BAB 4 HASIL DAN PEMBAHASAN. smoothing, dan siklis untuk barang jadi Mie Atom Metode Regresi Linier. Nama barang jadi: Mie Atom.
|
|
|
- Herman Irawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB 4 HASIL DAN PEMBAHASAN 4.1 Penghtungan Penghtungan Peramalan Peramalan Me Atom Contoh perhtungan peramalan permntaan dengan metode regres lner, regres kuadrats, double movng average, double exponental smoothng, dan skls untuk barang jad Me Atom Metode Regres Lner Nama barang jad: Me Atom. Data penjualan Me Atom tahun 2006 dapat dlhat pada Tabel 4.1. Tabel 4.1 Data Penjualan Me Atom Tahun 2006 Bulan Penjualan Y(t) (unt) Januar 3197 Februar 3348 Maret 3476 Aprl 3643 Me 3426 Jun 3714 Jul 3135 Agustus 3092 September 3851 Oktober 3566 November
2 108 Desember 3460 Sumber : PT Kuala Pangan Tabel 4.2 Perhtungan Metode Regres Lner untuk Me Atom Bulan Perode (t) Penjualan Y(t) (unt) ty(t) t 2 Januar Februar Maret Aprl Me Jun Jul Agustus September Oktober November Desember Jumlah (Σ) = b = (12)(271250)-(41401)(78) = 14,989 (12)(650)-(78 2 ) a = (14,989)(78) = 3352, Jad, Y(t) = 3352, ,989t Dengan demkan hasl peramalan untuk tahun 2007 adalah sebaga berkut : Y(13) = 3352, ,989 (13) = 3547, unt.
3 109 Y(14) = 3352, ,989 (14) = 3562, unt. Y(15) = 3352, ,989 (15) = 3577, unt. Y(16) = 3352, ,989 (16) = 3592, unt. Y(17) = 3352, ,989 (17) = 3607, unt. Y(18) = 3352, ,989 (18) = 3622, unt. Y(19) = 3352, ,989 (19) = 3637, unt. Y(20) = 3352, ,989 (20) = 3652, unt. Y(21) = 3352, ,989 (21) = 3667, unt. Y(22) = 3352, ,989 (22) = 3682, unt. Y(23) = 3352, ,989 (23) = 3697, unt. Y(24) = 3352, ,989 (24) = 3712, unt. Hasl peramalan permntaan dengan metode Regres Lner untuk tahun 2007 dapat dlhat pada Tabel 4.3. Tabel 4.3 Hasl Peramalan Permntaan dengan Metode Regres Lner untuk Me Atom Bulan Hasl Peramalan Januar 3548 Februar 3563 Maret 3578 Aprl 3593 Me 3608 Jun 3623 Jul 3638 Agustus 3653
4 110 September 3668 Oktober 3683 November 3698 Desember Metode Regres Kuadrats Dsn dtamplkan hasl peramalan dengan menggunakan Metode Regres Kuadrats untuk barang jad Me Atom, untuk cara caranya dapat d lhat pada Lampran 1. Tabel 4.4 Hasl Peramalan Permntaan dengan Metode Regres Kuadrats untuk Me Atom Bulan Hasl Peramalan Januar 3458 Februar 3431 Maret 3398 Aprl 3360 Me 3315 Jun 3264 Jul 3208 Agustus 3145 September 3077 Oktober 3003 November 2922 Desember 2836
5 Metode Double Movng Average Dsn dtamplkan hasl peramalan dengan menggunakan Metode Double Movng Average untuk barang jad Me Atom, untuk cara caranya dapat dlhat pada Lampran 1. Tabel 4.5 Hasl Peramalan Permntaan dengan Metode Double Movng Average untuk Me Atom Bulan Hasl Peramalan Januar 3767 Februar 3837 Maret 3907 Aprl 3976 Me 4046 Jun 4116 Jul 4185 Agustus 4255 September 4325 Oktober 4394 November 4464 Desember Metode Double Exponental Smoothng Tabel 4.6 Hasl Peramalan Permntaan dengan Metode Double Exponental Smoothng untuk Me Atom Bulan Hasl Peramalan Januar 3475 Februar 3466
6 112 Maret 3458 Aprl 3449 Me 3440 Jun 3432 Jul 3423 Agustus 3415 September 3406 Oktober 3398 November 3389 Desember 3380 September Metode Skls Dsn dtamplkan hasl peramalan dengan menggunakan Metode Skls untuk barang jad Me Atom, untuk cara caranya dapat d lhat pada Lampran 1. Tabel 4.7 Hasl Peramalan Permntaan dengan Metode Skls untuk Me Atom Bulan Hasl Peramalan Januar 3436 Februar 3433 Maret 3436 Aprl 3442 Me 3451 Jun 3459 Jul 3466 Agustus 3468 September 3465 Oktober 3459
7 113 November 3450 Desember Peramalan Bhun Atom Contoh perhtungan peramalan permntaan dengan metode regres lner, regres kuadrats, double movng average, double exponental smoothng, dan skls untuk barang jad Bhun Atom Metode Regres Lner Nama barang jad: Bhun Atom. Data penjualan Bhun Atom tahun 2006 dapat dlhat pada Tabel 4.8. Tabel 4.8 Data Penjualan Bhun Atom Tahun 2006 Bulan Penjualan Y(t) (unt) Januar 7105 Februar 8440 Maret 7725 Aprl 8095 Me 7613 Jun 7364 Jul 7784 Agustus 8691 September 7444 Oktober 8137 November 8519 Desember 7857 Sumber : PT Kuala Pangan
8 114 Tabel 4.9 Perhtungan Metode Regres Lner untuk Bhun Atom Bulan Penjualan Perode Y(t) (t) (unt) ty(t) t 2 Januar Februar Maret Aprl Me Jun Jul Agustus September Oktober November Desember Jumlah (Σ) = b = (12)(622164)-(94774)(78) = 42,888 (12)(650)-(78 2 ) a = (42,888)(78) = 7619, Jad, Y(t) = 7619, ,888t Dengan demkan hasl peramalan untuk tahun 2007 adalah sebaga berkut : Y(13) = 7619, ,888 (13) = 8176, unt. Y(14) = 7619, ,888 (14) = 8219, unt. Y(15) = 7619, ,888 (15) = 8262, unt.
