PENENTUAN PROSENTASE CALON MAHASISWA BARU YANG AKAN MENDAFTAR ULANG DENGAN BANTUAN SIMULASI MONTE CARLO
|
|
- Adi Sugiarto Yuwono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENENTUAN PROSENTASE CALON MAHASISWA BARU YANG AKAN MENDAFTAR ULANG DENGAN BANTUAN SIMULASI MONTE CARLO Yogi Yusuf Wibisono Jurusan Teknik Industri Universtias Katolik Parahyangan Jalan Ciumbuleuit 94 Bandung Abstrak Penerimaan mahasiswa baru merupakan aktivitas rutin tahunan yang dilakukan oleh sekolahsekolah tidak terkecuali Unpar. Aktivitas ini tidak hanya sekedar menyeleksi calom mahasiswa baru, tetapi juga menentukan jumlah calon mahasiswa baru yang diterima melalui ujian saringan masuk (USM). Penentuan jumlah calon mahasiswa baru yang diterima ditentukan dari estimasi prosentase calon mahasiswa baru yang mendaftar ulang dari total jumlah yang diterima, disamping kapasitas yang tersedia. Selama ini pihak universitas menentukan prosentase calon mahasiswa baru yang mendaftar ulang berdasarkan rata-rata prosentase tahun-tahun sebelumnya. Cara tersebut kurang memberikan hasil yang akurat. Hal ini disebabkan kondisi tiap tahun penerimaan mahasiwa baru selalu berbeda-beda. Dalam makalah ini akan dikaji alternatif lain yang dapat digunakan dalam menentukan prosentase calon mahasiswa baru yang mendaftar ulang yaitu dengan bantuan simulasi Monte Carlo. Melalui alternatif ini, pihak universitas harus mengestimasi nilai prosentase yang optimis, pesimis, dan paling mungkin dengan mempertimbangkan kondisi-kondisi yang dapat mempengaruhi calon mahasiswa baru yang diterima mendaftar ulang. Kata Kunci: penerimaan mahasiswa baru, prosentase kembali, simulai Monte Carlo. 1. Pendahuluan Penerimaan mahasiswa baru merupakan aktivitas rutin tahunan yang dilakukan di sekolahsekolah. Unpar sebagai salah satu perguruan tinggis swasta favorit di Bandung melaksanakan aktivitas ini melalui serangkai tahap, salah satunya adalah tahap ujian saringan masuk (USM). USM merupakan proses seleksi calon mahasiswa untuk memilih calon mahasiswa yang memenuhi kualifikasi yang ditetapkan Unpar. Proses ini dijalankan mengingat jumlah calon mahasiswa yang mendaftar melebihi daya tampung yang dimiliki Unpar. Walaupun jumlah yang mendaftar melebihi daya tampung, tetapi pada kenyataannya jumlah mahasiswa yang kuliah (untuk satu angkatan) dapat lebih kecil daripada daya tampung tersebut. Sebaliknya walaupun sudah ada proses seleksi, dimungkinkan juga jumlah mahasiswa yang kuliah (untuk satu angkatan) dapat melebihi daya tampungnya. Kondisi ini disebabkan oleh jumlah calon mahasiswa yang dinyatakan lolos seleksi terlalu sedikit atau terlalu besar. Penentuan jumlah mahasiswa yang dinyatakan lolos tersebut tergantung pada estimasi prosentase calon mahasiswa yang akan mendaftar ulang ke Unpar. Sebagai contoh jika estimasi prosentase calon mahasiswa yang akan mendaftar ulang sebesar 60%, maka jumlah calon mahasiswa yang dinyatakan lolos seleksi sebesar daya tampung dibagi 60%. Penentuan jumlah calon mahasiswa yang dinyatakan lolos saat ini melalui prosedur berikut: (1) Estimasi prosentase calon mahasiswa yang mendaftar ulang; (2) Hitung jumlah mahasiswa yang dipanggil atau dinyatakan lolos seleksi. Estimasi prosentase calon mahasiswa yang mendaftar ulang diperoleh dari rata-rata prosentase calon mahasiswa yang mendaftar ulang tahun-tahun sebelumnya. Kondisi yang mempengaruhi calon mahasiswa mendaftar ulang pada tiap tahun selalu berbeda, 432 Penentuan Prosentase Calon Mahasiswa Baru
2 sehingga penggunaan rata-rata menjadi kurang akurat. Selain itu nilai yang diestimasi berupa nilai tunggal atau deterministik. Sangatlah sulit untuk mendapatkan nilai prosentase calon mahasiswa yang mendaftar ulang yang akurat karena sangat dipengaruhi oleh ketidapastian (informasi yang dibutuhkan tidak lengkap). Berdasarkan kelemahan-kelemahan di atas, dalam makalah ini akan dikembangkan prosedur penentuan jumlah mahasiswa yang dinyatakan lolos seleksi. Prosedur yang dikembangkan terdiri dari serangkaian tahap, mempertimbangkan informasi-informasi terkini yang dianggap mempengaruhi calon mahasiswa mendaftar ulang ke Unpar, memperhitungkan resiko yang berkaitan dengan pencapaian target (jumlah mahasiswa yang mendaftar ulang sama dengan atau mendekati daya tampung). 2. Kerangka Penentuan Jumlah Calon Mahasiswa Yang Lolos Seleksi Jumlah calon mahasiswa yang dinyatakan lolos seleksi sangat menentukan kapasitas yang terisi. Jumlah yang kurang tepat dapat menyebabkan under loaded atau over loaded. Untuk menentukan jumlah yang lebih tepat dibandingkan dengan prosedur sebelumnya akan dikembangkan kerangka penentuan jumlah calon mahasiswa yang lolos seleksi. Kerangka ini terdiri dari serangkaian tahap dimana tiap tahap membutuhkan informasi. Secara garis besar kerangka ini dimulai dari penentuan jumlah calon mahasiswa yang akan dipanggil. Penentuan jumlah ini bersifat trial and error dimana jumlah minimal sama dengan daya tampung. Jumlah calon mahasiswa yang dipanggil tersebut menjadi masukan dalam penentuan estimasi prosentase calon mahasiswa baru yang akan mendaftar ulang. Estimasi tersebut mempertimbangkan faktor-faktor profil calon mahasiswa yang dipanggil, kompetitor, dan faktor ekonomi, sosial dan polititk. Berdasarkan faktor-faktor tersebut pengambil keputusan mengestimasi nilai minimum, paling mungkin, dan maksimum yang akan membentuk distribusi prosentase calon mahasiswa baru yang mendaftar ulang (distribusi segitiga). Berdasarkan distribusi tersebut, nilai prosentase akan dibangkitkan dengan bantuan simulasi Monte Carlo dan akan dilakukan beberapa kali iterasi. Simulasi tersebut memberikan nilai harapan prosentase calon mahasiswa baru yang akan mendaftar ulang dan sebarannya. Jika perkalian antara nilai harapan prosentase dengan jumlah yang dipanggil mendekati daya tampung, maka keputusannya adalah memanggil calon mahasiswa baru sebanyak itu. Jika tidak, maka tahap penentuan jumlah calon mahasiswa baru yang dipanggil dilakukan lagi. Berikut ini gambar dari kerangka penentuan jumlah calon mahasiswa yang dipanggil. Penentuan Prosentase Calon Mahasiswa Baru 433
