ANALISIS PARETO OPTIMAL DENGAN PEMBOBOTAN DALAM MENENTUKAN SOLUSI GOAL PROGRAMMING SKRIPSI. SRI KEUMALAWATI (Operasi Riset)
|
|
- Erlin Santoso
- 6 tahun lalu
- Tontonan:
Transkripsi
1 ANALISIS PARETO OPTIMAL DENGAN PEMBOBOTAN DALAM MENENTUKAN SOLUSI GOAL PROGRAMMING SKRIPSI SRI KEUMALAWATI (Operas Rset) DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2009 Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
2 ANALISIS PARETO OPTIMAL DENGAN PEMBOBOTAN DALAM MENENTUKAN SOLUSI GOAL PROGRAMMING SKRIPSI Dajukan untuk memenuh syarat mendapat gelar Sarjana Sans SRI KEUMALAWATI (Operas Rset) DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2009 Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
3 PERSETUJUAN JuduL : ANALISIS PARETO OPTIMAL DENGAN PEMBOBOTAN DALAM MENENTUKAN SOLUSI GOAL PROGRAMMING. Kategor : SKRIPSI Nama : SRI KEUMALAWATI Nomor Induk Mahasswa : Program Stud : SARJANA (SI) MATEMATIKA Departemen : MATEMATIKA Fakultas :MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA Dluluskan d Medan, Desember 2009 Koms Pembmbng : Pembmbng 2 Pembmbng 1 Drs. Bambang Irawan, M.Sc. Drs. Marwan Harahap, M.Eng NIP: NIP: Dketahu/Dsetuju oleh Departemen Matematka FMIPA USU Ketua, Dr. Sab Suwlo, M.Sc. NIP: Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
4 PERNYATAAN ANALISIS PARETO OPTIMAL DENGAN PEMBOBOTAN DALAM MENENTUKAN SOLUSI GOAL PROGRAMMING SKRIPSI Saya mengaku bahwa skrps n adalah hasl kerja saya sendr, kecual beberapa kutpan dan rngkasan yang masng-masng dsebutkan sumbernya. Medan, Desember 2009 Sr Keumalawat NIM: Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
5 v PENGHARGAAN Bsmllahrrahmanrrahm Puj dan syukur penuls panjatkan ke hadrat Allah SWT Yang Maha Esa dan Kuasa atas segala-galanya, dengan lmpahan rahmat dan karuna-nya sehngga skrps n dapat dselesakan Skrps n merupakan salah satu syarat yang harus dpenuh dan dselesakan oleh seluruh mahasswa fakultas FMIPA Departemen matematka. Pada skrps n penuls mengambl judul skrps tentang Analss Pareto Optmal Dengan Pembobotan dalam menentukan Solus Goal Programmng. Demkan, penuls juga menyadar keterlbatan berbaga phak yang telah membantu dem terselesakannya skrps n. Oleh karena tu terma kash penuls ucapkan kepada: 1. Bapak Drs. Marwan Harahap, M.Eng selaku dosen dan pembmbng I yang telah memberkan banyak bmbngan dan penuh kepercayaan kepada saya untuk menyempurnakan tugas akhr n. 2. Bapak Drs. Bambang Irawan, M.Sc selaku dosen dan pembmbng II atas bantuan dan penjelasan yang dberkan dem selesanya skrps n. 3. Bapak Drs. H. Haluddn Panjatan dan bu Dra. Elly Rosman, M.s selaku koms penguj atas masukan dan saran yang telah dberkan dem perbakan skrps n. 4. Bapak Dr. Sab Suwlo M.Sc dan Bapak Drs. Henry Ran Stepu, M.s selaku ketua dan sekretars departemen matematka FMIPA USU 5. Bapak Prof. Dr. Eddy Marlyanto M.Sc selaku Dekan FMIPA USU 6. Ayahanda Marzuk Ibr, dan Ibunda Zulkharan, yang sangat saya kash dan sayang atas doa dan dukungan morl maupun materl yang dberkan selama n. 7. Adek-adek tersayang: D Raudhah, D Fahm, D.Arf Fardllah, D Lsa (sepupu), D Hasya(sepupu), D Tasya, D Intan, dan D Dra(sepupu) yang selalu memberkan motvas dan semangat dalam menyelesakan tugas akhr n. 8. Ayahanda Husan/M da, Y Bt/Mbt, Y nas/b An, C l/c Nu, y lut dan kel tercnt serta semua ahl faml yang saya sayang, yang selalu memberkan nasehat serta motvas serta bantuannya. 9. Yang Specal Aa Fer yang selama n member support dan motvas yang tdak bosan sehngga saya lebh semangat dalam menyelesakan tugas akhr n. 10. Rekan-rekan kulah: D Eel, D Ec, Novta, Wulan, Febr dan stambuk 2005 seperjuangan yang tdak terlupakan dukungan dan bantuannya 11. Adek-adek kost: D Rrn, D Irma, D Sar dan D Sandra Rzal tercnta yang telah memberkan motvas dan bantuannya. 12. Semua phak yang tdak dapat penuls sebutkan satu persatu. Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
6 v Penuls juga menyadar mash banyak kekurangan dalam skrps n, bak dalam teor maupun penulsannya. Oleh karena tu, penuls mengharapkan saran dar pembaca dem perbakan bag penuls, semoga segala kebakan dalam bentuk bantuan yang telah dberkan mendapat balasan dar Yang Maha Kuasa. Akhr kata, kranya skrps n dapat bermanfaat bag phak pembaca. Hormat saya, Penuls Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
7 v ABSTRAK Tujuan dar tulsaan n adalah untuk menanggan masalah efsens pada masalah Goal Programmng. Hal n adalah membuktkan bahwa ketka banyak masalah Multple Objectve Programmng berusaha untuk mengoptmalkan secara smultan untuk memperoleh satu hmpunan yang tdak dapat membandngkan pertentangan dan tujuan dbawah beberapa kendala, Karena tujuan umumnya bertentangan. Solus dperoleh melalu model Goal Programmngyang merupakan komprom terbak yang dapat dbuat d antara tujuan, solus n dapat memenuh syarat sebaga solus yang memuaskan (mendekat target). Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
8 v ABSTRACT The am of ths paper s to deal wth the problem of effcency n the Goal Programmng (GP) model. Indeed, t s proved that when the Multple Objectve Programmng (MOP) problem seeks to optmze smultaneonsly a set of ncommensurable and conflctng objectves under some constrant, snce the objectves are generally conflctng the soluton, obtaned through the Goal Programmng model present the best compromse that can be made between these objectves ths soluton can qualfed as the most satsfactory soluton. Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
9 v DAFTAR ISI Halaman Persetujuan Pernyataan Penghargaan Abstrak Abstract Daftar Is Daftar tabel Daftar Gambar v v v v x x BAB 1 Pendahuluan 1.1 Latar Belakang Perumusan Masalah Tnjauan Pustaka Tujuan Peneltan Konstrbus peneltan Metodolog Peneltan 5 BAB II Landasan Teor 2.1 Goal Programmng Formulas dan Model Goal Programmng Metode untuk menyelesakan Goal Programmng Aplkas Goal programmng Pareto Optmalty Konsep Solus Pareto Optmal Preferens Pengamblan keputusan 24 BAB III Pembahasan 3.1 Analss Pareto Optmal dengan Pembobotan dalam menentukan Solus Goal programmng Masalah Perencanaan Usahatan pada dua jens tanaman (pear dan peach) 26 BAB IV Kesmpulan dan Saran 4.1 Kesmpulan Saran 41 Daftar pustaka 42 Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
