BAB 2 LANDASAN TEORI

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 2 LANDASAN TEORI"

Transkripsi

1 5 BAB 2 LANDASAN TEORI 2. Tjaua Pusaka 2.. Defs Pemelharaa Pegera pemelharaa aau perawaa ( maeace ) adalah suau kombas dar berbaga daka yag dlakuka uuk mejaga suau barag aau memperbakya, sampa pada suau kods yag bsa derma ( Corder, hal ). Pegera la dar pemelharaa adalah kegaa mejaga faslas faslas da peralaa pabrk sera megadaka perbaka aau pemyesuaa yag dperluka agar ercapa suau keadaa operas produks yag memuaska da sesua dega yag drecaaka ( Assaur, hal 88 ). Sedagka maajeme perawaa ( maeace maageme ) adalah pegorgasasa perawaa uuk memberka padaga umum megea perawaa faslas produks. ( Supad, hal 5 ) Idusr dak haya harus memproduks barag yag dapa djual amu juga harus dapa meadg persaga pasar dega membua produk yag berkualas dega harga yag paas da dserahka kepada kosume dalam waku yag epa. Uuk mewujudka hal ersebu aara la meerapka proses proses baru, megadaka ovas produk baru da meemuka meode baru. Hal merupaka aaga uuk baga

2 6 pemelharaa agar dapa erus berkembag da medukug kesapa sera keadala pabrk Tujua Pemelharaa Kegaa pemelharaa peralaa da faslas mes eu memlk ujua.tujua ujua ersebu adalah : ( Corder, hal 3 & Assaur hal 89 ). Memperpajag usa keguaa ase. 2. Mejam keersedaa peralaa da kesapa operasoal perlegkapa sera peralaa yag dpasag uuk kegaa produks. 3. Membau megurag pemakaa aau peympaga dluar baas sera mejaga modal yag daamka selama waku yag deuka. 4. Meeka gka baya perawaa seredah mugk dega melaksaaka kegaa perawaa secara efekf da efse. 5. Memeuh kebuuha produk da recaa produks epa waku. 6. Megkaka kerampla para supervsor da operaor melalu kegaa pelaha yag dadaka. 7. Megkaka keselamaa da kesehaa kerja karyawa Jes Jes Perawaa Terdapa beberapa jes perawaa ( pemelharaa ) yau : ( Assaur, hal 89 ) A. Perawaa Terecaa ( Plaed Maeace )

3 7 Adalah perawaa yag dlakuka secara erorgasas da sesua dega recaa perawaa yag elah dbua sebelumya. Perawaa dbedaka mejad dua yau :. Perawaa Pecegaha ( Preveve Maeace ) Adalah kegaa pemelharaa da perawaa yag dlakuka uuk mecegah mbulya kerusaka kerusaka yag dak erduga da meemuka kods aau keadaa yag meyebabka faslas produks megalam kerusaka pada waku dguaka dalam proses produks. Dega demka semua faslas produks yag medapaka perawaa pecegaha aka erjam kelacara kerjaya da aka selalu dusahaka dalam kods yag sap seap saa. Berdasarka hal ersebu maka memugkka pembuaa suau recaa jadwal perawaa da recaa produks yag lebh epa da efekf dalam meghadap faslas faslas produks yag ermasuk kedalam gologa crcal u. Sebuah faslas aau peralaa produks aka ermasuk dalam gologa crcal u apabla: Kerusaka faslas aau peralaa produks aka membahayaka keselamaa aau kesehaa para pekerja. Kerusaka faslas aka mempegaruh kualas produk yag dhaslka. Kerusaka faslas ersebu aka meyebabka kemacea seluruh proses produks.

4 8 Modal yag daamka dalam faslas ersebu cukup besar aau mahal. 2. Perawaa perbaka ( Correcve Maeace ) Yau kegaa perawaa yag dlakuka seelah ssem megalam kerusaka aau dak dapa berfugs lag dega bak. Kegaa perawaa serg juga dsebu sebaga kegaa reparas / perbaka ( Repar Maeace ), yag basaya erjad karea kegaa perawaa pecegaha dak dlakuka sama sekal. Secara sepas, baya perawaa perbaka aka lebh kecl darpada megadaka perawaa pecegaha. Hal bear selama kerusaka dak erjad pada saa faslas / peralaa produks sedag doperaska, karea apabla kerusaka erjad saa operas berlagsug maka sela baya perbaka kerusaka, perlu juga dperhugka baya peudaa produks. Kerusaka ersebu juga aka memberka adl erhadap umur peralaa dalam jagka waku yag pajag. Oleh karea u, perawaa pecegaha daggap lebh meguugka darpada haya melaksaaka perawaa perbaka saja.

5 9 B. Perawaa Tak Terecaa ( Uplaed Maeace ) Perawaa ak erecaa adalah beuk perawaa darura yag dapa ddefska sebaga perawaa yag perlu segera dlakuka uuk mecegah akba yag lebh serus, seper hlagya waku uuk berproduks, kerusaka besar pada peralaa da baya baya perbaka yag lebh mahal Kosep Kosep Pemelharaa Kosep Keadala ( Relably ) Adalah probablas suau kompoe aau ssem aka beroperas sesua dega fugs yag deapka dalam jagka waku ereu keka dguaka dalam kods operasoal ereu. Keadala juga berar kemampua suau peralaa uuk beraha da eap beroperas sampa baas waku ereu. ( Ebellg, hal 5 ) Kosep Keerawaa ( Maaably ) Adalah probablas suau kompoe aau ssem yag rusak aka dperbak aau dpulha kembal pada kods yag elah deuka selama perode waku ereu dmaa dlakuka perawaa sesua dega prosedur yag seharusya. Keerawaa suau peralaa dapa ddefska sebaga probablas peralaa ersebu uuk bsa dperbak pada kods ereu dalam perode waku ereu. ( Ebellg, hal 6 )

6 Kosep Keersedaa ( Avalably ) Keersedaa ( avalably ) adalah probablas suau kompoe aau ssem meujuka kemampua yag dharapka pada suau waku ereu keka doperaska dalam kods operasoal ereu. Keersedaaa juga dapa derpreaska sebaga persease waku operasoal sebuah kompoe aau ssem selama erval waku ereu. Keersedaa berbeda dega keadala, dmaa keersedaa adalah probablas kompoe berada dalam kods dak megalam kerusaka meskpu sebelumya kompoe ersebu elah megalam kerusaka da dperbak aau dpulhka kembal pada kods operas Normalya. Oleh karea u, keersedaa ssem dak perah lebh kecl darpada kedala ssem. Keersedaa megadug dua kompoe uama yau keadala ( relably ) da keerawaa ( maaably ). Tgka keadala yag redah dapa dmbag dega usaha pegkaa perawaa sehgga gka kecepaa aks perawaa berpegaruh erhadap gka keersedaa ssem. Seper halya pada keadala da keerawaa, keersedaa merupaka probablas sehgga eor probablas dapa dguaka uuk meghug la keersedaa. ( Ebellg hal 6 & hal 254 )

7 Kosep Preveve Maeace Kosep Preveve Maeace perama kal derapka d Jepag pada ahu 97. Kosep mecakup semua hal yag berhubuga dega maeace dega segala mplemeasya d lapaga. Kosep megkuseraka pekerja dar baga produks uuk ambl baga dalam kegaa maeace ersebu. Dega demka maka dharapka erjad kerjasama yag bak aara baga maeace da baga produks. Preveve Maeace dapa darka sebaga suau pegamaa secara ssemas dsera aalss ekoomk uuk mejam berfugsya suau peralaa produks da memperpajag umur peralaa yag bersagkua. Tga dasar uama dalam maeace adalah :. Membershka ( cleag ) Pekerjaa perama yag palg medasar adalah membershka peralaa / mes dar debu maupu koora koora la yag daggap dak perlu. Debu ersebu aka mejad bermulaya proses kodesas dar uap ar yag berada d udara. Pekerjaa membershka aka saga bak apabla dlaksaaka secara perodk da dega dspl gg dega meyesuaka damka operas mes / peralaa bersagkua.

