IMPLEMENTASI FACILITY LOCATION PROBLEM
|
|
- Farida Atmadjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 IMPLEMENTASI FACILITY LOCATION PROBLEM PADA PENENTUAN JUMLAH DAN LOKASI GUDANG DALAM SISTEM DISTRIBUSI LOGISTIK DENGAN UNCERTAIN DEMAND DAN RETURNABLE GLASS BOTTLE (STUDI KASUS: PT COCA-COLA BOTTLING INDONESIA JAWA TIMUR) Aula Rosmana, Suparno, Steanus Eko Wratno Jurusan Teknk Industr, Fakultas Teknk Insttut Teknolog Sepuluh Nopember Emal: ABSTRAK PT Coca-Cola Bottlng Indonesa Jawa Tmur merupakan salah satu perusahaan pembuat mnuman rngan terbesar d duna yang tdak hanya memproduks mnuman coca-cola saja, akan tetap mnuman rngan lannya sepert anta, sprte dan lan sebaganya, yang dkemas dalam bentuk botol (bak botol gelas dan botol plastk), dan kaleng. Pengemasan yang dlakukan (botol dan kaleng) menmbulkan masalah baru yatu adanya waste bag lngkungan. Akan tetap perusahaan n mempunya kebakan yatu hanya mendaur ulang kemasan dalam bentuk botol gelas saja karena bersat berkal-kal paka. Terdapat 16 gudang yang beroperas d Jawa Tmur, dmana gudanggudang tersebut memlk ungs ganda yatu sebaga orward dan reverse logstcs. Pengoperasan gudang-gudang tersebut tentunya membutuhkan baya yang tdak sedkt. Tujuan dar peneltan n adalah bagamana memnmumkan baya total yang harus dkeluarkan oleh perusahaan dalam jarngan reverse logstcs secara keseluruhan dengan menggunakan pendekatan algortma genetk. Algortma genetk sendr adalah suatu metode pencaran solus yang berdasarkan pada seleks alam dan evolus genetk. Kata kunc : algortma genetk, nonlnear mxed-nteger programmng, orward logstcs, dan reverse logstcs PENDAHULUAN Tujuan yang ngn dcapa oleh perusahaan selan memproduks barang dalam jumlah yang dtentukan sesua dengan permntaan pasar adalah juga dapat mendstrbuskan produk yang dbuatnya hngga sampa pada customer akhr mereka. Pendstrbusan produk n juga melput keuntungan yang ada d dalamnya. Dengan kata lan, tdak ada satupun perusahaan yang mengngnkan produknya dkembalkan ataupun dtark dar pasaran. Pengembalan produk dar customer ke pabrk dkenal sebaga reverse logstcs. Reverse logstcs dalam kenyataannya sangat mempengaruh aktvtas dstrbus sepert adanya product return, reuse, dsposal, repar dan remanuacturng. Selama hampr satu dekade reverse logstcs berpengaruh kuat terhadap perekonoman dalam duna ndustr. Pengaruhnya dapat dlhat bak tu yang berdampak negat pada suatu perusahaan yang mengabakannya, atau dapat dadkan sebaga area persangan yang menguntungkan untuk memperluas pangsa pasar. Dalam prosesnya product return memerlukan penentuan jumlah dan lokas dar ntal collecton ponts untuk returned product dan lokas dar centralzed return centers sebaga tempat pengumpulan untuk bsa d dstrbuskan ke pabrk atau repar aclty dan hal n melbatkan baya total yang harus dkeluarkan dalam reverse
2 logstcs (sepert baya nventor, dan baya transportas) haruslah mnmum, sehngga penggunaan gudang yang dpaka sebaga returned product haruslah benar-benar dmanaatkan seoptmal mungkn. Permasalahan penentuan jumlah dan lokas dar reverse logstcs menjad bagan dalam keputusan perancangan supply chan yang berkatan erat dengan proses dstrbus. Keputusan dalam membuka lokas (asltas) tentu saja menjad bahan pertmbangan peusahaan dalam merancang jarngan dstrbusnya untuk memnmalkan baya total yang terjad. Oleh karena tu peneltan n akan memokuskan pada penentuan lokas asltas dar reverse logstcs dengan tujuan untuk memnmumkan baya total yang terjad. Peneltan n, merupakan mplementas dar model yang dkembangkan oleh