10 x DAFTAR TABEL Tabel Halaman 2.1 Data perencanaan usahatan Tabel smpleks maksmas Tabel smpleks maksmum Z Tabel ttk ekstrm Z Tabel mnmze Z Tabel ttk ekstrm Z Tabel matrks pay-off Tabel penafsran varabel efsen dengan ttk ekstrm Tabel smpleks efektf 38 Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
11 x DAFTAR GAMBAR Gambar Halaman 3.1 Bagan pengamblan keputusan Grafk maksmum Z Grafk mnmze Z2 34 Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
12 BAB I PENDAHULUAN 1.1 Latar Belakang Analss Pareto optmal adalah salah satu teknk analss dar kelompok teknk operas rset yang memaka model matematka dalam menentukan solus optmal untuk suatu solus mungkn d mana suatu penngkatan d (dalam) nla sekurangkurangnya satu fungs tujuan lannya, ukuran hanya dapat dcapa dengan penurunan nla sedktnya satu ukuran lan dar setap fungs tujuan tanpa dalam waktu yang bersamaan. Salah satu prnsp yang palng terkenal d duna manajemen, termasuk Qualty Management adalah Prnsp Pareto. Semua masalah dalam duna nyata erat katannya dengan pengamblan keputusan dalam menghadap masalah tujuan ganda atau stlah lan adalah masalah Multple Objectve Programmng. Dalam menangan permasalahan Multple Objectve Programmng, orang harus berhat-hat menerapkan prnsp optmaltas. Prnsp optmaltas untuk menyelesakan permasalahan dengan satu tujuan (sngle objectve problem) tdaklah serta-merta dapat dterapkan d sn, apalag mempertmbangkan kemungknan adanya satu tujuan dengan tujuan lannya adalah salng bertentangan (Conflctng). Model matemats untuk mencar suatu solus terbak dar hasl gabungan fungs-fungs tujuan yang memenuh kendala tertentu sesua dengan preferens pengamblan keputusan melalu argumentas logs untuk meredukskan sebagan kemungknan-kemungknan keputusan yang banyak jumlahnya tu, untuk memperoleh solus fsbel yang dapat dterma [4]. Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
13 2 Pareto Optmalty adalah sebuah konsep populer dalam menangan permasalahan n d antara tujuan-tujuan tersebut. Sesua namanya, konsep n dkemukakan oleh Vlfredo (1906). Teor n dapat dgunakan untuk menangan optmaltas dar permasalahan Multple Objectve Programmng. Model Programmng dapat danggap sebaga kasus khusus d mana dperoleh solus terbak dengan memnmumkan total jumlah dan bobot nla devas. Fungs tujuan Goal Programmng mnmum jumlah varabel devas yang terkat dengan berbaga tujuan, sebaga berkut: Mn Z = Dengan: p 1 f x g ; x X ; dan 0 untuk 1,2,..., p Keterangan, : Devas postf dan devas negatf antara tngkat pencapaan f x dan tngkat aspras g dan X dperoleh solus fsbel[3]. D antara solus Pareto Optmal tulah harus dtentukan solus yang danggap terbak (preferred soluton) sesua dengan preferens pengamblan keputusan. Konsep Optmum menurut formulas tujuan tunggal yang menekankan pada ketunggalan solus, secara format dapat dnyatakan sebaga berkut: Setap alternatf x* X adalah optmal hanya dan bla hanya untuk alternatf yang lannya x X berlaku hubungan f x * f x. Untuk suatu hmpunan varabel keputusan X dar fungs f, akan selalu terdapat sekurang-kurangnya satu optmum x*[5]. Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
14 3 1.2 Perumusan Masalah Pendekatan parametrk adalah salah satu metoda untuk mendapatkan hmpunan solus Pareto Optmal. Formulas persoalan tujuan ganda adalah sebaga berkut: Maks, Subject to: f x f x,..., x 1 x,..., x k T 1 d,..., x,..., f x k n 1 k Dengan cara mentransformaskan terlebh dahulu persoalan program tujuan ganda menjad format program tujuan tunggal adalah: Maks, n,..., x : w,..., w w f x k 1 k p p 1 p 1 f x,..., x k Subject to: Keterangan:: w p x,..., x k T 1 d : Bobot yang dberkan terhadap fungs tujuan p. Dengan cara memberkan bobot yang berbeda-beda 0 w 1 p akan dperoleh solus Pareto Optmal pada daerah fsbel T 0. Solus yang dhaslkan akan berbentuk solus Pareto Optmal juga dsebut solus komprom terbak yatu solus yang akan dnyatakan melalu pemberan nla bobot w. Pada program Goal Programmng tdak mengenal solus optmal yang mempunya solus ketunggalan dengan dperoleh solus Pareto Optmal, akan ddentfkaskan suatu solus optmal d antara sekan solus fsbel yang menghaslkan nla tertngg dalam fungs tujuan. 1.3 Tnjauan Pustaka Andakan suatu masalah Goal Programmng. Nla vektor fungs tujuan f f,..., n f 1 k terdr dar k nla real fungs tujuan f : R R adalah optmsas secara smultan. Varabel keputusan x termasuk daerah fsbel S n R. Vektor Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
15 4 tujuan z f x adalah berada d ruang tujuan R k, asumskan yang dberkan adalah bertentangan, bahwa semua tdak dapat dperoleh optmal sama dengan vektor keputusan x. Berdasarkan asums semua bagan fungs tujuan adalah mnmum. Karena masalah Goal Programmng dperoleh bentuk. Mnmum. Subject to: f 1 x,..., f k x x S Mnmum dar nla vektor fungs tujuan f dnyatakan sebaga Pareto Optmal. Sebuah vektor keputusan x * S merupakan solus Pareto Optmal tdak ada vektor keputusan x S yang lan, dengan demkan f x f x * for =1,2,,k dan f x f x * j j untuk terendah satu j. Raso solus terakhr dar pengamblan keputusan adalah solus Pareto Optmal[2]. Model matemats tujuan majemuk, yang crnya yang tdak mengenal solus tunggal menyebabkan solus yang dhaslkan berbentuk alternatf-alternatf Pareto Optmal yang kemudan perlu dreduks oleh pengambl keputusan, sebelum memperoleh solus yang terbak d antara alternatf-alternatf tersebut. Solus Pareto Optmal yang dkembangkan dengan penggunaan parametrk yang dusulkan oleh Geoffron dengan formulas berkut n. Mn. f x 1 f x 1 2 Subject to: b f 3 x a X T d X g X 0 Keterangan: f 3 x, f x dan f x 1 2 : tga fungs tujuan yang dplh dengan vektor keputusan x n R T d : daerah fsbel varabel keputusan g(x) fungs kendala vektor G : R k R m : parameter yang berubah d antara ( 0 1) a,b : batas atas dan bawah koefsen. Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