3 Calon mahasiswa baru Faktor-faktor yang mempengaruhi calon mahaiswa mendaftar ulang Penentuan jumlah calon mahasiswa yang dipanggil (JCM) Simulasi Monte Carlo Estimasi prosentase calon mahasiswa yang mendaftar ulang (P) (P)x(JCM) mendekati K(kapasitas)? Tidak Ya Jumlah calon mahasiswa baru yang dipanggil Gambar 1 Kerangka penentuan jumlah calon mahasiswa baru yang dipanggil Masukan pada tahap pertama dalam kerangka ini adalah urutan hasil ujian saringan masuk mahasiswa baru. Secara trial and error, pengambil keputusan menentukan jumlah calon mahasiswa baru (JCM) yang akan dipanggil. Keluaran dari tahap ini akan digunakan sebagai salah satu masukan bagi tahap berikutnya. Jumlah calon mahasiswa baru yang dipanggil menjadi masukan pada tahap kedua, yaitu mengestimasi prosentase calon mahasiswa baru yang akan mendaftar ulang. Profil dari calon-calon mahasiswa tersebut dapat dilihat seperti asal sekolah, nilai kelulusan dari sekolah. Profil calon mahsiswa baru menjadi salah satu pertimbangan dalam mengestimasi prosentase calon mahasiswa yang akan mendaftar ulang. Jika jumlah calon mahasiswa baru didominasi oleh sekolah-sekolah tertentu misalnya BPK, Aloysius, Trinitas, Angela, Loyola yang sudah lama memilih Unpar sebagai pilihan utama tempat kuliahnya, maka estimasi prosentase calon mahaiswa yang mendaftar ulang akan sangat tinggi. Sementara kalau jumlah calon mahasiswa baru didominasi juga oleh sekolah-sekolah negeri, maka estimasinya akan lebih rendah dibandingkan dengan kasus yang pertama karena pada umumnya alumni dari sekolah-sekolah negeri lebih memilih perguruan tinggi negeri sebagai alternatif pertamanya. Selain latar belakang sekolah, nilai kelulusan dari sekolah juga dapat dipertimbangkan. Semakin besar nilai kelulusan dari sekolah semakin besar pula peluang untuk diterima di perguruan tinggi negeri, sehingga dapat mempengaruhi prosentase calon mahasiswa yang mendaftar ulang. 434 Penentuan Prosentase Calon Mahasiswa Baru
4 Selain profil calon mahasiswa baru yang dipanggil, faktor lain yang berpengaruh adalah tingkat kompetisi: jumlah perguruan tinggi yang menawarkan program yang sama, persepsi kualitas (reputasi, fasilitas, dosen, jaringan, kemudahan mendapatkan kerja bagi lulusannya) yang dimiliki Unpar dibandingkan perguruan tinggi yang lain, dan biaya yang harus dikeluarkan kalau kuliah di Unpar. Semakin banyak perguruan tinggi berkualitas yang menawarkan program yang sama, semakin banyak pilihan tempat yang dimiliki oleh calon mahasiswa sehingga persaingan antar perguruan tinggi semakin ketat. Calon mahasiswa dapat mendaftar ke beberapa perguruan tinggi selain Unpar dan pada umumnya tiap perguruan tinggi tidak terkecuali dengan Unpar tidak mengetahui berada pada pilihan ke berapa perguruan tinggi tersebut ditempatkan oleh calon mahasiswa. Kondisi ini sangat menyulitkan dalam menentukan prosentase calon mahasiswa yang mendaftar ulang. Walaupun sulit dalam mengestimasi prosentase tersebut disebabkan oleh jumlah perguruan tinggi yang banyak, tiap perguruan tinggi (termasuk Unpar) dapat menilai kualitas yang dimiliki oleh perguruan tinggi tersebut. Kualitas serta biaya kuliah dapat dijadikan kriteria dalam memperkirakan posisi Unpar di mata calon mahasiswa. Semakin tinggi kualitas dan semakin kecil biaya kuliah dibandingkan perguruan tinggi lainnya akan meningkatkan prosentase calon mahasiswa yang mendaftar ulang ke Unpar. Faktor lain yang dapat mempengaruhi calon mahasiswa mendaftar ulang adalah faktor ekonomi dan sosial. Sebagai contoh program yang sangat dipengaruhi ketika terjadi krisis ekonomi adalah teknik sipil. Pada saat itu banyak proyek-proyek konstruksi yang terhambat karena krisis ekonomi tersebut. Dampaknya adalah adanya perubahan persepsi kepada calon mahasiswa dimana lulusan teknik sipil akan sulit untuk mendapatkan pekerjaan. Kondisi makro tersebut harus dicermati oleh pengambil keputusan dalam menentukan jumlah calon mahasiswa yang dipanggil. Kondisi makro yang kurang mendukung tentunya akan menurunkan estimasi prosentase calon mahasiswa yang mendaftar ulang. Dari penjelasan di atas dapat digambarkan (gambar 2) hubungan antara faktor-faktor yang mempengaruhi calon mahasiswa mendaftar ulang dengan prosentase calon mahasiswa yang mendaftar ulang dari jumlah calon mahasiswa yang dipanggil. Asal sekolah Nilai kelulusan Jumlah kompetitor Kualitas perguruan tinggi Biaya kuliah Profil calon mahasiswa Tingkat kompetisi Prosentase calon mahasiswa yang mendaftar ulang Kondisi ekonomi, sosial Gambar 2 Faktor-faktor yang mempengaruhi dalam penentuan prosentase calon mahasiswa yang mendaftar ulang Faktor-faktor di atas akan dipertimbangkan dalam mengestimasi prosentase calon mahasiswa yang mendaftar ulang. Perkalian prosentase dengan jumlah calon mahasiswa yang dipanggil dibandingkan dengan daya tampung. Jika hasilnya masih jauh dari daya tampung (baik jauh lebih kecil Penentuan Prosentase Calon Mahasiswa Baru 435