8 22 2. Memerksa ( speco ) Pekerjaa kedua adalah memerksa baga baga dar mes yag daggap perlu. Pemerksaa erhadap u salas mes perlu dlakuka secara eraur megku suau pola jadwal yag sudah daur. 3. Memperbak ( repar ) Pekerjaa selajuya adalah memperbak bla erdapa kerusaka kerusaka pada baga u salas mes sedemka rupa sehgga kods u salas ersebu dapa mecapa sadard semula dega usaha da baya yag wajar Fugs Kerusaka Karakersk kerusaka seap peralaa aka mempegaruh beuk kedekaa yag dguaka dalam meguj kesesuaa da meghug parameer fugs Dsrbus kerusaka. Kepuusa yag berhubuga dega peeua kebjaka perawaa seper kebjaka perawaa pecegaha memerluka formas eag selag waku suau peralaa aka megalam kerusaka lag. Pada umumya saa erjadya perubaha kods peralaa dar bak mejad rusak dak dapa dkeahu dega pas amu dapa dkeahu probablas erjadya perubaha ersebu. ( Jarde, hal 3 ) Karakersk kerusaka dar seap peralaa pada umumya dak sama eruama jka doperaska dalam kods lgkuga yag berbeda. Suau peralaa yag memlk karakersk da doperaska dalam kods yag

9 23 sama juga mgk aka memberka la selag waku aar kerusaka yag berlaa. ( Jarde, hal 5 ). Fugs Kepadaa Probablas ( Probably Desy Fuco ) Bla x meyaaka varabel acak koyu (couous radom varable) sebaga waku kerusaka dar ssem (peralaa) dar jumlah kerusaka/kegagala pada suau waku, da mempuya fugs dsrbus f x yag koyu d seap k sumbu yaa f x dkaaka fugs kepadaa peluag (probably desy fuco) dar varabel x. Bla x dapa berla yaa ( x 0 ) pada erval waku, harus memeuh persyaraa sebaga berku : f X ( ) 0 uuk 0 sehgga, 0 f x ( ) d 2. Fugs Dsrbus Kumulaf ( Cumulave Dsrbuo Fuco ) Fugs dsrbus kumulaf merupaka fugs yag meggambarka probablas erjadya kerusaka sebelum waku. Probablas suau ssem aau peralaa megalam kegagala dalam beroperas sebelum waku, yag merupaka fugs dar waku yag secara maemas dapa dyaaka sebaga: ( Jarde, hal 7 ) F( ) f ( ) d uuk 0 0

10 24 D maa : F() adalah fugs dsrbus kumulaf f() adalah fugs kepadaa peluag jka maka F() 3. Fugs Keadala ( Relably ) Saa meeuka keadala ( relably ) suau peralaa, hal peg yag harus dperhaka adalah spesfkas fugs yag dharapka dar peralaa ersebu. Keadala harus derjemahka dalam saua fugs waku. Fugs keadala merupaka probablas suau peralaa dapa beroperas dega bak apa megalam kerusaka dalam perode waku ereu, msalya. Fugs keadala dyaaka sebaga R() da ddefska sebaga berku : R () f ()d - F() 4. Fugs Laju Kerusaka Laju kerusaka suau peralaa pada waku adalah probablas dmaa peralaa aka megalam kerusaka pada selag waku berkuya da dkeahu kodsya bak pada awal erval. Pola dasar dar fugs laju kerusaka sesaa yag umum bag suau produk adalah kurva bak mad ( bahub curve ). pada umumya laju kerusaka suau ssem selalu berubah sesua dega berambahya waku sehgga bahub curve yag

11 25 meujuka ga daerah dega laju kerusaka yag berbeda dapa dguaka uuk meyaaka laju kerusaka sesaa suau produk. Laju kerusaka sesaa dyaaka sebaga berku : λ () f () / R() Bur - Useful lfe Wearou Falure rae Ifa moraly ad mproper use falure Lfeme Gambar 2. Kurva Laju Kerusaka Sesaa ( Bahub Curve ) Kurva erbag aas 3 daerah dega pola laju kerusaka yag berbeda yau : ( Ebellg, hal 3 ) Daerah A : Fase kerusaka awal ( bur rego ) Daerah pada selag waku aara 0 sampa dada dega laju kerusaka meuru aau Decreasg Falure Rae ( DFR ). Tgka laju kerusaka cukup gg pada awal operas da erus meuru sampa.

12 26 Peyebab kerusaka aara la karea pegedala kualas yag dak memada, performas maeral da eaga kerja yag dbawah sadar, kesalaha pemasaga da se up, kesalaha yag mbul pada saa peraka, kesalaha mausa da pemrosesa, dll. Daerah B : fase umur paka bergua ( useful lfe rego ) Daerah pada selag waku sampa 2 dada dega laju kerusaka kosa aau Cosa Falure Rae ( CFR ). Dmaa laju kerusaka sesaa dak aka berambah walaupu umur peralaa erus berambah sampa saa 2 da probablas kerusaka peralaa seap saa adalah sama. Oleh karea u pada daerah kerusaka yag erjad dak dapa dramalka da umumya dsebabka oleh peambaha beba secara ba ba, kerusaka yag dak dapa djelaska peyebabya, kesalaha mausa da kerusaka alamah. Daerah C : Fase pegoperasa melebh umur paka ( wearou rego ) Daerah yag melebh 2 dada dega laju kerusaka megka aau Icrease Falure Rae ( IFR ), dmaa laju kerusaka sesaa mula berambah dar saa 2. Pegkaa erjad karea memburukya kods peralaa yag elah mecapa baas umur pemakaa. Bla suau ala elah memasuk fase maka sebakya dlakuka perawaa pecegaha uuk megurag akba yag lebh faal. Peyebab kerusaka aara la perawaa yag dak memada, kelelaha karea aus akba pemakaa, kelelaha umur paka, kesalaha overhaul,

13 27 erjadya koros da racaga umur paka produk yag memag sgka Nla Tegah dar Dsrbus Kerusaka ( Mea Tme To Falure ) Nla egah dar dsrbus kerusaka aau MTTF adalah la raa raa aau la yag dharapka ( expeced value ) dar suau dsrbus kerusaka. Persamaaya ddefska oleh f() sebaga berku: (Ebelg, hal 26) MTTF 0 E( T ). f ( ) d df( ) dr( ) f ( ) d d sehgga, MTTF 0 dr( ) d d MTTF + R( ) 0 0 R( ) d MTTF 0 R( ) d 2..8 Nla Tegah dar Dsrbus Perbaka ( Mea Tme To Repar ) Nla egah dar dsrbus perbaka aau MTTR adalah varabel acak saa kegaa perbaka yag memlk akba pada waku perbaka berkuya.