9 115 Y(16) = 7619, ,888 (16) = 8305, unt. Y(17) = 7619, ,888 (17) = 8348, unt. Y(18) = 7619, ,888 (18) = 8391, unt. Y(19) = 7619, ,888 (19) = 8433, unt. Y(20) = 7619, ,888 (20) = 8476, unt. Y(21) = 7619, ,888 (21) = 8519, unt. Y(22) = 7619, ,888 (22) = 8562, unt. Y(23) = 7619, ,888 (23) = 8605, unt. Y(24) = 7619, ,888 (24) = 8648, unt. Hasl peramalan permntaan dengan metode Regres Lner untuk tahun 2007 dapat dlhat pada Tabel Tabel 4.10 Hasl Peramalan Permntaan dengan Metode Regres Lner untuk Bhun Atom Bulan Hasl Peramalan Januar 8177 Februar 8220 Maret 8263 Aprl 8306 Me 8349 Jun 8392 Jul 8434 Agustus 8477 September 8520 Oktober 8563 November 8606
10 116 Desember Metode Regres Kuadrats Dsn dtamplkan hasl peramalan dengan menggunakan Metode Regres Kuadrats untuk barang jad Bhun Atom, untuk cara caranya dapat d lhat pada Lampran 1. Tabel 4.11 Hasl Peramalan Permntaan dengan Metode Regres Kuadrats untuk Bhun Atom Bulan Hasl Peramalan Januar 8144 Februar 8171 Maret 8196 Aprl 8219 Me 8240 Jun 8259 Jul 8275 Agustus 8290 September 8302 Oktober 8311 November 8319 Desember 8324
11 Metode Double Movng Average Dsn dtamplkan hasl peramalan dengan menggunakan Metode Double Movng Average untuk barang jad Me Atom, untuk cara caranya dapat dlhat pada Lampran 1. Tabel 4.12 Hasl Peramalan Permntaan dengan Metode Double Movng Average untuk Bhun Atom Bulan Hasl Peramalan Januar 7963 Februar 7952 Maret 7941 Aprl 7930 Me 7920 Jun 7909 Jul 7898 Agustus 7887 September 7876 Oktober 7866 November 7855 Desember Metode Double Exponental Smoothng Tabel 4.13 Hasl Peramalan Permntaan dengan Metode Double Exponental Smoothng untuk Bhun Atom Bulan Hasl Peramalan Januar 8020
12 118 Februar 8003 Maret 7987 Aprl 7971 Me 7954 Jun 7938 Jul 7922 Agustus 7905 September 7889 Oktober 7872 November 7856 Desember Metode Skls Tabel 4.14 Hasl Peramalan Permntaan dengan Metode Skls untuk Bhun Atom Bulan Hasl Peramalan Januar 7919 Februar 7837 Maret 7771 Aprl 7739 Me 7750 Jun 7801 Jul 7878 Agustus 7960 September 8026 Oktober 8058 November 8047 Desember 7996
13 Penghtungan Trackng Sgnal Trackng Sgnal Me Atom Penghtungan dsn d gunakan untuk mencar kesalahan (eror). Pada kasus n saya menggunakan metode MSE. Peramalan yang dplh yatu peramalan dengan MSE yang kecl. Tabel 4.15 Perhtungan Trackng Sgnal untuk Metode Regres Lner untuk Me Atom Penjualan Peramalan e = x - Cumm. e = x - F RSFE x F F e MAD TS , , , , , ,641-1, ,631-34, ,272 34, , ,636-2, ,620 78, ,892 78, ,652 94,551-1, , , , , , ,510 0, ,599-1, ,900 1, , ,128 0, , , , , , ,175 2, , ,578 50, , , ,519 0, , , , , , ,275-1, , ,443 33, , , ,960 0, ,547 63,453 97,062 63, , ,709 0, ,536-24,536 72,526 24, , ,512 0, ,526-72,526 0,000 72, , ,846 0,000 MSE = N e 2 =1 N = (554074,901/ 12) = 46172,908
14 120 Tabel 4.16 Perhtungan Trackng Sgnal untuk Metode Regres Kuadrats untuk Me Atom Penjualan Peramalan e = x - e = x - Cumm. RSFE x F F F e MAD TS , , , , , ,003-1, ,795-9, ,798 9, ,798 62,899-2, ,627 79,373-46,424 79, ,171 68,390-0, , , , , , ,668 1, ,408-30, ,670 30, ,082 89,816 1, , , , , , ,287 3, , ,348 15, , , ,010 0, , , , , , ,556-2, , ,555-46, , , ,889-0, ,553 64,447 17,588 64, , ,345 0, ,701 0,299 17,887 0, , ,432 0, ,887-17,887 0,000 17, , ,803 0,000 MSE = N e 2 =1 N = (542220,381/ 12) = 45185,032 Tabel 4.17 Perhtungan Trackng Sgnal untuk Metode Double Movng Average untuk Me Atom Penjualan Peramalan e = x - Cumm. e = x - F RSFE x F F e MAD TS ,000 1, ,500 2, ,333 3, ,000 4, ,000 5, ,333 6,000
15 ,857 7, , , , , , ,005 7, , , , , , ,600 8, , , , , , ,990 9, ,896 97, ,917 97, , ,000 10, , , , , , ,401 11,484 MSE = N e 2 =1 N = ( ,882/ 12) = ,740 Tabel 4.18 Perhtungan Trackng Sgnal untuk Metode Double Exponental Smoothng untuk Me Atom Penjualan Peramalan e = x - e = x - Cumm. RSFE x F F F e MAD TS , , , , , ,000 1, , , , , , ,500 2, , , , , , ,333 3, , , , , , ,563 4, , , , , , ,800 4, , , , , , ,490 5, , , , , , ,330 5, , , , , , ,521 5, , , , , , ,073 6, , , , , , ,821 7, , , , , , ,853 7, ,284-91, ,681 91, , ,805 8,219 MSE = N e 2 =1 N = ( ,025/ 12) = ,419
16 122 Tabel 4.19 Perhtungan Trackng Sgnal untuk Metode Skls untuk Me Atom Penjualan Peramalan e = x - Cumm. e = x - F RSFE x F F e MAD TS , , , , , ,038-1, ,821-84, ,859 84, , ,429-2, ,230 40, ,089 40, , ,210-2, , ,381-80, , , ,253-0, ,275-24, ,983 24, , ,857-0, , , , , , ,734 1, , , , , , ,791-1, , , , , , ,735-2, , , , , , ,105-0, , ,452-61, , , ,339-0, ,891 43,109-18,714 43, , ,682-0, ,286 18,714 0,000 18, , ,435 0,000 MSE = N e 2 =1 N = (584416,682/ 12) = 48701,390 Peramalan Me Atom dengan MSE yang palng kecl yatu Metode Regres Kuadrats Trackng Sgnal Bhun Atom Tabel 4.20 Perhtungan Trackng Sgnal untuk Metode Regres Lner Bhun Atom Penjualan Peramalan e = x - Cumm. e = x - F RSFE x F F e MAD TS , , , , , ,949-1, , , , , , ,056 0, ,725-22, ,490 22, , ,279 0, , , , , , ,806 1, , , , , , ,945 0, , , , , , ,019-0,696
17 , , , , , ,342-1, , , , , , ,028 0, , , , , , ,698-0, ,942 89, ,452 89, , ,634-0, , , , , , ,410 0, , ,718 0, , , ,936 0,000 MSE = N e 2 =1 N = ( ,876/ 12) = ,240 Tabel 4.21 Perhtungan Trackng Sgnal untuk Metode Regres Kuadrats Bhun Atom Penjualan Peramalan e = x - e = x - Cumm. RSFE x F F F e MAD TS , , , , , ,747-1, , , , , , ,546 0, ,358-22, ,241 22, , ,484 0, , , , , , ,398 1, , , , , , ,549 0, , , , , , ,999-0, , , , , , ,018-1, , , , , , ,038 0, , , , , , ,289-0, ,574 89, ,836 89, , ,103-0, , , , , , ,580 0, , ,516 0, , , ,242 0,000 MSE = N e 2 =1 N = ( ,352/ 12) = ,196
18 124 Tabel 4.22 Perhtungan Trackng Sgnal untuk Metode Double Movng Average Bhun Atom Penjualan Peramalan e = x - Cumm. e = x - F RSFE x F F e MAD TS , , , , , ,000 1, , , , , , ,500 2, , , , , , ,667 3, , , , , , ,250 4, , , , , , ,600 5, , , , , , ,667 6, , , , , , ,286 7, , , , , , ,977 8, , , , , , ,697 8, , , , , , ,002 9, , , , , , ,417 10, , , , , , ,872 11,486 MSE = N e 2 =1 N = ( ,306/ 12) = ,442 Tabel 4.23 Perhtungan Trackng Sgnal untuk Metode Double Exponental Smoothng Bhun Atom Penjualan Peramalan e = x - Cumm. e = x - F RSFE x F F e MAD TS , , , , , ,000 1, , , , , , ,500 2, , , , , , ,000 2, ,750 36, ,250 36, , ,063 3, , , , , , ,650 4, , , , , , ,052 4,779
19 , , , , , ,357 5, , , , , , ,869 6, , , , , , ,366 6, , , , , , ,559 7, , , , , , ,452 7, , , , , , ,722 7,855 MSE = N e 2 =1 N = ( ,820/ 12) = ,235 Tabel 4.24 Perhtungan Trackng Sgnal untuk Metode Skls Bhun Atom Penjualan Peramalan e = x - e = x - Cumm. RSFE x F F F e MAD TS , , , , , ,510-1, , , , , , ,685-0, ,294-45, ,945 45, , ,554-0, , , , , , ,759 0, , ,617-35, , , ,131-0, , , , , , ,662-1, ,156-93, ,665 93, , ,018-1, , , , , , ,075 0, , , , , , ,997-0, ,040 79, ,603 79, , ,794-0, , , , , , ,535 0, , ,347 0, , , ,103 0,000 MSE = N e 2 =1 N = ( ,440/ 12) = ,620
20 Penghtungan Agregat Dar hasl penghtungan Trackng Sgnal ddapat peramalan terbak yatu Metode Regres Kuadrats. Tabel 4.25 Hasl Peramalan Terbak Hasl Peramalan Perode (Bulan) Produk Me Atom (Produk A) Produk Bhun Atom (Produk B) Total W. baku(jam) 12 8 Dketahu: Persedaan awal produk A = 1500 unt. Persedaan awal produk B = 4000 unt. Data agregat pada PT Kuala Pangan adalah sebaga berkut :