5 maupun lebih besar), maka penentuan jumlah calon mahasiswa yang dipanggil secara trial and error dilakukan kembali. Sebaliknya, jika hasilnya dianggap memuaskan yaitu mendekati daya tampung maka diperoleh jumlah calon mahasiswa yang dipanggil. 3. Simulasi Monte Carlo Pengambil keputusan dapat mengestimasi nilai prosentase minimum, paling mungkin, dan maksium untuk calon mahasiswa yang mendaftar ulang berdasarkan tiap faktor. Distribusi segitiga dapat digunakan untuk distribusi yang berdasarkan dari opini ahli (Vose, 1996). Dari distribusi ini dapat dibangkitkan nilai-nilai prosentase dengan bantuan simulasi Monte Carlo. Melalui simulasi Monte Carlo nilai variabel individu dihasilkan secara random berdasarkan pada distribusi peluang variabel tersebut, dikombinasikan dengan nilai variabel lain yang dihasilkan secara random pula. Kombinasi tersebut digunakan untuk mengestimasi prosentase calon mahasiswa yang mendaftar ulang. Proses tersebut diulang terus sampai jumlah yang sangat banyak (ditentukan oleh analis) dan nilai harapan prosentase calon mahasiswa yang mendaftar ulang dapat diperoleh bersamaan dengan distribusi peluangnya. Simulasi Monte Carlo menggunakan sampling random dari tiap distribusi peluang variabel tak pasti dalam model untuk melakukan ratusan atau ribuan iterasi. Tiap distribusi peluang disampling melalui suatu cara yang dapat mereproduksi bentuk distribusi. Distribusi nilai-nilai outcome model merefleksikan peluang nilai-nilai yang dapat terjadi. Simulasi Monte Carlo menggunakan metode sampling transformasi inverse dengan algoritma pembangkit variabel random sebagai berikut: 1. Bangkitkan U ~ U (0, 1) 2. Hitung X = F -1 (U) Bilangan random U yang berdistribusi uniform pada interval [0, 1] dibangkitkan. Nilai U ini menjadi masukan pada fungsi inverse distribusi peluang kumulatif F(X) untuk mendapatkan nilai X. Proses pembangkitan variabel random ini dapat dilihat pada gambar 3. Pada gambar terlihat bilangan random U 1 menghasilkan variat X 1 dan U 2 menghasilkan X 2. F (X) U1 U2 4. Contoh Penerapan X2 X1 Gambar 3 Tranfsormasi inverse (Law, 2000) Misalkan dari calon mahasiswa yang mengikuti ujian saringan masuk, ditetapkan jumlah calon mahasiswa yang dipanggil secara trial and error sebesar 200 orang. Profil kedua ratus orang ini dilihat untuk menentukan estimasi nilai minimum, paling mungkin, dan maksimum, disamping faktor lainnya yang telah dijelaskan pada bagian 2 makalah ini. Berdasarkan analisis ini ditetapkan estimasi nilai X 436 Penentuan Prosentase Calon Mahasiswa Baru
6 minimum, paling mungkin, dan maksimum sebagai berikut: 55%, 60%, dan 80%. Gambar distribusinya dapat dilihat pada gambar 4. Triang (0.55, 0.60, 0.80) Gambar 4 Distribusi segitiga (0.55, 0.60, 0.80) Dengan bantuan simulasi Monte Carlo dihasilkan nilai harapan prosentase calon mahasiswa yang mendaftar ulang adalah 62.55% dengan simpangan sebesar 4.1%. Berdasarkan nilai harapan tersebut, dapat diestimasi jumlah calon mahasiswa yang mendaftar ulang sebesar 62.55% x 200 = 125 orang dengan simpangan sebesar 8 orang. Jika daya tampung yang dimiliki sebesar 150 orang, berarti nilai estimasi masih jauh dari daya tampung. Karena estimasi calon yang mendaftar ulang masih jauh dari daya tampung, maka langkah pertama harus dilakukan lagi dengan meningkatkan jumlah calon mahasiswa yang akan dipanggil, dan seterusnya mengikuti langkah-langkah yang sama sampai diperoleh nilai estimasi yang mendekati daya tampung. 5. Penutup Penggunaan kerangka penentuan jumlah calon mahasiswa yang dipanggil dapat membantu pengambil keputusan dalam menentukan jumlah calon mahasiswa yang dipanggil yang lebih akurat karena mempertimbangkan informasi yang mutakhir. Selain itu melalui penggunaan kerangka ini dapat diperkirakan resiko yaitu tidak tercapainya target yang direfleksikan dengan sebaran prosentase calon mahasiswa yang mendaftar ulang. Penentuan nilai minimum, paling mungkin, dan maksimum masih perlu dikembangkan lagi terutama berkaitan dengan cara penentuannya. Hubungan antara faktor-faktor dengan prosentase calon mahasiswa yang mendaftar ulang dapat dikembangkan model matematisnya, sehingga penggunaan simulasi Monte Carlo akan semakin bermanfaat. 6. Daftar Pustaka [1] Law, A. M., Kelton, W. D. (2000), Simulation Modeling and Analysis, 3 rd edition, McGraw-Hill, Singapore. [2] Vose, D. (1996), Quantitative Risk Analysis: A Guide to Monte Carlo Simulation Modeling, John Wiley & Sons, Chichester. Penentuan Prosentase Calon Mahasiswa Baru 437
MONITORING PROYEK DENGAN METODE MONTE CARLO PADA DURASI PEKERJAAN (Studi Kasus Proyek Pembangunan Gedung Bank Muamalat Indonesia Cabang Malang)
MONITORING PROYEK DENGAN METODE MONTE CARLO PADA DURASI PEKERJAAN (Studi Kasus Proyek Pembangunan Gedung Bank Muamalat Indonesia Cabang Malang) Saifoe El Unas, Achfas Zacoeb, M. Hamzah Hasyim, M. Azharul
Lebih terperinciSATUAN ACARA PERKULIAHAN MATA KULIAH : SIMULASI & PERMODELAN ( S1 / TEKNIK INFORMATIKA) KODE / SKS : KK / 3 SKS
SATUAN ACARA PERKULIAHAN MATA KULIAH : SIMULASI PERMODELAN ( S1 / TEKNIK INFORMATIKA) KODE / SKS : KK-043241 / 3 SKS Minggu Ke Pokok Bahasan dan TIU Sub-pokok Bahasan dan Sasaran Belajar Cara Pengajaran
Lebih terperinciMETODA RATA-RATA BATCH PADA SIMULASI SISTEM ANTRIAN M/M/1
Media Informatika Vol. 5 No. 1 (2006) METODA RATA-RATA BATCH PADA SIMULASI SISTEM ANTRIAN M/M/1 Ekabrata Yudhistyra Sekolah Tinggi Manajemen Informatika dan Komputer LIKMI Jl. Ir. H. Juanda 96 Bandung
Lebih terperinciPENDEKATAN INVERSE-TRANSFORM RANDOM VARIATE GENERATOR BERBASIS DISTRIBUSI GEOMETRI PADA PENGACAKAN RANDOM SAMPLING
PENDEKATAN INVERSE-TRANSFORM RANDOM VARIATE GENERATOR BERBASIS DISTRIBUSI GEOMETRI PADA PENGACAKAN RANDOM SAMPLING Arif Rahman Program Studi Teknik Industri, Fakultas Teknik, Universitas Brawijaya Jl.