16 5 Dalam penentuan solus terbak d antara hmpunan solus Pareto Optmal tersebut dapat dperoleh melalu tradeoffs d antara fungs-fungs tujuan yang tdak dapat memberkan solus yang palng memuaskan yang mungkn dcapa[11]. 1.4 Tujuan Peneltan Adapun tujuan tulsan n adalah dengan menggunakan bobot-bobot bernterval (parametrc programmng) mula-mula sejumlah ttk-ttk efsen (solus nonnferor atau Pareto Optmal) akan dkembangkan. Dengan dtetapkannya parameter tu, semua ttk-ttk ekstrm d sektar permukaan efsen dar daerah fsbel dapat dperoleh. Setelah solus-solus efsen d daerah fsbel dketahu, tahap berkutnya adalah memlh kesekan banyak ttk-ttk efsen tersebut suatu solus terbak. 1.5 Kontrbus Peneltan Selan untuk tambahan lteratur dan pengetahuan pembaca yang sedang mempelajar Goal Programmng, semoga peneltan n bermanfaat bag pembaca dan penelt lan yang ngn menelt masalah yang menggunakan konsep yang sama dan secara umum dapat member kontrbus pada pengguna Pareto Optmal dengan pembobotan dalam menentukan solus optmal yang mungkn dcapa pengamblan keputusan. 1.6 Metode Peneltan Peneltan n dlakukan dalam bentuk stud lteratur dalam berbaga buku teks dan jurnal. Usulan langkah-langkah untuk Pareto Optmal dalam menentukan solus Goal Programmng dengan model pembobotan adalah sebaga berkut: Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
17 6 Mn. Z p 1 w w Subject to: f x g untuk 1,2,..., p X x R n ; dan 0 untuk 1,2,..., p ; Keterangan: w, w : vektor pembobotan yang dberkan terhadap devas postf dan devas negatf dar tujuan. Catatan (dsmpan): Asumskan X adalah compact dan f (for =1,2,,p) kontnu dar X, formulas tersebut mempunya solus. Tdak ada jamnan bahwa solus n adalah Pareto Optmal. Pada penentuan Pareto Optmal secara umum, banyak tpe dar masalah Goal Programmng d mana hmpunan varabel keputusan adalah compact dan fungs tujuan adalah kontnu. Akan dperoleh solus optmal dan mendomnas nant[5]. Teorema: Andakan X adalah compact dan fungs f (for =1,2,,p) adalah kontnu Mn x X p 1 f x Untuk: X x x X, dan f x f x, 1,2,..., p adalah Pareto Optmal, Jka tdak bukan solus Pareto Optmal. Bukt: Dengan kontrbus x X, Karena X adalah compact dan fungs f (for =1,2,,p) adalah kontnu, X adalah compact. Akbatnya, Program (2) setdaknya memlk satu solus. Untuk menunjukkan bahwa ada solus dar program (2) adalah solus Pareto Optmal dengan membarkan x 0 menjad solus untuk program (2). Prosedur untuk mencar solus Pareto Optmal yang mendomnas n. Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
18 7 Prosedur: Asumskan bahwa teorema d atas dperoleh solus Pareto Optmal. Langkah 1: Pandang program (1) jka x menjad solus dar program n. Langkah 2: Pandang program (2) jka x 0 X menjad solus dar program n. -Jka p p f x 1 1 f x 0, maka x adalah solus program (2). In berart bahwa Pareto Optmal. -Jka p p 0 f x 1 1 f x, yatu x adalah bukan solus program (2). Dengan alternatf-alternatf x 0 X, akan dperoleh f x f x for 1,2,..., p 0 dan ada j yang sepert tu f j x 0 f j x. Oleh karena tu x 0 adalah Pareto Optmal dan mendomnas keputusan yang optmal[3]. x. Pengamblan keputusan dapat mengambl sebaga Metodolog Goal Programmng dengan metode Interactve Lnear Programmng yang mempunya struktur dar matematka rancangan sebaga berkut: a. Formulas persoalan Goal Programmng. b. Pendekatan pembobotan (parametrc) sebaga pembangkt solus Pareto Optmal. c. Mencar batas-batas optmsas dengan tabel matrks pay-off. d. Menentukan solus terbak atau solus optmal dengan menggunakan kurva tradeoffs dan faktor penalt. Defns: X * adalah solus non-nferor atau Pareto Optmal untuk persoalan Mn f(x) d.p X T d : jka dan hanya jka tdak terdapat keadaan X T d, d mana f x f x *, dan f x f x * p p untuk beberapa fungs tujuan p=1,2,,n. Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
19 8 Teorema 1: Lhat persamaan Mn. Subject to: f 2 x 1 f x (1) 1 b f 3 x a X T d X g X 0 I. f adalah selalu tdak akan pernah bertambah (monotoncally non- 1 ncrease) untuk ( 0 1) dan f adalah selalu tdak akan pernah 2 berkurang (monotoncally non-decrease) untuk ( 0 1). II. Setap solus X dar persamaan (1) adalah Pareto Optmal untuk 0, 1. III. Solus Pareto Optmal bukanlah solus yang tunggal dan karenanya merupakan suatu hmpunan alternatf solus-solus yang banyak jumlahnya tu. Teorema 2: I. Mn. f dan Maks. f sebagamana persamaan (1) adalah selalu 1 2 tdak akan pernah berkurang (monotoncally non-decrease) untuk harga d antara ( 0 1). II. Setap solus X dar persamaan (1) adalah Pareto Optmal untuk ( 0 1). Lema 1: Teorema (2) d atas mengandung art bahwa setap solus Pareto Optmal persamaan n adalah alternatf dar solus terbak (preferred soluton) dengan batas-batas harga yang terletak d antara ( 0 1), dan dapat dnyatakan secara vsual dalam bentuk kurva tradeoffs. Defns: Solus optmum adalah solus terbak dar hasl gabungan fungs-fungs tujuan yang memenuh kendala tertentu, sesua dengan preferens pengambl keputusan melalu proses permbalan (tradeoffs) d antara fungs-fungs tujuan yang tdak dalam keadaan sepadan. Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
20 9 Berdasarkan dar krteranya tdak akan dperoleh solus yang optmal yang tunggal dan d snlah peranan pengamblan keputusan menjad pentng artnya. Karena tu perlu terlebh dahulu melakukan tradeoffs (penlaan tolak angsur) d antara tujuan-tujuan, sasaran-sasaran yang akan doptmsaskan tu dengan demkan crnya yang tdak mengenal ukuran tunggal, menyebabkan solus yang dhaslkan berbentuk alternatf-alternatf yang kemudan perlu devaluaskan oleh pengambl keputusan, sebelum memperoleh solus terbak d antara alternatf-alternatf tersebut. Dengan menerapkan dasar-dasar teorts yang telah dbahas dapat dsusun oleh algortma Interaktf optmsas multobjectve dengan langkah-langkah berkut: Langkah 1: Buatlah formulas model optmsas multobjectf dalam bentuk Lnear Programmng. Langkah 2: Buatlah tabel matrks pay-off untuk tga fungs tujuan f 1,, f 2, dan f 3. Langkah 3: Carlah dar tabel matrks pay-off tersebut batas-batas atas (upper) dan bawah (lower) fungs-fungs tujuan f 1,, f 2, dan f 3. Langkah 4: Baglah rentangan f 3 menjad tga kendala pembatas untuk masngmasng. Langkah 5: Buatlah kurva tradeoffs antara f 1 dengan,f 2 mengubah nla ( 0 1) secara parametrk, dan f 3 dperlakukan sebaga tga rentangan kendala pembatas. Mn. f x 1 f 1 2 Subject to: x b f 3 x a X T X g X 0 d. Langkah 6: Dengan menerapkan konsep penalt dapat menentukan solus terbak d antara solus Pareto Optmal yang terlhat secara grafk pada kurva tradeoffs masng-masng tga rentang kendala. Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
