PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK.
|
|
- Sucianty Sutedja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. Fanny Ayu Octavana dan Dra. Luca Ardnant, MT. Jurusan Statsta, Faultas Matemata dan Ilmu Pengetahuan Alam, Insttut Tenolog Sepuluh Nopember (ITS) Jl. Aref Rahman Ham, Surabaya 6 E-mal: lucardnant@gmal.com Abstra Pengendalan ualtas proses produs yang dlauan oleh PT. Asahmas Flat Glass, Tb. Sdoarjo hanya menyeles dan memsahan antara produ yang cacat dan tda cacat, dlauan analss sehngga tda dapat mengetahu proses sudah terendal atau tda. Dalam peneltan n aan dlauan pendetesan jens cacat produs aca LNFL pada proses pemotongan dengan menggunaan peta p multvarat untu mengevaluas proses pemotongan aca dan menentuan fator penyebab cacat. Data yang dgunaan dalam peneltan n adalah data seunder tentang araterst ualtas atrbut yatu jens ecacatan dalam proses produs aca pada saat proses pemotongan. Dar hasl evaluas proses, produs aca pada proses pemotongan mengalam pergeseran proses arena propors cacat yang seman menngat namun penngatan tap cacat tda dapat ddentfas pada jens cacat tertentu. Dar hasl dagram pareto, dapat detahu bahwa jens cacat yang palng mendomnas pada saat proses pemotongan aca adalah scratch dengan rata-rata sebesar 47,5%, cullet dengan rata-rata sebesar 7,5%, pushmar dengan rata-rata sebesar 9,5% dan chppng dengan rata-rata sebesar,5%. Dar hasl dagram sebab abat, dapat detahu fator-fator penyebab cacat dantaranya yatu ualtas bahan bau yang ba, operator elelahan dan urang telt, cara pemotongan optmal, urangnya mantenance, usa mesn yang sudah tua dan pengaturan mesn yang sesua. Kata Kunc Karaterst Kualtas Atrbut, Fator Penyebab Cacat, Peta p Multvarat, Proses Pemotongan Kaca I. PENDAHULUAN ualtas produ yang ba harus dpertahanan, sehngga perusahaan perlu memontor dan mengontrol proses produs agar proses tetap stabl. PT. Asahmas Flat Glass, Tb. merupaan perusahaan teremua d duna yang bergera d bdang pembuatan aca lembaran. Dalam peneltan n, stud asus yang dambl adalah d PT. Asahmas Flat Glass, Tb. Sdoarjo. Produ aca jens LNFL (Lght Green) merupaan aca lembaran yang termasu dalam ategor aca jens otomotf yang palng banya dprodus PT. Asahmas Flat Glass, Tb. Sdoarjo. Pengendalan ualtas produs yang dlauan oleh departemen Qualty Control adalah dengan cara menyeles dan memsahan antara produ yang cacat dan tda cacat, dlauan analss sehngga tda dapat mengetahu proses sudah terendal atau tda. Dalam hal n, cara yang dlauan oleh departemen Qualty Control urang tepat, arena dapat mengurang nla ualtas suatu produ dan merugan pelanggan. statst yang dapat dgunaan untu mengontrol dan mengetahu stabltas proses produs K adalah peta endal. Ja pemersaan obye secara atrbut dlauan pada lebh dar satu araterst ualtas, peta endal yang dgunaan adalah peta endal multvarat atrbut []. Dalam peneltan n, stud asus yang dambl yatu data jens cacat pada proses pemotongan aca darenaan dalam setap potongan aca detahu adanya jens cacat yang bervaras dan berhubungan antara cacat yang satu dengan yang lan, sehngga metode yang aan dgunaan adalah peta p multvarat. Peta p multvarat telah banya dgunaan, salah satunya oleh Mayananda dengan melauan peneltan tentang pengontrolan ualtas produs PT. IGLAS (Persero) Gres pada proses produs botol IBTC 75ml pada tahapan sortr. Oleh arena tu, dalam peneltan n aan dlauan pendetesan jens cacat produs aca LNFL pada proses pemotongan dengan menggunaan peta p multvarat, yang nantnya dapat memberan masuan untu perbaan bag pha perusahaan. Peneltan n dlauan bertujuan untu mengevaluas proses pemotongan aca jens LNFL pada bulan Januar sampa dengan Desember 3 d PT. Asahmas Flat Glass, Tb. Sdoarjo dengan menggunaan peta p multvarat dan mengetahu fator-fator penyebab cacat dalam produs aca jens LNFL pada bulan Januar sampa dengan Desember 3 d PT. Asahmas Flat Glass, Tb. Sdoarjo saat proses pemotongan. II. TINJAUAN PUSTAKA. Pengendalan Kualtas Statst Pengendalan ualtas statst merupaan ten penyelesaan masalah yang dgunaan untu memontor, mengendalan, menganalss, mengelola dan memperba produ dan proses menggunaan metode-metode statst []. Pengendalan ualtas statst dgunaan untu menyeld secara cepat terjadnya sebab-sebab terduga atau pergeseran proses sedeman hngga penyeldan terhadap proses tu dan tndaan pembetulan dapat dlauan se terlalu banya unt yang tda sesua dprodus. Tujuan utama pengendalan proses adalah menjaga setap proses agar tetap terendal dan untu tu dgunaan peta endal. Peta endal adalah ten pengendal proses yang dgunaan untu menangan asus terjadnya sebab-sebab terduga atau pergeseran proses. Peta endal merupaan suatu alat statst yang dgunaan untu melhat varas-varas d dalam ualtas output yang dsebaban arena esempatan dan sebab-sebab yang dapat dberan.