Lebih terperinciPRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Teknik Simulasi Kode/SKS: SS / (2/1/0) Dosen : NI, PPO Semester : V
RP-S1-SK-04 Kurikulum 2014, Edisi : September-2014 No.Revisi : 00 Hal: 1 dari 6 A. : 1. CP 3.1 : Membuat suatu sistem informasi manajemen di berbagai bidang 2. CP 9.3 : Mampu merancang pengumpulan data
Lebih terperinciBAB I PENDAHULUAN. yang dilakukan pada saat ini, dengan tujuan memperoleh sejumlah keuntungan
BAB I PENDAHULUAN 1.1 Latar Belakang Investasi adalah komitmen atas sejumlah dana atau sumber daya lainnya yang dilakukan pada saat ini, dengan tujuan memperoleh sejumlah keuntungan di masa datang. Investasi
Lebih terperinciDetail Tugas Besar Mata Kuliah Pemodelan dan Simulasi
Detail Tugas Besar Mata Kuliah Pemodelan dan Simulasi Buatlah aplikasi program untuk menyelesaikan kasus permasalahan dibawah ini, dengan menggunakan software aplikasi yang kalian mampu gunakan, interfacing
Lebih terperinciSimulasi Monte Carlo
Simulasi Monte Carlo Simulasi Monte Carlo Simulasi monte carlo melibatkan penggunaan angka acak untuk memodelkan sistem, dimana waktu tidak memegang peranan yang substantif (model statis) Pembangkitan
Lebih terperinci#12 SIMULASI MONTE CARLO
#12 SIMULASI MONTE CARLO 12.1. Konsep Simulasi Metode evaluasi secara analitis sangat dimungkinkan untuk sistem dengan konfigurasi yang sederhana. Untuk sistem yang kompleks, Bridges [1974] menyarankan
Lebih terperinciBAB 3 PEMBANGUNAN MODEL SIMULASI MONTE CARLO. Simulasi Monte Carlo merupakan salah satu metode simulasi sederhana yang
BAB 3 PEMBANGUNAN MODEL SIMULASI MONTE CARLO 3. Simulasi Monte Carlo Simulasi Monte Carlo merupakan salah satu metode simulasi sederhana yang dapat dibangun secara cepat menggunakan spreadsheet. Penggunaan
Lebih terperinciSIMULASI MONTE CARLO UNTUK PELAYANAN PERPANJANGAN SURAT TANDA NOMOR KENDARAAN BERMOTOR
SIMULASI MONTE CARLO UNTUK PELAYANAN PERPANJANGAN SURAT TANDA NOMOR KENDARAAN BERMOTOR Asep Nurjaman 1, Rinda Cahyana 2, Luthfi Nurwandi 3 Jurnal Teknik Informatika Sekolah Tinggi Teknologi Garut Jl. Mayor
Lebih terperinciModul 14. PENELITIAN OPERASIONAL I MODEL SIMULASI. Oleh : Eliyani PROGRAM KELAS KARYAWAN PROGRAM STUDI TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI
. PENELITIAN OPERASIONAL I MODEL SIMULASI Oleh : Eliyani PROGRAM KELAS KARYAWAN PROGRAM STUDI TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS MERCU BUANA JAKARTA 007 MODEL SIMULASI PENDAHULUAN
Lebih terperinciRENCANA BIAYA PELAKSANAAN (RBP) YANG PALING MUNGKIN PADA PROYEK KONSTRUKSI DENGAN BANTUAN
1 RENCANA BIAYA PELAKSANAAN (RBP) YANG PALING MUNGKIN PADA PROYEK KONSTRUKSI DENGAN BANTUAN PROGRAM @RISK I Ketut Nudja S. 1) 1) Dosen Jurusan Teknik Sipil Fakultas Teknik Universitas Warmadewa ABSTRAK
Lebih terperinciSIMULASI Kendalan (Reliability Simulation)*
TKS 6112 Keandalan Struktur SIMULASI Kendalan (Reliability Simulation)* * Pranata, Y.A. Teknik Simulasi Untuk Memprediksi Keandalan Lendutan Balok Statis Tertentu. Prosiding Konferensi Teknik Sipila Nasional
Lebih terperinciANALISIS ANTRIAN MENGGUNAKAN METODE SIMULASI MONTE CARLO. Fajar Etri Lianti ABSTRACT
ANALISIS ANTRIAN MENGGUNAKAN METODE SIMULASI MONTE CARLO Fajar Etri Lianti Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Riau Kampus
Lebih terperinciMembangkitkan Data Klaim Individu Pemegang Polis Asuransi Kendaraan Bermotor Berdasarkan Data Klaim Agregat
Statistika, Vol. 12 No. 1, 43 49 Mei 2012 Membangkitkan Data Individu Pemegang Polis Asuransi Bermotor Berdasarkan Data Agregat Program Studi Statistika, Universitas Islam Bandung, Jl. Purnawarman 63 Bandung.
Lebih terperinciPEMILIHAN KEBIJAKAN SISTEM PENGGANTIAN SPARE PART PADA PERUSAHAAN CONSUMER GOOD DENGAN MENGGUNAKAN METODE SIMULASI
PEMILIHAN KEBIJAKAN SISTEM PENGGANTIAN SPARE PART PADA PERUSAHAAN CONSUMER GOOD DENGAN MENGGUNAKAN METODE SIMULASI Asep dan Abdulah Shahab Program Studi Magister Manajemen Teknologi Institut Teknologi
Lebih terperinciBAB V KESIMPULAN DAN SARAN
61 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Dari hasil peneltian, beberapa hal yang dapat disimpulkan adalah : Dari hasil uji ANOVA 2007, 2008 dan 2009, dapat dikatakan bahwa ketiga metode yang dicoba
Lebih terperinciMODEL STOKASTIK UNTUK PEMBEBANAN LALULINTAS BANYAK-RUTE DENGAN MEMPERTIMBANGKAN PERBEDAAN PERSEPSI BIAYA PERJALANAN
MODEL STOKASTIK UNTUK PEMBEBANAN LALULINTAS BANYAK-RUTE DENGAN MEMPERTIMBANGKAN PERBEDAAN PERSEPSI BIAYA PERJALANAN R. Didin Kusdian Lulusan S- Transportasi SAPPK-ITB Dosen STT-YPKP Jln. Surapati 89 Bandung
Lebih terperinciek SIPIL MESIN ARSITEKTUR ELEKTRO
ek SIPIL MESIN ARSITEKTUR ELEKTRO APLIKASI SIMULASI MONTE CARLO DALAM ESTIMASI BIAYA PROYEK Adnan Fadjar * Abstract Monte Carlo simulation is a method for modeling and analyzing systems which involving
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tempat dan Waktu Penelitian Obyek dalam penelitian ini adalah harga penutupan saham-saham yang direkomendasikan akan dapat bertahan pada tahun politik (2014) dalam media kompas.com,
Lebih terperinciAPLIKASI PEMBELAJARAN DAN TEST TOEFL BERBASIS MOBILE MENGGUNAKAN METODE MONTECARLO
APLIKASI PEMBELAJARAN DAN TEST TOEFL BERBASIS MOBILE MENGGUNAKAN METODE MONTECARLO D Martha Program Studi Komputerisasi Akuntansi, STMIK CIC Cirebon Email: deny.martha@.cic.ac.id ABSTRAK Bahasa Inggris
Lebih terperinciALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Disusun oleh: Achmad Basuki Politeknik Elektronika Negeri Surabaya, PENS ITS Surabaya 2003 Algoritma
Lebih terperinciPENERAPAN METODE MONTE CARLO PADA PENJADWALAN PROYEK GEDUNG DINAS SOSIAL KOTA BLITAR NASKAH TERPUBLIKASI TEKNIK SIPIL
PENERAPAN METODE MONTE CARLO PADA PENJADWALAN PROYEK GEDUNG DINAS SOSIAL KOTA BLITAR NASKAH TERPUBLIKASI TEKNIK SIPIL Ditujukan untuk memenuhi persyaratan memperoleh gelar Sarjana Teknik ROYYAN AULABIH
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Pemilihan Portofolio Proyek Berdasarkan Kriteria Strategi dengan Bantuan Sistem Pendukung Keputusan Yogi Yusuf Wibisono, I G.
Lebih terperinciMODEL SIMULASI PERAWATAN SEPEDA MOTOR
Teknik Informatika Sekolah Tinggi Teknologi Garut ISSN 2302-7339 Vol. 10 No. 01 2013 MODEL SIMULASI PERAWATAN SEPEDA MOTOR Ridwan Munawar 1, Rinda Cahyana 2, Luthfi Nurwandi 3 Jurnal Teknik Informatika
Lebih terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih terperinciPERHITUNGAN VaR PORTOFOLIO SAHAM MENGGUNAKAN DATA HISTORIS DAN DATA SIMULASI MONTE CARLO
1 e-jurnal Matematika Vol. 1 No. 1 Agustus 2012 PERHITUNGAN VaR PORTOFOLIO SAHAM MENGGUNAKAN DATA HISTORIS DAN DATA SIMULASI MONTE CARLO WAYAN ARTHINI 1, KOMANG DHARMAWAN 2, LUH PUTU IDA HARINI 3 1, 2,
Lebih terperinciPENDEKATAN SIMULASI MONTE CARLO UNTUK PEMILIHAN ALTERNATIF DENGAN DECISION TREE PADA NILAI OUTCOME YANG PROBABILISTIK
11 PENDEKATAN SIMULASI MONTE CARLO UNTUK PEMILIHAN ALTERNATIF DENGAN DECISION TREE PADA NILAI OUTCOME YANG PROBABILISTIK Jurusan Teknik Industri, Fakultas Teknologi Industri, Universitas Islam Indonesia,
Lebih terperinciBAB 1 PENDAHULUAN. tidak ada prestasi, tidak ada kemajuan dan tidak ada imbalan.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Risiko adalah bagian dari kehidupan. Menghindari semua resiko akan mengakibatkan tidak ada prestasi, tidak ada kemajuan dan tidak ada imbalan. The Institute
Lebih terperinciBAB III VALUE AT RISK (VaR ) DAN PENDEKATAN COPULA
BAB III VALUE AT RISK (VaR ) DAN PENDEKATAN COPULA 3.1 Value at Risk (VaR) Salah satu aspek yang sangat penting dalam analisis resiko adalah penghitungan Value at Risk atau yang selanjutnya disingkat dalam
Lebih terperinciDISTRIBUSI VARIABEL RANDOM
DISTRIBUSI VARIABEL RANDM Distribusi Variabel Diskrit Distribusi variabel diskrit adalah salah satu variabel acak yang diasumsikan memiliki bilangan terbatas dari nilai-nilai yang berbeda. Contoh : Waktu
Lebih terperinciTOOLS SIMULASI INVENTORI PADA SUPERMARKET
TOOLS SIMULASI INVENTORI PADA SUPERMARKET 1) Benny Santoso 2) Liliana 3) Imelda Yapitro Jurusan Teknik Informatika Fakultas Teknik Universitas Surabaya Raya Kalirungkut Surabaya 60293 (031) 298 1395 email
Lebih terperinciIDENTIFIKASI DAN ANALISIS RISIKO DALAM MASA PEMELIHARAAN PROYEK PADA PROYEK KONSTRUKSI DI KOTA SURAKARTA
perpustakaan.uns.ac.id IDENTIFIKASI DAN ANALISIS RISIKO DALAM MASA PEMELIHARAAN PROYEK PADA PROYEK KONSTRUKSI DI KOTA SURAKARTA Risk Identification and Analysis Method in Maintenance Period on Construction
Lebih terperinciDasar-dasar Simulasi
Bab 3: Dasar-dasar Simulasi PEMODELAN DAN SIMULASI SISTEM M O N I C A A. K A P P I A N T A R I - 2 0 0 9 Sumber: Harrell, C., B.K. Ghosh and R.O. Bowden, Jr., Simulation Using Promodel, 2 nd ed., McGraw-
Lebih terperinciBAB V PENUTUP ( ( ) )
BAB V PENUTUP 5.1 Kesimpulan Penentuan harga opsi Asia menggunakan rata-rata Aritmatik melalui Simulasi Monte Carlo dapat dinyatakan sebagai berikut. ( ( ) ) ( ( ) ) dimana merupakan harga opsi Call Asia
Lebih terperinciPERHITUNGAN VaR PORTOFOLIO SAHAM MENGGUNAKAN DATA HISTORIS DAN DATA SIMULASI MONTE CARLO
PERHITUNGAN VaR PORTOFOLIO SAHAM MENGGUNAKAN DATA HISTORIS DAN DATA SIMULASI MONTE CARLO WAYAN ARTHINI 1, KOMANG DHARMAWAN 2, LUH PUTU IDA HARINI 3 1, 2, 3 Jurusan Matematika FMIPA Universtitas Udayana,
Lebih terperinciSATUAN ACARA PERKULIAHAN
Versi : 1 Revisi : 0 Tanggal Revisi : Tanggal Berlaku : STUN CR PERKULIHN Fakultas / Jurusan / Program Studi : Teknologi Industri / Teknik Informatika / Teknik Informatika Kode Matakuliah : [kosongkan]
Lebih terperinciBab V MetodeFunctional Statistics Algorithm (FSA) dalam Sintesis Populasi
31 Bab V MetodeFunctional Statistics Algorithm (FSA) dalam Sintesis Populasi V.1 Mengenal Metode Functional Statistics Algorithm (FSA) Metode Functional Statistics Algorithm (FSA) adalah sebuah metode
Lebih terperinciTeknik Simulasi Untuk Memprediksi Keandalan Lendutan Balok Statis Tertentu
Teknik Simulasi Untuk Memprediksi Keandalan Lendutan Balok Statis Tertentu Yosafat Aji Pranata Abstrak Balok merupakan salah satu elemen struktur utama pada struktur bangunan gedung. Salah satu kriteria
Lebih terperinciPENERAPAN PENJADWALAN PROBABILISTIK PADA PROYEK PENGEMBANGAN GEDUNG FSAINTEK UNAIR
TUGAS AKHIR PENERAPAN PENJADWALAN PROBABILISTIK PADA PROYEK PENGEMBANGAN GEDUNG FSAINTEK UNAIR WINDIARTO ABISETYO NRP 3106100105 DOSEN PEMBIMBING Farida Rachmawati, ST., MT. JURUSAN TEKNIK SIPIL Fakultas
Lebih terperinciMata Kuliah Pemodelan & Simulasi
Mata Kuliah Pemodelan & Simulasi Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia 1 Pendahuluan (1) Sifat probabilitistik pada sistem nyata mempunyai pola distribusi probabilistik
Lebih terperinciPENENTUAN SOLUSI OPTIMAL PERSEDIAAN PROBABILISTIK MENGGUNAKAN SIMULASI MONTE CARLO. Dian Ratu Pritama ABSTRACT
PENENTUAN SOLUSI OPTIMAL PERSEDIAAN PROBABILISTIK MENGGUNAKAN SIMULASI MONTE CARLO Dian Ratu Pritama Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma
Lebih terperinciSIMULASI MONTE CARLO RISK MANAGEMENT DEPARTMENT OF INDUSTRIAL ENGINEERING
SIMULASI MONTE CARLO RISK MANAGEMENT DEPARTMENT OF INDUSTRIAL ENGINEERING PENGANTAR Simulasi Monte Carlo didefinisikan sebagai semua teknik sampling statistik yang digunakan untuk memperkirakan solusi
Lebih terperinciFORMAT LAPORAN MODUL V DISTRIBUSI SAMPLING
FORMAT LAPORAN MODUL V DISTRIBUSI SAMPLING ABSTRAK ABSTRACT KATA PENGANTAR DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN BAB I PENDAHULUAN (kata pengantar) 1.1 Latar Belakang 1.2 Tujuan Penulisan
Lebih terperinciPERHITUNGAN VALUE AT RISK PORTOFOLIO SAHAM MENGGUNAKAN METODE SIMULASI MONTE CARLO
PERHITUNGAN VALUE AT RISK PORTOFOLIO SAHAM MENGGUNAKAN METODE SIMULASI MONTE CARLO Adilla Chandra 1*, Johannes Kho 2, Musraini M 2 1 Mahasiswa Program S1 Matematika 2 Dosen Jurusan Matematika Fakultas
Lebih terperinciPENERAPAN PENJADWALAN PROBABILISTIK MENGGUNAKAN SIMULASI MONTE CARLO PADA PEMBANGUNAN GEDUNG PURI ADHYAKSA JAKARTA TIMUR
PENERAPAN PENJADWALAN PROBABILISTIK MENGGUNAKAN SIMULASI MONTE CARLO PADA PEMBANGUNAN GEDUNG PURI ADHYAKSA JAKARTA TIMUR Oleh : HENRY PALMER SIREGAR (3105 100 015) Dosen Pembimbing : TRIJOKO WAHYU ADI
Lebih terperinciMonte Carlo. Prihantoosa Toosa
Monte Carlo Prihantoosa pht854@yahoo.com toosa@teknosoftmedia.com Pendahuluan Simulasi Monte Carlo dikenal dengan intilah sampling simulation atau Monte Carlo Sampling Technique Istilah Monte Carlo pertama
Lebih terperinciBAB I PENDAHULUAN. pendidikan yang bermutu. Berbagai cara dilakukan oleh masyarakat untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Setiap warga Negara memiliki hak yang sama untuk mendapatkan pendidikan yang bermutu. Berbagai cara dilakukan oleh masyarakat untuk mendapatkan pendidikan yang
Lebih terperinciMonte Carlo Simulation (1)
Monte Carlo Simulation (1) Tjipto Juwono, Ph.D. November 17, 2016 TJ (SU) Monte Carlo Simulation (1) Nov 2016 1 / 15 Apa itu yang dimaksud Monte Carlo Simulation? Eksperimen di dalam komputer Pada dasarnya
Lebih terperinciStudi dan Implementasi Integrasi Monte Carlo
Studi dan Implementasi Integrasi Monte Carlo Firdi Mulia - 13507045 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN
ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Investasi pada hakekatnya merupakan penempatan sejumlah uang atau dana yang dilakukan pada saat ini dengan harapan memperoleh keuntungan di masa mendatang (Halim,
Lebih terperinciAnalisis Model dan Simulasi. Hanna Lestari, M.Eng
Analisis Model dan Simulasi Hanna Lestari, M.Eng Simulasi dan Pemodelan Klasifikasi Model preskriptif deskriptif diskret kontinu probabilistik deterministik statik dinamik loop terbuka - tertutup Simulasi
Lebih terperinciPENGACAKAN RANDOM SAMPLING DENGAN PENDEKATAN INVERSE-TRANSFORM RANDOM VARIATE GENERATOR BERBASIS DISTRIBUSI HIPERGEOMETRIK
PENGACAKAN RANDOM SAMPLING DENGAN PENDEKATAN INVERSE-TRANSFORM RANDOM VARIATE GENERATOR BERBASIS DISTRIBUSI HIPERGEOMETRIK Arif Rahman Jurusan Teknik Industri, Fakultas Teknik Universitas Brawijaya Malang
Lebih terperinciBAB 2 LANDASAN TEORI. dari beberapa item atau bahan baku yang digunakan oleh perusahaan untuk
BAB 2 LANDASAN TEORI 2.1 Definisi Persediaan Menurut Jacob, Chase, Aquilo (2009: 547) persediaan merupakan stok dari beberapa item atau bahan baku yang digunakan oleh perusahaan untuk produksi. Sedangkan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di zaman sekarang, kemajuan sains dan teknologi sangat berkembang pesat. Salah satu ilmu yang berkembang adalah matematika yang merupakan induk dari semua ilmu
Lebih terperinciBAB IV SIMULASI MONTE CARLO
BAB IV SIMULASI MONTE CARLO Monte Carlo adalah algoritma komputasi untuk mensimulasikan berbagai perilaku sistem fisika dan matematika. Penggunaan klasik metode ini adalah untuk mengevaluasi integral definit,
Lebih terperinciFM-UDINUS-BM-08-04/R0 SILABUS MATAKULIAH. Revisi : - Tanggal Berlaku : September 2014
SILABUS MATAKULIAH Revisi : - Tanggal Berlaku : September 2014 A. Identitas 1. Nama Matakuliah : A11. 54815 / 2. Program Studi : Teknik Informatika-S1 3. Fakultas : Ilmu Komputer 4. Bobot sks : 3 SKS 5.
Lebih terperinciBAB 3 METODE ANALISIS. Beberapa metode pendekatan untuk menghitung harga option pun semakin
BAB 3 METODE ANALISIS 3.1 Analisis Permasalahan Beberapa metode pendekatan untuk menghitung harga option pun semakin banyak saat ini. Namun seberapa baik hasil yang diperoleh dari metode-metode tersebut
Lebih terperinciBAB IV PEMBAHASAN. Sebelum melakukan analisis dengan penerapan simulasi Monte Carlo dan VaR,
BAB IV PEMBAHASAN IV.1 Analisa Harga Saham BBCA Sebelum melakukan analisis dengan penerapan simulasi Monte Carlo dan VaR, penulis akan menganalisa pergerakan harga saham BBCA. Data yang diperlukan dalam
Lebih terperinciMETODE MONTE CARLO. Presented by Muchammad Chusnan Aprianto Dr.KHEZ Muttaqien Istitute of Technology
METODE MONTE CARLO Presented by Muchammad Chusnan Aprianto Dr.KHEZ Muttaqien Istitute of Technology 1 M O N T E C A R L O Metode pencarian acak adalah suatu metode dimana solusi dicari secara acak dan
Lebih terperinciekonomi, serta para pakar yang mendukung diagnosa medis dan sebagainya ( Heizer,
BAB II LANDASANTEORI 2.1 Analisa Keputusan Anafisa keputusan adalah sebuah metode yang menyediakan dukungan metode kuantitatif bagi seorang pengambil keputusan ( decision maker ) di hampir semua area,
Lebih terperinciSEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER JAKARTA STI&K SATUAN ACARA PERKULIAHAN
SEKOLAH TINGGI MANAJEMEN INFORMAA & KOMPUTER JAKARTA STI&K SATUAN ACARA PERKULIAHAN Mata : SIMULASI DAN PERMODELAN Kode Mata : MI 1302 Jurusan / Jenjang : S1 SISTEM KOMPUTER Tujuan Instruksional Umum :
Lebih terperinciANALISIS METODE MONTECARLO PADA KONSEP NILAI HASIL UNTUK MONITORING PROYEK
ANALISIS METODE MONTECARLO PADA KONSEP NILAI HASIL UNTUK MONITORING PROYEK Rizki Gumelar Jurusan Teknik Sipil Fakultas Teknik Universitas Brawijaya Malang Jl. MT. Haryono 167, Malang 65145, Indonesia ABSTRAK
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN. sarung tangan kain dan sarung tangan karet.
BAB 4 HASIL DAN PEMBAHASAN 4.1 Profil Perusahaan Perusahaan PT. Delijaya Global Perkasa merupakan perusahaan bisnis keluarga yang bergerak dibidang industry sarung tangan. Perusahaan ini menghasilkan produk
Lebih terperinciBAB I PENDAHULUAN. Pendidikan merupakan salah satu aspek penting dalam kehidupan manusia
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pendidikan merupakan salah satu aspek penting dalam kehidupan manusia dewasa ini. Dengan adanya pendidikan, manusia dapat mempelajari hal-hal yang ada di sekitarnya
Lebih terperinciTENTANG UTS. Penentuan Cadangan, hal. 1
TENTANG UTS Soal 1: Jawaban umumnya tidak fokus atau straight ke pertanyaan/ masalah yang diajukan. Key words dalam pertanyaan di atas tekanan saturasi, sedangkan dalam banyak jawaban di bawah tekanan
Lebih terperinciESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang)
BIAStatistics (215) Vol. 9, No. 2, hal. 1-6 ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang) 1 Didin Astriani P, 2 Jadi
Lebih terperinciUNIVERSITAS BINA NUSANTARA
UNIVERSITAS BINA NUSANTARA Program Ganda Teknik Informatika dan Statistika Skripsi Sarjana Program Ganda Semester Genap 2005/2006 ANALISIS PERBANDINGAN METODE ROMBERG, METODE GAUSS-LEGENDRE, METODE SIMULASI
Lebih terperinciPENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 53 61 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA OLIVIA ATINRI,
Lebih terperinciBab 1. Pendahuluan. 1.1 Latar Belakang
Bab 1 Pendahuluan 1.1 Latar Belakang Risiko dapat diartikan sebagai suatu peluang terjadinya kerugian. Alat ukur untuk mengestimasi risiko kerugian adalah standar deviasi, Value-at-Risk(VaR) dan expected
Lebih terperinciBacktesting Pada Value at Risk Dengan Model Pendekatan Lopez dan Blanco-Ihle
Backtesting Pada Value at Risk Dengan Model Pendekatan Lopez dan Blanco-Ihle Mashuri Mashuri_07@yahoo.com Jurnal Konvergensi Abstrak Value at Risk (VaR) adalah estimasi kerugian yang maksimal pada periode
Lebih terperinciPENELITIAN AWAL PENENTUAN WAKTU PENYELESAIAN PROYEK DENGAN METODE PERT (PROJECT EVALUATION AND REVIEW TECHNIQUE)
PENELITIAN AWAL PENENTUAN WAKTU PENYELESAIAN PROYEK DENGAN METODE PERT (Sentosa Limanto, et. al.) PENELITIAN AWAL PENENTUAN WAKTU PENYELESAIAN PROYEK DENGAN METODE PERT (PROJECT EVALUATION AND REVIEW TECHNIQUE)
Lebih terperinciMata Kuliah Pemodelan & Simulasi. Riani Lubis. Program Studi Teknik Informatika Universitas Komputer Indonesia
Mata Kuliah Pemodelan & Simulasi Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia Teori Inventori Inventory merupakan pengumpulan atau penyimpanan komoditas yang akan digunakan
Lebih terperinciSEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER JAKARTA STI&K SATUAN ACARA PERKULIAHAN
SEKOLAH TINGGI MANAJEMEN INFORMAA KOMPUTER JAKARTA STIK SATUAN ACARA PERKULIAHAN Mata : TEKNIK SIMULASI Kode Mata : MI - 15222 Jurusan / Jenjang : D3 TEKNIK KOMPUTER Tujuan Instruksional Umum : Agar mahasiswa
Lebih terperinciMata Kuliah Pemodelan & Simulasi. Universitas Komputer Indonesia
MODEL INVENTORY Mata Kuliah Pemodelan & Simulasi Jurusan Teknik Informatika Universitas Komputer Indonesia Pendahuluan Inventory merupakan pengumpulan atau penyimpanan komoditas yang akan digunakan untuk
Lebih terperinciKata Kunci : Monte Carlo, manajemen proyek, tracking, penjadwalan, monitoring. Mahasiswa Program Sarjana Teknik Sipil Universitas Brawijaya 2
MONITORING PROYEK DENGAN METODE MONTE CARLO PADA DURASI PEKERJAAN (Studi Kasus Proyek Pembangunan Gedung Bank Muamalat Indonesia Cabang Malang) M. Azharul Fikri 1), Saifoe El Unas 2), Dr. Eng. Achfas Zacoeb
Lebih terperinciRENCANA WAKTU YANG PALING MUNGKIN PADA PROYEK KONSTRUKSI DENGAN BANTUAN
13 RENCANA WAKTU YANG PALING MUNGKIN PADA PROYEK KONSTRUKSI DENGAN BANTUAN PROGRAM @RISK I Ketut Nudja S. 1) 1) Dosen Jurusan Teknik Sipil Fakultas Teknik Universitas Warmadewa ABSTRAK Prosedur penjadwalan
Lebih terperinciS - 19 UJI NORMALITAS BERDASARKAN METODE ANDERSON- DARLING, CRAMER-VON MISES DAN LILLIEFORS MENGGUNAKAN METODE BOOTSTRAP
S - 19 UJI NORMALITAS BERDASARKAN METODE ANDERSON- DARLING, CRAMER-VON MISES DAN LILLIEFORS MENGGUNAKAN METODE BOOTSTRAP Janse Oktaviana Fallo 1, Adi Setiawan 2, Bambang Susanto 3 1,2,3 Program Studi Matematika
Lebih terperinciILKOM Jurnal Ilmiah Volume 10 Nomor 1 April Ricky Zulfiandry Universitas Dehasen Bengkulu
OPTIMASI KEGIATAN PELATIHAN MENGGUNAKAN METODE SIMULASI MONTE CARLO (STUDI KASUS DI BALAI LATIHAN KERJA DINAS TENAGA KERJA DAN TRANSMIGRASI PROVINSI BENGKULU) Ricky Zulfiandry ricky.zulfiandry@unived.ac.id
Lebih terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciPemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika
Vol. 14, No. 1, 19-27, Juli 2017 Pemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika Jusmawati Massalesse dan Muh. Ali Imran Abstrak Tulisan ini
Lebih terperinciPemodelan Masa Konsesi Proyek Kerjasama Pemerintah dan Swasta yang Mengoptimalkan Kinerja Bersama pada Sektor Penyediaan Air Minum
Pemodelan Masa Konsesi Proyek Kerjasama Pemerintah dan Swasta yang Mengoptimalkan Kinerja Bersama pada Sektor Penyediaan Air Minum NUGROHO PRIYO NEGORO 3109 203 001 PROGRAM MAGISTER TEKNIK SIPIL BIDANG
Lebih terperinciGENERALIZED CROSS VALIDATION DALAM REGRESI SMOOTHING SPLINE
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 3 (2013), hal 191 196. GENERALIZED CROSS VALIDATION DALAM REGRESI SMOOTHING SPLINE Andi Sayuti, Dadan Kusnandar, Muhlasah Novitasari Mara
Lebih terperinciESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO
ESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO Yessy Okvita 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika
Lebih terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH
BAB 3 METODOLOGI PEMECAHAN MASALAH 3.1 Flowchart Diagram 3.1 Flowchart Metodologi Pemecahan Masalah Diagram 3.1 Flowchart Metodologi Pemecahan Masalah (Lanjutan) 62 63 3.2 Observasi Lapangan Observasi
Lebih terperinciPengembangan Model Simulasi, oleh Hotniar Siringoringo 1
Simulasi kejadian diskrit memodelkan sistem yang berubah sesuai waktu melalui suatu representasi dimana variabel status berubah secara langsung pada titik terpisah dalam waktu. Titik terpisah dalam waktu
Lebih terperinciPERANCANGAN SIMULASI PENGACAKAN SOAL TRYOUT UNTUK MEMBENTUK PAKET SOAL UJIAN NASIONAL MENGGUNAKAN LINEAR CONGRUENT METHOD (LCM)
PERANCANGAN SIMULASI PENGACAKAN SOAL TRYOUT UNTUK MEMBENTUK PAKET SOAL UJIAN NASIONAL MENGGUNAKAN LINEAR CONGRUENT METHOD (LCM) Darma Perwira Hasibuan (0911467) Mahasiswa Jurusan Teknik Informatika, STMIK
Lebih terperinciSATUAN ACARA PERKULIAHAN MATA KULIAH SIMULASI (KB) KODE / SKS : KK / 3 SKS
KODE / SKS : KK-01333 / 3 SKS 1 Pengertian dan tujuan 1. Klasifikasi Model 1 Simulasi. Perbedaan penyelesaian problem Dapat menjelaskan klasifikasi model dari matematis secara analitis dan numeris suatu
Lebih terperinciESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang)
ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang) Didin Astriani P 1, Jadi Suprijadi 2, Zulhanif 3 Program Pendidikan
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Tabel 3.1. Disain Penelitian Tujuan Disain Penelitian Penelitian Jenis Unit Analisis Time Horizon Penelitian T-1 Deskriptif Individu Lulusan Peminatan Kewirausahaan
Lebih terperinciTEKNIK SIMULASI MONTERCARLO STUDI KASUS DAN PENYELESAIAN. Prepared by Hanna Lestari, M.Eng
TEKNIK SIMULASI MONTERCARLO STUDI KASUS DAN PENYELESAIAN Prepared by Hanna Lestari, M.Eng TEKNIK INDUSTRI UDINUS-,,2013 BAB I PENDAHULUAN I.1. Studi Kasus PT. SPOTLIGHT merupakan perusahaan pembuat lampu
Lebih terperinciBAB I PENDAHULUAN. Pendidikan merupakan hal yang sangat penting dalam menjamin
BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan merupakan hal yang sangat penting dalam menjamin perkembangan dan kelangsungan hidup suatu bangsa. Melalui pendidikan potensi seseorang akan berkembang dengan
Lebih terperinciMETODA REPLIKASI PADA SIMULASI SISTEM ANTRIAN M/M/1
Media Informatika Vol. 4 No. 3 (2005) METODA REPLIKASI PADA SIMULASI SISTEM ANTRIAN M/M/1 Ekabrata Yudhistyra Sekolah Tinggi Manajemen Informatika dan Komputer LIKMI Jl. Ir. H. Juanda 96 Bandung 40132
Lebih terperinciFakultas Matematika dan Ilmu Pengetahuan Alam Univeritas Riau Kampus Bina Widya Indonesia. ABSTRACT ABSTRAK
PEHITUNGAN VALUE AT ISK PADA POTOFOLIO SAHAM DENGAN METODE VAIANSI-KOVAIANSI Novita Theresia Siagian 1, Tumpal Parulian Nababan 2, Haposan Sirait 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan
Lebih terperinciANALISIS IMPLEMENTASI RANDOM NUMBER GENERATE(RNG) PADA SIMULASI ANTRIAN MENGGUNAKAN APLIKASI BERBASIS.NET FRAMEWORK
ANALISIS IMPLEMENTASI RANDOM NUMBER GENERATE(RNG) PADA SIMULASI ANTRIAN MENGGUNAKAN APLIKASI BERBASIS.NET FRAMEWORK Fauziah, Ina Agustina, Septi Andryana Fakultas Teknologi Komunikasi dan Informatika,
Lebih terperinciMETODE MONTE CARLO. Pemodelan & Simulasi TM11
METODE MONTE CARLO Pemodelan & Simulasi TM11 Metode Monte Carlo Metoda Monte Carlo telah digunakan sejak abad ke-18 oleh Comte de Buffon yang mengembangkan eskperimen untuk memperoleh rasio antara diameter
Lebih terperinciKUISONER UNTUK ALUMNI
KUISONER UNTUK ALUMNI IDENTITAS ALUMNI FAKULTAS KEHUTANAN UNIVERSITAS LANCANG KUNING 1. Nama Lengkap : 2. Bulan dan tahun lulus : 3. Status Perkawinan : Kawin Tidak kawin 4. Pendidikan Tertinggi : 5. Alamat
Lebih terperinci