21 BAB II LANDASAN TEORI Pada bab n akan dbahas beberapa pengertan dar Pareto Optmal pada Goal Programmng yang akan dgunakan sebaga landasan berfkr dalam melakukan peneltan n, akan membahas masalah pembobotan dalam menentukan solus Optmal pada Goal Programmng. Beberapa konsep dan metoda analss Pareto Optmal dengan pembobotan dalam menentukan solus Goal Programmng akan dpergunakan pada bab pembahasan. Goal Programmng Program tujuan ganda yang dalam bahasa Inggrs dsebut Multple Objectve Programmng atau Goal Programmng adalah salah satu teknk analss dar kelompok teknk operas rset yang memaka model matematka yang merupakan modfkas khusus dar program lnear. Goal Programmng pertama kal dperkenalkan oleh Charnes dan Cooper pada tahun Jad boleh dkatakan sebaga suatu teknk analss dalam kelompok operas rset yang umurnya mash muda dbandngkan dengan teknk-teknk analss yag lan. Akan tetap dewasa n penerapan teknk analss n sudah menyusup hampr keseluruh bdang pembangunan dan dspln lmu, sepert: bdang perencanaan sumber daya alam, bdang perencanaan akadems, perencanaan keuangan, dan lan-lan. Adapun tujuan dar analss Goal Programmng adalah untuk memnmumkan jarak antara dan devas terhadap tujuan, target atau sasaran yang telah dtetapkan Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
22 11 dengan usaha yang dapat dtempuh untuk mendapatkan target atau tujuan tersebut secara memuaskan atau memenuh target (palng tdak mendekat target) sesua dengan syarat katan yang ada, yang membatasnya berupa sumber daya yang terseda, teknolog yang ada, kendala tujuan, dan sebaganya[6]. Formulas dan Model Goal Programmng Metodelog Goal Programmng adalah bergerak dalam masalah-masalah yang tujuannya undmensonal (tujuan tunggal) ataupun Multdmensonal (tujuan ganda, dan lebh dar dua). Formulas Goal Programmng hampr sama dengan formulas Lnear Programmng. Tahap pertama, dtetapkan peubah-peubah pengamblan keputusan, selanjutnya spesfkas yang dhadap dan yang ngn d analss, menurut prortasnya (mana prortas pertama, kedua, dan seterusnya). Urutan prortas n dapat dsusun dalam skala kardnal maupun ordnal. Asums-asums yang berlaku Goal Programmng adalah peubah-peubah devasonal yang terdr dar peubah devas postf dan devas negatf. Model umum dar Goal Programmng (tanpa faktor prortas d dalam strukturnya) adalah sebaga berkut. Mn. Z m W 1 Subject to; m = W W 1 n 1 a j X j b untuk 1,2,..., m tujuan n j 1 g kj X j atau C k untuk kendala fungs ; j 1,2,..., 1, 2,..., p n Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
23 12 X j,, 0 Keterangan:, 0, : jumlah unt devas postf dan devas negatf terhadap tujuan (b ) W, W : tmbangan atau penalty (ordnal atau kardnal) yang dberkan a j X j b g kj C k terhadap suatu unt devas negatf atau devas postf terhadap tujuan (b ) : koefsen teknolog fungs kendala tujuan, yatu yang berhubungan dengan tujuan peubah pengamblan keputusan (X j ). : peubah pengamblan keputusan : tujuan atau target yang ngn dcapa : koefsen fungs kendala basa. : jumlah sumber daya k yang terseda Catatan: bahwa jka tdak dapat mencapa devas postf dan devas negatf dar tujuan atau target yang dtetapkan secara sekalgus atau smultan, maka salah satu dar peubah devasonal atau ke dua-duanya akan menjad nol sepert yang dtunjukkan berkut n: l Z, jka l Z o, jka l Z dan 0, jka l Z Z l, jka l Z Keterangan: l = target Z = tujuan Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
24 13 Keadaan d mana koefsen teknolog a j yang berhubungan dengan fungs kendala tujuan, dan g kj yang berhubungan dengan fungs kendala sumber daya harus dtetapkan secara eksplst. Hal n berart bahwa tradeoffs d antara fungs tujuan tdak perlu dkuantfkaskan. tetap satu tujuan dengan tujuan lannya salng bertentangan. Dengan demkan harus dtetapkan terlebh dahulu mana d antara berbaga tujuan tersebut yang dutamakan dan dprortaskan Faktor prortas dapat dtentukan mana tujuan yang lebh pentng sebaga prortas ke-1, dan tujuan yang kurang pentng dtentukan sebaga prortas ke-2, dan seterusnya. Pembagan prortas tersebut adalah pengutamaan (preemptve). Jad harus d susun dalam suatu urutan (rangkng) menurut prortasnya, sehngga dapat dnyatakan faktor prortas sebaga P ( untuk =1,2,,m). Faktor-faktor prortas tersebut memlk hubungan sebaga berkut: P >>>P 2 >>>P 3 >>>P +1 Untuk: >>> = jauh lebh tngg darpada Dengan demkan, model umum yang memlk struktur tmbangan pengutamaan (preemptve weghts) dengan urutan ordnal. m Mn. Z = ( P W P W ) Subject to; 1 y, y s, s n 1 a j X j b untuk 1,2,..., m tujuan n j 1 g kj X j atau C k untuk kendala fungs ; j 1,2,..., 1, 2,..., p n X j,, 0 Keterangan:, 0, : devas postf dan devas negatf dar tujuan atau target ke- P, P y s : faktor-faktor prortas Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
25 14 W, y : tmbangan relatf dar dalam urutan rangkng ke-y. W, : tmbangan relatf dar dalam urutan rangkng ke-s[6]. s Metode Untuk Menyelesakan Goal Programmng Pada perumusan Goal programmng dberkan pembobotan yang khusus pada tujuantujuan yang ngn dcapa dan pada berbaga prortas yang dberkan dalam mencapa tujuan-tujuan tersebut. Hal n dlakukan terhadap tujuan atau sasaran tdak mungkn tercapa karena menunjukkan tdak terdapat preferens terhadap mana yang lebh dutamakan dan dberkan bobot yang lebh berart darpada yang lan dan bak maupun dberkan bobot yang lebh besar darpada nol Aplkas Goal Programmng Model perencanaan d bdang pertanan Tabel 2.1: Data Perencanaan Usahatan Tanaman Tanaman Ketersedaan Sumberdaya Pear Peach Modal Pemangkasan No Varabel Keputusan (X1/ha) (X2/ha) tahunan (jam/musm) Panen 1 NPV (Rp/ha) Sumber penghaslan: Modal tahun Tahun tahun Max. traktor (jam) Tahun Tenaga kerja tahunan Pemangkasan Panen Mesn Pengolahan (jam/ha) Tujuan Usahatan: 1. Maksmumka NPV (Net Present Value) 2. Mnmmumkan pnjaman modal selama 4 tahun Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
26 15 3. Mnmmumkan tenaga kerja musman untuk pemangkasan dan panen 4. Mnmmumkan sewa traktor (adalah kepentngan yang salng bertentangan) Strateg dengan Lnear Programmng basa: 1. NPV dmaksmumkan 2. Tujuan lan sebaga kendala sumberdaya 3. Total sumber penghaslan: Surplus tahun 1 dmasukkan sebaga tambahan tahun berkutnya. Pendekatan program lner Maks. Z= 6250 X X 2 Subject to: 500X X X X X X X X X X X X X 1 +35X X 1, X 2 0 Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
27 16 Menguj optmaltas dengan metode smpleks sebaga berkut: A. Maksmas Tabel 2.2: Tabel smpleks Maksmas Iteras Bass C X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 B X X X X sxx X X X Zj-Cj Iteras Bass C X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 B X ,500 X ,250 X ,750 X ,125 X ,400 X X ,000 X Zj-Cj Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