14 Dsrbus Kerusaka Dsrbus kerusaka adalah formas dasar megea umur paka suau peralaa dalam suau populas. Dsrbus kerusaka suau peralaa memlk beuk yag berbeda beda. Yag umum dguaka adalah dsrbus Ekspoesal, Webull, Normal da Logormal, dmaa dsrbus kerusaka dapa memeuh berbaga fase kerusaka. Jka ukura sampelya ergolog kecl maka peaksra parameer dsrbus dlakuka dega meode kuadra erkecl ( Leas Squares Curve Fg ). Dsrbus Ekspoesal basaya dguaka jka laju kerusaka dak berubah da kosa erhadap waku ( Ebellg, hal 4 ). Dsrbus Normal basaya cocok dguaka pada feomea erjadya wearou rego ( Ebellg, hal 69 ). Dsrbus Webull dapa dguaka pada model yag megalam laju kerusaka meak maupu meuru ( Ebellg, hal 58 ). Sedagka Dsrbus Logormal memlk kemrpa dega Dsrbus Webull sehgga jka pada suau kasus memlk Dsrbus Webull maka kasus ersebu juga cocok megguaka Dsrbus Logormal. ( Ebellg, hal 73 ) Dalam perhuga la fugs dsrbus kumulaf (F()) dguaka meode pedekaa meda rak karea meode memberka hasl yag lebh bak uuk dsrbus kerusaka yag mempuya peympaga dsrbus ( skewed dsrbuo ). Adapu la F() ersebu ddeka dega persamaa : ( Ebellg, hal 364 )

15 29 ( F 0.3 ) Dsrbus Ekspoesal Dsrbus memlk laju kerusaka yag dak berubah da kosa erhadap waku ( Cosa Falure rae Model ). Jka ada peralaa yag memlk laju kerusaka yag eap, maka bsa dpaska ermasuk dalam dsrbus Ekspoesal ( Ebellg, hal 4 ). Peaksra parameer dsrbus Ekspoesal dlakuka dega meode kuadra erkecl ( leas square mehod ) yau : ( Ebellg, hal 364 ) x [ ( )] y l / - F() F() ( - 0.3) /( + 0.4) Parameer : λ b x x y 2 Dmaa : daa kerusaka ke, 2, 3,..., jumlah daa kerusaka F() dhug dega megguaka pedekaa meda rak Fugs kerusaka dsrbus Ekspoesal adalah : ( Ebellg, hal 42 ) Fugs kepadaa probablas f () ( ) - λ. λe

16 30 Fugs dsrbus kumulaf (-λ.) F () - e Fugs keadala (-λ.) R () e Fugs laju kerusaka λ() f() R() λ Nla raa raa dsrbus Ekspoesal MTTF λ 2. Dsrbus Webull Dsrbus Webull serg dpaka sebaga pedekaa uuk megeahu karakersk fugs kerusaka karea perubaha la aka megakbaka dsrbus Webull mempuya sfa ereu aaupu ekuvale dega dsrbus ereu. Dsrbus Webull dlakuka dega megguaka meode kuadra erkecl ( leas square mehod ) yau : x [ ] y l l(/(- F())) F() ( - 0.3) /( + 0.4)

17 x x y x y x b x b y a Parameer : ( ) β α - e θ Dmaa : daa kerusaka ke, 2, 3,..., jumlah daa kerusaka F() dhug dega megguaka pedekaa meda rak Fugs kerusaka dsrbus Webull adalah : ( Ebellg, hal 58 ) Fugs kepadaa probablas β θ β θ θ β e f ) ( Fugs dsrbus kumulaf β θ e F ) ( Fugs keadala β α e R ) (

18 32 Fugs laju kerusaka β λ( ) θ θ β Nla raa raa dsrbus Ekspoesal MTTF θγ + β Γ( x ) ( x ). Γ( x ) D maa : Γ (x) adalah fugs gamma 3. Dsrbus Normal Beuk dsrbus Normal meyerupa loceg sehgga memlk la smers erhadap la raaa dega dua parameer beuk yau μ ( la egah ) da σ ( sadar devas ). Parameer μ ( la egah ) memlk sembarag la, posf maupu egaf. Sedagka parameer σ ( sadar devas ) selalu memlk la posf ( Ebellg, hal 69 ). Dsrbus Normal dlakuka dega megguaka meode kuadra erkecl ( leas square mehod ) yau : ( Ebellg, hal 370 ) x - y z Φ [ F( ) ] F() ( - 0.3) /( + 0.4)

19 33 x y b 2 2 x x x. y a y b x a Parameer : μ - b da σ b Dmaa : z daa kerusaka ke, 2, 3,..., jumlah daa kerusaka la dar abel dsrbus Normal F() dhug dega megguaka pedekaa meda rak Fugs kerusaka dsrbus Normal adalah : ( Ebellg, hal 69 ) Fugs kepadaa probablas f () σ 2 π e -μ ) 2 ( 2 2 σ ) Fugs dsrbus kumulaf F () Φ -μ ( ) Fugs keadala σ

20 34 R () - Φ -μ ( ) Fugs laju kerusaka λ () f () - Φ σ -μ ( ) σ Nla raa raa dsrbus Ekspoesal MTTF μ 4. Dsrbus Logormal Dsrbus logormal memlk dua parameer yau parameer beuk ( s ) da parameer lokas ( med ). Seper dsrbus webull, dsrbus logormal memlk beuk yag bervaras. Yag serg erjad, basaya daa yag dapa ddeka dega dsrbus Webull juga bsa ddeka dega dsrbus Logormal ( Ebellg, hal 73 ). Dsrbus logormal dlakuka dega megguaka meode kuadra erkecl ( leas square mehod ) yau : ( Ebellg, hal 37 ) x l - y z Φ [ F( ) ] F() ( - 0.3) /( + 0.4) x y b 2 2 x x x. y

21 35 a y b x Parameer : s da med e b -( a.s) Dmaa : z daa kerusaka ke, 2, 3,..., jumlah daa kerusaka la dar abel dsrbus Normal F() dhug dega megguaka pedekaa meda rak Fugs kerusaka dsrbus Logormal adalah : ( Ebellg, hal 75 ) Fugs kepadaa probablas f () s. 2 π e ( ) 2 2 l 2 s med Fugs dsrbus kumulaf F () Φ ( l ) s med Fugs keadala R () - Φ ( l ) s med Fugs laju kerusaka λ () f () - Φ ( l ) s med

22 36 Nla raa raa dsrbus Ekspoesal MTTF 2 s 2 mede 2..0 Idex of F Ukura korelas lear aara dua peubah yag palg bayak dguaka adalah koefse korelas. Idex of F aau koefse korelas ( r ) meujukka hubuga lear yag kua aara dua peubah acak X da Y. Pada dsrbus kerusaka, la dar X da Y adalah : Dsrbus Ekspoesal X l Y l - F() Dsrbus Webull X l Y l l ( ) -F() Dsrbus Normal X Y Nla ormalas dar F() Dsrbus Logormal X l