Zhou (2006) yatu non lnear mxed-nteger programmng untuk menyelesakan permasalahan reverse logstcs yang mempengaruh product return dan uncertan demand pada penentuan lokas asltas (gudang) yang ungsnya tdak hanya sebaga gudang saja ( orward logstcs) melankan sebaga reverse logstcs. Sebaga permasalahan NP-hard, dmana semakn banyak jumlah lokas asltas dan customer yang ada akan membuat model semakn sult untuk dkerjakan dan akan membutuhkan waktu yang lama untuk d selesakan. Oleh karena tu, pendekatan algortma genetk dusulkan sebaga tool, dalam penentuan jumlah dan lokas asltas yang dbuka serta menentukan baya total yang terjad. Dalam mplementas model Zhou pada stud kasus PT Coca-Cola Bottlng Indonesa Jawa Tmur, ungs ke-16 gudangnya adalah sebaga orward logstcs (pusat dstrbus dan penjualan) dan reverse logstcs (pengumpulan return glass bottle). Pengoperasan gudang-gudang n merupakan salah satu bagan pentng bag coca-cola, akan tetap baya-baya yang harus dkeluarkan juga kut andl d dalamnya yang ternyata cukup besar dan mempengaruh baya produks. Hal n terlhat pada pemndahan 2 gudangnya d daerah Babat, dan Jombang yang dpndahkan ke area baru yatu Sumenep, dan Tuban. Pemndahan gudang-gudang tersebut dsebabkan karena terjad ketdakesenan dalam hal baya mantenance dan operasonal gudang, kapastas gudang yang terlalu besar, serta demand yang terlalu sedkt. Oleh karena tu esens gudang dan aktvtas d dalamnya perlu dlakukan agar dapat memnmas baya yang harus dkeluarkan oleh perusahaan Algortma Genetk Dalam ndustr manuaktur tertentu terdapat banyak permasalahan tentang optmas yang sangat sult dan kompleks untuk dselesakan dengan teknk optmas konvensonal. Sehngga, metode lan untuk menyelesakan masalah optmas yang sult dan kompleks dkembangkan, dan salah satunya adalah dengan menggunakan metode algortma genetk. Algortma genetk sendr merupakan teknk-teknk pencaran stokastk yang ddasarkan atas mekansme pemlhan alam dan sat genetka. Berkut dpaparkan tahapan dalam algortma genetk : Representas Kromosom Setap kromosom drepresentaskan dalam bentuk array, dmana setap array memlk beberapa gen. Gambar 1 berkut menglustraskan representas genetk dar sstem dstrbus dengan m alternat return center dan n customer. 1 m m+1 m+n m+n+1 m+2n m+2n+1 m+3n R1.. Rm x1 x2... xn s1 s2.. sn xr1 xr2... xrn Gambar 1. Ilustras Representas genetk A-31-2
3 Penyelesaan representas genetk dalam peneltan n dapat d bag menjad emapat segmen. Segmen pertama, adalah mengurutkan gen dar 1 sampa m, yang menggambarkan kapastas dar return center (R.C) yang mash terssa, dengan nla yang mungkn dar 0 sampa MAX_RETURN. D segmen kedua, mengurutkan gen dar m+1 sampa m+n, yang menggambarkan D.C mana saja yang akan dalokaskan ke customer. Segmen ketga, mengurutkan gen dar m+n+1 sampa m+2n yang mengkodekan volume produk dar D.C yang akan dkrmkan ke customer (yang dtentukan dar segmen kedua). Segmen keempat, mengurutkan dar m+2n+1 sampa m+3n, yang menggambarkan R.C mana yang menerma produk-produk yang sudah dkembalkan dar customer. Insalsas Parameter Pada tahap n, ntal populas dar N-kromosom dbangktkan secara random untuk membentuk populas awal. Operator genetk o Operator tukar slang (crossover) Operator tukar slang yang dgunakan adalah one-pont crossover. Secara umum one-pont crossover dgunakan untuk memperbak ndvdu kromosom pada setap ndvdu. Randomly selected pont o Parent 1 Parent 2 Osprng 1 Osprng Operator mutas Operator mutas yang dgunakan adalah mutas acak. Proses mutas yang dlakukan adalah menukar urutan salah satu gen