21 127 Tenaga kerja sebanyak 400 orang. Waktu sklus 1 unt adalah 8 jam. Dalam 1 bulan terdapat 4 mnggu dan 1 mnggu terdr dar 6 har kerja dmana tap harnya pekerja bekerja selama 8 jam. Baya untuk merekrut satu pekerja baru adalah Rp ,00 dan baya untuk memberhentkan satu pekerja adalah Rp ,00. Baya persedaan untuk 1 unt per bulannya adalah Rp ,00 Baya subkontrak untuk 1 unt adalah Rp ,00 sedangkan baya kehlangan pelanggan tap 1 unt adalah Rp ,00. Upah reguler pekerja tap jam Rp. 3000,00 dan upah overtme per jam Rp. 1500,00. Maksmum overtme adalah 2 jam per har. Maksmum subkontrak produk A dan B masng-masng adalah unt/bulan dan unt/bulan. Baya bahan baku Rp ,00. Langkah pengerjaan: 1. Tentukan faktor konversnya. Produk B memlk total hasl peramalan terbesar, maka waktu baku produk B memlk faktor konvers 1, sedangkan produk A 12 memlk faktor konvers x 1 = Setelah mendapatkan faktor konversnya, kemudan dlakukan perkalan hasl peramalan dengan masng-masng faktor konversnya. Jka haslnya berupa desmal, maka dlakukan pembulatan ke atas. Hasl konvers dapat dlhat pada Tabel Tabel 4.26 Hasl Konvers Perode Hasl Peramalan () (Bulan) Produk A Produk B Jumlah (satuan agregat)
22 Mengkonverskan persedaan awal ke dalam satuan agregat. Produk A = 1500 x 1,5 = 2250 Produk B = 4000 x 1 = 4000 Jumlah = = 6250 satuan agregat 4. Selanjutnya, kurangkan jumlah hasl konvers bulan pertama dengan jumlah persedaan awal, sehngga ddapatkan perkraan demand dalam satuan agregat sepert pada Tabel Tabel 4.27 Perkraan Demand Jumlah Perode () (satuan agregat) (Bulan) =
23 Menghtung perencanaan agregat dengan menggunakan metode Changng Workforce Levels. Algortma: Reg = waktu reguler selama perode yang dperhtungkan. Dalam soal n, satu perode alah satu bulan maka waktu kerja selama satu bulan n alah: 8 jam x 4 mnggu x 6 har = 192 jam. Ot = waktu overtme yang dperbolehkan selama bulan tu. Dalam soal n, satu har kerja max 2 jam overtme maka: 2 jam x 4 mnggu x 6 har = 48 jam. a. Tentukan demand (jam) = demand (satuan agregat) x cycle tme. Pembulatan ke atas. b. Apakah pekerja sekarang x reguler >= demand (jam) [ ya lanjutkan ke ( jml pekerja yang dperlukan = demand (jam)/reg), jka tdak ke langkah c]. c. Apakah pekerja sekarang x (reg + ot) >= demand (jam) [ya lanjut ke langkah f, jka tdak ke langkah d]. d. Car pekerja baru = [demand(jam)/(reg+ot)]. Pembulatan ke atas.
24 130 e. Hre = jumlah pekerja baru - jumlah pekerja perode sebelumnya. f. Tentukan waktu reguler dengan mengalkan jumlah pekerja baru dengan reg. g. Tentukan waktu over tme dengan cara demand dalam jam - reg. h. Maju ke perhtungan bulan berkutnya(kembal ke langkah a).. Jumlah pekerja yang dbutuhkan = demand(jam)/reg. Pembulatan ke atas.. Fre = jumlah pekerja awal - jumlah pekerja yang dbutuhkan. Lanjutkan ke langkah f. Hasl perhtungan perencanaan agregat dengan menggunakan metode Changng Workforce Levels dapat dlhat pada Tabel Tabel 4.28 Hasl Perhtungan Changng Workforce Levels Demand Demand Waktu Waktu Jumlah Bulan (agregat) (jam) Reguler Overtme Hre Fre Pekerja
25 Σ Baya reguler x 3000 = Baya overtme x 1500 = Baya hre 148 x = Baya fre 104 x = Baya bahan baku x 5000 = Total baya Menghtung perencanaan agregat dengan menggunakan metode Changng Inventory Levels. Algortma: a. Tentukan demand dalam jam = [(demand dalam satuan agregat) x cycle tme]. Pembulatan ke atas. b. Jumlah pekerja(untuk 12 bulan) = total demand (jam) dalam 12 perode / (12 x reg). Pembulatan ke atas. c. Produks(jam) = jml pekerja x reg d. Produks (satuan agregat) = produks (jam) / waktu sklus. Pembulatan ke bawah.