23 37 Y Nla ormalas dar F() Dmaa : daa Tme o Falure ( uuk MTTF ) daa dowme kerusaka ( uuk MTTR ) Semak besar la r meadaka bahwa hubuga lear aara X da Y semak bak. Nla r 0 berar aara X da Y dak ada hubuga lear amu buka berar dak ada hubuga sama sekal ( Walpole, hal 370 ). Beberapa krera bsa dguaka uuk megdefkas Idex of F. Daaraya adalah memlh Idex of F erbak yau yag erbesar, uuk meeuka jes dsrbus suau daa ( Ebellg, hal 408 ) y y x x y x y x r 2.. Uj Kecocoka Dsrbus Peguja kecocoka dsrbus dmaksudka uuk megeahu bahwa dsrbus daa yag elah dplh bear bear mewakl daa. Peguja kecocoka dsrbus yag dguaka adalah uj spesfk Goodess of F, karea uj memlk probablas yag lebh besar dalam meolak suau dsrbus yag dak sesua ( Ebellg, hal 392 ).

24 38 Goodess of F erbag mejad dua yau Geeral Tes da Spesfc Tes. Geeral Tes basaya megguaka Ch Square Tes dega ukura sampel yag relaf besar. Sedagka Spesfc Tes megguaka Leas Square Tes dega ukura daa yag lebh kecl ( Ebellg, hal 408 ). Uj Goodess of F secara maual dapa dguaka dega megguaka : ( Ebellg, hal 392 ). Barle s Tes uuk dsrbus Ekspoesal. 2. Ma s Tes uuk dsrbus Webull. 3. Kolmogorov Smrov s Tes uuk dsrbus Normal da Logormal. Namu dalam pembahasa skrps, peuls dak megguaka perhuga maual melaka dega megguaka program Mab 4.0 dega lagkah lagkah sebaga berku : Masukka daa Tme o Falure ( uuk MTTF ) aau daa dowme ( uuk MTTR ) pada kolom C. Plh meu Sa Qualy Tools - Idvdual Dsrbuo Idefcao. Pada dalog box ( sgle colum ), plh C. Plh Specfy Dsrbuo ( Logormal, Normal, Webull, Ekspoesal ).

25 39 Plh Ok. Dsrbus yag erplh adalah yag memlk la P erbesar Model Peeua Ierval Waku Peggaa Pecegaha Opmal Model peeua peggaa pecegaha pecegaha berdasarka meode mmas dowme dguaka uuk meeuka waku erbak dlakukaya peggaa sehgga oal dowme per u waku dapa ermmas. Meode dguaka uuk megeahu erval waku peggaa pecegaha yag opmal sehgga memmas oal dowme. Model peeua erval waku peggaa pecegaha berdasarka meode mmas dowme dguaka bersamaa dega meode Age Replaceme ( Jarde, hal 94 ). Dalam pegguaa model perlu dkeahu kosruks modelya yau: Tf dowme yag dbuuhka uuk melakuka peggaa kerusaka. Tp dowme yag dbuuhka uuk melakuka peggaa pecegaha. f() fugs kepadaa probablas waku kerusaka. Pada meode Age Replaceme, daka peggaa pecegaha dlakuka pada saa pegoperasa elah mecapa umur yag elah deapka yau p. Hal dlakuka jka pada selag waku p dak erjad kerusaka. Apabla sebelum waku p, ssem dak megalam kerusaka maka

26 40 dlakuka peggaa sebaga daka perawaa korekf. Peggaa selajuya aka dlakuka pada saa p dega megambl waku acua dar waku beroperasya ssem seelah dlakuka daka perawaa korekf. Meode dapa dgambarka sebaga berku : Peggaa kerusaka Peggaa kerusaka Peggaa pecegaha Tf p Tp Tf Gambar 2.2 Model Age Replaceme Toal dowme per u waku uuk peggaa pecegaha pada saa p ddeoaska dega D (p) yak : ( Jarde, hal 96 ) D ( p ) Toal ekspekas ekspekas dowme per pajag sklus sklus Toal ekspekas dowme per sklus. R( p) + ( - R(p) ) T p Ekspekas pajag sklus ( p + Tp ). R( p) + ( M ( p)) + T f ).(- R(p))

27 4 Dega demka oal dowme per u waku adalah : D( p ) ( p + T p T. R( p) + p ( - R(p) ) ). R( p) + ( M ( p)) + T f ).(- R(p)) Dmaa : p erval waku peggaa pecegaha Tf dowme yag erjad karea peggaa kerusaka. Tp dowme yag erjad karea kegaa peggaa pecegaha. f() fugs Dsrbus erval aar kerusaka yag erjad. R(p) probablas erjadya peggaa pecegaha pada saa p M(p) waku raa raa erjadya kerusaka jka peggaa pecegaha dlakuka pada saa p D(p) dowme persaua waku Semeara la gka keersedaa ( avalably ) dar erval peggaa pecegaha / D(p)m dapa dkeahu dega rumus A (p) - D(p)m 2..3 Model Peeua Ierval Waku Peggaa Pemerksaa Opmal

28 42 Sela daka pecegaha, juga perlu dlakuka daka pemerksaa secara eraur agar dapa memmas dowme mes akba kerusaka yag erjad secara ba ba. Kosruks model erval waku pemerksaa opmal ersebu adalah : ( Jarde, hal 08 ) / μ Waku raa - raa / Waku raa - raa perbaka pemerksaa Toal dowme per u waku merupaka fugs dar frekues pemerksaa ( ) da ddeoaska dega D() yak : D() dowme uuk perbaka kerusaka + dowme uuk pemerksaa λ() D () + μ Dmaa : λ () laju kerusaka yag erjad jumlah pemerksaa per saua waku μ berbadg erbalk dega /μ berbadg erbalk dega / Dasums laju kerusaka berbadg erbalk dega jumlah pemerksaa : λ () k / Da karea : ( Jarde, hal 09 ) Maka : λ() D () + μ

29 43 2 λ '() -k/ da : k '() - μ D 2 + dmaa : (/ μ) MTTR jam kerja/bl la μ berbadg erbalk dega /μ waku x pemerksaa (/) jam ker ja / b l la berbadg erbalk dega / la k adalah la kosa dar jumlah kerusaka per saua wak u Sehgga jumlah pemerksaa opmal dapa dperoleh : k μ Ierval waku pemerksaa ( ) jam kerja/bl Semeara la gka keersedaaa ( avalably ) jka dlakuka pemerksaa bsa dkeahu dega rumus : A() D()