sehngga d dapatkan poss yang berbeda. Probabltas mutas yang dgunakan basanya dar 0 sampa 10%. Randomly selected pont Parent 1 Osprng Randomly selected pont Fungs Evaluas Evaluas dmula dengan menggabungkan setap ndvdu (solus) dengan ungs tness, yang mencermnkan nla goodness dar ndvdu Secara sederhana, nla objekt d persamaan (1) adalah sebaga nla tness dar masng -masng ndvdu setelah d kodekan dar represents genetk. Untuk menjaga agar nla ndvdu sble dalam proses evolus, maka nla tness untuk ndvdu k yatu v akan dhtung sebaga eval( vk ) TC( vk ) (1 am ), dmana TC( v k ) adalah baya total, dengan a dnotaskan sebaga jumlah dar batasan yang dlanggar, sedangkan M merupakan aktor penalt untuk ndvdu yang tdak sble (M > 0). D persamaan (1) empat tem pertama bsa dhtung secara langsung. Sedangkan, nla ekspektas dar empat varabel random dar tem ke-6 sampa tem ke-8 dalam persamaan (1) danggap sebaga baya, dmana perhtungannya dlakukan dengan menggunakan metode smulas Monte Carlo. k A-31-3
4 Model Nonlnear Mxed-Integer Programmng mn w uw x Y r urr Z wy Z W jc W W r r r p x E p j x j D j W C us E max x D j, 0 C w jc W r r uc E max D j x,0 ua E max 0, x j D j RZ (1) jc W jw j C s.t : x MAX DEMAND Y jc W _ W (2) R MAX _ RETURN Z W (3) x 1 j C (4) W x 1 j C (5) r j, R 0 W j C r x, x, Y, Z 0 atau 1 W j, (6) (7) Dmana : W 1,2,..., NW: jumlah dar return center C 1,2,..., NC: jumlah dar lokas customer (kabupaten-kabupaten) w : baya dalam membuka D.C uw : unt dar baya varable yang melput baya mantenance dan pengoperasan d DC MAX _ DEMAND : maxmum demand d D.C yang dapat dakomodas r : baya dalam membuka return center ur : unt dar baya varable yang melput baya mantenance dan pengoperasan d return center MAX _ RETURN : maxmum demand d return center yang dapat dakomodas : baya yang dapat dsmpan dar penggunaan DC sebaga return center w p r p j : baya per unt pengrman dar DC ke customer j : baya per unt pengrman dar customer j ke DC D j :: demand dar customer j berdstrbus normal r D j : : volume return glass bottles dar customer j us uc ua : baya per unt nventor yang dperoleh dar ketersedan supply d D.C : baya akbat terjadnya shortages dar D.C : baya karena kelebhan (surplus) dar returned glass bottles d return center Varabel keputusan : R : ruang (space) dar return center A-31-4
5 Y Z x r x j 1, 0, jka D.C dbangun d lokas jka tdak 1,, jka return center dbangun d lokas 0,, jka tdak 1, jka D.C mensupla produk ke customer j 0, jka tdak 1, jka semua returned glass bottles dar customer j dkrmkan ke return center 0, jka tdak : volume produk yang dkrm dar D.C ke customer j HASIL DAN DISKUSI Hasl Melakukan percobaan terhadap model dengan merubah parameter GA Hasl percobaan dengan ukuran populas dan maxmum generas yang berbeda, serta waktu yang dbutuhkan untuk runnng program, dmana dtentukan probabltas crossover adalah 0.8 dan probabltas mutas adalah Tabel 1. Model Ekspermen Dengan Parameter GA Yang Berbeda Gen/Populas 100/ / /300 Total Cost (Rp) , , ,200 Run Tme (n second) Populas/Gen 100/ / /100 Total Cost , , ,300 Run Tme (n second) Gen/Populas 400/ /300 Total Cost , ,400 Run Tme (n second) Populas/Gen 400/ /100 Total Cost , ,560 Run Tme (n second) Tujuan percobaan dengan merubah parameter yang berbeda adalah untuk mengetahu apakah berpengaruh terhadap solus optmal yang dperoleh. A-31-5