26 132 e. Inventor/Lost demand = produks (satuan agregat) demand (satuan agregat), bla postf maka masuk nventor jka negatf maka masuk lost demand. Hasl perhtungan perencanaan agregat dengan menggunakan metode Changng Inventory Levels dapat dlhat pada Tabel Tabel 4.29 Hasl Perhtungan Changng Inventory Levels Demand Demand Produks Produks Jumlah Inventor Lost Bulan (ag) (jam) (agregat) (jam) Pekerja (agregat) Demand Σ
27 133 Baya reguler x 3000 = Baya hre/fre 123 x = Baya nventor 5471 x 5000 = Baya lost demand 5275 x = Baya bahan baku x 5000 = Total baya Menghtung dengan menggunakan metode Subcontractng Algortma: a. Tentukan demand (satuan agregat yang palng kecl) untuk produks satuan agregat selama 12 perode. b. Produks(jam) = produks satuan agregat x waktu sklus. Pembulatan ke atas. c. Jumlah pekerja = produks (jam) / reg. Pembulatan ke atas. d. Subkontrak = demand (satuan agregat) produks (satuan agregat). Hasl perhtungan perencanaan agregat dengan menggunakan metode Subcontractng dapat dlhat pada Tabel Tabel 4.30 Hasl Perhtungan Subcontractng Bulan Demand (ag) Produks (agregat) Produks (jam) Jumlah Pekerja Subcontractng
28 Σ Baya reguler x 3000 = Baya hre/fre 104 x = Baya subkontrak x = Baya bahan baku ( )x 5000= Total baya Menghtung perencanaan agregat dengan menggunakan metode Mxed Strategy. Algortma: a. Tentukan demand (jam) untuk satu tahun = demand (satuan agregat) x waktu sklus. b. Apakah pekerja sekarang x reguler + (nventor x waktu sklus) >= demand (jam) [jka ya maka pekerja baru = pekerja awal dan lanjut ke f, jka tdak ke langkah c]. c. Apakah pekerja sekarang x (reg + ot) + (nventor x waktu sklus) >= demand (jam). [jka ya maka pekerja baru = pekerja awal dan lanjut ke f, jka tdak ke langkah d].
29 135 d. Apakah [pekerja sekarang x (eg + ot) + (nventor x waktu sklus) + max subcontract (jam)] >= demand (jam). [jka ya maka pekerja baru = pekerja awal dan lanjut ke f, jka tdak ke langkah e]. e. Car jumlah pekerja baru = [demand (jam) (nventor x waktu sklus) max subcontract(jam)] / (reg+ot). Pembulatan ke atas. f. Tentukan waktu reguler dengan mengalkan jumlah pekerja baru dengan reg. g. Jka waktu reg > dar demand (jam) tentukan nventor dengan cara mengurang waktu reguler dengan demand(jam)/ waktu sklus + nventor. Lanjutkan ke j. h. Jka waktu reg < demand dan nventor perode sebelumnya > 0, tentukan nventor perode sekarang dengan cara: nventor perode sekarang = nventor perode sebelumnya - demand ( jam) waktureguler( jam) waktusklus Jka hasl nventor perode sekarang negatf (-) maka nla nventor perode sekarang = 0, lanjut ke. jka hasl nventor produk sekarang postf (+), lanjut ke langkah j.. Tentukan waktu overtme dengan cara jumlah pekerja x max overtme. Jka jumlah OT(tabel) dengan WR(tabel) dan dengan (nv sebelumnya * waktu sklus) > dr demand (jam) maka kurang waktu OT sehngga jumlahnya dengan WR dan dengan (nv sebelumnya * waktu sklus) = demand (jam). Jka jumlah OT(tabel) dengan WR(tabel) dan dengan (nv sebelumnya * waktu sklus) < dr demand (jam) lanjut ke.
30 136 j. Tentukan subcontract = demand(satuan agregat) nv (satuan agregat)- er( jam) + waktusklus wakturegul ot( jam) k. Maju ke perhtungan bulan berkutnya (balk ke langkah b). Keterangan: Baya bahan baku = ((waktu reguler + waktu overtme) / waktu sklus) * baya bahan baku, dengan ((waktu reguler + waktu overtme)/ waktu sklus) Pembulatan ke bawah. Maksmum subkontrak : Produk A = 8000 x 1,5 = satuan agregat Produk B = x 1 = satuan agregat Jumlah = = satuan agregat Hasl perhtungan perencanaan agregat dengan menggunakan metode Mxed Strategy dapat dlhat pada Tabel Tabel 4.31 Perhtungan Mxed Strategy Bulan Demand (ag) Demand (jam) Waktu Reguler Inventor (ag) Waktu Overtme Subcontractng Hre Jumlah Pekerja
31 Σ Baya reguler x 3000 = Baya overtme x 1500 = Baya nventor 2519 x 5000 = Baya subkontrak x = Baya hre 0 x = 0 Baya bahan baku ( )x5000 = Total baya Langkah terakhr adalah membandngkan total baya yang dhaslkan oleh masngmasng metode, kemudan plhlah yang mempunya baya total terkecl Penghtungan Dsagregat Setelah melakukan perhtungan perencanaan produks agregat, ddapatkan hasl terbak dengan menggunakan metode Changng Workforce Levels. Dengan rumus untuk Changng Workforce Levels, dperoleh Y* = demand dalam satuan agregat. Perhtungan untuk perencanaan dsagregat dapat dlhat pada Tabel 4.32.
32 138 Tabel 4.32 Perhtungan Dsagregat Perode Demand Y* (Bulan) (Satuan Agregat) Tabel 4.33 Input Dsagregat Perode 1 Famly Item Perseda Permntaan Faktor Expected Kj*Dj j n Awal Ij,t-1 Dj,t Konvers Kj Quantty Ij,t-1-Dj,t Produk A , B Jumlah Step 1 : Y* = 7081 Dengan N = 1 ddapat : 7081 < 1,5( ) + 1( )
33 < < 9581 Step 2 : E = = 2500 Step 3 : Y* produk A = ( ) (2500*3458/13331) = 2310 Y* produk B = ( ) (2500*8144/13331) = 3617 Tabel 4.34 Perhtungan Dsagregat Perode 1 Y* Step 1 Step 2 Step 3 Kuanttas Konvers ke NPEI Produks Agregat Begtu pula dengan Perode 2 dan selanjutnya, cara cara perhtungannya dapat d lhat pada lampran 3. Tabel 4.35 Input Dsagregat Perode 2 Famly Item Perseda Permntaan Faktor Expected Kj*Dj j n Awal Ij,t-1 Dj,t Konvers Kj Quantty Ij,t-1-Dj,t Produk A , B Jumlah Tabel 4.36 Perhtungan Dsagregat Perode 2 Y* Step 1 Step 2 Step 3 Kuanttas Konvers ke NPEI
34 Produks Agregat Tabel 4.37 Input Dsagregat Perode 3 Famly Item Perseda Permntaan Faktor Expected Kj*Dj j n Awal Ij,t-1 Dj,t Konvers Kj Quantty Ij,t-1-Dj,t Produk A , B Jumlah Tabel 4.38 Perhtungan Dsagregat Perode 3 Y* Step 1 Step 2 Step 3 Kuanttas Konvers ke NPEI Produks Agregat Tabel 4.39 Input Dsagregat Perode 4 Famly Item Perseda Permntaan Faktor Expected Kj*Dj j n Awal Ij,t-1 Dj,t Konvers Kj Quantty Ij,t-1-Dj,t Produk A , B Jumlah 13259
35 141 Tabel 4.40 Perhtungan Dsagregat Perode 4 Y* Step 1 Step 2 Step 3 Kuanttas Produks Konvers ke Agregat NPEI Tabel 4.41 Input Dsagregat Perode 5 Famly Item Perseda Permntaan Faktor Expected Kj*Dj j n Awal Dj,t Konvers Quantty Ij,t-1 Kj Ij,t-1-Dj,t Produk A , B Jumlah Tabel 4.42 Perhtungan Dsagregat Perode 5 Y* Step 1 Step 2 Step 3 Kuanttas Produks Konvers ke Agregat NPEI Tabel 4.43 Input Dsagregat Perode 6 Famly Item Perseda Permntaan Faktor Expected Kj*Dj j n Awal Dj,t Konvers Quantty Ij,t-1 Kj Ij,t-1-Dj,t Produk A ,
36 142 B Tabel 4.44 Perhtungan Dsagregat Perode 6 Jumlah Y* Step 1 Step 2 Step 3 Kuanttas Produks Konvers ke Agregat NPEI Tabel 4.45 Input Dsagregat Perode 7 Famly Item Perseda Permntaan Faktor Expected Kj*Dj j n Awal Dj,t Konvers Quantty Ij,t-1 Kj Ij,t-1-Dj,t Produk A , B Jumlah Tabel 4.46 Perhtungan Dsagregat Perode 7 Y* Step 1 Step 2 Step 3 Kuanttas Produks Konvers ke Agregat NPEI Tabel 4.47 Input Dsagregat Perode 8 Famly Item Perseda Permntaan Faktor Expected Kj*Dj j n Awal Dj,t Konvers Quantty
37 143 Ij,t-1 Kj Ij,t-1-Dj,t Produk A , B Jumlah Tabel 4.48 Perhtungan Dsagregat Perode 8 Y* Step 1 Step 2 Step 3 Kuanttas Produks Konvers ke Agregat NPEI Tabel 4.49 Input Dsagregat Perode 9 Famly Item Perseda Permntaan Faktor Expected Kj*Dj j n Awal Dj,t Konvers Quantty Ij,t-1 Kj Ij,t-1-Dj,t Produk A , B Jumlah Tabel 4.50 Perhtungan Dsagregat Perode 9 Y* Step 1 Step 2 Step 3 Kuanttas Produks Konvers ke Agregat NPEI
38 144 Tabel 4.51 Input Dsagregat Perode 10 Famly Item Perseda Permntaan Faktor Expected Kj*Dj j n Awal Ij,t-1 Dj,t Konvers Kj Quantty Ij,t-1-Dj,t Produk A , B Jumlah Tabel 4.52 Perhtungan Dsagregat Perode 10 Y* Step 1 Step 2 Step 3 Kuanttas Konvers ke NPEI Produks Agregat Tabel 4.53 Input Dsagregat Perode 11 Famly Produ k Item Perseda Permntaan Faktor j n Awal Dj,t Konvers Ij,t-1 Kj Expected Kj*Dj Quantty Ij,t-1-Dj,t A , B Jumlah 12702
39 145 Tabel 4.54 Perhtungan Dsagregat Perode 11 Y* Step 1 Step 2 Step 3 Kuanttas Produks Konvers ke Agregat NPEI Tabel 4.55 Input Dsagregat Perode 12 Famly Item Perseda Permntaan Faktor Expected Kj*Dj j n Awal Dj,t Konvers Quantty Ij,t-1 Kj Ij,t-1-Dj,t Produk A , B Jumlah Tabel 4.56 Perhtungan Dsagregat Perode 12 Y* Step 1 Step 2 Step 3 Kuanttas Produks Konvers ke Agregat NPEI MPS Dar hasl penghtungan dsagregat ddapatkan MPS Me dan MPS Bhun yang dapat dlhat pada Tabel 4.57.