30 Tgka Keersedaa ( Avalably ) Toal Tgka keersedaa oal kompoe krs merupaka perhuga yag berujua uuk megeahu keadala aau kemampua kompoe dapa bekerja dega bak, apabla daka preveve maeace dlakuka. Tgka keersedaa berdasarka erval waku peggaa pecegaha da gka keersedaa berdasarka erval pemerksaa merupaka dua kejada yag salg bebas da dak salg mempegaruh. Sehgga berdasarka eor peluag dua kejada bebas, la peluag kejada salg bebas sama dega hasl perkala kedua avalably ersebu. ( Walpole, hal 0 ) Relablas dbawah Preveve Maeace Pegkaa keadala ( relably ) dapa dempuh dega melakuka daka perawaa pecegaha. Perawaa pecegaha dapa megurag pegaruh umur aau wearou da memberka hasl yag sgfka erhadap umur ssem. Model keadala berku megasumska bahwa ssem kembal ke kods baru seelah dlakukaya daka perawaa pecegaha. ( Ebellg, hal 204 ) :

31 45 β θ R exp ) ( ) ( * ) ( ) ( exp ) ( exp ) ( R T R Rm T R T T R β β θ θ Dmaa : R () Keadala sebelum dlakuka preveve maeace ( saa ). R(T) Probablas keadala dega kal preveve maeace. R(-T) Probablas keadala uuk waku (-T) dar daka preveve maeace yag erakhr. Rm () Probablas keadala seelah derapkaya preveve maeace.

32 Keragka Pemkra Meskpu PT. SPLP elah memberlakuka ssem preveve maeace sejak ahu 993, amu dar daa hsors kerusaka mes demuka bahwa gka kerusaka mesya cukup serg erjad, eruama pada l. Kemugka besar hal ersebu dsebabka oleh perecaaa pejadwala preveve maeace yag kurag epa, apa dukuga daa da pegeahua yag medalam megea perlaku mes, apalag dega adaya perambaha umur mes yag semak rea erhadap kerusaka. Sehgga dperluka adaya revs da evaluas erhadap ssem perawaa yag ada dega cara mempredkska waku yag epa dalam meeuka jadwal perawaa mes da peggaa kompoe mes dega dukuga daa da pegeahua yag medalam megea perlaku mes yag dama. Tdak semua u mes harus dmasukka dalam program preveve maeace, karea uuk melakuka perawaa aau pemerksaa secara kea da eraur aka memerluka eaga mausa da baya yag cukup gg. Oleh karea u haya mes mes yag memlk gka kerusaka yag gg sajalah yag aka masuk dalam program preveve maeace. Dar daa hsors kerusaka mes maka dapa deuka mes da kompoe yag masuk dalam kaegor crcal u. Selajuya bsa deuka dsrbus kerusaka yag dmlk oleh peralaa produks da pada akhrya aka dsusu suau jadwal maeace

33 47 baru yag meujukka kapa suau mes aau kompoe harus dperksa aau dga. Hampr seluruh mes pada perusahaa elah mecapa baas umur pemakaa, amu gka keadalaya dapa dmbag dega usaha pegkaa perawaa. Dega adaya daka preveve maeace maka dharapka dapa megkaka keadala suau ssem aau kompoe. Oleh karea u dlakuka juga pembadga la keadala kompoe krs apa maupu dega dlakukaya daka preveve maeace. Dega daka preveve maeace dharapka kerusaka aau dowme mes dapa dcegah aau dkurag sehgga peralaa da faslas produks dapa dguaka secara opmal da aka memlk umur paka yag lebh pajag.

BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL. MESIN OKK Gill BCG1-P2 PADA BAGIAN DRAWING PT VONEX INDONESIA

BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL. MESIN OKK Gill BCG1-P2 PADA BAGIAN DRAWING PT VONEX INDONESIA BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL MESIN OKK Gll BCG1-P PADA BAGIAN DRAWING PT VONEX INDONESIA 3.1 Pedahulua Pada Bab II elah djelaska megea eor eor yag dbuuhka uuk meeuka jadwal opmum

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defs Pemelharaa Pemelharaa aau perawaa (maeace) merupaka kegaa uuk mejaga aau memelhara faslas-faslas da peralaa pabrk, sera megadaka perbaka, peyesuaa aau peggaa yag dperluka uuk medapaka

Lebih terperinci

BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV

BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV 4. Proses Sokask Dalam kehdupa yaa, sergkal orag g megama keerkaa sau kejada dega kejada la dalam suau erval waku ereu, yag merupaka suau barsa kejada.

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI. Pemelharaa aau Maeace.. Pegera Pemelharaa Pemelharaa aau dalam slah asgya dsebu maeace adalah kegaa uuk memelhara aau mejaga faslas / eralaa abrk da megadaka erbaka aau eyesuaa /

Lebih terperinci

RISK ANALYSIS RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL

RISK ANALYSIS RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL RISK ANALYSIS Dr. Mohammad Abdul Mukhy,, SE., MM RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL kepuusa maageral dbua d bawah kods-kods kepasa, kedak-pasa aau resko. Kepasa megacu pada suas

Lebih terperinci

BAB II LANDASAN TEORI. Total Productive Maintenance mula mula berasal dari pemikiran PM ( Preventive

BAB II LANDASAN TEORI. Total Productive Maintenance mula mula berasal dari pemikiran PM ( Preventive BAB II LANDASAN TEORI 2. Toal Producve maeace (TPM) Toal Producve Maeace mula mula berasal dar pemkra PM ( Preveve Maeace da Produco Maeace), dar Amerka masuk ke Jepag da berkembag mejad suau ssem baru

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defs Pemelharaa Pemelharaa aau erawaa (maeace) meruaka suau kegaa mejaga aau memelhara faslas da eralaa abrk dega megadaka erbaka aau eyesuaa yag derluka agar ercaa suau keadaa oeras

Lebih terperinci

Oleh : Azzahrowani Furqon Dosen Pembimbing Dr. Purhadi, M.Sc.

Oleh : Azzahrowani Furqon Dosen Pembimbing Dr. Purhadi, M.Sc. Aalss Regres Webull uuk Megeahu Fakor-Fakor yag Mempegaruh Laju Perbaka Kods Kls Pedera Sroke Sud kasus RSU Haj Surabaya Oleh : Azzahrowa Furqo 3090004 Dose Pembmbg Dr. Purhad, M.Sc. AGENDA OUTLINE PENDAHULUAN

Lebih terperinci

ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF

ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF Bule Ilmah Mah. Sa. da Terapaya Bmaser Volume 5, No. 3 26, hal 23 22. ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF Syarah

Lebih terperinci

III. METODE PENELITIAN. instansi pemerintah, diantaranya adalah publikasi data dari Badan Pusat Statistik

III. METODE PENELITIAN. instansi pemerintah, diantaranya adalah publikasi data dari Badan Pusat Statistik III. METODE PENELITIAN A. Jes da Sumber Daa Daa yag dguaka adalah daa sekuder dar publkas das aau sas pemerah, daaraya adalah publkas daa dar Bada Pusa Sask megea PDRB Koa Badar Lampug da PDRB Props Lampug.