28 17 Iteras Bass C X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 B X , X , X , X , X ,600 X X X Zj-Cj Solusnya: X 1 = 5 ha X 2 = 4.44 ha NPV = Tenaga kerja panen dgunakan semua Sumberdaya lannya tdak habs dgunakan, ada ssa sumberdaya. Menurut Lnear Programmng n optmal karena: 1. Tujuan yang dformulaskan sebaga kendala dpenuh dulu sebelum NPV 2. Setap solus yang layak harus memenuh fungs kendala Pendekatan tujuan tunggal dengan banyak fungs kendala sepert n lazmnya menghaslkan solus yang tdak memuaskan, sehngga muncullah pendekatan Multple Crtera atau serng dsebut Goal Programmng[8]. Dalam model Goal Programmng, formula ketdak-samaan sepert d atas danggap sebaga tujuan (g) dan bukan sebaga kendala Rght hand sde values (RHS) merupakan target yg dapat tercapa atau hanya dapat ddekat. Untuk setap fungs tujuan dber dua macam varabel ( persamaan: dan ) untuk mengubahnya menjad Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
29 X X 2 + = g X X 2 + = g X X = g X X 2 + = g X X 2 + = g X X = 4000 g 6 400X = 2000 g 7 450X = 2000 g 8 35X 1 +35X = 1000 g 9 Pengambl kepuntusan ngn memnmumkan NPV Smpangan negatf ( ) : D bawah pencapaan Smpangan postf ( ) : Tujuan yang melebh target (Over achevement) 0, atau 0, 0 Mn Σ Tujuan Goal Prorgammng adalah memnmumkan devas Mendefnskan semua tujuan yang relevan dengan stuas perencanaan menetapkan prortas tujuan: Q >>>> Qj Prortas tngg dpenuh lebh dahulu: Lexcographc order Q1 : untuk g 2, g 3, g 4, g 5 adalah,,, Q2 : untuk g 9 : 9 Q3 : untuk g 1 : 1 Q4 : untuk g 6, g 7, g 8 :,, Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
30 19 Sehngga dperoleh fungs tngkat pencapaan f (x) sebaga berkut: Mn A = [ ( ), ( ), ( 9 1 ), (,, )] Subject to: Q 3 : 6250X X 2 + = g Q 1: 500X X 2 + = g X X = g X X 2 + = g X X = g 5 Q 4 : 120X X = 4000 g 6 400X = 2000 g 7 450X = 2000 g 8 Q 2 : 35X 1 +35X = 1000 g 9 X, j, j, 0 1,2 dan j 1,...,9 Solus optmum : X 1 = X 2 = 9.38 Varabel devas: 1 = = 0 2 = = 0 3 = = 0 4 = = = = Prortas I (Q 1 ) : g 5 tercapa Prortas II (Q 2 ) : g 9 tercapa Prortas IV (Q 4 ) : g 6 tercapa Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
31 20 Dbandngkan dengan penyelesaan Lnear Programmng pada sebelumnya, sehngga dperoleh nla NPV lebh tngg. Sumberdaya habs dpaka mash kurang sumber daya yang dgunakan dan modal mash ada ssanya. Pareto Optmalty Pareto Optmal merupakan penyelesaan atau proses keputusan dengan cara mengevaluas alternatf-alternatf keputusan dar solus Goal Programmng yang banyak jumlahnya tu, untuk memlh alternatf terbak yang dapat dterma. Karena crnya yang tdak mengenal ketunggalan, menyebabkan solus yang dhaslkan berbentuk alternatf-alternatf Pareto Optmal yang dkenal juga solus non-domnance atau non-nferor. Defns: Solus Non-nferor adalah suatu keadaan d mana tdak mungkn dperoleh pengurangan (pengeclan) dar setap fungs tujuan tanpa dalam waktu yang bersamaan mengakbatkan pertambahan (pembesaran) sekurang-kurangnya satu fungs tujuan lannya. Atau dapat dnyatakan: X * adalah solus non-nferor atao Pareto Optmal untuk persoalan Mn. f(x) d.p X T d :jka dan hanya jka tdak terdapat keadaan T d X,d mana x f x * f, dan f x f x * p p untuk beberapa fungs tujuan p=1,2,,n. Dengan pendekatan parametrk mengevaluas alternatf-alternatf solus Pareto Optmal. D antara solus Pareto Optmal tulah harus dtentukan solus yang danggap terbak (preferred soluton) sesua dengan preferens pengamblan keputusan. Defns: Solus optmum adalah solus terbak dar hasl gabungan fungs-fungs tujuan yang memenuh kendala tertentu, sesua dengan preferens pengambl keputusan melalu Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
32 21 proses permbalan (tradeoffs) d antara fungs-fungs tujuan yang tdak dalam keadaan sepadan. Metodolog Goal Programmng dengan metode Interactve Lnear Programmng yang mempunya struktur dar matematka rancangan sebaga berkut: e. Formulas persoalan Goal Programmng. f. Pendekatan pembobotan (parametrc) sebaga pembangkt solus Pareto Optmal. g. Mencar batas-batas optmsas dengan tabel matrks pay-off. h. Menentukan solus terbak atau solus optmal dengan menggunakan kurva tradeoffs dan faktor penalt γ[11]. Solus Pareto Optmal yang dkembangkan dengan penggunaan pendekatan parametrk yang dusulkan oleh Geoffron dengan formulas berkut n. Mn. f x 1 f x 1 2 Subject to: b f 3 x a X T d X g X 0 Keterangan: f 3 x, f x dan f x 1 2 : tga fungs tujuan yang dplh dengan vektor keputusan x n R T d : daerah fsbel varabel keputusan g(x) fungs kendala vektor G : R k R m : parameter yang berubah d antara ( 0 1) a,b : batas atas dan bawah koefsen Metoda Goal Programmng yang dusulkan adalah berbentuk nteraktf, d mana hasl akhr optmsas merupakan alternatf-alternatf Pareto Optmal akan danalsa secara kuanttatf antara lan adalah menyatakan dalam bentuk tabel matrks pay-off, kurva trade-off, dan cara pemlhan solus terbak (konsep faktor penalt γ), sebaga berkut: Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
33 22 1. Matrks pay-off Terlebh dahulu suatu hmpunan Pareto Optmal dapat dperoleh dengan menggunakan pendekatan parametrk. Dengan memberkan salah satu fungs tujuan bobot maksmum (msal W=0,999), maka fungs tujuan lannya dber bobot mnmum (msal W=0,001) untuk masng-masng fungs tujuan f 1,, f 2, dan f 3 dan htung nla masng-masng fungs tujuan sehngga dperoleh solus optmal untuk setap fungs tujuan tersebut yatu f f f * * f, 1 2 * x x, x, : x * x x, x, * 3 f, dan f yang masng-masng terdr atas 3 (tga) nla: 1 3 : x * x x, x, : x Selanjutnya susunlah nla dar fungs tujuan tersebut ke dalam suatu satu tabel d mana bars-bars (rows) menyatakan nla solus optmal (x 1,x 2,x 3 ) dan kolom-kolom (columns) menunjukkan batas-batas harga setap fungs tujuan ( * * f, 1 2 * 3 f, f ). Dengan demkan carlah nla terbesar dan terkecl dar masng-masng kolom. Msal M p sebaga nla terbesar dan m p sebaga nla terkecl. Ulang hal tersebut d atas untuk p=1,,3. dan nla-nla tersebut dsebut sebaga batas atas dan batas bawah setap fungs tujuan tu. 2. Kurva tradeoffs Mengembangkan nla tradeoffs antara f 1 vs f 2 secara pendekatan parametrk yatu dengan mengubah-ubah bobot W 1 dar 0,999 0, 001 dan W 2 dar 0,001 0, 999. Plh dar masng-masng kurva yang telah dsajkan secara vsual tersebut satu solus terbak yang sesua dengan preferens pengamblan keputusan (untuk setap strateg akan dperoleh 3 solus optmal). 3. Faktor penalt γ. Dalam model n krtera untuk menentukan solus terbak tu dsebut sebaga faktor penalt γ. Faktor penalt dkembangkan berdasarkan konsep permbalan (tradeoffs) yang mampu menggambarkan seberapa jauh pengorbanan f 1 vs f 2. Dar ss lan faktor penalty dapat pula berperan sebaga ndkator perubahan nla. Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