40 146 Tabel 4.57 MPS (Master Producton Schedule) MPS Perode Produk Produk Me Atom Bhun Atom Total Sumber : Hasl Perhtungan Sendr 4.2 Hasl Output Aplkas Dar hasl perancangan aplkas yang sudah danalss, berkut adalah hasl outputnya : Gambar 4.1 Prnt PO
LAMPIRAN 1 CONTOH PERHITUNGAN PERAMALAN. 1. Contoh perhitungan peramalan permintaan dengan metode regresi linier, regresi
LAMPIRAN 1 CONTOH PERHITUNGAN PERAMALAN 1. Contoh perhitungan peramalan permintaan dengan metode regresi linier, regresi kuadratis, double moving average, double exponential smoothing, dan siklis untuk
BAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Peramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
IV. 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
Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
PERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
ANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
BAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
BAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
BAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
BAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Contoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi.
BAB V TEOEMA-TEOEMA AGKAIA 5. Teorema Superposs Teorema superposs bagus dgunakan untuk menyelesakan permasalahan-permasalahan rangkaan yang mempunya lebh dar satu sumber tegangan atau sumber arus. Konsepnya
UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
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
Kata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
BAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Bab 2 AKAR-AKAR PERSAMAAN
Analsa Numerk Bahan Matrkulas Bab AKAR-AKAR PERSAMAAN Pada kulah n akan dpelajar beberapa metode untuk mencar akar-akar dar suatu persamaan yang kontnu. Untuk persamaan polnomal derajat, persamaannya dapat
BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Preferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
ANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Nama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
BAB 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
BAB 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
Pendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
BAB 4 IMPLEMENTASI DAN EVALUASI
65 BAB IMPLEMENTASI DAN EVALUASI. Penyaan Data Hasl Peneltan Data-ata hasl peneltan yang gunakan alam pengolahan ata aalah sebaga berkut: a. ata waktu kera karyawan b. ata umlah permntaan konsumen c. ata
MODEL 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.
P n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
PENGEMBANGAN 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,
BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
BAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
BAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL
BOKS A SUMBANGAN SEKTOR-SEKTOR EKONOMI BALI TERHADAP EKONOMI NASIONAL Analss sumbangan sektor-sektor ekonom d Bal terhadap pembangunan ekonom nasonal bertujuan untuk mengetahu bagamana pertumbuhan dan
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
III. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
METODE PENELITIAN. Penentuan lokasi dilakukan secara tertuju (purposive) karena sungai ini termasuk
IV. METODE PENELITIAN 4.1. Tempat dan Waktu Peneltan Peneltan n dlakukan d Sunga Sak, Kota Pekanbaru, Provns Rau. Penentuan lokas dlakukan secara tertuju (purposve) karena sunga n termasuk dalam 13 sunga
III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
PROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
BAB 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
REGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
BAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
BAB 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
toto_suksno@uny.ac.d Economc load dspatch problem s allocatng loads to plants for mnmum cost whle meetng the constrants, (lhat d http://en.wkpeda.org/) Economc Dspatch adalah pembagan pembebanan pada pembangktpembangkt
Bab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
PENJADWALAN 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
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
ANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Solusi Ujian 2 EL2005 Elektronika Sabtu, 3 Mei
Solus Ujan 2 EL2005 Elektronka Sabtu, 3 Me 2014 13.00-15.30 1. Transstor MOSFET Penguat berkut memlk penguatan -25V/V. Anggap nla kapastor tak berhngga. V DD = 5V, V t =0,7V, k n =1mA/V 2. Resstans nput
BAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
BAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jens dan Pendekatan Peneltan Jens peneltan n termasuk peneltan korelasonal (correlatonal studes. Peneltan korelasonal merupakan peneltan yang dmaksudkan untuk mengetahu ada
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN :
JURNA MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN : 1410-8518 MASAAH RUTE TERPENDEK PADA JARINGAN JAAN MENGGUNAKAN AMPU AU-INTAS Stud Kasus: Rute Peralanan Ngesrep Smpang ma Eko Bud
BAB 2 LANDASAN TEORI. datang. Sedangkan ramalan adalah situasi atau kondisi yang diperkirakan akan terjadi
BAB 2 LANDASAN EORI 2.1 Peramalan 2.1.1 Pengertan Peramalan Peramalan adalah kegatan mengestmas apa yang akan terjad pada masa yang akan datang. Sedangkan ramalan adalah stuas atau konds yang dperkrakan
III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
MANAJEMEN 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
LAMPIRAN 1 DATA PENGAMATAN
LAMPIRAN 1 DATA PENGAMATAN 1. Data Volume Hasl Elektrolss - Jumlah Elektroda = 5 Sel 15 14 13 12 11 Tabel 7. Data Pengamatan Volume Hasl Elektrolss KOH Volume Awal Volume Akhr (lter) (lter) 0,25 12 11,976
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Uj Normaltas Llefors D dalam pengendalan persedaan, perumusan lmu statstk dgunakan untuk menentukan pola dstrbus, dmana pola dstrbus tersebut dapat dhtung dengan menguj kenormalan
Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
TINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
PERENCANAAN KEBUTUHAN TENAGA KERJA FLEKSIBEL PADA SISTEM JOB SHOP MEMPERGUNAKAN TEKNIK SHOJINKA
Magster eknk ndustr Program Pascasarana, Unverstas Katolk Parahyangan, Bandung PERECAAA KEBUUHA EAGA KERA FLEKSBEL PADA SSEM OB SHOP MEMPERGUAKA EKK SHOKA Arf Rahman Program Stud eknk ndustr Fakultas eknk
Perbaikan Sistem Persediaan Tinta Fotokopi di CV. NEC, Surabaya
Perbakan Sstem Persedaan Tnta Fotokop d CV. NEC, Surabaya Indr Hapsar, Jerry Agus Arlanto, dan Albert Sutanto Teknk Industr Unverstas Surabaya Jl. Raya Kalrungkut Surabaya Emal: ndr@ubaya.ac.d Abstrak
BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
BAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
BAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
PERBANDINGAN METODE PREDIKSI PENYELESAIAN PROYEK EARNED VALUE MANAGEMENT DAN EARNED SCHEDULE
PERBANDINGAN METODE PREDIKSI PENYELESAIAN PROYEK EARNED VALUE MANAGEMENT DAN EARNED SCHEDULE Elsa Oktavtr And Tenrsukk Tenrajeng 2 Fakultas Teknk Spl Unverstas Gunadarma Abstrak Tujuan utama dalam sebuah
PRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel
PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan
BAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
BAB 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
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
BAB 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
KEPUTUSAN-KEPUTUSAN LINTAS WAKTU
KEPUTUSA-KEPUTUSA LITAS WAKTU Dr. Mohammad Abdul Mukhy Page Modal adalah uang dan sumber daya yang dnvestaskan Bunga (nterest) adalah pengembalan atas modal atau sejumlah uang yang dterma nvestor untuk
BAB.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
PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT
PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos Pabelan
2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil
.1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)
RANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
APLIKASI JARINGAN PETRI PADA PEMBUATAN HIDRANT PILAR DUA (TWO WAY HIDRANT) MODEL H-14 AP DI PT. KARYA PADUYASA LEBAKSIU KABUPATEN TEGAL
APLIKASI JARINGAN PETRI PADA PEMBUATAN HIDRANT PILAR DUA (TWO WAY HIDRANT) MODEL H-14 AP DI PT. KARYA PADUYASA LEBAKSIU KABUPATEN TEGAL Saufk Luthfanto Suwandono Sswyant Program Stud Teknk Industr Unverstas
III. 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
ANALISIS PENENTUAN UKURAN PEMESANAN OLI MENGGUNAKAN METODE EOQ DI BENGKEL XYZ
INDEPT, Vol. 2, No. 2, Jun 2012 ISSN 2087 9245 ANALISIS PENENTUAN UKURAN PEMESANAN OLI MENGGUNAKAN METODE EOQ DI BENGKEL XYZ Andy Purwanto, ST. Sekretars Jurusan Teknk Industr, Fakultas Teknk Unverstas
BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
BAB V TEOREMA RANGKAIAN
9 angkaan strk TEOEM NGKIN Pada bab n akan dbahas penyelesaan persoalan yang muncul pada angkaan strk dengan menggunakan suatu teorema tertentu. Dengan pengertan bahwa suatu persoalan angkaan strk bukan
Tinjauan 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
FUNGSI BIAYA UNTUK MENENTUKAN TINGKAT PEMESANAN OPTIMUM MULTI ITEM INDEPENDEN BERDISTRIBUSI KONTINU. H. Bernik Maskun
FUNGSI BIAYA UNTUK MENENTUKAN TINGKAT PEMESANAN OPTIMUM MULTI ITEM INDEPENDEN BERDISTRIBUSI KONTINU oleh H. Bernk Maskun Departemen Statstka, FMIPA Unverstas Padjadjaran bernkmaskun69@gmal.com Abstrak
III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Bab 3. Penyusunan Algoritma
Bab 3. Penusunan Algortma on anuwjaa/ 500030 Algortma merupakan penulsan permasalahan ang sedang dsorot dalam bahasa matematk. Algortma dbutuhkan karena komputer hana dapat membaca suatu masalah secara
MODEL PERSEDIAAN PROBABILISTIK YANG MEMUAT VARIABEL LEAD TIME DENGAN PENDEKATAN DISTRIBUSI NORMAL
MODEL PERSEDIAAN PROBABILISTIK YANG MEMUAT VARIABEL LEAD TIME DENGAN PENDEKATAN DISTRIBUSI NORMAL Noprad, T.P.Nababan, Endang Lly Mahasswa Program Stud S Matematka Dosen Jurusan Matematka Fakultas Matematka
BAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
BAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Apabila dua variabel X dan Y mempunyai hubungan, maka nilai variabel X yang sudah diketahui dapat dipergunakan untuk mempekirakan / menaksir Y.
ANALISIS KORELASI (ANALISIS HUBUNGAN) Korelas Hubungan antar kejadan (varabel) yang satu dengan kejadan (varabel) lannya (dua varabel atau lebh), yang dtemukan oleh Karl Pearson pada awal 1900 Apabla dua
BAB III METODE PENELITIAN. Metode dalam penelitian merupakan suatu cara yang digunakan oleh peneliti
BAB III METODE PENELITIAN 3.1 Desan Peneltan Metode dalam peneltan merupakan suatu cara yang dgunakan oleh penelt dalam mencapa tujuan peneltan. Metode dapat memberkan gambaran kepada penelt mengena langkah-langkah
BAB 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.
BAB V Model Bayes Pendugaan Area Kecil untuk Respon Binomial dan Multinomial Berbasis Penarikan Contoh Berpeluang Tidak Sama
BAB V Model Bayes Pendugaan Area Kecl untuk Respon Bnomal dan Multnomal Berbass Penarkan Contoh Berpeluang Tdak Sama 5.1. Pendahuluan Pada umumnya pengembangan model SAE dan pendugaannya dlakukan dengan