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Pegerta Perawata (Mateace) Meurut Assaur (999, p95) perawata merupaka kegata utuk memelhara atau mejaga fasltas da peralata pabrk, da megadaka perbaka, peyesuaa, atau peggata yag dperluka

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2. Pegerta Pemelharaa da Perawata Pegerta Pemelharaa da Perawata ( Mateace ) meurut Assaur adalah suatu kegata utuk mejaga atau memelhara fasltas da peralata pabrk da megadaka perbaka

Lebih terperinci

LOGO ANALISIS REGRESI LINIER

LOGO ANALISIS REGRESI LINIER LOGO ANALISIS REGRESI LINIER BERGANDA Hazmra Yozza Jur. Maemaka FMIPA Uv. Adalas KOMPETENSI megdefkaska model regres ler bergada dalam oas aljabar basa maupu oas marks da asumsya medapaka model regres

Lebih terperinci

Hidraulika Komputasi

Hidraulika Komputasi Hdraulka Kompuas Meoda Beda Hgga Ir. Djoko Lukao, M.Sc., Ph.D. Jurusa Tekk Spl Fakulas Tekk Uversas Gadjah Mada Peyelesaa Pedekaa Karea dak dperoleh peyelesaa aals, maka dguaka peyelesaa pedekaa umers.

Lebih terperinci

Estimasi Parameter dan Dalam Pemulusan Eksponensial Ganda Dua Parameter Dengan Metode Modifikasi Golden Section

Estimasi Parameter dan Dalam Pemulusan Eksponensial Ganda Dua Parameter Dengan Metode Modifikasi Golden Section JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 0) ISSN: 0- A- Esmas Parameer a Dalam Pemulusa Ekspoesal Gaa Dua Parameer Dega Meoe Mofkas Gole Seco Nla Yuwa, Lukma Haaf, Nur Wahyugsh Jurusa Maemaka, Fakulas

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

BAB 1 PENDAHULUAN. bahkan tidak sedikit orang yang frustasi akibat dari krisis global.

BAB 1 PENDAHULUAN. bahkan tidak sedikit orang yang frustasi akibat dari krisis global. BAB 1 PENDAHULUAN 1.1 Laar Belakag Telah dkeahu bahwa saa sedag megalam krss global, dak haya erjad pada Negara yag sedag berkembag, bahka Negara maju juga megalamya, seper Amerka. Akbaya bayak orag yag

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

DISTRIBUSI GAMMA. Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah distribusi gamma.

DISTRIBUSI GAMMA. Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah distribusi gamma. DITRIBUI GAMMA Ada beberaa dsrbus eg dalam dsrbus uj hdu, salah sauya adalah dsrbus gamma. A. Fugs keadaa eluag (fk) Fugs keadaa eluag (fk) dar dsrbus gamma dega dua arameer yau da adalah sebaga berku:

Lebih terperinci

Analisis Survival dengan Model Regresi Cox Weibull pada Penderita Demam Berdarah Dengue (DBD) di Rumah Sakit Haji Sukolilo Surabaya

Analisis Survival dengan Model Regresi Cox Weibull pada Penderita Demam Berdarah Dengue (DBD) di Rumah Sakit Haji Sukolilo Surabaya JURNAL SAINS DAN SENI POMITS Vol., No., (13) 337-35 (31-98X Pr) D-165 Aalss Survval dega Model Regres Cox Webull pada Pedera Demam Berdarah Degue (DBD) d Rumah Sak Haj Sukollo Surabaya Edhy Basya, da I

Lebih terperinci

INFERENSI DATA UJI HIDUP TERSENSOR TIPE II BERDISTRIBUSI RAYLEIGH. Oleh : Tatik Widiharih 1 Wiwin Mardjiyati 2

INFERENSI DATA UJI HIDUP TERSENSOR TIPE II BERDISTRIBUSI RAYLEIGH. Oleh : Tatik Widiharih 1 Wiwin Mardjiyati 2 INFERENSI DAA UJI HIDUP ERSENSOR IPE II BERDISRIBUSI RAYLEIGH Oleh : ak Wdhah Ww Madjya Saf Pogam Sud Saska FMIPA UNDIP Alum Pogam Sud Saska FMIPA UNDIP Absac Aalyss of lfe me s oe of sascal aalyss whch

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

Metode Bayes Dan Ketidaksamaan Cramer-Rao Dalam Penaksiran Titik

Metode Bayes Dan Ketidaksamaan Cramer-Rao Dalam Penaksiran Titik Jural Jural Maemaka, Saska, & Kompuas Vol. 4 No. Jauar 08 Vol. 3 No Jul 006 p-issn: 858-38 53 e-issn: 64-88 Vol. 4, No., 54-59, Jauar 08 Vol. 4, No., 54-58, Jauar 08 Meode Bayes Da Kedaksamaa Cramer-Rao

Lebih terperinci

BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA

BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA Jural Maemaka, Vol., No., 2, 6 2 BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA AMIR KAMAL AMIR Jurusa Maemaka, FMIPA, Uversas Hasaudd 9245 Emal : amrkamalamr@yahoo.com INTISARI Msalka

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 22 BAB II LANDASAN TEORI 2.1 Pedahulua 2.1.1 Pegerta Mateace Beberapa pegerta perawata (mateace) meurut ahl : 1. Meurut Corder (1988), perawata merupaka suatu kombas dar tdaka yag dlakuka utuk mejaga suatu

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

III. METODE KAJIAN A.

III. METODE KAJIAN A. 25 III. METODE KAJIAN A. Lokas da Waku Kaja Lokas kaja d dusr sapu PT. XYZ yag berlokas d Dusu III R.3/05 Desa Kalbuaya, Kecamaa Telagasar, Kabupae Karawag. Pemlha lokas dlakuka secara segaja (purposve),

Lebih terperinci

BAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai

BAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala (orecasig) Peramala (orecasig) adalah suau kegiaa yag memperkiraka apa yag aka erjadi pada masa medaag. Peramala pejuala adalah peramala yag megkaika berbagai

Lebih terperinci

MODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA

MODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA Prosdg Semar Nasoal Sas da Peddka Sas IX, Fakulas Sas da Maemaka, UKSW Salaga, Ju 4, Vol 5, No., ISSN :87-9 MODEL KOREKSI KESALAHAN DENGAN MEODE BAYESIAN PADA DAA RUNUN WAKU INDEKS HARGA KONSUMEN KOA -

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pegera Peramala Meuru Assaur peramala adalah kegaa uuk memperkraka apa yag aka erjad d masa yag aka daag. Sedagka ramala adalah suau suas aau kods yag dperkraka aka erjad pada

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA

BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA 97 BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS 4. Hasl da Pegumpula Data 4.. Peetua L Krts DATA Berdasarka hasl peelta da observas dlapaga secara lagsug pada lata produks PT. Fajar It Plasdo yag meghaslka

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

Lebih terperinci

PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU

PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU 8345 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA

Lebih terperinci

PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI 1D DENGAN SKEMA FTCS, LAASONEN DAN CRANK-NICOLSON. Eko Prasetya Budiana 1 Syamsul Hadi 2

PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI 1D DENGAN SKEMA FTCS, LAASONEN DAN CRANK-NICOLSON. Eko Prasetya Budiana 1 Syamsul Hadi 2 PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI D DENGAN SKEMA FCS, LAASONEN DAN CRANK-NICOLSON Eko Praseya Budaa Syamsul Had Absrac, Fe dfferece mehod ( FCS, Laasoe ad Crak-Ncholso scheme) have bee develop for

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah

Lebih terperinci

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama. BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