34 23 Berdasarkan dar krteranya tdak akan dperoleh solus yang optmal yang tunggal dan dengan menggunakan bobot-bobot bernterval (parametrc programmng) mula-mula sejumlah ttk-ttk efsen akan devaluaskan, maka semua ttk-ttk ekstrm d sektar permukaan efsen dar daerah fsbel dapat dperoleh, d snlah peranan pengamblan keputusan menjad pentng artnya. Karena tu perlu terlebh dahulu melakukan tradeoffs (penlaan tolak angsur) d antara tujuan-tujuan, sasaransasaran yang akan doptmsaskan tu dengan demkan crnya yang tdak mengenal ukuran tunggal, menyebabkan solus yang dhaslkan berbentuk alternatf-alternatf yang kemudan perlu devaluaskan oleh pengambl keputusan, sebelum memperoleh solus terbak d antara alternatf-alternatf tersebut[4]. Konsep Solus Pareto Optmal Setelah solus-solus efsen (Pareto Optmal) d daerah fsbel dketahu, selanjutnya memlh dar sekan banyak ttk-ttk efsen tersebut suatu solus yang terbak. Pada permasalahan Goal Programmng yang tdak mengenal solus Optmal yang tunggal dan memuaskan dengan mendapatkan solus Pareto Optmal yang dsebut Nondomnance atau effcency atau non-nferor. Interprestas grafs dar konsep Pareto Optmal untuk persoalan optmsas tujuan ganda yang mengandung pengertan yang bersfat dualty dan dapat dnyatakan melalu dua konsep ruang; Mnmum. f x Subject to: f ( x) T T 0 =ruang fungs tujuan (objectve space) Mnmum. f x Subject to: 0 x T d T d =ruang varable keputusan (decson space) Ke dua-duanya memperlhatkan suatu bentuk sebarang daerah fsbel[11]. Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
35 Preferens Pengamblan Keputusan Solus Pareto Optmal bukan merupakan solus yang tunggal karena kenyataannya penentuan satu hmpunan Pareto optmal, belum cukup untuk memperoleh solus terbak. Dengan demkan untuk mendapatkan solus yang terbak d antara hmpunan solus Pareto Optmal tersebut akan dlakukan penambahan satu krtera yatu melalu proses permbalan (tradeoff) d antara fungs-fungs tujuan yang tdak dalam keadaan tdak sepadan. Menurut Hurbert Smon, solus terbak tu dapat dpandang sebaga solus yang palng memuaskan yang mungkn dcapa pengambl keputusan, sesua preferensnya menghadap kendala tertentu[7]. Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
36 BAB III PEMBAHASAN Analss Pareto Optmal dengan Pembobotan dalam Menentukan Solus Goal Programmng. Dalam rangka mencar penyelesaan Goal Programmng dengan menghadap suatu persoalan yang satu tujuan dengan tujuan lan salng bertentangan (multple and conflctng goals). Dengan demkan persoalan n dapat dselesakan dar fungs tujuan yang majemuk (lebh dar dua) melalu proses reduks dar alternatf-alternatf yang banyak jumlahnya tu, untuk memperoleh keputusan terbak melalu preferens pengamblan keputusan yang dapat dterma. Permasalahan menentukan Pareto optmal pada Goal programmng adalah suatu penyelesaan yang banyak dlakukan dengan pendekatan parametrk dengan dperoleh solus yang majemuk akan devaluaskan solus yang banyak tu, yang akhrnya dperoleh solus yang efsen. Solus optmal dar masalah dasar dperlhatkan menjad suatu cara khusus dar ttk ekstrm pada solus pareto optmal. Perencanaan dalam konteks Goal Programmng melalu tahap-tahap sebaga berkut: 1. Pembentukan tabel matrks pay-off untuk memperoleh batas-batas tertngg dan terendah nla masng-masng fungs tujuan. 2. Membangktkan alternatf-alternatf solus Pareto Optmal berdasarkan pendekatan parametrk. 3. membuat Proses permbalan (tradeoff) d antara fungs-fungs tujuan, untuk memperoleh solus yang optmum sesua dengan preferens pengamblan keputusan[9]. Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
37 26 Apabla varabel keputusan merupakan aspek sstem yang akan dkendalkan, maka parameter merupakan sesuatu yang dtetapkan dar luar dan tdak dkendalkan. Sehngga pada perolehan solus akhr yang memenuh semua kendala adalah solus fsbel. Pada umumnya hmpunan solus fsbel tu tdak terhngga banyaknya, algortma metoda smpleks mampu bekerja untuk mencapa ttk optmal dengan mencar solus hanya pada ttk-ttk ekstrm daerah fsbel saja. Permasalahan Pareto Optmal dengan pembobotan dapat dformulaskan dalam bentuk Goal programmng. Jka dberkan pembobotan (pendekatan parametrk) pada Goal programmng akan dapat menentukan solus optmal yang merupakan alternatfalternatf solus Pareto optmal, dar alternatf-alternatf yang banyaknya tu, pengambl keputusan akan menentukan plhan yang sesua dengan preferensnya. Solus tulah yang dsebut sebaga solus yang optmal. Dalam menentukan atau memlh solus optmal tu adalah menggunakan konsep faktor penalty, melalu kurva tradeoff yang dajukan untuk pengambl keputusan secara vsual. Hal n menyangkut dengan fungs tujuan yang dnyatakan dalam bentuk tabel pay-off matrx dan kurva tradeoff. Pada tahap n pembahasan dfokuskan ke dalam proses pemlhan ttk-ttk optmum secara nteratf dalam masalah Goal Programmng. 3.2 Masalah Perencanaan Usahatan pada Dua Jens Tanaman (pear dan peach). Pada permasalahan sebelumnya akan dlakukan pendekatan parametrk untuk mendapatkan solus yang optmal yang sesua dengan preferens pengamblan keputusan, untuk mendapatkan solus yang memuaskan atau memenuh target yang telah dtetapkan. Msalnya: Mengevaluaskan alternatf-alternatf g 2, g 3, g 4, dan g 5, sebaga kendala yang harus dpenuh sebaga kendala (constrant) Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
38 27 g 1, g 6, g 7, g 8, dan g 9, sebaga tujuan, ada lma macam smpangan yang perlu pembobotan untuk mendapatkan solus Pareto Optmal, Smpangan dber pembobot sesua dengan kepentngan relatf dar masng-masng tujuan. Target NPV = Maks NPV sesua dengan perubahan kendala. Varabel fungs tujuan: mencermnkan persentase smpangan dar target, bukan smpangan absolut. Model: Memnmumkanl penjumlahan dar target persentase devas Mnmze: W 100 % W 100 % W 100 % W W % Subject to: 500X X X X X X X X X X 2 + = X X = X = X = X 1 +35X = 1000 X, j, j, 1,2 j 1 dan j 0 6,...,9 Untuk: W 1,, W 5 : pembobot bag smpangan devas. Pembobot n dapat sama, atau dapat berbeda nlanya Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