2 . Peta Atrbut Multvarat Banya araterst ualtas yang tda dapat dengan mudah dnyataan secara numer arena pada banya asus, ualtas dapat dlhat secara langsung tanpa melauan penguuran secara numer [3]. Karaterst ualtas sepert n dnamaan dengan ualtas atrbut. Ja varabel araterst ualtas yang dpersa lebh dar satu dan antar varabel yang satu dengan yang lan ada hubungan maa dsebut multvarat [4]. Peta endal multvarat atrbut adalah peta endal yang dgunaan eta terdapat lebh dar satu araterst ualtas dalam suatu pemersaan []..3 Peta p Multvarat Dalam peta p multvarat harus mempertmbangan pembobot secara aurat guna mengontrol dan menasr parameter tngat ecacatan secara eseluruhan dalam proses. Secara umum, setap tem dapat dlasfasan dalam (+) durutan dan ategor ualtas salng bebas tergantung pada tngat ecacatan. Msalan D = (D, D,..., D,..., D ) menjad vetor dar (+) ategor cacat, D menunjuan ategor tngat cacat; D adalah ategor bebas cacat dan D adalah ategor tngat cacat yang palng serus. Produ yang dlasfasan dalam masng-masng ( + ) ategor ualtas cacat [5]. Dalam hal n varabel aca multvarat X = (X, X,..., X,..., X ) meml dstrbus multnomal dengan parameter n dan vetor probabltas p = (p, p,..., p,..., p ), sehngga p dan. X p adalah jumlah tem dalam sampel yang dlasfasan dalam ategor cacat D dan p adalah propors etdasesuaan tem yang dlasfasan sebaga cacat d elas. Abatnya, varabel aca multvarat X meml dstrbus multnomal aca dengan parameter (n, p), dmana n adalah uuran sampel dan p adalah vetor probabltas. Msalan d = (d, d,..., d,..., d ) menjad vetor pembobot berhubungan dengan vetor D ategor ualtas cacat, d mana d, d < d +, d = dan d =. Jad, untu menentuan vetor d dan vetor p, ndes normalsas dar tngat cacat eseluruhan sebaga berut. d p () dmana d = vetor pembobot ( d ) p = propors dar etdasesuaan tem elas cacat e- ( p ) = tngat cacat eseluruhan ( < δ < ) Msalan X = (X, X,..., X,..., X ), detahu bahwa estmator maxmum lelhood dar parameter p = (p, p,..., p,..., p ) adalah X. Oleh arena tu, untu n mengendalan cacat eseluruhan dar parameter δ, dapat menggunaan rumus sebaga berut. ˆ d p ˆ () Nla espetas dar ˆ adalah Eˆ E d d p (3) yatu, penasr ta bas dar ndes δ. Varans dar δ adalah ˆ var d d p d p (4) n dan penasr onssten dar varans ˆ adalah ˆ (5) S d d n Berdasaran Theorema Lmt Pusat multvarat, vetor mempunya (+) dstrbus normal multvarat dan penasr ˆ mempunya dstrbus normal. Oleh arena tu, dapat dperoleh selang epercayaan (-α) untu statst sampel cacat eseluruhan sebaga berut [6]. d p d p d (6) ˆ d, n dmana adalah uantl atas ( ) dar dstrbus, dengan derajat bebas () [5]. Msalan X t = (X t, X t,..., X t,..., X t ), t =,,..., m, menjad satu m sampel awal dar uuran n yang dambl dar proses multnomal X dengan parameter (n, p). Secara husus, X t adalah jumlah tem dalam sampel e-t yang dlasfasan dalam ategor cacat D. Oleh arena tu, penasr ta bas dar parameter p sebaga berut. m m t t,,,,..., (7) X dmana t dengan =,,, dan t =,,, m t n Sehngga dperoleh nla batas endal peta p multvarat sebaga berut. BKA d, d d n Gars Tengah d p ˆ (8) BKB d, d d n A. Identfas Varabel Penyebab Terjadnya Tda Terendal Ja nla statst samplng ( ) berada batas endal atas atau batas endal bawah, maa proses aan dataan dluar dan operator harus menyeld penyebabnya. Namun deman, dalam stuas prats, p, =,,..., basanya destmas dengan menggunaan sampel awal yang dambl dalam tahap dasar ontrol. Dalam hal n, prosedur statst yang benar berdasaran statst sampel sebaga berut. t Z n n (9) t t X t X Z t merupaan ndator ontrbus relatf dar varabel e-t untu eseluruhan statst, n dan n t merupaan uuran sampel tahap e- dan e-t, t dan adalah propors varabel e- tahap e-t dan e-, X t dan X adalah jumlah