6 Penentuan Kromosom terbak berdasarkan pendekatan algortma genetk Kromosom Kromosom Kromosom Kromosom Gambar 2. Hasl Kromosom Terbak Kromosom-kromosom tersebut d peroleh dar representas kromosom pada penentuan jumlah gen tap-tap kromosom. Analsa Dar Tabel 1 d atas dketahu bahwa total cost mnmal adalah sebesar Rp ,560 dengan waktu 14 detk, dmana parameter GA yang dgunakan adalah ukuran gen = 200, ukuran populas = 100. Pada table datas dapat dlhat pula, bahwa semakn besar ukuran populas akan membuat perormans GA semakn menurun. Gambar 3 berkut menunjukkan grak dar solus terbak dengan nla ungs objekt sebesar Rp ,560. Gambar 3 Grak Nla Ftness Dar Gambar 2 datas, kromosom-kromosom tersebut terbentuk sesua dengan representas kromosom yang telah dtentukan pada bab 3. Representas kromosom pada peneltn n dbag menjad empat segmen, dmana segmen pertama adalah mengurutkan gen untuk menggambarkan ssa ruang yang mash bsa d hemat dar A-31-6
7 kapastas ruang yang ada d return center. Pada kromosom pertama terdapat 16 gen, yang menggambarkan gudang-gudang dar 16 gudang yang ada d Jawa Tmur, sesua dengan ssa ruang yang ada yang dnotaskan dengan unt yang bsa dtampung. Pada kromosom kedua, terdapat 30 gen yang menggambarkan customer, dalam hal n kabupaten-kabupaten yang ada d Jawa Tmur. Setap nla pada gen-gen tersebut merupakan lokas gudang yang akan dalokaskan ke customer. Msalnya pada gen pertama merupakan customer pertama yang berlokas d Bangkalan berdasarkan urutan matrk jarak (dapat dlhat d lampran) akan d alokaskan d gudang Tandes Surabaya berdasarkan urutan gudang. Pada kromosom ketga, terdapat 30 gen yang juga menggambarkan customer, dmana nla setap gen merupakan volume produk yang akan dkrmkan dar DC ke customer j (dtentukan pada kromosom k edua). Sebagamana yang telah delaskan dengan menggunakan contoh d kromosom kedua, besarnya volume produk yang akan dkrmkan dar gudang Tandes d Surabaya adalah sebesar 7 unt produk, dmana asums 1 unt produk = krat, yang ddasarkan pada permntaan dar customer yang merupakan estmas phak marketng. Pada kromosom keempat, dapat delaskan bahwa dalam 1 kromosom juga terdapat 30 gen yang menggambarkan customer, dmana customer-customer tersebuat nantnya akan dalokaskan ke return center dalam pengembalan kemasan botol-botol kosong (RGB). Untuk lebh jelasnya dapat dlhat pada susunan gen berdasarkan gudang yang d tuju, sesua dengan yang dmaksud pada Tabel 2 dan Tabel 3 d bawah n. Tabel 2. Susunan Gen Berdasarkan Gudang Yang D Tuju Gudang R x Tabel 3. Susunan Gen Berdasarkan Besarnya Volume Produk Yang Akan Dkrmkan Dar Gudang Ke Customer Customer s Customer s Berdasarkan Tabel 1 dan Tabel 2 datas, dapat delaskan berapa lokas gudang yang optmal serta berapa volume produk yang dkrm ke customer dan volume RGB yang mash bsa d smpan d return center. Dar 16 gudang yang ada d Jawa Tmur yang berungs sebaga dstrbuton center dan return center, berdasarkan hasl dar runnng yang dlakukan dengan menggunakan sotware program MATLAB d dapatkan kromosom terbak, dmana dar kromosom tersebut berdasarkan representas kromosom d bab 3, ddapatkan bahwa hanya satu gudang yang tdak optmal yatu gudang 3, dmana lokas gudang 3 adalah d Bangkalan Tdak optmalnya kedua gudang tersebut, dapat dpcu karena demand dar customer yang sedkt, kapastas gudang yang terlalu besar serta membengkaknya baya yang harus dkeluarkan setap tahunnya. Dar hasl runnng, ddapatkan juga berdasarkan hasl kromosom terbak yatu return center mana saja yang dgunakan sebaga gudang untuk menampung pengembalan RGB dar customer ke gudang serta ssa tempat untuk menaruh pengembalan RGB dar customer ke gudang ddapatkan bahwa dar 16 gudang yang A-31-7