39 28 Msalnya: Petan lebh mementngkan pendapatan atau penghaslannya darpada sewa tenaga kerja dan sewa traktor. Penerapannya harus dlandas oleh logka lmah yang kuat dan benar. Lma stuas d mana GP tdak bagus, yatu: 1. Solus optmal dengan menggunakan Goal Programmng dentk dengan solus optmal yang dperoleh dengan Lnear Programmng basa 2. Trade-off antar goal dalam prortas tertentu dapat dlakukan, tetap trade-off lntas prortas tdak dapat dlakukan 3. Kepekaan Goal Programmng untuk menghaslkan stuas optmal nferor 4. Maksmsas dar fungs pencapaan f(x) Achevement Functon dar Goal Programmng tdak sama dengan optmzng the utlty functon dar pengamblan keputusan. 5. Prortas terlalu banyak. Sebagan kecl Goal Programmng apabla beberapa tujuan (msalnya struktur baya usahatan) harus dntroduks sebaga raso atau sebaga sebagan tujuan Mnmax Goal Programmng adalah mnmum maksmun devas. Pencapaan dar semua Goal harus lebh besar dbandng dengan target yang ngn dcapa. Mn. Subject to: j f j x j j b j X F (hmpunan fsbel) Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
40 29 DM Goal Programmng Evaluas alternatef-alternatf MOP Solus Pareto Solus Non-Pareto Gambar 3.1 Bagan Pengamblan Keputusan Konsep klask tentang optmal dgant dengan deal efsens atau Non-domnans. Masalah optmsas smultan beberapa tujuan yang menghadap seperangkat kendala (basanya lnear). Mencoba mengdentfkas varabel yang mengandung solus efsen (non-domnated dan Pareto Optmal). Untuk menghaslkan varabel yang efsen adalah: Eff. Z(X) = [ Z 1 (X), Z 2 (X),. Z q (X) ] Subject to: X F Keterangan: Eff : mencar solus yang efsen F : Varabel fsbel Msalnya : Petan mempunya dua tujuan: 1. Memaksmumkan NPV nvestasnya dalam pengembangan kebun 2. Memnmumkan jumlah jam kerja tenaga kerja-upahan dalam panen. Kendala luas kebun mnmum 10 ha Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
41 30 Modelnya adalah: Eff. Z(X) = [ Z 1 (X), Z 2 (X) ] Untuk: Z 1 (X) : 6250 X X 2 Z 2 (X) : X X 2 Subject to: 500X X X X X X X X X X X 1 +35X X 1 + X 2 10 X 1, X 2 0 Penyelesaan: Menguj optmsas dengan menggunakan software QM Iteras 0 Tabel 3.1 Tabel smpleks Maksmun Z1 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 Bass C B X ,500 X ,000 X6 0 1, ,000 X7 0 1,375 1, ,000 X ,000 X ,000 X ,000 zj-cj Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
42 31 Iteras 1 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 Bass C B X ,000 X ,500 X , ,050 18,500 X , ,375 22,250 X ,800 X X1 6, Zj-cj Iteras 2 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 Bass C B X ,000 X ,500 X , ,05 18,500 X , ,37 22,250 X ,800 X X1 6, Zj-cj 0-1, ,250 62,500 Iteras 3 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 Bass C B X , X , X , X X X X1 6, Zj-cj 0 109, ,636 Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
43 32 Iteras 4 Bass C X1 X2 X3 X4 X5 X6 X7 X8 X9 X X , X , X , X X X2 5, X1 6, Zj-cj B X2 1375X X2 = X1 + 35X2 = 1000 D C E X1 + X2 > = 10 F 120X X2 = 4000 A B X Gambar 3.2 Grafk Maksmum Z1 Varabel fsbel F adalah Polgon ABCDE, dan deskrps untuk ttk ekstrm adalah sebaga berkut: Tabel 3.2 Tabel ttk ekstrm Z 1 Peubah keputusan Fungs tujuan X1 X2 Z 1 (NPV) Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
44 33 Iteras 0 Tabel 3.3 Tabel mnmze Z Bass Cj X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 B X ,000 X ,000 X6 0 1, ,000 X7 0 1,375 1, ,000 X ,000 X ,000 X cj-zj Iteras Bass Cj X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 B X ,000 X ,500 X , ,050 18,500 X , ,375 22,250 X ,800 X X cj-zj Iteras Bass Cj X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 B X ,000 X ,500 X , ,050 18,500 X , ,375 22,250 X ,800 X X cj-zj Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
45 34 Z2: Ja m ke rja TK C D B F 5000 Id eal p on t E A Z1 = N PV A B C th e ef f cen t set d alam ru an g tu ju an A B C th e ef f cen t set d alam ru an g p eu b ah Gambar 3.3 Grafk Mnmze Z2 Tabel 3.4 Tabel ttk ekstrm Z 2 Peubah Keputusan Fungs Tujuan X1 X2 Z 2 (jam kerja sewaan) Varabel efsen adalah kurva transformas yang mengukur hubungan antara dua fungs tujuan. Slope dar gars A B dan B C mencermnkan trade-off (opportunty cost) d antara ke dua tujuan. T A' B ' f f A( x' ) B ( x' ) f f A( x' ' ) B ( x' ' ) f A (x ) dan f B (x ) merupakan dua fungs tujuan, sehngga dperoleh trade off antara NPV dan jam kerja d sepanjang A B adalah: Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
46 35 T A' B ' Rp / jam Setap jam kerja menghaslkan NPV = Besarnya tradeoffs n menjad pertmbangan dalam menentukan plhan oleh pengamblan keputusan (Decson Maker). Matrks pay-off untuk dua tujuan: Tabel 3.5 Matrks Pay-off NPV Jam kerja sewaan NPV Jam kerja sewaan Bars I : Maks NPV ( ) sesua dengan tenaga kerja-sewaan Bars II :Tenaga kerja sewaan mnmum (4000 jam) sesua dengan NPV= Konflk antara tujuan NPV dan tujuan sewaan tenaga kerja yatu Maks, NPV menghaslkan tenaga kerja-sewa yang tngg (300%) dan Mn tenaga kerja sewa menghaslkan NPV rendah (50%). Elemen dalam dagonal utama matrks pay-off dsebut Ideal Pont (solus dmana semua tujuan mencapa nla optmumnya) Kalau ada konflk d antara tujuan, deal pont adalah tdak fsbel. Kebalkan dar Ideal Pont adalah Ant Ideal atau Nadr Pont. Perbedaan antara Ideal Pont dan Nadr Pont, merupakan ksaran nla dar fungs tujuan. Ide dasar metode n adalah: 1. Mengoptmalkan salah satu tujuan, sedangkan tujuan-tujuan lannya danggap Restrants 2. Varabel efsen dperoleh dengan pembobotan kendala dar tujuan-tujuan yang danggap sebaga restrants Msalnya: Problematk MOP dengan fungs tujuan: Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
47 36 Maks, Subject to: Z k (X) X F Z j (X) L j j = 1, 2,., k-1, k+1,., q Keterangan: Z k (X) : tujuan yang doptmalkan L j : RHS, dvaras secara parametrk Msalnya: NPV dtetapkan sebaga tujuan yang harus doptmalkan, aplkas metode kendala n menghaslkan Lnear Programmng parametrk sbb: Maks. 6250X X 2 (NPV) Subject to: X F (kendala tekns) 400X X 2 L 1 ( tenaga kerja /jam) Nla L 1 beragam antara jam/ha. Dengan jalan pembobotan L 1 untuk nla-nla antara akan dperoleh varabel efsen. Nla L 1 beragam dalam ksaran jam/ha. Tabel 3.6 Penafsran varael efsen dengan ttk ekstrm X 1 X 2 Z 1 Z 2 RHS (L 1 ) , , Ide dasar metode n adalah: 1. Mengkombnaskan semua tujuan menjad satu fungs tujuan tunggal 2. Setap fungs tujuan dber pembobot, kemudan baru djumlahkan (+) 3. Hmpunan yang efsen dperoleh melalu varas parametrk dar pembobot. Sr Keumalawat : Analss Pareto Optmal Dengan Pembobotan Dalam Menentukan Solus Goal Programmng, 2010.
PENENTUAN KOEFISIEN MULTIPLE REGRESI DENGAN MENGGUNAKAN METODE LINIER PROGRAMMING
PENENTUAN KOEFISIEN MULTIPLE REGRESI DENGAN MENGGUNAKAN METODE LINIER PROGRAMMING SKRIPSI RINA ASTRY GINTING 060823031 PROGRAM STUDI SARJANA MATEMATIKA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciPENYELESAIAN PROGRAM LINEAR SASARAN GANDA MENGGUNAKAN METODE SIMPLEKS MULTIFASE
PERSETUJUAN PENYELESAIAN PROGRAM LINEAR SASARAN GANDA MENGGUNAKAN METODE SIMPLEKS MULTIFASE SKRIPSI Telah dsetuju dan dsyahkan pada tanggal: 3 November 2010 Untuk dpertahankan ddepan Dewan Penguj Skrps
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu
Bab 2 Tnjauan Pustaka 2.1 Peneltan Terdahulu Pemlhan stud pustaka tentang sstem nformas penlaan knerja karyawan n juga ddasar pada peneltan sebelumnya yang berjudul Penerapan Metode TOPSIS untuk Pemberan
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
I ENDHULUN. Latar elakang Mengambl keputusan secara aktf memberkan suatu tngkat pengendalan atas kehdupan spengambl keputusan. lhan-plhan yang dambl sebenarnya membantu dalam penentuan masa depan. Namun
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBAB 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
Lebih terperinciKritikan Terhadap Varians Sebagai Alat Ukur
Krtkan Terhadap Varans Sebaga Alat Ukur Varans mengukur penympangan pengembalan aktva d sektar nla yang dharapkan, maka varans mempertmbangkan juga pengembalan d atas atau d bawah nla pengembalan yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus
Lebih terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Matematka dbag menjad beberapa kelompok bdang lmu, antara lan analss, aljabar, dan statstka. Ruang barsan merupakan salah satu bagan yang ada d bdang
Lebih terperinciMENCERMATI BERBAGAI JENIS PERMASALAHAN DALAM PROGRAM LINIER KABUR. Mohammad Asikin Jurusan Matematika FMIPA UNNES. Abstrak
JURAL MATEMATIKA DA KOMUTER Vol. 6. o., 86-96, Agustus 3, ISS : 4-858 MECERMATI BERBAGAI JEIS ERMASALAHA DALAM ROGRAM LIIER KABUR Mohammad Askn Jurusan Matematka FMIA UES Abstrak Konsep baru tentang hmpunan
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciBAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas
BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciPendahuluan. 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
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
Lebih terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciIV. 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
Lebih terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
Lebih terperinciMETODE OPTIMASI 11/13/2015. Capaian Pembelajaran
2 Capaan Pembelajaran METODE OPTIMASI N. Tr Suswanto Saptad Mahasswa dapat memaham dan mampu mengaplkaskan beberapa metode untuk menyelesakan masalah dengan alternatfalternatf dalam jumlah yang relatf
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciANALISIS 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
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciANALISIS 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 :
Lebih terperinciBAB III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
Lebih terperinciBAB 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
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciPENGARUH PENGUMUMAN DIVIDEN TERHADAP FLUKTUASI HARGA SAHAM DI BURSA EFEK INDONESIA
PENGARUH PENGUMUMAN DIVIDEN TERHADAP FLUKTUASI HARGA SAHAM DI BURSA EFEK INDONESIA SKRIPSI Dajukan Sebaga Salah Satu Syarat Untuk menyelesakan Program Sarjana ( S1) Pada Sekolah Tngg Ilmu Ekonom Nahdlatul
Lebih terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciREGRESI 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
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciIII. METODE PENELITIAN
III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la
Lebih terperinciPERBANDINGAN METODE SAW DAN TOPSIS PADA KASUS UMKM
PERBANINGAN METOE SAW AN TOPSIS PAA KASUS UMKM Muh. Alyazd Mude al.mude@yahoo.com Teknk Informatka Unverstas Muslm Indonesa Abstrak alam pengamblan keputusan terhadap masalah berdasarkan sebuah analsa
Lebih terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciBab 1 Ruang Vektor. R. Leni Murzaini/0906577381
Bab 1 Ruang Vektor Defns Msalkan F adalah feld, yang elemen-elemennya dnyatakansebaga skalar. Ruang vektor atas F adalah hmpunan tak kosong V, yang elemen-elemennya merupakan vektor, bersama dengan dua
Lebih terperinci2. TINJAUAN PUSTAKA. 18 Universitas Indonesia. Penggunaan non linier..., Arief Suwandi, FT UI, 2009
2. TINJAUAN PUSTAKA 2.1 Goal Programmng Goal Programmng merupakan pengembangan ar Lnear Programmng. Dperkenalkan oleh Charnes an Cooper paa awal tahun 1960. Kemuan teknk n sempurnakan oleh Ijr paa pertengahan
Lebih terperinciMETODE PENELITIAN. digunakan untuk mengetahui bagaimana pengaruh variabel X (celebrity
37 III. METODE PENELITIAN 3.1 Jens dan Sumber Data Jens peneltan yang dgunakan adalah peneltan deskrptf, yang mana dgunakan untuk mengetahu bagamana pengaruh varabel X (celebrty endorser) terhadap varabel
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciMETODE PENELITIAN. pelajaran 2011/ Populasi penelitian ini adalah seluruh siswa kelas X yang
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n telah dlaksanakan d SMA Neger 1 Bandar Lampung pada tahun pelajaran 011/ 01. Populas peneltan n adalah seluruh sswa kelas X yang terdr dar
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciAlokasi kursi parlemen
Alokas kurs parlemen Dd Achdjat Untuk Sndkas Pemlu dan Demokras 1. Pendahuluan 1 Pelaksanaan pemlhan umum sebaga sarana mplementas demokras memerlukan suatu konsep yang kokoh dan taat azas. Konsep pelaksanaan
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciBab 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
Lebih terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan quas expermental dengan one group pretest posttest desgn. Peneltan n tdak menggunakan kelas pembandng namun sudah menggunakan
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB III METODELOGI PENELITIAN. metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif
BAB III METODELOGI PENELITIAN 3.1 Desan Peneltan Metode peneltan mengungkapkan dengan jelas bagamana cara memperoleh data yang dperlukan, oleh karena tu metode peneltan lebh menekankan pada strateg, proses
Lebih terperinciBAB III METODE PENELITIAN. problems. Cresswell (2012: 533) beranggapan bahwa dengan
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan kombnas atau mxed methods. Cresswell (2012: 533) A mxed methods research desgn s a procedure for collectng, analyzng and mxng
Lebih terperinciPENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER
Penerapan Program Lner Kabur dalam Analss.. Elfranto PENERAPAN PROGRAM LINIER KABUR DALAM ANALISIS SENSITIVITAS PROGRAM LINIER Elfranto Dosen Unverstas Muhammadyah Sumatera Utara Abstrak: Salah satu kaan
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciSISTEM 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
Lebih terperinciIII. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.
3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis penelitian yang digunakan adalah penelitian pengembangan yang
BAB III METODOLOGI PENELITIAN A. Jens Peneltan Jens peneltan yang dgunakan adalah peneltan pengembangan yang bertujuan membuat suatu produk dan duj kelayakannya. B. Metode Pengembangan Peneltan n menggunakan
Lebih terperinci