3 3 cacat e- tahap e-t dan e-. Perbaan proses dutamaan pada varabel yang meml nla Z t lebh besar dar (. ),.4 Dagram Pareto Dagram pareto merupaan suatu gambar yang mengurutan lasfas data dar r e anan menurut urutan sor tertngg hngga terendah. Hal n dmasudan agar dapat membantu menemuan permasalahan yang palng pentng untu segera dperba (sor tertngg) sampa dengan masalah yang tda harus segera dselesaan (sor terendah) []. freuens araterst cacat a b Gambar. Dagram pareto c d e lannya.5 Dagram Sebab-Abat Dagram sebab-abat serng denal dengan dagram tulang an (fshbone). Dagram sebab-abat adalah suatu dagram yang menunjuan hubungan antara sebab-abat. Oleh sebab tu, dagram sebab-abat dapat dengan mudah dpaham oleh sapapun [7]. Lngungan Materal Mesn Manusa Gambar. Dagram sebab-abat.6 Proses Pembuatan Kaca Proses produs aca pada PT. Asahmas Flat Glass, Tb. menggunaan metode float. Dasar pertmbangannya adalah untu menghaslan produ aca yang lebh berualtas berstandar nternasonal. Adapun langah-langah proses yang dgunaan untu pembuatan aca pada PT. Asahmas Flat Glass, Tb. sebaga berut.. Raw Materal Preparaton (Persapan Bahan Kaca).. Weghtng & Mxng of Raw Materal (Penmbangan dan Pencampuran Bahan Kaca). 3. Meltng (Peleburan) d Furnace 6 7 o. 4. Glass Formng (Pembentuan Kaca) d Metal Bath. 5. Glass Annealng (Pendngnan Kaca) d Lehr. 6. Glass Cuttng (Pemotongan Kaca). 7. Glass Pacagng (Pengepaan Kaca). III. METODOLOGI PENELITIAN Dalam peneltan n, varabel yang dgunaan adalah data seunder tentang araterst ualtas atrbut yang dperoleh dar Departemen Qualty Control d PT. Asahmas Cacat Persen Flat Glass, Tb. Sdoarjo yatu jens ecacatan dalam proses produs aca pada saat proses pemotongan. Data yang dperoleh meml 6 ualtas cacat berupa atrbut pada aca yang dlasfasan menjad 3 elas yatu cacat rts terdr atas cacat cullet dan scratch, cacat major terdr atas cacat pushmar dan chppng, serta cacat mnor terdr atas cacat water stan dan other secondary. Data produs yang dambl adalah data jens ecacatan pada perode Januar sampa Desember 3 untu produ LNFL, dmana jumlah sampel yang dambl berbeda-beda. Data yang dperoleh terbag menjad 47 mnggu sehngga dperoleh 47 subgrup arena produ aca jens LNFL selalu dprodus setap mnggu, dmana masng-masng subgrup terdr dar 3 shft, yatu : shft pag, shft sang dan shft malam. Langah analss yang dgunaan dalam peneltan n melalu tahap-tahap sebaga berut :. Melauan uj asums yang harus terpenuh yatu adanya hubungan atau orelas antar varabel dan data yang berdstrbus multvarat normal.. Membuat desrps data secara umum yatu jumlah cacat dar data jens ecacatan produs aca jens LNFL saat proses pemotongan. 3. Melauan pengujan peta p multvarat secara eseluruhan selama tahun. 4. Melauan uj propors pada setap tahap untu mengetahu ada atau tdanya pergeseran proses. 5. Melauan pengujan peta p multvarat pada tahap dan tahap untu mengetahu proses pemotongan aca sudah terendal secara statst atau. 6. Melauan perhtungan dentfas varabel penyebab terjadnya tda terendal. 7. Membuat dagram pareto dar data jens cacat untu mengetahu jens cacat yang palng banya terjad dalam proses pemotongan aca. 8. Menggambaran dagram sebab-abat dengan menggunaan software untu mengetahu fator-fator adanya jens cacat yang palng banya terjad saat proses pemotongan aca. 9. Membuat esmpulan serta saran dar hasl analss dan pembahasan. IV. ANALISIS DAN PEMBAHASAN 4. Pengujan Asums Data jens cacat dalam proses produs aca LNFL pada saat proses pemotongan telah memenuh asums adanya orelas antar varabel dan berdstrbus normal multvarat. 4. Analss Karaterst Jens Cacat Analss statsta desrps hasl pengamatan data jens cacat yang terjad pada saat proses pemotongan aca. Tabel. Statsta Desrptf Pada Proses Pemotongan Kaca Tahun 3 Jumlah No. Kelas Cacat Jens Cacat n cacat. Cullet 87 Krts Scratch Pushmar Major Chppng Water Stan 87 Mnor Other Second 87 5
4 4 Jumlah cacat scratch palng banya yatu sebesar 383 pcs dan jumlah cacat yang palng sedt atau jarang terjad adalah cacat Water Stan yatu sebanya pcs. Tabel. Statsta Desrptf Pada Proses Produs Kaca Pada Tahap Kelas Jumlah No. Jens Cacat n Cacat cacat. Cullet 8736 Krts Scratch Pushmar Major Chppng Water Stan 8736 Mnor Other Second Jumlah cacat scratch palng banya yatu sebesar 76 pcs dan jumlah cacat yang palng sedt atau jarang terjad adalah cacat Water Stan yatu sebanya pcs. Tabel 3. Statsta Desrptf Pada Proses Pemotongan Kaca Pada Tahap Kelas Jumlah No. Jens Cacat n Cacat cacat. Cullet Krts Scratch Pushmar Major Chppng Water Stan Mnor Other Second Jumlah cacat scratch palng banya yatu sebesar 7 pcs dan jumlah cacat yang palng sedt atau jarang terjad adalah cacat Water Stan yatu sebanya pcs. 4.3 Evaluas Proses Tahun 3 Berut adalah hasl peta p mutvarat selama tahun untu tahap Januar 3 sampa dengan 3 Desember 3. A. Evaluas Proses Tahap Dalam peta p multvarat pada tahap, menggunaan data pada bulan Januar 3 sampa dengan 3 Maret 3. Pada tahap dperoleh pengamatan sebanya subgrup. 8 4 Pengamatan edelta,7,6,5,4,3,,, 4 6 Gambar 4. Peta p multvarat pada tahap 6 8 BKA =,43 GT =,6 BKB =,9 Terdapat 4 tt pengamatan yang berada dluar batas endal yatu tt pengamatan e-5, 7, 8,, tanpa adanya varabel penyebab terjadnya tda terendal darenaan Z t < χ tabel. Tabel 4. Nla Pengamatan Dluar Batas Kendal Pengamatan δ 5,44 7,63 8,8,5,8,7,45,4,35 BKA =, Pengamatan edelta,6,5,4,3,,, BKA =,43 GT =,5 BKB =,83,3,5 GT =,5,,5, BKB =, Pengamatan e- Gambar 5. Perbaan pertama peta p multvarat pada tahap delta Gambar 3. Peta p multvarat tahun 3 Produs aca saat pemotongan aca mengalam pergeseran proses darenaan tt-tt pengamatan berpola flutuatf, sehngga perlu dlauan pembagan tahap. Terdapat tt pengamatan yang berada dluar batas endal yatu tt pengamatan e-5, tanpa adanya varabel penyebab terjadnya tda terendal darenaan Z t < χ tabel. Tt pengamatan e-5 berada dluar batas endal dengan nla δ sebesar,4.
5 5 6 8 Pengamatan edelta,45,4,35,3,5,,5, BKA =,4 GT =,4 BKB =,83 Ja dlauan ebjaan perbaan proses, tt-tt pengamatan berada dantara batas endal. B. Evaluas Proses Tahap Dalam peta p multvarat pada tahap, menggunaan data pada bulan Aprl 3 sampa dengan 3 Jun 3. Pada tahap dperoleh pengamatan sebanya subgrup.,8,7,6 4 Gambar 6. Perbaan edua peta p multvarat pada tahap Terdapat tt pengamatan yang berada dluar batas endal yatu tt pengamatan e-3 dan 6, tanpa adanya varabel penyebab terjadnya tda terendal darenaan Z t < χ tabel. Tabel 5. Nla Pengamatan Dluar Batas Kendal Pengamatan δ 3,4 6, Pengamatan edelta,4,35,3,5,,5, BKA =,37 GT =, BKB =,69 Gambar 7. Perbaan etga peta p multvarat pada tahap Terdapat tt pengamatan yang berada dluar batas endal yatu tt pengamatan e-6, tanpa adanya varabel penyebab terjadnya tda terendal darenaan Z t < χ tabel. Tt pengamatan e-6 berada dluar batas endal dengan nla δ sebesar, Pengamatan edelta,5,4,3,,, 3 6 Gambar 9. Peta p multvarat pada tahap 4 BKA =,35 GT =, BKB =,6 Terdapat 6 tt pengamatan yang berada dluar batas endal yatu tt pengamatan e-,,,, 4 dam 6, tanpa adanya varabel penyebab terjadnya tda terendal darenaan Z t < χ tabel. Tabel 6. Nla Pengamatan Dluar Batas Kendal Pengamatan δ,65,47,39,54 4,397 6, Jens Cacat Domnan Dalam menganalss jens cacat domnan yang terdapat pada proses pemotongan aca yang meml 6 jens cacat dapat menggunaan dagram pareto. 4,35 BKA =, delta,3,5, GT =, Jumlah_ 6 4 Percent,5, BKB =,6, Pengamatan e- Gambar 8. Perbaan eempat peta p multvarat pada tahap Jens cacat Scratch Cullet Pushmar Chppng Other Second Other Jumlah_ Percent 44, 3,,6 7,5 7,5, Cum % 44, 74,4 84,9 9,5,, Gambar. Dagram pareto pada proses pemotongan aca tahap
6 l 6 Jumlah_ 4 3 Jens cacat Scratch Cullet Chppng Pushmar Other Second Other Jumlah_ Percent 49,9 4,3,8 7,7 5,3, Cum % 49,9 74, 87, 94,7,, Gambar. Dagram pareto pada proses produs aca tahap Nla persentase umulatf cacat tahap sebesar 84,9% cacat yang terjad ddomnas oleh jens cacat scratch, cullet dan pushmar, nla presentase umulatf cacat tahap sebesar 87,% cacat yang terjad ddomnas oleh jens cacat scratch, cullet dan chppng. 4.5 Fator Penyebab Cacat Untu mengetahu fator penyebab cacat, dapat detahu dengan menggunaan dagram sebab-abat, yang dgunaan untu melhat fator penyebab cacat yang terjad pada saat proses berjalan berdasaran fator manusa, materal, mesn, metode dan lngungan. Ketelt an C ara pemotonga n Kurangny a optmal mantenanc e P engat P engatura uran n mesn mesn y ang y ang sesua sesua Pencam puran bahan bau Ketelt an sempur C ara pemot ongan optma Kualt as baha n K elelah bau an Pushmar Chppng Manusa Mesn Mesn Materal Manusa K eteltan Pengat uran mesn y ang C ara pemot sesua ongan optmal Kualta s bahan bau y ang Ketelt an Scratch Kelelahan Pengaturan mesn yang sesua Cullet Manusa Mesn Mesn Materal Manusa Percent Terjadnya cacat palng pentng Gambar. Dagram sebab-abat pada jens cacat domnan Dlhat dar seg manusa, penyebabnya adalah eteltan operator dalam menjalanan mesn dan adanya rasa elelahan operator dalam beerja, sehngga urang masmal saat beerja. Dlhat dar seg mesn, penyebabnya adalah urangnya mantenance dan pengaturan mesn yang sesua sehngga berurangnya etajaman mesn dalam memotong aca. Dar seg materal, penyebabnya adalah ualtas bahan bau yang ba dan pencampuran bahan bau yang sempurna menyebaban proses pemotongan aca tda masmal. Dar seg metode, penyebabnya adalah cara pemotongan yang dgunaan optmal sehngga terjad adanya cacat saat proses pemotongan. Oleh arena tu, abat dar penyebab-penyebab tersebut adalah terjadnya cacat palng pentng yang menjad fator prortas untu dperba. V. KESIMPULAN DAN SARAN 5. Kesmpulan Berdasaran analss dan pembahasan yang telah dlauan, dapat dperoleh esmpulan sebaga berut.. Produs aca jens LNFL pada proses pemotongan bulan Januar sampa dengan Desember 3 mengalam pergeseran proses arena propors cacat yang seman menngat. Sehngga, perlu adanya pembagan menjad tahap dan dperoleh hasl bahwa tahap dan tahap tda berbeda, namun penngatan tap cacat tda dapat ddentfas pada jens cacat tertentu.. Dar hasl dagram pareto, dapat detahu bahwa jens cacat yang palng mendomnas dalam produs aca pada saat proses pemotongan aca bulan Januar sampa dengan Desember 3 adalah scratch dengan rata-rata sebesar 47,5%, cullet dengan rata-rata sebesar 7,5%, pushmar dengan rata-rata sebesar 9,5% dan chppng dengan rata-rata sebesar,5%. Dar hasl dagram sebab abat, dapat detahu fator-fator penyebab cacat dantaranya yatu ualtas bahan bau yang ba, operator elelahan dan urang telt, cara pemotongan optmal, urangnya mantenance, usa mesn yang sudah tua dan pengaturan mesn yang sesua. 5. Saran Saran bag peneltan selanjutnya agar melauan penyelesaan masalah dengan menggunaan metode yang sesua untu jens cacat yang sedt. Sedangan, saran bag pha perusahaan agar melauan perbaan untu jens cacat yang mendomnas yatu scratch, cullet, pushmar dan chppng pada proses pemotongan aca yang dabatan oleh fator mesn dan fator manusa dengan cara melauan mantenance pada mesn secara teratur dan perlunya penngatan nerja untu setap operator. Selan tu, pha perusahaan juga perlu melauan pengendalan ualtas secara statst pada proses produs aca untu mengurang jumlah produ cacat dan proses dalam eadaan terendal. DAFTAR PUSTAKA [] Muhopadhyay, A. R. 8. Multvarate Attrbute Control Chart Usng Mahalanobs D Statstc. Journal of Appled Statstcs, Vol.35, No.4, [] Aran, Dorothea Wahyu. 4. Pengendalan Kualtas Statst. Yogyaarta: AndOffset. [3] Montgomery, D.C. 9. Introducton to Statstcal Qualty Control 5th Edton. New Yor: John Wley & Sons, nc. [4] Johnson, A. R., & Wnchern, D. W. (). Appled Multvarate Statstcal Analyss 5th. New Jersey: Prentce Hall, Upper Saddle Rver. [5] Cozzucol, P. C. (9, June). Process Montorng wth Multvarate p Control Chart. Journal of Qualty Statstc and Relablty, Volume 9. [6] R.Z.Gold. (963). Tests auxlary to tests n a Marov chan. The Annals of Mathematcal Statstcs, vol.34 no pp [7] Ishawa, Kaoru Introducton to Qualty Control. Jepang : JUSE Press Ltd.
BAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinciPengendalian Kualitas Statistika Pada Proses Produksi Kaca Dengan Peta p Multivariat Di PT. Asahimas Flat Glass, Tbk.
Pengendalian Kualitas Statistika Pada Proses Produksi Kaca Dengan Peta p Multivariat Di PT. Asahimas Flat Glass, Tbk. Fanny Ayu Octaviana 1312105005 Dosen Pembimbing : Dra. Lucia Aridinanti, MT. Jurusan
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
Lebih terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah
BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciDiagram Kontrol Fuzzy Multinomial Untuk Data Linguistik
Prosdng Statsta ISSN: 2460-6456 Dagram Kontrol Fuzzy Multnomal Untu Data ngust 1 Amy Amallya Azzah, 2 Suwanda Idrs, 3 snur Wachdah 1,2,3 Prod Statsta, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas
Lebih terperinciPengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA
Pengaruh Kelembaban dan Ser Tanah Terhadap Mutu dan Produs Tanaman Tembaau Temanggung dengan Metode MANOVA Mftala Al Rza ), Sutno ), dan Dumal ) ) Jurusan Statsta, Faultas MIPA, Insttut Tenolog Sepuluh
Lebih terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciBAB II TINJAUAN PUSTAKA. Control chart pertama kali dikenalkan oleh Dr. Walter Andrew Shewhart dari
BAB II TINJAUAN PUSTAKA. Pendahuluan Control chart pertama al denalan oleh Dr. Walter Andrew Shewhart dar Bell Telephone Laboratores Amera Serat pada tahun 94. Control chart adalah sebuah gra yang member
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,
Lebih terperinciPEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION
PEMODELAN INGKA KERAWANAN DEMAM BERDARAH DENGUE DI KABUPAEN LAMONGAN DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION Marsa Rfada 1, Purhad 1) Mahasswa Magster Jurusan Statsta, Insttut
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciMENGANALISA GANGGUAN PADA 331 WEIGHT FEEDER 2 UNTUK MENINGKATKAN PRODUKSI DI PT. SEMEN GRESIK (PERSERO).Tbk PABRIK TUBAN ABSTRAK
Nelson ulstono Teknk Mesn Unverstas Islam Malang 015 MENGANALIA GANGGUAN PADA 331 WEIGHT FEEDER UNTUK MENINGKATKAN PRODUKI DI PT. EMEN GREIK (PERERO).Tbk PABRIK TUBAN Nelson ulstono, Teknk Mesn, Fakultas
Lebih terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d
Lebih terperinciBAB III METODE PENELITIAN
A III METODE PENELITIAN A. Tempat dan Watu Peneltan. Tempat Peneltan Obje dalam peneltan n adalah Kelas VIII M.Ts. Neger onang yang terleta d Kecamatan onang Kabupaten Dema.. Watu Peneltan Peneltan dlasanaan
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciEVALUASI STATUS KETERTINGGALAN DAERAH DENGAN ANALISIS DISKRIMINAN 6. Oleh : Anik Djuraidah
EVALUASI STATUS KETERTINGGALAN DAERAH DENGAN ANALISIS DISKRIMINAN 6 S-21 Oleh : An Djuradah Departemen Statsta FMIPA- IPB e-mal : andjuradah@gmal.com ABSTRAK Pembangunan daerah tertnggal merupaan upaya
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciBAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
Lebih terperinciPenggunaan Model Regresi Tobit Pada Data Tersensor
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 016 S 15 Penggunaan Model Regres obt Pada Data ersensor Def Yust Fadah 1, Resa Septan Pontoh 1, Departemen Statsta FMIPA Unverstas Padjadjaran def.yust@unpad.ac.d
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 DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING
Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata
Lebih 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 terperinciANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011).
ANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011). Try Azsah Nurman Dosen Pada Jurusan Matemata, Faultas Sans
Lebih terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih terperinciNilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4
Statsta, Vo. 7 No. 2, 65 71 Nopember 27 Na Krts Permutas Esa untu Anova Satu Arah Krusa-Was pada Kasus Banyanya Sampe, = 4 Inne Maran, Yayat Karyana, dan Aceng Komarudn Mutaqn Jurusan Statsta FMIPA Unsba
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)
BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperincie + Dengan menggunakan transformasi logit dari π(x), maka model regresi fungsi logit dapat didefinisikan sebagai berikut (2) π(x) e
ANALISIS PEMAKAIAN KEMOTERAPI PADA KASUS KANKER PAYUDARA DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL (STUDI KASUS PASIEN DI RUMAH SAKIT X SURABAYA Aref Yudssanta, dan Dra. Madu Ratna, M.S Jurusan
Lebih terperinciPendekatan Hurdle Poisson Pada Excess Zero Data
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 05 Pendeatan Hurdle Posson Pada Excess Zero Data S - 7 Def Yust Fadah, Resa Septan Pontoh Departemen Statsta FMIPA Unverstas Padadaran def.yust@unpad.ac.d
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 terperinciCONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA
CONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA LAPORAN PENELITIAN MANDIRI PENELITI RESA SEPTIANI PONTOH NIP : 132 317 117 JURUSAN STATISTIKA
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih 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 terperinciFaktor-Faktor Eksternal Pneumonia pada Balita di Jawa Timur dengan Pendekatan Geographically Weighted Regression
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. ) ISSN: 3-98X D-37 Fator-Fator Esternal Pneumona pada Balta d Jawa Tmur dengan Pendeatan Geographcally Weghted Regresson Ftrarma Putr Santoso, Sr Pngt W, dan
Lebih terperinciπ(x) JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-112
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. ) ISSN: 3-98X D- Analss Pemaaan Kemoterap pada Kasus Kaner Payudara dengan Menggunaan Metode Regres Logst Multnomal (Stud Kasus Pasen d Rumah Sat X Surabaya)
Lebih terperinciStatistika. Bab. Mean (rata-rata) Ukuran Pemusatan Ukuran Letak Median Modus Kuartil Desil A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR
Bab Statsta A KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Melalu proses pembelajaran statsta, sswa mampu menghayat pola hdup dspln, rts, bertanggungjawab, onssten, dan jujur serta menerapannya
Lebih terperinciPemodelan Penduduk Miskin Di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR)
Pemodelan Pendudu Msn D Jawa Tmur Menggunaan Metode Geographcally Weghted Regresson (GWR) Yuanta Damayant, dan Dr. Vta Ratnasar S.S, M.S Jurusan Statsta, F-MIPA, Insttut Tenolog Sepuluh Nopember (ITS)
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) ( X Print) D-36
JURNAL SAINS DAN SENI POMIS Vol. 3, No., (04 337-350 (30-98X Prnt D-36 Fator-Fator Yang Mempengaruh ngat Keberhaslan Pemberan Kemoterap Pada Pasen Penderta Kaner Payudara D RSUD Dr.Soetomo Dengan Menggunaan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBab III Model Estimasi Outstanding Claims Liability
Bab III Model Estmas Outstandng Clams Lablty. Model ELRF Suatu model yang dgunaan untu menasr outstandng clams lablty, tda cuup hanya melbatan data pada run-off trangle saa. Sebab, pembayaran lam d masa
Lebih terperinciANALISIS KAPABILITAS PROSES
TI PENGENLIN KULITS STTISTIK TOPIK 0 NLISIS KPILITS PROSES L, Semester II 00/0 Hlm. TI PENGENLIN KULITS STTISTIK. PENHULUN esrps : Merupaan uuran eseragaman proses dalam menghaslan produ dengan araterst
Lebih terperinciKOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda
KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,
Lebih terperinciPemodelan Peran Perempuan Terhadap Pertumbuhan Ekonomi di Jawa Timur Tahun Menggunakan Regresi Data Panel
JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prnt) D-305 Pemodelan Peran Perempuan Terhadap Pertumbuhan Eonom d Jawa Tmur Tahun 010-014 Menggunaan Regres Data Panel Putr Rachmawat, Wahu
Lebih terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
Lebih terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih terperinciEman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK
PENGGUNAAN MODEL REGRESI LINEAR BERGANDA PADA PROGRAM PENGGEMUKAN SAPI PO ( PERANAKAN ONGOLE) SERTA ANALISIS BCR ( BENEFIT COST RATIO ) PENGGUNAAN PAKAN BAHAN KERING Eman Lesmana, Raman Jurusan Matemata
Lebih terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciPenerapan Diagram Kontrol Multivariat np pada Proses Produksi Hexagon Bolt M16x75mm di PT. Timur Megah Steel Gresik
1 Penerapan Dagra Kontrol Multvarat np pada Proses Produs Hexagon Bolt M16x75 d PT. Tur Meg Steel Gres Febranto, Muhaad Mashur 1, dan Luca Ardnant Jurusan Statsta, Faultas Mateata dan Ilu Pengetuan Ala,
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang
JURNAL MATEMATIKA DAN KOMPUTER ol. 4. No., - 22, Aprl 2, ISSN : 4-858 SUBRUANG MARKED Suryoto Jurusan Matemata, FMIPA-UNDIP Semarang Abstra Msalan suatu ruang vetor berdmens ngga atas lapangan omples C,
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciIMPLEMENTASI ANALISIS REGRESI FAKTOR DALAM MENENTUKAN PENGARUH MOTIVASI BELAJAR TERHADAP HASIL BELAJAR MATEMATIKA SISWA KELAS VIII SMPN 20 MALANG
IMPLEMENTASI ANALISIS REGRESI FAKTOR DALAM MENENTUKAN PENGARUH MOTIVASI BELAJAR TERHADAP HASIL BELAJAR MATEMATIKA SISWA KELAS VIII SMPN 0 MALANG Erm Andayan, Swasono Rahardjo, I Nengah Parta Unverstas
Lebih terperinciPENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI
PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION Oleh : SOEMARTINI JURUSAN STATISTIKA FAKULTAS MATEMATIKA dan ILMU PENGETAHUAN ALAM UNIVERSITAS PADJADJARAN JATINANGOR 008 DAFTAR ISI Hal DAFTAR
Lebih terperinciPemodelan Angka Buta Huruf di Kabupaten/Kota se-jawa Timur dengan Metode Geographically Weighted t Regression
JURNAL EKNIK IS Vol. 6, No., (7) ISSN: 337-3539 (3-97 Prnt) D- Pemodelan Anga Buta Huruf d Kabupaten/Kota se-jawa mur dengan Metode Geographcally Weghted t Regresson Nndya Kemala Astut, Purhad, dan Shof
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 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA Pada Bab n aan dpaparan beberapa teor tentang analss dsrmnan dar berbaga sumber sepert: buu, jurnal dan prosdng. Analss dsrmnan adalah salah satu metode dependens dar analss multvarat.
Lebih terperinciIMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN
SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas,
Lebih terperinciJurnal Einstein 4 (1) (2016): Jurnal Einstein. Available online
Jurnal Ensten 4 () (06): 4-3 Jurnal Ensten Avalable onlne http://jurnal.unmed.ac.d/0/ndex.php/ensten Penguuran Intrus Ar Laut Pada Sumur Gal Dengan Kondutvtmeter D Desa Pematang Guntung Kecamatan Telu
Lebih terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciBAB 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 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
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 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 terperinciANALISIS MODEL PERSEDIAAN BARANG EOQ DENGAN MEMPERTIMBANGKAN FAKTOR KADALUARSA DAN FAKTOR ALL UNIT DISCOUNT
LAORAN HASIL ENELITIAN ANALISIS MOEL ERSEIAAN BARANG EO ENGAN MEMERTIMBANGKAN FAKTOR KAALUARSA AN FAKTOR ALL UNIT ISOUNT Tauf Lmansyah LEMBAGA ENELITIAN AN ENGABIAN KEAA MASYARAKAT UNIVERSITAS KATOLIK
Lebih terperinciAnalisis Pengendalian Kualitas Proses Pengantongan Semen di PT Semen Indonesia (Persero) Tbk dengan Pendekatan Six Sigma
JURNAL SAINS DAN SENI ITS Vol. 4, No., (15) 337-35 (31-98X Prt) D-54 Aalss Pegedala Kualtas Proses Pegatoga Seme d PT Seme Idoesa (Persero) Tb dega Pedeata Sx Sgma Ftrah Idra Cahya, Sr Mumpu Retagsh Jurusa
Lebih terperinciPENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI
PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI Yunarstanto 1 Irwan Iftad 1 Iwan Ngabd Raharjo 2 Abstract: Producton flow n PT. Tga Seranga Pustaa Mandr
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Sampel yang digunakan dalam penelitian ini adalah data pengujian pada
BAB 5 ASIL DAN PEMBAASAN 5. asl Peneltan asl peneltan akan membahas secara lebh lengkap mengena penyajan data peneltan dan analss data. 5.. Penyajan Data Peneltan Sampel yang dgunakan dalam peneltan n
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 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data
Lebih terperinciIV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN
69 IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN Dtnau dar sfat hubungan antar persamaan terdapat dua ens model persamaan yatu model persamaan tunggal dan model sstem persamaan. Model persamaan tunggal adalah
Lebih terperinciDiagram Kendali Shewhart S 2 Fase I Untuk Memonitor Dispersi Proses
Prosdng tatstka IN: 46-6456 Dagram Kendal hewhart Fase I Untuk Memontor Dspers Proses Rsky Faradla, uwanda Idrs, 3 Aceng K. Mutaqn,,3 Prod tatstka, Fakultas Matematka dan Ilmu Pengetahuan Alam, Unverstas
Lebih terperinciTEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA
IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan
Lebih terperinciANALISIS KARAKTERISTIK MAHASISWA DAN FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP KEPEMILIKAN USAHA MANDIRI MAHASISWA ITS
ANALISIS KARAKTERISTIK MAHASISWA DAN FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP KEPEMILIKAN USAHA MANDIRI MAHASISWA ITS Wasa Yula, Dw Endah Kusrn, S.S., M.S. Mahasswa Jurusan Statsta FMIPA-ITS (305 00 003)
Lebih terperinciOleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si
Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBAB IV 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 terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinci