakan kelas eksperimen tanpa adanya kelas

BAB III METOE PENELITIAN. penelitian ini, hanya menggunakan kelas eksperimen tanpa adanya kelas BAB III METOE PENELITIAN A. Jeis Peelitia Jeis peelitia ii adalah peelitia eksperime. Karea pada peelitia ii, haya megguaka kelas eksperime tapa adaya kelas cotrol. Peelitia ii megguaka pedekata kuatitatif.

Lebih terperinci

IV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data

IV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data IV METODE PENELITIAN 4.1 Lokasi da waktu Peelitia ii dilakuka di PD Pacet Segar milik Alm Bapak H. Mastur Fuad yag beralamat di Jala Raya Ciherag o 48 Kecamata Cipaas, Kabupate Ciajur, Propisi Jawa Barat.

Lebih terperinci

BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.

BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah. BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder

Lebih terperinci

BAB 6: ESTIMASI PARAMETER (2)

BAB 6: ESTIMASI PARAMETER (2) Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara

Lebih terperinci

Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi

Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.

Lebih terperinci

PENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON

PENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON E-Jural Matematika Vol., No., Mei 013, 6-10 ISSN: 303-1751 PENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON PUTU SUSAN PRADAWATI 1, KOMANG GDE SUKARSA, I GUSTI AYU MADE

Lebih terperinci

9 Departemen Statistika FMIPA IPB

9 Departemen Statistika FMIPA IPB Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara

Lebih terperinci

b. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut:

b. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut: Statistik da Peluag A. Statistik Statistik adalah metode ilmiah yag mempelajari cara pegumpula, peyusua, pegolaha, da aalisis data, serta cara pegambila kesimpula berdasarka data-data tersebut. Data ialah

Lebih terperinci

III. METODOLOGI PENELITIAN. diinginkan. Menurut Arikunto (1991 : 3) penelitian eksperimen adalah suatu

III. METODOLOGI PENELITIAN. diinginkan. Menurut Arikunto (1991 : 3) penelitian eksperimen adalah suatu III. METODOLOGI PENELITIAN A. Metode Peelitia Metode peelitia merupaka suatu cara tertetu yag diguaka utuk meeliti suatu permasalaha sehigga medapatka hasil atau tujua yag diigika. Meurut Arikuto (99 :

Lebih terperinci

BAB VII RANDOM VARIATE DISTRIBUSI DISKRET

BAB VII RANDOM VARIATE DISTRIBUSI DISKRET BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka

Lebih terperinci

PETA KONSEP RETURN dan RISIKO PORTOFOLIO

PETA KONSEP RETURN dan RISIKO PORTOFOLIO PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI

Lebih terperinci

METODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa

METODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa 19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh

Lebih terperinci

OPTIMASI KUAT TEKAN, RESAPAN, DAN KEAUSAN PAVING BLOK ABU VULKANIK DENGAN PENDEKATAN THE FUZZY LOGICS

OPTIMASI KUAT TEKAN, RESAPAN, DAN KEAUSAN PAVING BLOK ABU VULKANIK DENGAN PENDEKATAN THE FUZZY LOGICS OPTIMASI KUAT TEKAN, RESAPAN, DAN KEAUSAN PAVING BLOK ABU VULKANIK DENGAN PENDEKATAN THE UZZY LOGICS Radi Nugraha Putra, DR.Brojol Sutijo SU.,M.Si Mahasiswa Jurusa Statistika, Dose Pembimbig Jurusa Statistika

Lebih terperinci

OPTIMASI MULTIRESPON PEMBUATAN KERTAS DI PAPER MACHINE II PT. ADIPRIMA SARAPRINTA GRESIK DENGAN PENDEKATAN METODE FUZZY LOGIC ABSTRAK

OPTIMASI MULTIRESPON PEMBUATAN KERTAS DI PAPER MACHINE II PT. ADIPRIMA SARAPRINTA GRESIK DENGAN PENDEKATAN METODE FUZZY LOGIC ABSTRAK OPTIMASI MULTIRESPON PEMBUATAN KERTAS DI PAPER MACHINE II PT. ADIPRIMA SARAPRINTA GRESIK DENGAN PENDEKATAN METODE FUZZY LOGIC Niswatu Qoitah, Dr. Brodjol Sutijo SU,M.Si Mahasiswa S Statistika FMIPA, Dose

Lebih terperinci

= Keterkaitan langsung ke belakang sektor j = Unsur matriks koefisien teknik

= Keterkaitan langsung ke belakang sektor j = Unsur matriks koefisien teknik Aalisis Sektor Kuci Dimaa : KLBj aij = Keterkaita lagsug ke belakag sektor j = Usur matriks koefisie tekik (b). Keterkaita Ke Depa (Forward Ligkage) Forward ligkage meujukka peraa suatu sektor tertetu

Lebih terperinci

Institut Teknologi Sepuluh Nopember Surabaya. Model Sistem dalam Persamaan Keadaan

Institut Teknologi Sepuluh Nopember Surabaya. Model Sistem dalam Persamaan Keadaan Istitut Tekologi Sepuluh Nopember Surabaya Model Sistem dalam Persamaa Keadaa Pegatar Materi Cotoh Soal Rigkasa Latiha Pegatar Materi Cotoh Soal Rigkasa Istilah-istilah Dalam Persamaa Keadaa Aalisis Sistem

Lebih terperinci

REGRESI DAN KORELASI SEDERHANA

REGRESI DAN KORELASI SEDERHANA REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai

Lebih terperinci

TUGAS ANALISIS REGRESI (HALAMAN

TUGAS ANALISIS REGRESI (HALAMAN TUGAS ANALISIS REGRESI (HALAMAN 85-88) 1. Tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b. Hitug Sum of Square for Residual c. Hitug Mea Sum of Square for Regresssio

Lebih terperinci

II. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel.

II. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel. II. LANDASAN TEORI Defiisi 2.1 Distribusi Samplig Distribusi samplig adalah distribusi probibilitas dari suatu statistik. Distribusi tergatug dari ukura populasi, ukura sampel da metode memilih sampel.

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 Objek Peelitia Peelitia dilakuka di bagia spiig khususya bagia widig Pabrik Cambrics Primissima (disigkat PT.Primissima) di Jala Raya Magelag Km.15 Slema, Yogyakarta. Peelitia

Lebih terperinci

Distribusi Pendekatan (Limiting Distributions)

Distribusi Pendekatan (Limiting Distributions) Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,

Lebih terperinci

Optimasi Cranking Ampere Aki Di P.T. X

Optimasi Cranking Ampere Aki Di P.T. X JURNAL TEKNIK MESIN Vol. 3, No., Oktober 001: 70 76 Optimasi Crakig Ampere Aki Di P.T. X Didik Wahjudi Dose Fakultas Tekologi Idustri Jurusa Tekik Mesi Uiversitas Kriste Petra Abstrak Produk aki di P.T.

Lebih terperinci

Outline. Pengukuran Listrik II. Kesalahan dlm Pengukuran 25/09/2012. Anhar, ST. MT. Lab. Jaringan Komputer

Outline. Pengukuran Listrik II. Kesalahan dlm Pengukuran 25/09/2012. Anhar, ST. MT. Lab. Jaringan Komputer 5/09/0 II. Kesalaha dlm Pegukura Ahar, ST. MT. Lab. Jariga Komputer Outlie Kosep pegukura Kesalaha Pegukura Istilah Tekik Pegukura Aalisis statistik 5/09/0 Kosep Pegukura Meetuka ilai kuatitatif atau besar

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Madiun, untuk mendapatkan gambaran kondisi tempat penelitian secara umum,

BAB III METODOLOGI PENELITIAN. Madiun, untuk mendapatkan gambaran kondisi tempat penelitian secara umum, 32 BAB III METODOLOGI PENELITIAN 3.1 Objek Peelitia Peelitia dilakuka di PT. INKA yag terletak di Jl. Yos Sudarso o 71 Madiu, utuk medapatka gambara kodisi tempat peelitia secara umum, termasuk kegiata-kegiata

Lebih terperinci

Chapter 7 Student Lecture Notes 7-1

Chapter 7 Student Lecture Notes 7-1 Chapter 7 Studet Lecture Notes 7-1 DASAR-DASAR UJI Hipotesis: Hipo (di bawah) da Tesis (peryataa yag telah diuji) Hipotesis Statistik:suatu proposisi atau aggapa megeai parameter populasi yag dapat diuji

Lebih terperinci

BAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.

BAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya. BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI

BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI BAB TINJAUAN PUSTAKA DAN DASAR TEORI.1. Tinjauan Pustaka Ghani (013) dalam jurnal berjudul Philosophy of Taguchi Approach and Method in Design of Experiment mengungkapkan persaingan dunia usaha saat ini

Lebih terperinci

Rancangan Pengamatan Berulang. Repeated Measurement Design

Rancangan Pengamatan Berulang. Repeated Measurement Design Racaga Pegamata Berulag Repeated Measuremet Desig Pedahulua Repeated measuremet (pegamata berulag) megacu kepada (Clewer & Scarisbrick, 006):. Suatu percobaa dimaa masig-masig uit percobaa meerima perbedaa

Lebih terperinci

KAJIAN KONDISI PROSES DELIGNIFIKASI TEPUNG SOHUN DENGAN METODE TAGUCHI

KAJIAN KONDISI PROSES DELIGNIFIKASI TEPUNG SOHUN DENGAN METODE TAGUCHI KAJIAN KONDISI PROSES DELIGNIFIKASI TEPUNG SOHUN DENGAN METODE TAGUCHI Cyrilla Idri Parwati, Purawa Jurusa Tekik Idustri, Istitut Sais & Tekologi AKPRIND Yogyakarta Jurusa Tekik Ligkuga, Istitut Sais &

Lebih terperinci

BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)

BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) Setiap peelitia selalu berkeaa dega sekelompok data. Yag dimaksud kelompok disii adalah: Satu orag mempuyai sekelompok data, atau sekelompok orag mempuyai satu

Lebih terperinci

JENIS PENDUGAAN STATISTIK

JENIS PENDUGAAN STATISTIK ENDUGAAN STATISTIK ENDAHULUAN Kosep pedugaa statistik diperluka utuk membuat dugaa dari gambara populasi. ada pedugaa statistik dibutuhka pegambila sampel utuk diaalisis (statistik sampel) yag ati diguaka

Lebih terperinci

BAB I PENDAHULUAN. X Y X Y X Y sampel

BAB I PENDAHULUAN. X Y X Y X Y sampel BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Aalisis regresi merupaka metode aalisis data yag meggambarka hubuga atara variabel respo dega satu atau beberapa variabel prediktor. Aalisis regresi tersebut

Lebih terperinci

MODUL PRAKTIKUM Statistik Inferens (MIK 411)

MODUL PRAKTIKUM Statistik Inferens (MIK 411) MODUL PRAKTIKUM tatistik Iferes (MIK 4) Disusu Oleh Nada Aula Rumaa, KM., MKM UNIVERITA EA UNGGUL 07 Revisi (tgl) : 0 (0 Desember 07) / 4 UJI T DEPENDEN/BERPAANGAN (PAIRED T TET) A. Pedahulua Uji t berpasaga,

Lebih terperinci

LAMPIRAN. Lampiran 1. Syarat Mutu Biskuit (SNI, 1992)

LAMPIRAN. Lampiran 1. Syarat Mutu Biskuit (SNI, 1992) LAMPIRAN Lampira 1. Syarat Mutu Biskuit (SNI, 199) Syarat mutu biskuit 1. Air : Maksimum 5 %. Protei : Miimum 9 % 3. Lemak : Miimum 9,5 %. Karbohidrat : Miimum 70 % 5. Abu : Maksimum 1, %. Logam Berbahaya

Lebih terperinci

STATISTIKA NON PARAMETRIK

STATISTIKA NON PARAMETRIK . PENDAHULUAN STATISTIKA NON PARAMETRIK Kelebiha Uji No Parametrik: - Perhituga sederhaa da cepat - Data dapat berupa data kualitatif (Nomial atau Ordial) - Distribusi data tidak harus Normal Kelemaha

Lebih terperinci

BAB V PERENCANAAN PELAT LANTAI

BAB V PERENCANAAN PELAT LANTAI GROUP BAB V PRNCANAAN PLAT LANTA 5. Perecaaa Pelat Latai Perecaaa pelat latai seluruhya megguaka beto bertulag dega mutu beto f c = 0 MPa da baja utuk tulaga megguaka mutu baja fy = 40 MPa. Asumsi perhituga

Lebih terperinci

BAB IV. METODE PENELITlAN. Rancangan atau desain dalam penelitian ini adalah analisis komparasi, dua

BAB IV. METODE PENELITlAN. Rancangan atau desain dalam penelitian ini adalah analisis komparasi, dua BAB IV METODE PENELITlAN 4.1 Racaga Peelitia Racaga atau desai dalam peelitia ii adalah aalisis komparasi, dua mea depede (paired sample) yaitu utuk meguji perbedaa mea atara 2 kelompok data. 4.2 Populasi

Lebih terperinci

ABSTRAK. Irvan Hadi Purnomo Mahasiswa Program Studi Pendidikan Teknik Otomotif FT UNY

ABSTRAK. Irvan Hadi Purnomo Mahasiswa Program Studi Pendidikan Teknik Otomotif FT UNY PENGARUH PENGGUNAAN METODE PEMBELAJARAN DEMONTRAI TERHADAP MINAT DAN PRETAI BELAJAR IWA PADA KOMPETENI ITEM LITRIK OTOMOTIF KELA XI PADA JURUAN TEKNIK KENDARAAN RINGAN DI MK PIRI YOGYAKARTA Irva Hadi Puromo

Lebih terperinci

PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN

PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,

Lebih terperinci

III. METODELOGI PENELITIAN

III. METODELOGI PENELITIAN III. METODELOGI PENELITIAN A. Metode Peelitia Metode peelitia merupaka suatu cara tertetu yag diguaka utuk meeliti suatu permasalaha sehigga medapatka hasil atau tujua yag diigika, meurut Arikuto (998:73)

Lebih terperinci

PERBANDINGAN HASIL PENGUJIAN INTERCEPT

PERBANDINGAN HASIL PENGUJIAN INTERCEPT IdoMS Joural o Statistics Vol., No. (3), Page 35-47 PERBANDINGAN HASIL PENGUJIAN INTERCEPT PADA UJI SATU ARAH MAKSIMUM DAN MINIMUM PADA UJI-UJI TERKAIT NON-SAMPLE PRIOR INFORMATION PADA MODEL REGRESI SEDERHANA

Lebih terperinci

REGRESI DAN KORELASI

REGRESI DAN KORELASI REGRESI DAN KORELASI Pedahulua Dalam kehidupa sehari-hari serig ditemuka masalah/kejadia yagg salig berkaita satu sama lai. Kita memerluka aalisis hubuga atara kejadia tersebut Dalam bab ii kita aka membahas

Lebih terperinci

MENENTUKAN SUHU OPERASI MESIN DRYER DENGAN METODE TAGUCHI UNTUK MENGURANGI JUMLAH BENANG BASAH PADA DIVISI YARN DYING DI PT MULIA KNITTING FACTORY

MENENTUKAN SUHU OPERASI MESIN DRYER DENGAN METODE TAGUCHI UNTUK MENGURANGI JUMLAH BENANG BASAH PADA DIVISI YARN DYING DI PT MULIA KNITTING FACTORY Jural Tekik da Ilmu Komputer MENENTUKAN SUHU OPERASI MESIN DRYER DENGAN METODE TAGUCHI UNTUK MENGURANGI JUMLAH BENANG BASAH PADA DIVISI YARN DYING DI PT MULIA KNITTING FACTORY (Determiig The Dryer Operatig

Lebih terperinci

II. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang

II. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat

BAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuha Sistem Sebelum melakuka deteksi da trackig obyek dibutuhka peragkat luak yag dapat meujag peelitia. Peragkat keras da luak yag diguaka dapat dilihat pada Tabel

Lebih terperinci

UKURAN TENDENSI SENTRAL

UKURAN TENDENSI SENTRAL BAB 3 UKURAN TENDENSI SENTRAL Kompetesi Mampu mejelaska da megaalisis kosep dasar ukura tedesi setral. Idikator 1. Mejelaska da megaalisis mea.. Mejelaska da megaalisis media. 3. Mejelaska da megaalisis

Lebih terperinci

PENGANTAR MODEL LINEAR Oleh: Suryana

PENGANTAR MODEL LINEAR Oleh: Suryana PENGANTAR MODEL LINEAR Oleh: Suryaa Model liear meyagkut masalah statistik yag ketergatugaya terhadap parameter secara liear. Betuk umum model liear adalah 0 1X1... px p, dega = Variabel respo X i = Variabel

Lebih terperinci

3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian

3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian 19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan.

III. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan. 9 III. METODOLOGI PENELITIAN A. Populasi Da Sampel Peelitia ii dilaksaaka di MTs Muhammadiyah Natar Lampug Selata. Populasiya adalah seluruh siswa kelas VIII semester geap MTs Muhammadiyah Natar Tahu Pelajara

Lebih terperinci

PENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA

PENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA PENAKSIRAN DAN PERAMALAN BIAYA Ari Darmawa, Dr. S.AB, M.AB Email: aridarmawa_fia@ub.ac.id A. PENDAHULUAN B. PENAKSIRAN DAN PRAKIRAAN FUNGSI BIAYA C. PENAKSIRAN JANGKA PENDEK - Ekstrapolasi sederhaa - Aalisis

Lebih terperinci

Makalah ANALISIS REGRESI DAN REGRESI GANDA

Makalah ANALISIS REGRESI DAN REGRESI GANDA 1 Makalah ANALISIS REGRESI DAN REGRESI GANDA Disusu oleh : 1. Rudii mulya ( 41610010035 ). Falle jatu awar try ( 41610010036 ) 3. Novia ( 41610010034 ) Tekik Idustri Uiversitas Mercu Buaa Jakarta 010 Rudii

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Tujua Peelitia Peelitia ii bertujua utuk megetahui apakah terdapat perbedaa hasil belajar atara pegguaa model pembelajara Jigsaw dega pegguaa model pembelajara Picture ad Picture

Lebih terperinci

BAB III METODE PENELITIAN. objek penelitian yang penulis lakukan adalah Beban Operasional susu dan Profit

BAB III METODE PENELITIAN. objek penelitian yang penulis lakukan adalah Beban Operasional susu dan Profit BAB III METODE PENELITIAN 3.1 Objek Peelitia Objek peelitia merupaka sasara utuk medapatka suatu data. Jadi, objek peelitia yag peulis lakuka adalah Beba Operasioal susu da Profit Margi (margi laba usaha).

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1. Saham Saham adalah surat berharga yag dapat dibeli atau dijual oleh peroraga atau lembaga di pasar tempat surat tersebut diperjualbelika. Sebagai istrumet ivestasi, saham memiliki

Lebih terperinci

1. Uji Dua Pihak. mis. Contoh :

1. Uji Dua Pihak. mis. Contoh : . Uji Dua Pihak H 0 H a : : Cotoh : mis : mea kelas Lab mea kelas tapa lab Ho : Tidak ada perbedaa kemampua hasil belajar biologi siswa atara yag belajar melalui media laboratorium dega yag tidak. Ha :

Lebih terperinci

BAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.

BAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014. BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek

Lebih terperinci

REGRESI LINIER SEDERHANA

REGRESI LINIER SEDERHANA REGRESI LINIER SEDERHANA REGRESI, KAUSALITAS DAN KORELASI DALAM EKONOMETRIKA Regresi adalah salah satu metode aalisis statistik yag diguaka utuk melihat pegaruh atara dua atau lebih variabel Kausalitas

Lebih terperinci

KOMBINASI DAN KOMPOSISI BAHAN BAKU UNTUK PENINGKATAN KUALITAS PAVING RUMPUT DI CV. X SURABAYA. Irwan Soejanto ABSTRACT

KOMBINASI DAN KOMPOSISI BAHAN BAKU UNTUK PENINGKATAN KUALITAS PAVING RUMPUT DI CV. X SURABAYA. Irwan Soejanto ABSTRACT KOMBINASI DAN KOMPOSISI BAHAN BAKU UNTUK PENINGKATAN KUALITAS PAVING RUMPUT DI CV. X SURABAYA Irwan Soejanto ABSTRACT As a product, grass paving has its own characteristic. The producers always try to

Lebih terperinci

PENENTUAN LEVEL FAKTOR BENANG SLIVER

PENENTUAN LEVEL FAKTOR BENANG SLIVER PENENTUAN LEVEL FAKTOR BENANG SLIVER YANG OPTIMAL PADA MESIN CARDING GUNA MEMPERBAIKI KUALITAS DI PT. INDUSTRI SANDANG NUSANTARA UNIT PATAL SECANG MAGELANG APPOINTMENT LEVEL FACTOR SLIVER YARN TO GET OPTIMAL

Lebih terperinci

Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas

Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga REGRESI DAN KORELASI Statistika da Probabilitas Kurva Regresi Mecari garis/kurva yag mewakili seragkaia titik data Ada dua cara utuk

Lebih terperinci

P r o s i d i n g 149

P r o s i d i n g 149 P r o s i d i g 149 PENGENDALIAN KUALITAS PRODUK KOPI TRADISIONAL DALAM RANGKA MENINGKATKAN KEPUASAN KONSUMEN Heptari Elita Dewi (1), Aisa Aprilia (2), Heru Satoso Hadi Subagyo (3) Fakultas Pertaia, Uiversitas

Lebih terperinci

Aplikasi Pengenalan Pola pada Citra Bola Sebagai Dasar Pengendalian Gerakan Robot

Aplikasi Pengenalan Pola pada Citra Bola Sebagai Dasar Pengendalian Gerakan Robot Jural Emitor Vol.16 No. 02 ISSN 1411-8890 Aplikasi Pegeala Pola pada Citra Bola Sebagai Dasar Pegedalia Geraka Robot Ratasari Nur Rohmah Jurusa Tekik Elektro Uiversitas Muhammadiyah Surakarta (UMS) Surakarta,

Lebih terperinci

BAB V ANAISIS KOVARIAN SATU JALUR (ANAKOVA SATU JALUR)

BAB V ANAISIS KOVARIAN SATU JALUR (ANAKOVA SATU JALUR) BB V NISIS KOVRIN STU JLUR (NKOV STU JLUR) Kompetesi Dasar Mahasiswa memahami tetag aalisis kovaria satu jalur, serta mampu megguakaya utuk megaalisis data kuatitatif. Idikator pecapaia Mahasiswa dapat:

Lebih terperinci

BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI

BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas

Lebih terperinci