8 doperaskan saat n, dmana 1 gudang sudah tdak optmal sementara 1 gudangnya yatu gudang 13, dmana lokas gudang adalah d Banyuwang, ungs gudang tersebut hanyalah sebaga dstrbuton center saja. Total baya yang dhaslkan dengan menggunakan sotware program MATLAB adalah lebh bak jka dbandngkan dengan total baya yang harus dkeluarkan oleh skenaro saat n untuk semua gudang yang doperaskannya dalam rangka untuk menngkatkan perormans sstem dstrbusnya, dengan total baya yang harus dkeluarkan adalah sebesar Rp untuk tahun Analsa Senstvtas Terhadap Perubahan Parameter GA total cost (Rp.) max_gen/300 pop_sze/100 Gambar 4. Analsa Senstvtas Terhadap Perubahan Parameter GA Gambar 4 datas merupakan grak yang menunjukkan analsa senstvtas terhadap perubahan parameter GA, dmana pada gambar datas apabla nla maksmum generas drubah dengan ukuran populas tetap, dan begtu pula sebalknya jka ukuran populas drubah dengan nla maksmum generas tetap, ddapatkan bahwa dengan merubah parameter GA ternyata tdak begtu mempengaruh terhadap solus yang d dapatkan, atau dapat dkatakan bahwa perubahan yang terjad tdak dapat dsmpulkan menuju ke solus yang lebh bak atau lebh buruk. KESIMPULAN Berdasarkan hasl dar analsa pada bab sebelumnya mengena penyelesaan penentuan lokas asltas dengan menggunakan pendekatan algortma genetk dmana pengolahan data yang dlakukan adalah menggunakan bantuan sotware program MATLAB, ddapatkan kesmpulan sebaga berkut : 1. Pengolahan data yang dlakukan dengan menggunakan bantuan sotware program MATLAB, ddapatkan bahwa total baya dar hasl runnng adalah sebesar Rp ,560 adalah lebh bak jka dbandngkan dengan total baya skenaro saat n yatu sebesar Rp Hal n berart adanya penghematan baya sebesar 6.99% atau Rp , Dar 16 gudang yang doperaskan d seluruh Jawa Tmur untuk menangan permntaan dar 30 customernya, dalam hal n adalah kabupaten-kabupaten d seluruh Jawa Tmur ddapatkan hanya satu gudang yang tdak optmal yatu gudang 3, yang berlokas d Bangkalan Madura. 3. Terdapat satu gudang yang hanya berungs sebaga dstrbuton center saja dar 15 gudang yang optmal berdasarkan hasl dar runnng program untuk memlh kromosom terbak, yatu gudang 13 yang berlokas d Banyuwang. A-31-8
9 4. Analsa senstvtas yang dlakukan untuk mengetahu pengaruh terhadap perubahan pada parameter GA bak tu pada nla generas maksmum dan ukuran populas dengan probabltas crossover dan mutas yang tetap, menunjukkan bahwa perubahan yang terjad tdak dapat dsmpulkan menuju ke solus yang lebh bak atau lebh buruk DAFTAR PUSTAKA Freeman, L. Mchael dan Charles L. Karr. (1998). Industral Applcaton o Genetc Algorthms. CRC Press. Boca Paton, Florda. Goldberg, Davd. (198 9). Genetc Algorthm In Search, Optmzaton, And Machne Learnng, ddson-wesley Publshng Company. Jaramllo, J.H., Bhadury J., dan Batta R. (2002). On The Use o Genetc Algorthms to Solve Locaton Problems. Computer and Operatonal Research. 29 : Krkke, H.R., (1998). Partnershp In Reverse Logstcs : OR-Model Buldng In New O Practcal Developments. Paper. Erasmus Unversty, School o Management Studes. Rotterdam, The Netherlands. hal 1-11 Mn, Hokey, Hyung Jeung Ko, dan Chang Seong Ko. (2006). A Genetc Algorthms Approach to Devolopng Mult-Echelon Reverse Logstcs Network or Return glass bottles. European journal O Management Scence. 34: l W., Bagus Ad Ismal. (2007). Implementas Model Sngle Source Capactated Locaton Problem Dalam Jarngan Dstrbus Logstk d PT. Phlps Indones. Thess, Insttut Teknolog Sepuluh Nopember, Surabaya. Wese, Thomas. (2007). Global Optmzaton Algorthms : Theory and Applcaton. Zhou, Gengu, Zhenyu Cao, Fangzhong Q, dan Jan Cao. (2006). A Genetc Algorthm Approach On A Logstcs Dstrbuton System Wth Uncertan Demand And Return glass bottle. World Journal O Modellng And Smulaton. Vol. 2 (2006) A-31-9
10 A-31-10
11 A-31-11
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciMANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN
MANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN By: Rn Halla Nasuton, ST, MT MERANCANG JARINGAN SC Perancangan jarngan SC merupakan satu kegatan pentng yang harus
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciPENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
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 terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciOleh : Fifi Fisiana
Optmas Baya Produks menggunakan Metode Revsed Mult Choce Goal programmng dengan Tahap Persedaan Terkontrol Supply Chan Model stud kasus : PT.Gunungarta Manunggal, Gempol Oleh : Ff Fsana 1207100018 Dosen
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciPENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT
PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos Pabelan
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciPenyelesaian Masalah Transshipmen Dengan Metoda Primal-Dual Wawan Laksito YS 2)
ISSN : 69 7 Penyelesaan Masalah Transshpmen Dengan Metoda Prmal-Dual Wawan Laksto YS ) Abstrak Masalah Pemndahan Muatan adalah masalah transportas yang melbatkan sambungan yang harus dlewat. Obektnya adalah
Lebih terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciMahasiswa Program Studi Informatika / Ilmu Komputer Universitas Brawijaya
Implementas Evoluton Strateges untuk Penyelesaan Vehcle Routng Problem Wth Tme Wndows pada Dstrbus Mnuman Soda XYZ Isyar Andka Harun 1, Wayan F. Mahmudy 2, Novanto Yudstra 3 1 Mahasswa Program Stud Informatka
Lebih terperinciMODEL OPTIMASI PERENCANAAN INVESTASI GALANGAN KAPAL DENGAN PENDEKATAN PROGRAMASI TUJUAN GANDA
MAKARA, TEKOLOGI, VOL. 6, O. 3, DESEMBER 2002 MODEL OPTIMASI PERECAAA IVESTASI GALAGA KAPAL DEGA PEDEKATA PROGRAMASI TUJUA GADA Al Azhar Jurusan Teknk Perkapalan, Insttut Teknolog Adh Tama Surabaya Jl.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciGENERATOR SKENARIO PENGIRIMAN BAHAN BAKAR SOLAR (HSD) MENGGUNAKAN MODEL DAN ALGORITMA COMMON REPLENISHMENT EPOCH (CRE)
GENERATOR SKENARIO PENGIRIMAN BAHAN BAKAR SOLAR (HSD) MENGGUNAKAN MODEL DAN ALGORITMA COMMON REPLENISHMENT EPOCH (CRE) Muhammad Khosy n 1,2, Muh Iman Prajtno 2, Aro Isnad 3, Mochamad Haryad 4 1 Electrcal
Lebih terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 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 terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciOptimasi Fungsi Keanggotaan Fuzzy
Optmas Fungs Keanggotaan Fuzzy Tsukamoto Dua Tahap Menggunakan Algortma Genetka Pada Pemlhan Calon Penerma Beasswa dan BBP-PPA (Stud Kasus: PTIIK Unverstas Brawjaya Malang) Bunga Amela Restuputr 1, Wayan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciMODEL HEURISTIK PENENTUAN RUTE KENDARAAN DENGAN BATASAN WAKTU PENGIRIMAN
MODEL HEURISTIK PENENTUAN RUTE KENDARAAN DENGAN BATASAN WAKTU PENGIRIMAN Tjutju T. Dmyat Jurusan Teknk Industr Unverstas Pasundan E-mal : admyat@bdg.centrn.net.d ABSTRAK Penentuan rute kendaraan (Vehcle
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciPenentuan Jumlah dan Lokasi Gudang Yang Optimal Dengan Menggunakan Metode Cluster
Performa (2004) Vol.3, No.1:1-8 Penentuan Jumlah dan Lokas Gudang Yang Optmal Dengan Menggunakan Metode Cluster Sulstyanngsh Jat Murt, Azzah Asyat dan Bambang Suhard Jurusan Teknk Industr, Unverstas Sebelas
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih 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 terperinciPENJADWALAN PRODUKSI di PT MEUBEL JEPARA PROBOLINGGO
Prosdng Semnar Nasonal Manajemen Teknolog III Program Stud MMTITS, Surabaya 4 Pebruar 2006 PENJADWALAN PRODUKSI d PT MEUBEL JEPARA PROBOLINGGO Mohammad Khusnu Mlad, Bobby Oedy P. Soepangkat, Nurhad Sswanto
Lebih terperinciSIMULASI OPTIMASI ALIRAN DAYA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAYA OPERASI
ISSN: 1693-6930 167 SIMULASI OPTIMASI ALIRAN DAA SISTEM TENAGA LISTRIK SEBAGAI PENDEKATAN EFISIENSI BIAA OPERASI Subyanto Teknk Elektro Fakultas Teknk Unverstas Neger Semarang Gedung E6 Lt. Kampus Sekaran
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciBAB III 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 IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciPENGEMBANGAN MODEL PERSEDIAAN BAHAN BAKU DENGAN MEMPERTIMBANGKAN WAKTU KADALUWARSA DAN FAKTOR UNIT DISKON
PENGEMBANGAN MODEL PERSEDIAAN BAHAN BAKU DENGAN MEMPERTIMBANGKAN WAKTU KADALUWARSA DAN FAKTOR UNIT DISKON Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos 1, Pabelan,
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciBAB IV METODE PENELITIAN. Penelitian mengenai Analisis Pengaruh Kupedes Terhadap Performance
BAB IV METODE PENELITIAN 4.1 Lokas dan Waktu Peneltan Peneltan mengena Analss Pengaruh Kupedes Terhadap Performance Busness Debtur dalam Sektor Perdagangan, Industr dan Pertanan dlaksanakan d Bank Rakyat
Lebih terperinciOPTIMASI MASALAH PENUGASAN. Siti Maslihah
JPM IIN ntasar Vol. 01 No. 2 Januar Jun 2014, h. 95-106 OPTIMSI MSLH PNUGSN St Maslhah bstrak Pemrograman lner merupakan salah satu lmu matematka terapan yang bertuuan untuk mencar nla optmum dar suatu
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciIMPLEMENTASI VEHICLE ROUTING PROBLEM WITH HETEROGENOUS FLEET OF VEHICLES AND TIME WINDOWS (STUDI KASUS: PT PABRIK KERTAS TJIWI KIMIA)
IMPLEMENTASI VEHICLE ROUTING PROBLEM WITH HETEROGENOUS FLEET OF VEHICLES AND TIME WINDOWS (STUDI KASUS: PT PABRIK KERTAS TJIWI KIMIA) Gust Rean Azm, Suparno, Yudha Prasetyawan Fakultas Teknolog Industr
Lebih terperinciModel Potensial Gravitasi Hansen untuk Menentukan Pertumbuhan Populasi Daerah
Performa (2004) Vol. 3, No.1: 28-32 Model Potensal Gravtas Hansen untuk Menentukan Pertumbuhan Populas Daerah Bambang Suhard Jurusan Teknk Industr, Unverstas Sebelas Maret, Surakarta Abstract Gravtaton
Lebih terperinciPRESENTASI TUGAS AKHIR CI 1483 OPTIMASI WAKTU INVENTORI MULTI ITEM DENGAN STRUKTUR BIAYA CONCAVE
PRESENTASI TUGAS AKHIR CI 1483 OPTIMASI WAKTU INVENTORI MULTI ITEM DENGAN STRUKTUR BIAYA CONCAVE Penyusun Tugas Akhr : Nta Kusumanngtyas (NRP : 5104.100.052) Dosen Pembmbng : Rully Soelaman, S.Kom., M.Kom.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciPrediksi Jumlah Follower Official Account Line Menggunakan Regresi dan Algoritma Genetika
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 217, hlm. 1312-132 http://j-ptk.ub.ac.d Predks Jumlah Follower Offcal Account Lne Menggunakan Regres dan
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih 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 terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu
Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan
Lebih terperinciSCHEMATICS 2009 National Programming Contest
SCHEMATICS 2009 Natonal Programmng Contest No Nama Problem 1 Berhtung 2 Gelang Cantk 3 Jalan 4 Kubangan Lumpur 5 Ayam dan Bebek 6 Schematcs09 7 Pagar Labrn JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI
Lebih terperinciBAB I PENDAHULUAN. konsep strategi yang cocok untuk menghadapi persaingan baik itu mengikuti marketing
BAB I PENDAHULUAN 1.1 Latar Belakang Konds persangan dalam berbaga bdang ndustr saat n dapat dkatakan sudah sedemkan ketatnya. Persangan dalam merebut pasar, adanya novas produk, mencptakan kepuasan pelanggan
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 terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih 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 terperinciPENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION
PENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION Yudh Purwananto Rully Soelaman dan Bambang Santoso. Fakultas Teknolog Informas Insttut Teknolog Sepuluh Nopember
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 terperinciHUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT
HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT ABSTRAK STEVANY HANALYNA DETHAN Fakultas Ekonom Unv. Mahasaraswat Mataram e-mal : stevany.hanalyna.dethan@gmal.com
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
Lebih 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Pustaka 2.1.1 Tmetable Tmetable merupakan alokas subjek yang memlk kendala untuk dtempatkan pada ruang waktu (Gan dkk, 2004). Permasalahan Tmetable cukup luas. Masalah
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB III METODE PENELITIAN. pretest postes control group design dengan satu macam perlakuan. Di dalam
BAB III METODE PEELITIA A. Bentuk Peneltan Peneltan n merupakan peneltan ekspermen dengan model pretest postes control group desgn dengan satu macam perlakuan. D dalam model n sebelum dmula perlakuan kedua
Lebih terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
Lebih terperinciModel SPK. Model optimasi (2) Model optimasi (1) Metode-metode Optimasi dengan Alternatif Terbatas 4/30/2017. Tujuan.
4/0/207 Tujuan Metode-metode Optmas dengan Alternatf Terbatas N O V R I N A Mahasswa dapat memaham dan mampu mengaplkaskan beberapa metode untuk menyelesakan masalah dengan alternatf-alternatf dalam jumlah
Lebih terperinciOPTIMASI METODE DISCRIMINATIVELY REGULARIZED LEAST SQUARE CLASSIFICATION DENGAN ALGORITMA GENETIKA
Vol. 5, o. 3, Januar 2010 ISS 0216-0544 OPIMASI MEODE DISCRIMIAIVELY REGULARIZED LEAS SQUARE CLASSIFICAIO DEGA ALGORIMA GEEIKA * Arad Retno r Hayat Rrd, ** Agus Zanal Arfn, *** Anny Yunart * Program Stud
Lebih terperinciMODEL PERSEDIAAN TERINTEGRASI PRODUSEN - DISTRIBUTOR - PENGECER DENGAN MULTI - PRODUK DAN KENDALA TINGKAT LAYANAN
MODEL PERSEDIAAN TERINTEGRASI PRODUSEN - DISTRIBUTOR - PENGECER DENGAN MULTI - PRODUK DAN KENDALA TINGKAT LAYANAN Mkyana Ramadan, Nughthoh Arfaw Kurdh, dan Sutrma Program Stud Matematka FMIPA UNS Abstrak.
Lebih terperinciBAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas
BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
I ENDHULUN. Latar elakang Mengambl keputusan secara aktf memberkan suatu tngkat pengendalan atas kehdupan spengambl keputusan. lhan-plhan yang dambl sebenarnya membantu dalam penentuan masa depan. Namun
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciBAB VI MODEL-MODEL DETERMINISTIK
BAB VI MODEL-MODEL DETERMINISTIK 6. Masalah Penyaluran Daya Lstrk Andakan seorang perencana sstem kelstrkan merencakan penyaluran daya lstrk dar beberapa pembangkt yang ternterkoneks dan terhubung dengan
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus
Lebih terperinci