Pemecahan Masalah Integer Programming Biner Dengan Metode Penambahan Wawan Laksito YS 6)

Pemecahan Masalah Integer Programming Biner Dengan Metode Penambahan Wawan Laksito YS 6) Pemecaha Masalah Ieger Programmg Ber Dega Meode Peambaha Wawa Lakso YS 6) ISSN : 1693 1173 Absrak Program Ler adalah perecaaa akfas-akfas uuk memperoleh suau hasl yag opmal. Tdak semua varabel kepuusa

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

Penggunaan Uji Kointegrasi pada Data Kurs IDR terhadap AUD

Penggunaan Uji Kointegrasi pada Data Kurs IDR terhadap AUD Vol. 7, No., 3-33, Jul Pegguaa Uj Koegras pada Daa Kurs IDR erhadap AUD Asa Absrak Peela megkaj peerapa Saska pada daa ruu waku yag megkaj uj koegras pada daa ersebu. Koegras adalah suau uj yag dguaka

Lebih terperinci

BAB 2 TINJAUAN TEORI. Ramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu

BAB 2 TINJAUAN TEORI. Ramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu BAB 2 TINJAUAN TEORI 2.1 Pegeria Peramala Ramala pada dasarya merupaka dugaa aau perkiraa megeai erjadiya suau kejadia aau perisiwa di waku yag aka daag. Peramala merupaka sebuah ala bau yag peig dalam

Lebih terperinci

Rangkaian Listrik 2. Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

Rangkaian Listrik 2. Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh MODU PERKUIAHA Ragkaa srk Idukas da Kapasas Fakulas Program Sud Taap Muka Kode MK Dsusu Oleh FAKUTAS TEKIK TEKIK EEKTRO 0 4009 Yulza ST,MT Absrac Tak ada egaga melas sebuah dukor jka arus ag melalu dukor

Lebih terperinci

PENGUJIAN HIPOTESIS. Hipotesis Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi.

PENGUJIAN HIPOTESIS. Hipotesis Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi. . Pedahulua PENGUJIAN HIPOTESIS Hipoesis Saisik : peryaaa aau dugaa megeai sau aau lebih populasi. Pegujia hipoesis berhubuga dega peerimaa aau peolaka suau hipoesis. Kebeara (bear aau salahya) suau hipoesis

Lebih terperinci

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Koferes Nasoal Tekk Spl 3 (KoNTekS 3) Jakarta, 6 7 Me 009 WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Maksum Taubrata Program Stud Tekk Spl, Uverstas Krste Maraatha Badug Jl.

Lebih terperinci

REFLEKTANSI DAN TRANSMITANSI CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM. Christina Dwi Ratnawati

REFLEKTANSI DAN TRANSMITANSI CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM. Christina Dwi Ratnawati REFLEKTANS DAN TRANSMTANS CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM Chrsa Dw Raawa Jurusa Fska Fakulas Maemaka da lmu Pegeahua Alam Uversas Dpoegoro sar : Telah dlakuka kaja erhadap larua gula da larua

Lebih terperinci

PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU

PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU Dyah Rosa STEM Akamgas, Jl. Gajah Mada No. 38 Cepu E-mal: a_dyah@yahoo.com ABSTRAK Peramala produks d masa medaag saga

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCULOSIS DENGAN MODEL REGRESI COX

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCULOSIS DENGAN MODEL REGRESI COX ANAISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCUOSIS DENGAN MODE REGRESI COX Es Okava Sr Seyagsh da A Adrya Program Sud Maemaka Fakulas Maemaka da Ilmu Pegeahua Alam Uversas Pakua

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 8 BAB LANDASAN TEORI. Prevetve Mateace.. Pegerta Perawata (Mateace) Meurut Assaur (999, p59) perawata merupaka kegata utuk memelhara atau mejaga fasltas da peralata pabrk, da megadaka perbaka, peesuaa

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang BAB 2 LANDASAN EORI 2.1 Pegeria Peramala Peramala adalah kegiaa uuk memperkiraka apa yag aka erjadi di masa yag aka daag. Sedagka ramala adalah suau siuasi aau kodisi yag diperkiraka aka erjadi pada masa

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,

Lebih terperinci

METODE PENELITIAN. Lokasi dan Waktu Penelitian. sampai dengan April 2008, di DAS Waeruhu, yang secara administratif terletak di

METODE PENELITIAN. Lokasi dan Waktu Penelitian. sampai dengan April 2008, di DAS Waeruhu, yang secara administratif terletak di 8 METODE PENELITIAN Lokasi da Waku Peeliia Peeliia ii dilaksaaka selama 3 bula, erhiug sejak bula Februari sampai dega April 2008, di DAS Waeruhu, yag secara admiisraif erleak di wilayah Kecamaa Sirimau,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 9 BAB LANDASAN TEORI. Defs Pemelharaa Agar suatu kegata produks dapat berlagsug dega lacar, meghaslka produk-produk yag bermutu tgg, maka perlu ddukug oleh mes-mes atau peralata yag hadal da sap bekerja

Lebih terperinci

3.1 Biaya Investasi Pipa

3.1 Biaya Investasi Pipa BAB III Model Baya Pada model baya [8] d tugas akhr, baya tahua total utuk megoperaska jarga ppa terdr dar dua kompoe, yatu baya operasoal da baya vestas. Baya operasoal terdr dar baya operasoal ppa da

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

Declustering Peaks Over Threshold Pada Data Curah Hujan Ekstrim Dependen di Sentra Produksi Padi Jawa Timur

Declustering Peaks Over Threshold Pada Data Curah Hujan Ekstrim Dependen di Sentra Produksi Padi Jawa Timur Decluserg Peaks Over Threshold Pada Daa Curah Huja Eksrm Depede d Sera Produks Pad Jawa Tmur Rosa Malka () da Suko () ()() Jurusa Saska, FMIPA, ITS, Isu Tekolog Sepuluh Nopember (ITS) Jl. Aref Rahma Hakm,

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

PENGENDALIAN STOCK CUTTING TOOL DENGAN METODE MATERIAL REQUIREMENT PLANNING (MRP) DI WORKSHOP UNITED CAN COMPANY

PENGENDALIAN STOCK CUTTING TOOL DENGAN METODE MATERIAL REQUIREMENT PLANNING (MRP) DI WORKSHOP UNITED CAN COMPANY PENGENDALIAN STOCK CUTTING TOOL DENGAN METODE MATERIAL REQUIREMENT PLANNING (MRP) DI WORKSHOP UNITED CAN COMPANY Ajeg Ye Seagrum 1, da Muhammad Kholl Jurusa Tekk Idusr, Fakulas Tekk Uversas Mercu Buaa

Lebih terperinci

KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB

KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB Sudi kelayaka bisis pada dasarya berujua uuk meeuka kelayaka bisis berdasarka krieria ivesasi Krieria ersebu diaaraya adalah ; 1. Nilai bersih kii (Ne

Lebih terperinci

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa

Lebih terperinci

BAB V ANALISA HASIL. Untuk mendapatkan jenis peramalan yang dinginkan terdapat banyak

BAB V ANALISA HASIL. Untuk mendapatkan jenis peramalan yang dinginkan terdapat banyak BB V NLIS HSIL 5.1 Ukura kurasi Hasil Peramala Uuk medapaka jeis peramala yag digika erdapa bayak parameer-parameer yag dapa diguaka. Seperi yag elah diuraika pada ladasa eori, parameer-parameer ersebu

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

Pengukuran Bunga. Modul 1

Pengukuran Bunga. Modul 1 Moul 1 Pegukura Buga Drs. Pramoo S, M. S. M oul membcaraka eag pegukura buga, fugs akumulas a fugs jumlah, gka buga efekf, buga seerhaa, buga majemuk, la sekarag, gka skoo efekf, gka buga ar skoo omal,

Lebih terperinci

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom

Lebih terperinci

STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF

STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF A Seawa Program Su Maemaka Iusr a Saska Fakulas Sas a Maemaka Uversas Krse Saya Wacaa Jl Dpoegoro 52-6 Salaga 57 Ioesa e-mal: a_sea_3@yahoocom Absrak Dega

Lebih terperinci

Bab 7 NILAI DAN VEKTOR EIGEN

Bab 7 NILAI DAN VEKTOR EIGEN Bab 7 NILAI DAN VEKTOR EIGEN 7 Movas Dmovas bab dega medskuska persamaa a hy by c, dega dak semua dar a, b, da c adalah ol Peryaaa a hy by dsebu beuk kuadrak dalam da y, sera erdapa deas a hy by a h [

Lebih terperinci

UKURAN GEJALA PUSAT (UGP)

UKURAN GEJALA PUSAT (UGP) UKURAN GEJALA PUSAT (UGP) Pegerta: Rata-rata (average) alah suatu la yag mewakl suatu kelompok data. Nla dsebut juga ukura gejala pusat karea pada umumya mempuya kecederuga terletak d tegah-tegah da memusat

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

8. MENGANALISIS HASIL EVALUASI 8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Pegerta da Keguaa Peramala Peramala adalah kegata utuk memperkraka apa yag aka terjad d masa yag aka datag. Serg terjad sejag waktu (lme lag) atara kesadara aka perstwa atau kebutuha

Lebih terperinci

Rancangan Acak Kelompok

Rancangan Acak Kelompok Racaga Acak Kelompok Saua percoaa dak seragam dlakuka pegelompoka egacaka dlakuka per kelompok Model : Y j μ + β + τ + ε dega : Y j respos pada perlakua ke -, ulaga ke - j μ raaa umum j τ pegaruh perlakuake

Lebih terperinci

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk

Lebih terperinci

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi. Mea utuk Data Tuggal Des. Jka suatu sampel berukura dega aggota x1, x, x3,, x, maka mea sampel ddesska : 1... N 1 Mea utuk Data Kelompok Des Mea dar data yag dkelompoka adalah : x x 1 1 1 dega : x = ttk

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pemelharaa (Mateace) 2.1.1 Pegerta Pemelharaa Defs pemelharaa (mateace) meurut Patrck (2001, p407) adalah suatu kegata utuk memelhara da mejaga fasltas yag ada serta memperbak,

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

III. METODE KAJIAN 1. Lokasi dan Waktu 2. Metode Pengumpulan Data

III. METODE KAJIAN 1. Lokasi dan Waktu 2. Metode Pengumpulan Data III. METODE KAJIAN 1. Lokasi da Waku Lokasi kajia berempa uuk kelompok dilaksaaka di kelompok peeraka sapi di Bagka Tegah, Provisi Bagka Beliug, da Kelompok Peeraka Sapi di Cisarua, Bogor, Provisi Jawa

Lebih terperinci

BAB III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

Lebih terperinci

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Penarikan Contoh Acak Sederhana (Simple Random Sampling) Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu

Lebih terperinci

ANALISIS KEANDALAN (RELIABILITY) MESIN PRODUKSI DENGAN FUNGSI DISTRIBUSI WEIBULL

ANALISIS KEANDALAN (RELIABILITY) MESIN PRODUKSI DENGAN FUNGSI DISTRIBUSI WEIBULL ANALISIS KEANDALAN (RELIABILITY) MESIN PRODUKSI DENGAN FUNGSI DISTRIBUSI WEIBULL Agus Fkr, ST., MM Muhammad Irva, ST.,MT. ABSTRACT I a producto system, all mache related to the creato of added value of

Lebih terperinci

Universitas Sumatera Utara

Universitas Sumatera Utara 50.7 4.3770 6.7547 6.7547 4.4 48.6965 R4.7 36.3 N8 TOL 0..70 35.9497 36.3.99 50.7 94.338 6.89 3.5 6.75 7.567 36.0 6.4837 57.396 8.783 66.0384 5.337 37.006 3.568 PISAU POTONG AISI D SEPUH No Qy NAME MATERIAL

Lebih terperinci

STUDI PENANGGULANGAN BAJIR DATUK LAKSAMANA DUMAI. Fakultas Teknik Universitas Riau, Pekanbaru,

STUDI PENANGGULANGAN BAJIR DATUK LAKSAMANA DUMAI. Fakultas Teknik Universitas Riau, Pekanbaru, STUDI PENANGGULANGAN BAJIR DATUK LAKSAMANA DUMAI Arf Julswa ), Sswao ), Trmajo ) ) Mahasswa Jurusa Tekk Spl, ) Dose Jurusa Tekk Spl Fakulas Tekk Uversas Rau, Pekabaru, 893 Emal : ajuladrod@gmal.com Oe

Lebih terperinci

Jumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun

Jumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun Baasan Masalah Jumlah kasus pendera penyak Demam Berdarah Dengue (DBD d Koa Surabaya ahun - Varabel Explanaory (Varabel penjelas yang dgunakan dalam penelan adalah varabel Iklm (Curah hujan, Suhu, Kelembaban

Lebih terperinci

PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113

PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113 PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113 Peremua 3 Oule: Meode Peramala: Expoeal Smoohg (Sgle) Double Expoeal Smoohg Wer s Mehod for Seasoal Problems Error Forecas MAD, MSE, MAPE, MFE aau Bas Referes:

Lebih terperinci

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc STUDI KELAYAKAN: ASPEK FINANSIAL F.Hafz Saragh SP, MSc Pajak Baya bag perusahaa/ usahata, sehgga merupaka peguraga dar beeft Subsd FINANSIAL Peguraga baya bag perusahaa/ usahata, sehgga merupaka tambaha

Lebih terperinci

Muniya Alteza

Muniya Alteza RISIKO DAN RETURN 1. Estmas Retur da Rsko Idvdual. Kosep Dversfkas 3. Kovaras da Koefse Korelas 4. Estmas Retur da Rsko Portofolo Muya Alteza m_alteza@uy.ac.d Estmas Retur da Rsko 1) Estmas Realzed Retur

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga

Lebih terperinci

V. PENGUJIAN HIPOTESIS

V. PENGUJIAN HIPOTESIS V. PENGUJIAN IPOTEI A. IPOTEI TATITIK Defiisi uau hipoesa saisik adalah suau peryaaa aau dugaa megeai sau aau lebih variabel populasi. ipoesis digologka mejadi. ipoesis ol adalah hipoesis yag dirumuska

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci